undkurs Gr - users.abo.fiusers.abo.fi/tfredman/SigBe/SigBe_2018.pdf · bärlig oum för...
Transcript of undkurs Gr - users.abo.fiusers.abo.fi/tfredman/SigBe/SigBe_2018.pdf · bärlig oum för...
Grundkurs i Signalbehandling
Föreläsningsmaterial
Hannu Toivonen
redigerat av
Tom Fredman
Fakulteten för naturvetenskaper o h
teknik, Åbo Akademi
2018
1
Dessa föreläsningsante kningar är avsedda för kursen Grundkurs i Signalbe-
handling (5 sp. ECTS) för studerande vid Fakulteten för Naturvetenskaper
o h Teknik, Åbo Akademi.
Materialet är en redigering av motsvarande kompendium från 1999 av Prof.
Hannu Toivonen.
Åbo, de ember 2018,
2
Innehåll
1 Inledning 1
1.1 Varför studera signalbehandling? . . . . . . . . . . . . . . . . 1
1.2 Signaler o h system . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Matematisk representation av signaler . . . . . . . . . . . . . 3
1.4 Matematisk representation av system . . . . . . . . . . . . . . 4
1.5 Analog o h digital signalbehandling . . . . . . . . . . . . . . . 6
1.6 Ett exempel: radar för avståndsmätning i bilar . . . . . . . . . 8
1.7 Ett exempel till: lagring av audiosignaler på CD-skiva . . . . . 10
1.8 Viktiga signalbehandlingsoperationer . . . . . . . . . . . . . . 11
1.9 Litteratur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2 Signaler några grundbegrepp 17
2.1 Signaltransformer . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.1.1 Kompression av data . . . . . . . . . . . . . . . . . . . 19
2.1.2 Beräkning av utsignalen från ett linjärt system . . . . . 20
2.1.3 Tolkning av signaler . . . . . . . . . . . . . . . . . . . 21
2.2 Signalnormer . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.3 Komplexa tal . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.3.1 Den komplexa exponentialfunktionen . . . . . . . . . . 26
3 Analys av signaler i frekvensplanet 29
3.0.1 Beskrivning av signaler i frekvensplanet . . . . . . . . . 29
3.1 Representation av sinusformade signaler . . . . . . . . . . . . 31
3.1.1 Sinusformade signaler o h modulering . . . . . . . . . . 37
3.2 Periodiska kontinuerliga signaler . . . . . . . . . . . . . . . . . 44
3.2.1 Härledning av Fourierseriens koe ienter . . . . . . . . 47
3.2.2 Fourierserien med komplexa exponentialfunktioner . . . 48
3.2.3 Energin hos periodiska signaler. . . . . . . . . . . . . . 55
3
4 INNEHÅLL
3.3 I ke-periodiska kontinuerliga signaler . . . . . . . . . . . . . . 57
3.3.1 Parsevals formel. . . . . . . . . . . . . . . . . . . . . . 63
3.3.2 Samband med Lapla etransformen. . . . . . . . . . . . 64
3.3.3 Frekvensinnehållet hos olika signaler. . . . . . . . . . . 65
4 Fouriertransformen av diskreta signaler 67
4.1 Periodiska diskreta signaler . . . . . . . . . . . . . . . . . . . 68
4.1.1 Parsevals formel . . . . . . . . . . . . . . . . . . . . . . 72
4.2 I ke-periodiska diskreta signaler . . . . . . . . . . . . . . . . . 73
4.2.1 Parsevals formel . . . . . . . . . . . . . . . . . . . . . . 74
4.3 Den diskreta Fouriertransformen . . . . . . . . . . . . . . . . . 75
4.3.1 Egenskaper hos DFT . . . . . . . . . . . . . . . . . . . 77
4.4 Den snabba Fouriertransformen . . . . . . . . . . . . . . . . . 79
4.4.1 Den inversa snabba Fouriertransformen . . . . . . . . . 86
4.4.2 Modiering för generella sekvenslängder N . . . . . . . 86
4.4.3 De imering i frekvens FFT . . . . . . . . . . . . . . . . 86
4.4.4 Ett exempel OFDM . . . . . . . . . . . . . . . . . . 87
5 Andra transformer 91
5.1 Den diskreta osinustransformen . . . . . . . . . . . . . . . . . 91
5.2 Walsh- o h Hadamardtransformerna . . . . . . . . . . . . . . . 92
5.3 Gabortransformen . . . . . . . . . . . . . . . . . . . . . . . . . 92
5.4 Krusningar . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
5.5 Signaler i två dimensioner . . . . . . . . . . . . . . . . . . . . 93
5.6 Bildkomprimering . . . . . . . . . . . . . . . . . . . . . . . . . 95
6 Diskret representation 99
6.1 Sampling av signaler o h aliaseekten . . . . . . . . . . . . . . 99
6.2 Shannons samplingsteorem . . . . . . . . . . . . . . . . . . . . 105
6.3 Praktisk A/D- o h D/A-omvandling . . . . . . . . . . . . . . . 111
6.3.1 Praktisk A/D-omvandling . . . . . . . . . . . . . . . . 111
6.3.2 Praktisk digital-till-analog omvandling . . . . . . . . . 117
6.3.3 Tillämpningar på digital kommunikation . . . . . . . . 122
7 Diskreta signaler o h system 129
7.1 Linjära tidsinvarianta system . . . . . . . . . . . . . . . . . . 129
7.2 z-transformen . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
7.3 Diskreta överföringsoperatorer . . . . . . . . . . . . . . . . . . 134
INNEHÅLL 5
7.4 Stabiliteten hos linjära diskreta system . . . . . . . . . . . . . 138
7.5 Invertering av z-transformen . . . . . . . . . . . . . . . . . . . 140
8 Syntes av digitala lter 147
8.1 Digitala lter . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
8.1.1 Klassi ering . . . . . . . . . . . . . . . . . . . . . . . 150
8.2 Filterspe ikationer . . . . . . . . . . . . . . . . . . . . . . . . 151
8.2.1 Ideala lter . . . . . . . . . . . . . . . . . . . . . . . . 151
8.2.2 Linjär fasförskjutning . . . . . . . . . . . . . . . . . . . 153
8.2.3 Reella lågpass, bandpass- o h högpasslter . . . . . . . 158
8.2.4 Frekvenstransformationer . . . . . . . . . . . . . . . . . 159
8.3 Syntes av lter med ändligt impulssvar . . . . . . . . . . . . . 161
8.3.1 Faslinjära FIR lter . . . . . . . . . . . . . . . . . . . . 161
8.3.2 Syntes baserad på fönsterfunktioner . . . . . . . . . . . 165
8.3.3 Frekvenssampling . . . . . . . . . . . . . . . . . . . . . 173
8.3.4 Syntes baserad på optimering av lterkoe ienter . . . 175
8.4 Syntes av lter med oändligt impulssvar . . . . . . . . . . . . 178
8.4.1 Pla ering av poler o h nollställen . . . . . . . . . . . . 179
8.4.2 Metoder baserade på diskretisering av analoga lter-
prototyper . . . . . . . . . . . . . . . . . . . . . . . . . 182
8.4.3 Syntes baserad på minstakvadratoptimering av lter-
koe ienterna . . . . . . . . . . . . . . . . . . . . . . . 188
9 Implementering av digitala lter 191
9.1 Strukturer för system med ändligt impulssvar . . . . . . . . . 192
9.1.1 Direkt realisering . . . . . . . . . . . . . . . . . . . . . 192
9.1.2 Kaskadstrukturer . . . . . . . . . . . . . . . . . . . . . 193
9.1.3 Andra strukturer för FIR system . . . . . . . . . . . . 193
9.2 Strukturer för system med oändligt impulssvar . . . . . . . . . 193
9.2.1 Direkt realisering . . . . . . . . . . . . . . . . . . . . . 194
9.2.2 Kaskadstrukturer . . . . . . . . . . . . . . . . . . . . . 195
9.2.3 Parallellstrukturer . . . . . . . . . . . . . . . . . . . . 196
6 INNEHÅLL
Kapitel 1
Inledning
1.1 Varför studera signalbehandling?
Signalbehandlingens roll i modern informationsteknologi blir allt viktigare.
Digitaliseringen, med IoT (= Internet of Things), maskininlärning o h olika
AI (Arti iell Intelligens)-tillämpningar som datoriserad vision o h detekte-
ring har på senare år gått framåt my ket ta k vare eektiva signalbehand-
lingsalgoritmer. Exempelvis trenden mot autonoma transportmedel innebär
kraftigt ökad användning av sensorer o h insamling av data. Signalerna in-
nehållande dessa datamängder måste, för att kunna utnyttjas eektivt, be-
handlas på ett ändamålsenligt sätt. Ofta är just framstegen inom den digitala
signalbehandlingen här en kritisk komponent, som möjliggör dessa teknologi-
er. Den bakomliggande matematiken för digital signalbehandling är etablerad
sedan länge, men dessvärre kanske inte mera lika viktig inom utbildningspro-
grammen för ingenjörer o h teknologie magistrar vid universiteten. I många
fall är det framställningen av kompakta o h billiga sensorer i kombination
med eektiva inbyggda system som har introdu erat signalbehandlingen i
många tillämpningar.
En ingenjör eller teknologie magister som vill främja sin konkurrenskraft
på arbetsmarknaden gör alltså klokt i att satsa brett på att behärska olika
signalbehandlingsmetodiker o h dessas implementering för olika tillämpning-
ar.
1
2 KAPITEL 1. INLEDNING
1.2 Signaler o h system
Temat för denna kurs är signaler o h system. En kvantitativ behandling
av signaler o h system o h deras växelverkan utgör grunden för den del av
informationstekniken som består av manipulering, lagring o h överföring av
information, som representeras i form av signaler.
En signal denieras som något som innehåller information. Informationen
kan bestå av variationer hos en fysikalisk storhet som kan manipuleras med
hjälp av fysikaliska pro esser. Exempel på signaler är
- audiosignaler, såsom i telefoni, MP3-spelare m.m.
- video- o h bildsignaler
- biologiska signaler, såsom elektrokardiogram (EKG), elektroen efalo-
gram (EEG), m.m.
Signaler kan representeras på era olika sätt. Exempelvis är en audiosignal
ursprungligen en akustisk signal (ljud, eller try kvariationer i luften), men
kan konverteras till en elektrisk signal med en mikrofon, eller representeras
med hjälp av variationer hos de magnetiska egenskaperna i ett magnetband,
eller i form av en sekvens av tal såsom i en ljudl. Alla dessa olika represen-
tationer av signalen kan med hjälp av en högtalare konverteras tillbaka till
en akustisk signal.
Med ett system avses i detta sammanhang något som transformerar en
signal till en annan signal eller till en annan signalrepresentation. System i
denna mening är således komponenter som manipulerar, transformerar, lag-
rar eller överför signaler. Exempel på system är t.ex. de komponenter i en
mobiltelefon som transformerar en akustisk (ljud)signal till en elektrisk sig-
nal, ltrerar bort ointressanta, men störande, höga frekvenser i den elektriska
signalen, o h därefter transformerar den elekriska signalen till digital form.
Signaler beskrivs på ett naturligt sätt i form av matematiska funktioner.
System representeras därvid av operatorer som transformerar funktioner (sig-
naler) till andra funktioner (signaler). Den matematiska beskrivningen av sig-
naler o h system är därför oumbärlig för förståelsen av pro esser där signaler
o h system ingår.
Teorin för signaler o h system brukar ofta gå under begreppet signalbe-
handling (eng. signal pro essing, . signaalinkäsittely). Viktiga tillämpnings-
områden för signalbehandling är t.ex.:
1.3. MATEMATISK REPRESENTATION AV SIGNALER 3
- audiotillämpningar (telefoni, MP3, taligenkänning o h -syntes m.m.)
- bildbehandling (digital kamera, förbättring av suddiga bilder m.m.)
- telekommunikation (telefoni, all slags signalöverföring)
- medi inska tillämpningar (analys av EKG o h EEG, tomogra m.m.)
- mätteknik (behandling o h tolkning av mätdata, m.m.)
- reglering o h automation (behandling av mätdata för reglerändamål,
tillämpning av digital signalbehandling för reglering av snabba pro es-
ser som kräver stor datorkapa itet, m.m.)
Förutom i direkt tekniska tillämpningar, så har avan erad signalbehand-
lingsteknik revolutionerat era grundforskningområden. Som ett exempel må
nämnas introduktionen av adaptiv optik i teleskop, som möjliggör kompen-
sation av de störningar som förorsakas av atmosfärisk turbulens. Kompen-
sationen kan göras i reell tid med hjälp av digitala signalbehandlingssystem.
Detta har medfört att teleskop på markytan idag kan göras konkurrenskraf-
tiga med teleskop pla erade i rymden, något som ännu för några år sedan
var orealistiskt.
1.3 Matematisk representation av signaler
Såsom tidigare konstaterades, så kan en signal fysikaliskt ha olika represen-
tationsformer, såsom akustisk, elektrisk, magnetisk m.m. Det väsentliga hos
en signal är emellertid den information den innehåller. Denna är oberoende
av den fysikaliska representationsformen, o h består av signalens variationer
som funktion av tiden (såsom i en akustisk eller elektrisk representation)
eller av en rumskoordinat (såsom i ett magnetband eller en CD-skiva). Des-
sa variationer kan representeras matematiskt som en funktion x(t) av en
oberoende variabel t. Vanligen tänker man sig signaler som funktioner av
tiden t, även om den fysikaliska representationen i vissa tillämpningar kan
hänföra sig till en rumskoordinat, vilket t.ex. är fallet i bildbehandling. Det
är naturligt att representera signaler som beskriver informationen i en bild
som 2-dimensionella funktioner x(s,t), där s o h t är koordinater i ett två-dimensionellt koordinatsystem.
4 KAPITEL 1. INLEDNING
Klassi ering av signaler
Fysikaliska signaler är nästan uteslutande kontinuerliga o h kan represente-
ras i form av en kontinuerlig funktion x(t) av en kontinuerlig variabel t. Enakustisk signal består således av de kontinuerliga try kvariationerna p(t) i
luften, som av örat uppfattas som ljud. En akustisk signal kan i en mikrofon
transformeras till en kontinuerligt varierande elektrisk signal. Med en kon-
tinuerlig eller analog signal x(t) avses en signal som är denierad för alla
tider t i ett intervall t1 ≤ t ≤ t2, o h som kan anta alla värden i ett intervall,
a ≤ x(t) ≤ b.Då en signal skall bearbetas med hjälp av en dator bör den represen-
teras i form av en sekvens tal. En sådan sekvens kallas för diskret signal.
Matematiskt karakteriseras en diskret signal xd som en talsekvens,
xd(k) = . . . , xd(−2), xd(−1), xd(0), xd(1), xd(2), . . . . (1.3.1)
En diskret signal x (kTs) som fås genom att avläsa en analog signal x(t)vid de diskreta tidpunkterna kTs, k = . . . ,−1, 0, 1, . . ., kallas samplad sig-
nal. Tiden Ts är samplingstiden. Liksom analoga signaler kan diskreta o h
samplade signaler anta alla värden i ett intervall, a ≤ xd(k) ≤ b.Då en signal behandlas med hjälp av en dator kan den inte längre anta
vilket som helst värde, utan representeras digitalt, så att den kan anta endast
2B nivåer. En diskret signal som kvantiserats till ett ändligt antal nivåer kallas
digital signal.
1.4 Matematisk representation av system
Ett system transformerar en signal x(t) till en annan signal y(t) (gur 1.1).System representeras fysikaliskt av olika fysikaliska pro esser som påverkar en
signal. Ett system kan t.ex. bestå av en elektronisk krets eller komponent som
förändrar egenskaperna hos en elektrisk signal, eller en kommunikationskanal
som förvränger en överförd signal.
Matematiskt kan ett system representeras av en avbildning G av signalen
x(t) till signalen y(t), så att y(t) vid varje tidpunkt t är en funktion av
signalen x. Signalen x(t) kallas systemets insignal o h y(t) dess utsignal. Ettstatiskt system karakteriseras av att utsignalens värde y(t) är en funktion
endast av insignalens värde x(t) vid tiden t,
y(t) = F (x(t)) . (1.4.1)
1.4. MATEMATISK REPRESENTATION AV SYSTEM 5
Ett statiskt system är ekvivalent med en variabeltransformation o h är gans-
ka trivialt ur signalbehandlingens synpunkt. Mera intressant är dynamiska
system, där utsignalen y(t) vid varje tidpunkt t är en funktion av insignalen
x o kså vid andra tidpunkter,
y(t) = (Gx) (t) . (1.4.2)
Jämför gur 1.1. Utsignalen y(t) hos ett dynamiskt system är således en funk-
tion o kså av tidigare insignaler till systemet. Denna förmåga att minnas
tidigare insignaler gör att dynamiska system har ett my ket mera kompli e-
rat o h intressantare beteende än statiska system. System med kontinuerliga
in- o h utsignaler kallas kontinuerliga system. Kontinuerliga dynamiska sy-
stem beskrivs i allmänhet med hjälp av dierentialekvationer. Ett system
G yx
Figur 1.1: Ett system.
med en diskret insignal x(k) o h en diskret utsignal y(k) representeras
på analogt sätt matematiskt av en avbildning G av signalen x(k), så att
y(n) ges som en funktion av sekvensen x(k). Ett system med diskreta in-
o h utsignaler kallas ett diskret system. Ett diskret statiskt system beskrivs
i analogi med det kontinuerliga fallet av ett statiskt samband,
y(n) = F (x(n)) , (1.4.3)
medan ett dynamiskt diskret system beskrivs av
y(n) = (G x(k)) (n) . (1.4.4)
Diskreta dynamiska system beskrivs i regel med hjälp av dierensekvationer.
Digitala system är diskreta system som har digitala in- o h utsignaler o h
som implementeras digitalt. I signalbehandlingsproblem ingår vanligen två
typer av system. De fysikaliska pro esserna är så gott som alltid kontinuerli-
ga till sin karaktär, o h bör därför modelleras matematiskt som kontinuerli-
ga system. Signalbehandlingsoperationer implementeras nuförtiden däremot
nästan uteslutande digitalt. Därför är de system som står för signalbehand-
lingen diskreta eller digitala system.
6 KAPITEL 1. INLEDNING
1.5 Analog o h digital signalbehandling
Analoga signaler representeras av en fysikalisk storhet, ofta av en elektrisk
sådan. I analog signalbehandling bör implementeringen utföras med hjälp av
lämplig hårdvara, såsom olika typer av elektriska kretsar.
Tidigare utfördes digitala signalbehandlingsoperationer ofta i hårdvara,
med digitalelektronik o h logiska kretsar. En viktig skillnad mellan analog
o h digital signalbehandling är do k det faktum att digitala signalbehand-
lingsoperationer består av numeriska manipulationer av diskreta sekvenser.
Dylika manipulationer kan i praktiken utföras my ket eektivt med hjälp av
datorer. Signalbehandling som utförs numeriskt med hjälp av datorer kal-
las digital signalbehandling (eng. Digital Signal Pro essing, DSP). De signa-
x F
xfA/D
xdDSP
ydD/A
y H ya
Figur 1.2: Digitalt signalbehandlingssystem.
ler som man önskar manipulera med ett digitalt signalbehandlingssystem är
fortfarande vanligen kontinuerliga, såsom audiosignaler (jämför diskussionen
ovan). Ett typiskt digitalt signalbehandlingssystem (gur 1.2) består därför,
förutom av en pro essor, av en analog-till-digital omvandlare (A/D omvand-
lare), som samplar den kontinuerliga signalen xf (t), samt en digital-till-analogomvandlare (D/A omvandlare), som bildar en kontinuerlig signal y(t) frånden digitala signalen yd(k) från pro essorn. Dessutom behövs ett analogt
lågpasslter F , som före analog-till-digital omvandlingen ltrerar bort såda-
na höga frekvenser i signalen x(t), som inte kan representeras i den samplade
signalen, samt ett lågpasslter H efter D/A-omvandlaren, med vilket den
analoga signalen ya ges önskade egenskaper genom att interpolera signalen
mellan samplingstidpunkterna.
Digital signalbehandling gör det möjligt att implementera algoritmer som
i praktiken inte kan realiseras analogt. Det faktum att algoritmerna imple-
menteras med hjälp av mjukvara i form av numeriska beräkningar medför att
även my ket kompli erade metoder kan implementeras relativt enkelt. Det-
ta kan jämföras med analog signalbehandling, som bör implementeras med
hjälp hårdvara i form av elektroniska kretsar. Detta gör givetvis t.ex. modi-
eringen av algoritmerna my ket arbetsdrygare. Analog implementering av
1.5. ANALOG OCH DIGITAL SIGNALBEHANDLING 7
mera kompli erade metoder begränsas dessutom av toleranserna hos enskil-
da elektroniska komponenter, vilket däremot inte utgör något problem vid
en digital implementering. Flera avan erade signalbehandlingsproblem kan i
praktiken lösas endast med hjälp av digital signalbehandling. Ett klassiskt
exempel är lagringen av audiosignaler på en CD-skiva (jämför avsnitt 1.7).
Ett annat exempel där digitala metoder är oumbärliga är avan erad bildbe-
handling.
Digital signalbehandling har o kså ett antal na kdelar. I tillämpningar
där man manipulerar en kontinuerlig signal bör systemet förses med A/D
o h D/A omvandlare (gur 1.2). Konversionshastigheterna hos existerande
A/D o h D/A omvandlare är begränsade. Detta sätter en övre gräns för hur
snabbt varierande signaler som kan behandlas. För t.ex. audiotillämpningar
är hastigheterna do k helt tillrä kliga.
En fundamental begränsning hos digital signalbehandling förorsakas av
det faktum att information alltid går förlorad då en kontinuerlig, fysikalisk
signal representeras i diskret eller digital form. För det första är det generellt
inte möjligt att exakt representera en kontinuerlig signal i form av en diskret
sekvens (eftersom en kontinuerlig signal ju beskrivs av ett oändligt antal
signalvärden, i motsats till en diskret signal som består av en sekvens av tal).
Ett kvantitativt svar på vilka kontinuerliga signaler som kan representeras i
form av en diskret sekvens ges av samplingsteoremet. En annan begränsande
faktor vid digital signalbehandling utgörs av de kvantiseringsfel som uppstår
på grund av ändlig ordlängd. Båda dessa begränsningar bör beaktas då man
planerar digitala signalbehandlingssystem.
Digital signalbehandling som skall utföras i realtid kräver eektiva pro es-
sorer. Det har för detta ändamål utve klats spe iellt för digital signalbehand-
ling anpassade pro essorer, s.k. digitala signalpro essorer, eng. digital signal
pro essors (DSP). Dessa har en arkitektur som är spe iellt optimerad för
typiska signalbehandlingsoperationer, såsom beräkningen av utsignalen från
ett digitalt lter eller beräkning av Fouriertransformen. Det nns o kså ap-
plikationsspe ika pro essorer för olika signalbehandlingstillämpningar. Ett
viktigt gränsområde mellan signalbehandling o h datorteknik är planeringen
av arkitekturer för digitala signalpro essorer.
Digitala signalpro essorer brukar förutom själva pro essorn o kså vara
försedda med A/D- o h D/A-omvandlare samt de analoga lter som behövs
före o h efter omvandlingarna, jämför gur 1.2. Dessutom skall samplingsti-
den enkelt kunna spe i eras.
8 KAPITEL 1. INLEDNING
1.6 Ett exempel: radar för avståndsmätning i
bilar
Idén bakom begreppet radar (= RAdio Dete tion And Ranging) härstam-
mar från experiment o h studier av reekterade elektromagnetiska vågor som
utfördes av Hertz o h Hülsmeyer samt Tesla o h Mar oni kring början av
1900-talet. I moderna bilar nns förutom ett ertal olika radarsystem för
olika applikationer även system som baserar sig på lidar (= LIgth Dete tion
And Ranging), ultraljud o h kamerateknik. Ändamålet med dessa s.k. föra-
rassistentsystem är att genom förebyggande o h kompenserande av mänskliga
misstag befrämja traksäkerheten samt göra körningen mindre stressande. I
framtiden anses dessutom utve klingen av systemen göra det praktiskt möj-
ligt med autonomt körande fordon i traken. Radar för avståndsmätning
Figur 1.3: Olika typer av radar för detektering av hinder vid bilkörning. Från
artikeln
2
.
nns i de esta moderna person- o h lastfordon o h används i regel som en
del i ett större system för att detektera hinder i fordonets körriktning. Detta
görs i praktiken genom att behandla de från objektet reekterade elektro-
magnetiska vågorna, radarekot, så att en skattning erhålls av avståndet från
fordonet till hindret. Själva mätningen utförs med modern halvledarteknik
för s.k. mm-vågor med frekvenser i området 24 GHz till 77 GHz så att man
från signalen skattar tiden det tar för den elektromagnetiska vågen att röra
sig från sändaren till målet (hindret) o h därifrån tillbaka till detektorn. Låt
avståndet till målet vara R. Då kommer tiden τ från sändning till vågens eko
1.6. ETT EXEMPEL: RADAR FÖR AVSTÅNDSMÄTNING I BILAR 9
Figur 1.4: Prin ipen för radardetektering av framförkörande fordon med puls-
formig kontinuerlig-våg-radar. Från artikeln
2.
från målet att ges av cτ = 2R, där c är ljushastigheten. Således, om man kan
skatta τ ≈ τ fås en skattning av avståndet R. För att få referenspunkter i
tiden för när den detekterade elektromagnetiska vågen lämnat sändaren an-
vänds pulsmodulerade kontinuerliga vågor, som består av vågpulser avbrutna
av tysta perioder som är tillrä kligt långa för att utsända pulser ska hinna
reekteras innan följande puls sänds ut. I idealiserad form kan man då ut-
try ka den detekterade signalen x o h den utsända signalen s, som funktioner
av tiden t med sambandet
x(t) = αs(t− τ) + ωt , (1.6.1)
där α ∈ C är en tal som beskriver antennförstärkningen, rörelseförluster
o h målets strålningstvärsnitt (bestäms av dess form o h material). Termen
ω antas vara vitt brus. Vi önskar nu estimera τ då vi känner till signalen
s(t) fullständigt. Detta kan göras med ett lter som beräknar korrelationen
mellan den utsända signalen s o h den reekterade signalen x enligt:
y(τ) =
∫ ∞
−∞x(t)s∗(t− τ) dt . (1.6.2)
Den s.k. maximum-likelihood-skattningen av τ fås då som maximistället för
absolutbeloppet |y(τ)|, d.v.s.
τ = argmaxτ
|y(τ)| . (1.6.3)
2
Patole, S. et. al: Automotive Radars - A review of signal pro essing te hniques. IEEE
Signal Pro essing Magazine, pp. 22-35. Mar h 2017.
10 KAPITEL 1. INLEDNING
Förutom detta bör man beakta estimeringsfelet p.g.a. bruset, man bör ha nå-
got lämpligt kriterium för att avgöra om det överhuvudtaget nns radarekon
i den mottagna signalen o h man bör ha en metod för att hantera multipla
radarekon från närliggande hinder. Mer om dessa detaljer nns i den iterade
artikeln o h litteraturen om radarteknologi för vägfordon.
1.7 Ett exempel till: lagring av audiosignaler
på CD-skiva
Ett välkänt exempel på avan erad digital signalbehandling är lagringen av
audiosignaler på CD-skivor. Denna tillämpning har inte varit möjlig att re-
alisera med hjälp av hårdvarubaserade metoder, utan eektiva digitala sig-
nalpro essorer har varit en förutsättning för att kunna banda audiosignaler
digitalt på CD-skivor.
På en CD-skiva nns informationen lagrad i digital form i form av punk-
ter som kan avläsas optiskt med en laserstråle. Den uppnådda lagringstät-
heten är 106 bitarmm2 .
Ett my ket förenklat blo kshema som visar manipulationerna vid band-
ning av en audiosignal på en CD består av följande komponenter (se gurerna
1.28 o h 1.29 i Ifea hor o h Jervis (1993)):
Den akustiska signalen överförs till en elektrisk signal i en mikrofon. (I
praktiken har man två parallella signaler motsvarande två kanaler.)
Den analoga signalen lågpassltreras för att elimera högfrekventa kom-
ponenter som ej kan representeras av en diskret signal med den valda
samplingsfrekvensen.
Den lågpassltrerade signalen samplas med en A/D omvandlare. Samp-
lingsfrekvensen är 44,1 kHz. Detta kan jämföras med den högsta fre-
kvens det mänkliga örat uppfattar, som är a 20 kHz. Enligt samp-
lingsteoremet kan en diskret signal korrekt beskriva frekvenser upp till
halva samplingsfrekvensen; i detta fall är halva samplingsfrekvensen
44,12
= 22,05 > 20 kHz. Varje signalvärde representeras efter A/D-
omvandlingen med hjälp av 16 bitar.
Den digitala signalen, bestående av en bit-sekvens, kodas med en fel-
tolerant kod. Målsättningen med dylika koder är att införa redundans
1.8. VIKTIGA SIGNALBEHANDLINGSOPERATIONER 11
i signalen så att den ursprungliga signalen skall kunna återskapas trots
fel vid signalöverföring o h/eller lagring. Optimala metoder att införa
denna redundans så att en given feltolerans uppnås möjligast eektivt
(få redundanta bitar) ges av Hamming- o h Reed-Solomon-koder. Alla
CD-skivsystem har en tvåstegs Reed-Solomon-kod som kan rekonstru-
era den ursprungliga signalen trots felsekvenser som kan vara upp till
4000 steg långa.
Lagring av den digitala signalen på en CD-skiva.
Reproduktion av audiosignalen på en CD-skiva består i sin tur av följande
moment:
Läsning av digital signal med hjälp av laserstråle.
Dekodning av den kodade signalen o h rekonstruktion (inklusive fel-
korrigering) av ursprunglig digital signal.
Den digitala signalen översamplas, så att en ny digital signal med samp-
lingsfrekvensen 176,4 kHz (= 4 × 44,1 kHz) bildas. Orsaken till detta
är att konstruktionen av en analog signal från den med frekvensen
44,1 kHz samplade digitala signalen skulle kräva ett analogt lter med
my ket strikta spe ikationer för att med tillrä klig noggrannhet re-
konstruera den ursprungliga audiosignalen.
Den översamplade digitala signalen transformeras med en D/A om-
vandlare o h ett efterföljande analogt lågpasslter till en analog signal
som med tillrä klig noggrannhet rekonstruerar den ursprungliga audi-
osignalen. Ta k vare den ökade samplingsfrekvensen hos den digitala
signalen kan det analoga lågpassltrets spe ikationer göras mindre
strikta.
1.8 Viktiga signalbehandlingsoperationer
Vi skall här sammanfatta några av de viktigaste problemställningarna o h
operationerna i signalbehandling. En god förståelse av dessa problemställ-
ningar är en förutsättning för att kunna lösa i praktiken förekommande sig-
nalbehandlingsproblem.
12 KAPITEL 1. INLEDNING
Fourieranalys
Ett alternativ till en signals representation som en funktion x(t) i tidsplanetär att beskriva signalens frekvensinnehåll i form av en funktion X(ω) av fre-
kvensen ω. Det visar sig att era signalbehandlingsproblem är naturligare o h
enklare att analysera o h lösa i frekvensplanet än i tidsplanet. Matematiskt
denieras frekvensplansrepresentationen X(ω) som Fouriertransformen av
funktionen x(t). Beräkningen av Fouriertransformen av en signal är en viktig
signalbehandlingsoperation. Standardalgoritmen för eektiv beräkning Fou-
riertransformer är den s.k. snabba Fouriertransformen.
Syntes o h implementering av lter
Ett lter är ett system som manipulerar en signal x(t) o h transformerar
den till en annan signal y(t). Systemet G i gur 1.1 är ett lter. Syntes av
lter består av att konstruera ett lter så att den bildade signalen y(t) hargivna egenskaper. En typisk problemställning är t.ex. att eliminera brus från
en signal för att ur denna extrahera en ursprunglig brusfri signal. Detta kan
göras genom att konstruera ett lter som spärrar de frekvenser som bruset
består av. En annan problemställning är implementeringen av lter. Det är
härvid viktigt att lterekvationerna utförs möjligast eektivt. Digitala sig-
nalpro essorer har en arkitektur som stöder en eektiv numerisk exekvering
av lterekvationer.
Signaltransformer
Vid överföring eller lagring av signaler är det ofta viktigt att minimera mäng-
den av data för ökad överförings- eller lagringskapa itet. Detta förutsätter att
signalerna beskrivs i en kompakt form. För att uppnå detta tillämpas olika
signaltransformer, i vilka signalen representeras med hjälp av olika funktions-
klasser. Om funktionsklassen är vald så att den är representativ i avseende
å den aktuella signalen, så kan signalen representeras på ett my ket ekono-
miskt sätt med en datamängd som är betydligt mindre än den mängd data
som den ursprungliga signalen kräver. Den ovan nämnda Fouriertransformen
är en sådan transform, där funktionsklassen består av periodiska sinus- o h
osinusfunktioner. Det nns emellertid en mängd andra viktiga signaltrans-
former. En spe iellt eektiv transform för signalkompression baserar sig på
1.8. VIKTIGA SIGNALBEHANDLINGSOPERATIONER 13
s.k. krusningar (eng. wavelets). Teorin för wavelet-transformen är rätt avan-
erad o h den har fulländats först rätt nyligen.
Det kan vara skäl att påpeka att den typ av signalkompression som här
avses baserar sig på inherenta egenskaper hos signalen representerad i form av
en funktion x(t) eller en sekvens xd(k). Då signalen representeras med hjälp
av sina dominerande komponenter går vanligen en del information förlorad.
Denna komprimeringsmetod skall ej förväxlas med de förlustfria metoder
som används för att komprimera bitsekvenser, s.k. Lempel-Ziv-kodning, som
utnyttjar upprepningar av delsekvenser. Förlustfri kodning tillämpas först på
den komprimerade signalen.
Modulering
Vid överföring av signaler representeras signalerna sällan i sin ursprungli-
ga form, utan i stället moduleras de på olika sätt. Om t.ex. audiosignaler
skulle överföras på samma kanal utan modulering skulle endast en signal i
gången kunna sändas, eftersom de olika signalerna inte skulle kunna skiljas
åt på mottagarsidan. Med modulering däremot är det möjligt att samtidigt
sända era signaler över samma kanal utan förväxling av signalerna. Detta
åstadkommes genom att låta signalen inverka på någon egenskap hos var sin
bärvåg. Dessa är högfrekventa signaler, som är väl separerade från varandra
t.ex. genom att de upptar olika frekvensband eller tilldelas olika andelar av
en tidsperiod. Ett ertal olika moduleringsmetoder har utve klats såväl för
analog som digital signalöverföring.
Kodning
Kodning används bl.a. för att uppnå feltolerans vid signalöverföring o h lag-
ring. Målsättningen vid felkorrigerande kodning är att kunna rekonstruera
den ursprungliga signalen trots fel vid överföring eller lagring av signalen.
Detta uppnås genom att införa redundans i signalen. En feltolerant kod ge-
nererar därför oundvikligen en kodad signal som är längre än den okodade
signalen. Ett trivialt sätt vore att upprepa varje signalvärde i en diskret sig-
nal ett antal gånger, varvid enstaka fel lätt kunde upptä kas o h elimineras.
Det nns emellertid betydligt eektivare kodningsmetoder, i vilka den kodade
signalen kan göras möjligast kort samtidigt som en given felkorrigeringskapa-
itet garanteras. Dessa är de s.k. Hamming-koderna (för bit-sekvenser) o h
14 KAPITEL 1. INLEDNING
Reed-Solomon-koderna (för i ke-binära sekvenser). Alla CD-system för audi-
otillämpningar utnyttjar t.ex. en eektiv felkorrigerande kod av denna typ
(jämför avsnitt 1.7).
Kodning är ett my ket omfattande problemområde med egna teorier o h
metoder. Även om kodningsproblem uppstår i era signalbehandlingstillämp-
ningar, så är teorin för kodning närmare besläktad med allmän informations-
teori o h kommunikationsteori.
Det skulle kräva era års studier att ens ytligt bekanta sig med alla de spe-
ialmetoder som tillämpas inom modern signalbehandlingsteknik. Ly kligtvis
baserar sig huvuddelen av metoderna på ett begränsat antal fundamentala
prin iper, som rä ker till för att förstå o h tillämpa metoderna. Målsättning-
en med denna kurs är att i en kompakt form ge de baskunskaper som behövs
för att förstå de viktigaste inom signalbehandling förekommande problem-
ställningarna.
1.9 Litteratur
Det nns en mängd utmärkta lärobö ker i signalbehandling. Klassiker inom
området är bl.a. Rabiner o h Gold (1975), Oppenheim o h Willsky (1983)
o h Oppenheim o h S hafer (1975). Exempel på nyare bö ker är Proakis
o h Manolakis (1996), Ifea hor o h Jervis (1993), Smith (2003) samt Tan
(2008). Av dessa är Ifea hor o h Jervis (1993) mera praktisk, o h diskuterar
bl.a. kommersiella digitala signalpro essorer o h deras arkitekturer. Denna
kurs baserar sig närmast på valda delar av Ifea hor o h Jervis (1993) samt
Proakis o h Manolakis (1996). En tillämpad infallsvinkel ges i kompendiet
Pedersen et. al (2006).
Svenskspråkiga introduktioner till signalbehandling ges av Svärdström
(1987) samt Gustafsson, Ljung o h Millnert (2000). Harnefors, Holmberg o h
Lundqvist (2004) ger en bred introduktion till signaler o h system, inklusive
grunderna för signalbehandling o h reglersystem.
Litteraturförte kning
[1 F. Gustafsson, L. Ljung o h M. Millnert. Signalbehandling. Studentlit-
teratur, Lund, 2000.
[2 L. Harnefors, J. Holmberg o h J. Lundqvist. Signaler o h system med
tillämpningar. Studentlitteratur, Lund, 2004.
[3 E. C. Ifea hor and B. W. Jervis. Digital Signal Pro essing - A Pra ti al
Approa h. 2nd ed., Addison-Wesley, 2001.
[4 A. V. Oppenheim and R.W. S hafer. Digital Signal Pro essing. Prenti e-
Hall, 1975.
[5 A. V. Oppenheim and A. S. Willsky. Signals and Systems. Prenti e-Hall,
1983.
[6 S. B. Pedersen, J. A. Jensen, B. Guldbrandsen o h K.-Å. Henneberg.
Noter til 31610 Anvendt signalbehandling. Te hni al University of Den-
mark, 2006.
[7 J. G. Proakis and D. G. Manolakis. Digital Signal Pro essing. Prin iples,
Algorithms and Appli ations. Prenti e-Hall, 1996.
[8 L. R. Rabiner and B. Gold. Theory and Appli ation of Digital Signal
Pro essing. Prenti e-Hall, 1975.
[9 S. W. Smith. Digital Signal Pro essing. A Pra ti al Guide for Engineers
and S ientists. Newnes, 2003.
[10 A. Svärdström Tillämpad signalanalys. Studentlitteratur, 1987.
[11 Li Tan. Digital Signal Pro essing - Fundamentals and Appli ations. A -
ademi Press / Elsevier, Burlington, MA 01803, USA, 2008.
15
16 LITTERATURFÖRTECKNING
Kapitel 2
Signaler några grundbegrepp
I detta avsnitt skall vi behandla några grundbegrepp ur analysen av signaler.
För att illustrera de problemställningar som kan uppstå skall vi först betrakta
ett enkelt exempel på ett typiskt signalrekonstruktionsproblem.
Exempel 2.0.1. I gur 2.1 är x(t) en signal som överförs över en kanal
(t.ex. en telefonlinje), varvid den vid mottagaren blir förvrängd av syste-
met F , som representerar överföringskanalen. Dessutom påverkas signalen
av ett brus e, som kommer in under överföringen. Vi önskar på basen av den
mottagna signalen y(t) rekonstruera den ursprungliga signalen så väl som
möjligt. För rekonstruktionen manipuleras signalen y med ett signalbehand-
lingssystem H. Problemet är att konstruera H så att felet x− xr mellan den
ursprungliga signalen x o h den rekonstruerade signalen xr är möjligast litet.
Systemet H kan givetvis vara ett digitalt signalbehandlingssystem av den typ
som visas i gur 1.2, varvid den inkluderar A/D- o h D/A-omvandlare, samt
erforderliga analoga lter. Systemet F antas däremot bestå av ett fysikaliskt
system, o h är därför kontinuerligt. För att signalrekonstruktionsproblemet
skall vara meningsfullt, bör man givetvis ha någon form av information om
F ++
e
zx y H xr
Figur 2.1: Signalrekonstruktion.
17
18 KAPITEL 2. SIGNALER NÅGRA GRUNDBEGREPP
de ingående systemen (i detta fall F ), o h signalerna. Systemet F kan be-
stämmas genom matematisk modellering av den aktuella fysikaliska pro essen
i överföringskanalen eller genom att utföra identieringsexperiment. Det är
därför realistiskt att anta att systemet F är känt. Om bruset e vore noll, så
skulle y = z gälla, o h exakt rekonstruktion skulle uppnås med xr = F−1y,förutsatt att systemet F har en invers som kan realiseras i praktiken.
I praktiken nns det alltid bruskällor som påverkar signaler. I motsats till
systemet F , vars inverkan på signalen kan antas vara känd, så kan bruset einte direkt mätas; det enda man har tillgång till är den utkommande signalen
y = z + e.Hur skall då den ursprungliga signalen x kunna bestämmas? Observe-
ra att y består av två komponenter: signalkomponenten z = Fx o h stör-
ningskomponenten e. Problemet är således ekvivalent med att separera de två
komponenterna från varandra. För att kunna göra detta måste signalkompo-
nenten z o h bruset e ha egenskaper som i något avseende är olika o h gör det
möjligt att skilja komponenterna åt. Ly kligtvis är detta ofta fallet. En audio-
signal t.ex. innnehåller frekvenskomponenter under 20 kHz, medan brus ofta
innehåller komponenter av högre frekvenser. En metod att skilja de två kom-
ponenterna åt kunde således bestå av att undersöka frekvenskomponenterna
hos signalen y.
Exempel 2.0.1 illustrerar behovet av att representera signaler i en form
som t.ex. möjliggör separering av olika signalkomponenter. Detta kan kvanti-
tativt utföras med hjälp av olika signaltransformer. I exemplet skulle rekon-
struktionsfelet x − xr göras möjligast litet. Felet kan emellertid göras litet
på många olika sätt. Vid syntes av ett signalbehandlingssystem måste man
besluta sig för ett kvantitativt mått för storleken hos felet x − xr. Sådana
kvantitativa mått ges av signalnormer.
2.1 Signaltransformer
Signaler representeras matematiskt som funktioner x(t) av tiden (analoga
signaler) eller som sekvenser x(k), k = . . . ,− 1,0,1, . . . (diskreta signaler).
Det visar sig att era problemställningar o h manipulationer kan förenklas
avsevärt om signalen i stället för att representeras som en funktion av tiden
(t respektive k) anges med hjälp av utve klingar av givna funktioner, d.v.s.
x(t) =∑
i
ciϕi(t) , (2.1.1)
2.1. SIGNALTRANSFORMER 19
respektive
x(k) =∑
i
ciϕi(k) , k = . . . ,−1, 0, 1, . . . (2.1.2)
Om funktionsmängden ϕi är tillrä kligt generell, kan koe ienterna ci väl-jas så att likheterna (2.1.1) respektive (2.1.2) gäller för en bred klass av funk-
tioner. Funktionen x(t) (respektive x(k)) kan i så fall representeras med
hjälp av sekvensen ci = c0,c1, . . .. Sekvensen ci sägs vara en transform
av signalen x, o h funktionerna ϕi i utve klingen är s.k. basfunktioner.
Den praktiska betydelsen hos dylika transformer är att representera signa-
len i en form som förenklar olika signalbehandlingsoperationer eller tolkning
av signalen. Transformer är viktiga i era sammanhang:
2.1.1 Kompression av data
Antag att vi har en diskret signal medN = 1000 punkter, x(0), x(1), . . . , x(N−1). Det kan synas som ett naturligt sätt att representera signalen i form av
talen i sekvensen, x(k)N−1k=0 . Emellertid är denna representation inte natur-
ligare än andra. Observera att om vi denierar pulsfunktionerna
ϕi(k) =
1 , k = i ,0 , k 6= i ,
(2.1.3)
så kan sekvensen skrivas i formen
x(k) =∑
i
x(i)ϕi(k) , k = 0, 1, . . . , N − 1 . (2.1.4)
I denna representation är alltså koe ienterna ci = x(i) o h det krävs N =1000 koe ienter för att representera signalen. Men valet av pulsfunktionerna
(2.1.3) är inte naturligare än något annat val av funktioner ϕi i utve klingen.
Tvärtom kan något annat val funktionerna visa sig bättre. Om man t.ex. vet
att signalen har genererats så att x(k) kan anges som en kombination av
andragradspolynom, så att
x(k) = c0 + c1k + c2k2 , k = 0, 1, . . . , N − 1 , (2.1.5)
så vore det naturligt att välja basfunktionerna
[φ0(k) = 1 , φ1(k) = k , φ2(k) = k2
], (2.1.6)
20 KAPITEL 2. SIGNALER NÅGRA GRUNDBEGREPP
varvid hela sekvensen kan representeras med hjälp av de tre parametrarna
c0, c1 o h c2 i formen
[x(k) = c0φ0(k) + c1φ1(k) + c2φ2(k) , k = 0, 1, . . . , N ] . (2.1.7)
Detta möjliggör en avsevärd komprimering av den ursprungliga datamängden
bestående av N = 1000 tal.
I många sammanhang har man signaler som består av periodiska kompo-
nenter som kan uttry kas med hjälp av trigonometriska (sinus- o h osinus-)
funktioner. Rena toner i audiosignaler är t.ex. sinusformade signaler. I såda-
na fall är det naturligt att utve kla signalen med sinus- o h osinusfunktioner
som basfunktioner.
2.1.2 Beräkning av utsignalen från ett linjärt system
Beräkningen av utsignalen y(t) från ett linjärt system eller lter med insig-
nalen x(t) är en numeriskt krävande operation. Man vet emellertid att om
insignalen är en sinusformad signal, sin (ωt), så är utsignalen en annan si-
nusformad signal med samma frekvens ω, men i allmänhet med en annan
amplitud o h fas, y(t) = A sin (ωt+ φ). Beräkningen av utsignalen blir där-
för trivial om man representerar signalen x(t) med hjälp av en utve klingen
av formen (2.1.1) där basfunktionerna ϕi(t) är sinus- o h osinusfunktioner.
Det är således naturligt att karakterisera system med avseende å deras ef-
fekt på de olika frekvenskomponenterna hos en signal. Man talar således om
lågpasslter, högpasslter, bandpasslter, lter med linjär fasförskjutning,
o.s.v.
Observera att om systemet F i exempel 2.0.1 är linjärt, så kan signalen
x inte innehålla andra frekvenser än de som nns i z. Systemet dämpar,
förstärker o h fasförskjuter de olika frekvenserna på olika sätt, men blandar
ej ihop skilda frekvenser.
Anmärkning 2.1.1. Betrakta en slags generaliserad funktion, med egenska-
perna
δ(t) =
∞ , t = 0 ,0 , t 6= 0 .
(2.1.8)
∫ b
a
δ(t) dt =
1 , 0 ∈ [a,b] , −∞ ≤ a < b ≤ ∞ ,0 , 0 6∈ [a,b] .
(2.1.9)
2.1. SIGNALTRANSFORMER 21
Det är alltså frågan om en impuls. Då kan man deniera impulssvaret hos ett
linjärt tidsinvariant system P som h(t) = P [δ(t)] o h en godty klig insignal
till detta system kan uttry kas
x(t) =
∫ ∞
−∞x (τ) δ (t− τ) dτ . (2.1.10)
delta-impulsen plo kar alltså ut integrandfunktionens värde i nollstället
till impulsfunktionens argument. Det linjära systemets utsignal för denna
allmänna insignal blir således
y(t) = P [x(t)] = P
[∫ ∞
−∞x (τ) δ (t− τ) dτ
]
(2.1.11)
=
∫ ∞
−∞x (τ)P [δ (t− τ)] dτ (2.1.12)
=
∫ ∞
−∞x (τ) h (t− τ) dτ =
∫ ∞
−∞x (t− τ) h (τ) dτ . (2.1.13)
Integralen i högra ledet ovan brukar kallas konvolutionen av x(t) o h h(t)o h bete knas (x∗h)(t). Systemets utsignal bestäms således entydigt av dess
impulssvar konvoluerat med insignalen. Det visar sig, att dessa funktioners
Fouriertransformer följer det enkla sambandet
Y (ω) = H (ω)X (ω) . (2.1.14)
Överföringsoperatorn H (ω) är impulssvarets Fouriertransform. Konvolution
i tidsrummet motsvarar alltså multiplikation i frekvensrummet. Detta gäller
även omvänt, så att konvolution i frekvensrummet motsvarar multiplikation
i tidsrummet. Således har vi, för Fouriertransformen av x(t) · h(t), att:
F (x · h) (ω) = (H ∗X) (ω) . (2.1.15)
2.1.3 Tolkning av signaler
Utve klingar av formen (2.1.1) o h (2.1.2) kan o kså utnyttjas för att förenkla
tolkningen av signaler. Det är t.ex. vanligt med periodiska komponenter i sig-
naler. Sådana kan vara svåra att uppfatta i tidsfunktionen x(t) eller x(k).Om signalen utve klas med hjälp av sinus- o h osinusfunktioner, framträder
22 KAPITEL 2. SIGNALER NÅGRA GRUNDBEGREPP
periodiska komponenter i signalen klart i form av stora värden för de koe-
ienter ci i utve klingen som motsvarar sinus- o h osinusfunktioner med den
aktuella perioden.
I exempel 2.0.1 kan en transform av signalen y i periodiska funktioner möj-
liggöra en separering av komponenterna z o h e, ty den intressanta signalen
z är i allmänhet en lågfrekvent signal, medan bruset e ofta är högfrekvent.
Signalen z beskrivs således av lågfrekventa periodiska signaler o h e beskrivsav högfrekventa periodiska signaler.
Det nns många olika sätt att utve kla en signal med hjälp av basfunktio-
ner, men det överlägset viktigaste är den som utnyttjar periodiska sinus- o h
osinusfunktioner. Såsom framgått ur diskussionen ovan förenklar en sådan
utve kling analysen av ett lters inverkan på olika signaler, o h är ett oum-
bärligt verktyg vid syntes av lter. Analysen av en funktions utve kling med
hjälp av sinus- o h osinusfunktioner kallas frekvensanalys eller Fourierana-
lys. En sådan utve kling beskriver direkt frekvensinnehållet hos en signal.
Frekvensanalys beskrivs mera detaljerat i kapitel 3.
2.2 Signalnormer
I exempel 2.0.1 var problemet att rekonstruera signalen x ur den mottagna
signalen y = z + e. En signal xr skall alltså beräknas ur y, som approxime-
rar signalen x, dvs rekonstruktionsfelet x − xr är möjligast litet. Det nns
emellertid era sätt att mäta storleken hos en signal x − xr, o h resultatet
är beroende av hur signalens storlek denieras.
Vid en matematisk representation av en signal x som en funktion x(t) ärdet naturligt att deniera signalens storlek med hjälp av en norm denierad
för funktionen x(t). Normer bete knas med ‖x‖. De inom signalbehandling
vanligaste o h mest användbara normerna är Lp-normerna, som denieras
för kontinuerliga signaler enligt
‖x‖p =(∫
|x(t)|p dt) 1
p
, p = 1, 2, . . . (2.2.1)
o h (för p = ∞)
‖x‖∞ = supt
|x(t)| . (2.2.2)
Lp-normerna karakteriseras av talet p; för små värden på p påverkar alla
signalvärden x(t) relativt jämnt till normens storlek, medan stora värden på
2.2. SIGNALNORMER 23
p ger ökad vikt åt stora signalvärden, med fallet p = ∞ som extremfall.
1
Ett viktigt spe ialfall av Lp-normer är L1-normen,
‖x‖1 =∫
|x(t)| dt , (2.2.3)
samt L2-normen,
‖x‖2 =(∫
|x(t)|2 dt) 1
2
. (2.2.4)
I synnerhet L2-normen är användbar inom signalbehandlingen. Den visar sig
vara enkel att beräkna o h har ett antal spe iella egenskaper som gör den
attraktiv. L2-normen bevaras t.ex. vid Fouriertransformen, dvs en signal x(t)o h dess Fouriertransform X (ω) har samma L2-norm (jämför Parsevals for-
mel, avsnitt 3.2.3 o h 3.3.1). Detta gör normen enkel att utnyttja i samband
med frekvensanalytiska metoder. L2-normen har o kså en naturlig fysikalisk
tolkning som energin hos en signal. Detta beror på att den energi E(i) somt.ex. elektrisk ström i(t) förbrukar i ett motstånd R är proportionell mot
integralen av strömmens (eller spänningens) kvadrat, E(i) = R‖i‖22.För diskreta signaler x(n) denieras på ett analogt sätt lp-normerna,
‖x‖p =(∑
n
|x(n)|p) 1
p, p = 1, 2, . . . , (2.2.5)
o h (för p = ∞)
‖x‖∞ = maxn
|x(n)| . (2.2.6)
Ett viktigt spe ialfall av lp-normerna är l1-normen,
‖x‖1 =∑
n
|x(n)| , (2.2.7)
samt l2-normen,
‖x‖2 =(∑
|x(n)|2) 1
2. (2.2.8)
I analogi med det kontinuerliga fallet bevaras l2-normen vid Fouriertransfor-
men, (jämför avsnitt 4.1.1 o h 4.2.1).
1sup bet knar här den s.k. minsta övre gränsen, som kan vara lika med maximivärdet
ifall detta tillhör värdemängden för funktionen |x(t)|. Man kan o kså ha en situation där
den minsta övre gränsen inte tillhör denna värdemängd. Exempelvis för x(t) = 1 − e−t,
t > 0 har vi supt|x(t)| = 1, trots att funktionen inte antar värdet 1 i någon punkt.
24 KAPITEL 2. SIGNALER NÅGRA GRUNDBEGREPP
θ
x
y
z = x+ jy
|z|
Im(z)
Re(z)
Figur 2.2: Det komplexa talet z = x+ jy i det komplexa talplanet.
2.3 Komplexa tal
För åskådlighetens skull ger vi en kort sammanfattning över de samband
mellan komplexa tal, trigonometriska funktioner o h komplexa exponential-
funktionen som utnyttjas inom signalbehandling.
Betrakta ett komplext tal
z = x+ jy , (2.3.1)
där j =√−1. De komplexa talen kan representeras med hjälp av det kom-
plexa talplanet, som består av en reell talaxel o h en imaginär talaxel, se
gur 2.2. Det komplexa talet z motsvarar då en punkt med koordinaterna
(x,y) i det komplexa talplanet (gur 2.2). Talets magnitud eller absoluta be-
lopp |z| denieras som avståndet från origo till punkten (x,y). Från guren 2.2fås med Pythagoras sats
|z| =√
x2 + y2 . (2.3.2)
Om man bete knar vinkeln mellan den reella talaxeln o h vektorn från origo
till punkten (x,y) med θ, fås med välbekanta trigonometriska samband
x = |z| cos θ , (2.3.3)
y = |z| sin θ . (2.3.4)
Kombineras (2.3.1) o h (2.3.4) får man
z = |z| (cos θ + j sin θ) . (2.3.5)
2.3. KOMPLEXA TAL 25
Vi skall nedan visa att den komplexa faktorn i uttry ket (2.3.5) på ett be-
kvämt sätt kan karakteriseras med hjälp av den komplexa exponentialfunk-
tionen genom att utnyttja Eulers formel:
ejθ = cos θ + j sin θ . (2.3.6)
Från (2.3.5) o h (2.3.6) fås uttry ket
z = |z|ejθ , θ = arg z . (2.3.7)
Representationen (2.3.7) eller (2.3.5), av det komplexa talet z, kallas polärform.
Den polära formen uttry ker det komplexa talet z med hjälp av dess
absoluta belopp |z| o h vinkeln θ. Vinkeln θ brukar kallas det komplexa
talets argument, o h bete knas
θ = arg z . (2.3.8)
Argumentet hos ett komplext tal kan bestämmas som funktion av de reella
o h imaginära komponenterna genom att utnyttja sambandet (2.3.4), från
vilket det följer att θ satiserar
tan θ =y
x. (2.3.9)
Eftersom tangent-funktionen har perioden π (d.v.s. tan θ = tan (θ + π)),denierar (2.3.9) vinkeln θ endast i ett intervall av bredden π, vanligen−π
2< θ < π
2. För att deniera punkten (x,y) bör emellertid argumentet
θ kunna bestämmas entydigt i ett intervall av bredden 2π, t.ex. 0 ≤ θ < 2π.Spe iellt gäller till exempel, att tan θ hos punkterna (x,y) o h (−x, − y)har samma värde, eftersom
yx= −y
−x. För att bestämma argumentet θ enty-
digt, bör (2.3.9) kompletteras med information om i vilken kvadrant punkten
(x,y) är. Om arctan-funktionen denieras så att den antar värden i intervallet(−π
2, π2
), får vi således
θ = arctan(y
x
)
, x ≥ 0 , (2.3.10)
= arctan(y
x+ π)
, x < 0 . (2.3.11)
Det komplexa konjugatet z∗ till z = x+ jy deneras som
z∗ = x− jy . (2.3.12)
26 KAPITEL 2. SIGNALER NÅGRA GRUNDBEGREPP
Ur denitionen följer att |z∗| = |z| o h arg z∗ = − arg z (jmf. gur 2.2). Det
följer att det kompexa konjugatet till z = |z|ejθ har den polära formen
z∗ = |z|e−jθ , −θ = arg z∗ . (2.3.13)
2.3.1 Den komplexa exponentialfunktionen
Sambandet (2.3.6) mellan de trigonometriska funktionerna o h den komplexa
exponentialfunktionen kan härledas på följande sätt: Observera att de trigo-
nometriska funktionerna kan Taylor-serieutve klas enligt
cos θ = 1− 1
2!θ2 +
1
4!θ4 − · · ·+ (−1)k
1
(2k)!θ2k + · · · , (2.3.14)
sin θ = θ − 1
3!θ3 +
1
5!θ5 − · · ·+ (−1)k
1
(2k + 1)!θ2k+1 + · · · (2.3.15)
Det följer att
cos θ + j sin θ = 1− 1
2!θ2 +
1
4!θ4 − · · ·+ (−1)k
1
(2k)!θ2k + · · ·
+ j
(
θ − 1
3!θ3 +
1
5!θ5 − · · ·+ (−1)k
1
(2k + 1)!θ2k+1 + · · ·
)
= 1 + jθ +1
2!(jθ)2 +
1
3!(jθ)3 +
1
4!(jθ)4 +
1
5!(jθ)5 + · · ·
(2.3.16)
å andra sidan ger en Taylor-serieutve kling av den komplexa exponential-
funktionen ejθ,
ejθ = 1 + jθ +1
2!(jθ)2 +
1
3!(jθ)3 +
1
4!(jθ)4 +
1
5!(jθ)5 + · · · (2.3.17)
Vi har således visat, att
ejθ = cos θ + j sin θ (2.3.18)
Detta samband mellan den komplexa exponentialfunktionen o h de trigono-
metriska funktionerna kallas Eulers formel. Omvänt kan de trigonometriska
funktionerna cos θ o h sin θ uttry kas med hjälp av av den komplexa expo-
nentialfunktionen. Detta åstadkoms genom att observera att
e−jθ = cos (−θ) + j sin (−θ) = cos θ − j sin θ . (2.3.19)
2.3. KOMPLEXA TAL 27
θ
z = −1 = ej(π+2πn)z = 1 = ej2πn
z = −j = ej(3π2+2πn)
z = j = ej(π2+2πn)
z = ejθ
O
1
Re(z)
Im(z)
Figur 2.3: Den komplexa exponentialfunktionen z = ejθ i det komplexa tal-
planet.
Addition o h subtraktion av (2.3.18) o h (2.3.19) samt lösning i avseende å
cos θ respektive sin θ ger de inversa sambanden
cos θ =ejθ + e−jθ
2, (2.3.20)
sin θ =ejθ − e−jθ
2j. (2.3.21)
Vi skall ännu notera några nyttiga egenskaper hos den komplexa exponenti-
alfunktionen ejθ. Från (2.3.18) följer
|ejθ| =√
cos2 θ + sin2 θ = 1 , (2.3.22)
arg ejθ = θ . (2.3.23)
Den komplexa exponentialfunktionen denierar således alla de komplexa tal
som ligger på enhets irkeln i det komplexa talpanet, jmf. gur 2.3. Spe iellt
28 KAPITEL 2. SIGNALER NÅGRA GRUNDBEGREPP
gäller att
ej·0 = 1 , (2.3.24)
ejπ2 = j , (2.3.25)
ejπ = −1 , (2.3.26)
ej3π2 = −j . (2.3.27)
Eftersom sinus- o h osinusfunktionerna, o h därmed även ejθ, är periodiskamed perioden 2π, gäller dessutom
ej2πn = 1 , (2.3.28)
ej(π2+2πn) = j , (2.3.29)
ej(π+2πn) = −1 , (2.3.30)
ej(3π2+2πn) = −j , (2.3.31)
där n är ett godty kligt heltal, n = 0,±1,±2, . . ..
Kapitel 3
Analys av signaler i
frekvensplanet
Sinusformade signaler av formen x(t) = cos (ωt+ φ) o h x(t) = sin (ωt+ φ)spelar en entral roll inom signalbehandling samt teorin för signaler o h sy-
stem. Orsaken till detta är följande spe iella egenskaper hos sinusformade
signaler:
Linjära dynamiska system påverkar endast amplitud o h fas hos sinus-
formade signaler, men inte frekvensen
signaler kan skrivas som linjära kombinationer av sina frekvenskompo-
nenter
vågor, såsom elektromagnetisk strålning, består av sinusformade kom-
ponenter
Ur de två första egenskaperna följer att det är bekvämt att karakterisera
egenskaperna hos linjära dynamiska system o h lter med frekvenssvaret,
som beskriver hur systemet påverkar signalens olika frekvenskomponenter. Ut
den tredje egenskapen följer att sinusformade signaler o h deras manipulation
spelar en entral roll inom såväl analog som digital telekommunikation.
3.0.1 Beskrivning av signaler i frekvensplanet
Ett av de viktigaste problemen inom signalbehandling består av att uttry ka
en signal med hjälp av sina frekvenskomponenter. Vi har i avsnitt 2.1 antytt
29
30 KAPITEL 3. ANALYS AV SIGNALER I FREKVENSPLANET
några av de tillämpningar som en sådan uppdelning kan ha. Uppdelningen
av en signal i frekvenskomponenter är analog med den uppdelning av ljus i
olika frekvenskomponenter som sker i ett prisma. Funktionen hos ett prisma
baserar sig på att vitt ljus är sammansatt av elektromagnetisk strålning av
olika frekvenser, vilka i prismat bryts med olika vinklar. I fysiken kallar man
det band av ljus av olika färger som fås för spektrum. I analogi härmed talar
man inom signalbehandling om frekvensanalys eller spektralanalys när man
analyserar frekvensinnehållet i signaler.
Frekvensutve kling av en signal är ett spe ialfall av (2.1.1), där basfunk-
tionerna utgörs av sinusformade funktioner. En signal som kan utve klas med
hjälp av en diskret mängd periodiska funktioner med (vinkel)frekvenserna
ωi,x(t) =
∑
i
[a (ωi) cos (ωit) + b (ωi) sin (ωit)] , (3.0.1)
sägs ha ett diskret spektrum, som karakteriseras av frekvenserna ωi o h
funktionerna a (ωi), b (ωi). De esta signaler kräver emellertid ett kontinuum
av frekvenser för att fullständigt kunna karakteriseras, o h har således en
representation av formen
x(t) =
∫
[a (ω) cos (ωt) + b (ω) sin (ωt)] dω . (3.0.2)
I detta fall sägs signalen ha ett kontinuerligt spektrum, som karakteriseras av
funktionerna a (ω), b (ω).Enligt representationerna (3.0.1) eller (3.0.2) kan signalen x(t) entydigt
representeras med hjälp av funktioner a (ω) o h b (ω) av frekvensen. Des-
sa funktioner utgör i matematisk mening Fouriertransformen av funktionen
x(t). Analysen av en funktions utve kling i periodiska sinusformade funk-
tioner kallas därför även Fourieranalys. En sådan utve kling anger direkt
frekvensinnehållet hos en signal.
Fourieranalys går tillbaka till Jean Baptiste Fourier (fransk matemati-
ker, 17681830), som införde metoden att utve kla funktioner med hjälp av
trigonometriska funktioner för analys av värmeledningsproblem.
Beroende på signalens egenskaper kan vi särskilja mellan ett antal olika
fall:
Kontinuerliga periodiska signaler har ett diskret spektrum o h kan ut-
ve klas i en Fourierserie (trigonometrisk serie) som en summa av sinus-
o h osinusfunktioner.
3.1. REPRESENTATION AV SINUSFORMADE SIGNALER 31
0 T
2T
3T
22T
0
−A
A
Figur 3.1: Signalen A cos (ωt). Sambandet mellan signalens period T o h
frekvensen f ges av T = 1f, där ω = 2πf .
Kontinuerliga i ke-periodiska signaler har ett kontinuerligt spektrum
o h kan utve klas i en Fourierintegral som en integral av sinus- o h
osinusfunktioner.
Diskreta periodiska signaler har ett diskret spektrum o h kan utve klas
i en Fourierserie som en summa av sinus- o h osinusfunktioner.
Diskreta i ke-periodiska signaler har ett kontinuerligt spektrum o h
kan utve klas i en Fourierintegral som en integral av sinus- o h osi-
nusfunktioner.
Alla dessa fall är viktiga, o h kommer att behandlas. I detta kapitel behand-
las Fouriertransformer av kontinuerliga signaler, medan diskreta signaler be-
handlas i kapitel 4.
3.1 Representation av sinusformade signaler
Vi skall i detta avsnitt betrakta olika sätt att representera periodiska sinus-
formade signaler. En periodisk sinusformad signal kan skrivas på ett antal
olika sätt, o h det är viktigt att förstå sambanden mellan de olika represen-
tationssätten.
32 KAPITEL 3. ANALYS AV SIGNALER I FREKVENSPLANET
Beskrivning med hjälp av amplitud o h fasförskjutning
Ett naturligt sätt att skriva en sinusformad signal x0(t) är
x0(t) = A cos (ω0t + φ) . (3.1.1)
Signalen karakteriseras av vinkelfrekvensen ω0, fasen φ o h amplituden A.
ω0 är signalens vinkelfrekvens (radianer/tidsenhet). Signalens frekvens
är f0 = ω0
2π, som anger antalet periodiska svängningar per tidsenhet.
Om tiden anges i sekunder har f0 enheten
1s= Hz (Hertz). Perioden
hos x0(t) är T0 =1f0
= 2πω0. T0 är det minsta positiva tal, för vilket gäller
x0 (t+ T0) = x0(t), alla t. Från denitionerna på f0 o h T0 följer, att
signalen x0(t) kan skrivas i formen
x0(t) = A cos (2πf0t+ φ) = A cos
(2π
T0t+ φ
)
. (3.1.2)
φ kallas signalens fasförskjutning, o h anges i radianer. Fasförskjut-
ningen denierar var i perioden signalen benner sig vid tiden t = 0,ty x0(0) = A cos (φ). För en signal som består av en ren sinusformad
signal kan fasförskjutningen alltid göras till noll genom en translation
av tiden, ty
x0(t) = A cos
(
ω0
(
t+φ
ω0
))
= A cos (ω0t′) , t′ = t+
φ
ω0
. (3.1.3)
Det följer att den absoluta fasförskjutningen i allmänhet saknar be-
tydelse, eftersom det inte spelar någon roll var vi sätter tidpunkten
t = 0. För funktioner som består av era frekvenskomponenter kan
fasförskjutningarna hos alla frekvenser emellertid ej samtidigt göras till
noll genom translation av tiden. Däremot bevarar tidstranslationer de
olika frekvenskomponenternas relativa fasförskjutningar i förhållande
till varandra.
Observera att det från de trigonometriska funktionernas egenskaper
följer att en signal angiven med hjälp av osinusfunktionen kan anges i
form av en sinusfunktion med en annan fasförskjutning, ty
x0(t) = A cos (ω0t+ φ) = A sin(
ω0t+ φ+π
2
)
. (3.1.4)
Amplituden A är en skalningsfaktor som bestämmer signalens storlek.
Sinus- o h osinusfunktionerna os illerar mellan −1 o h +1. Signalenx0(t) os illerar således mellan −A o h A.
3.1. REPRESENTATION AV SINUSFORMADE SIGNALER 33
Beskrivning med hjälp av sinus- o h osinuskomponent
Genom att utnyttja det trigonometriska sambandet
cos (θ1 + θ2) = cos (θ1) cos (θ2)− sin (θ1) sin (θ2) , (3.1.5)
kan signalen x0 i (3.1.1) skrivas i formen
x0(t) = a cos (ω0t) + b sin (ω0t) , (3.1.6)
där
a = A cos (φ) , b = −A sin (φ) . (3.1.7)
Representationen (3.1.6) delar upp signalen x0(t) i en jämn komponent xa =a cos (ω0t) o h en udda komponent xb = b sin (ω0t), där den jämna kom-
ponenten satiserar xa(t) = xa(−t) o h den udda komponenten satiserar
xb(t) = −xb(−t).
Beskrivning med hjälp av komplexa exponentialfunktio-
nen
Den trigonometriska funktionen x0(t) kan uttry kas i en form som i era sam-
manhang visar sig vara bekvämare än (3.1.1) eller (3.1.6) genom att tillämpa
Eulers formel mellan de trigonometriska funktionerna o h den komplexa ex-
ponentialfunktionen,
ejθ = cos θ + j sin θ , j =√−1 . (3.1.8)
Ekvationen (3.1.8) denerar ett entydigt samband mellan de trigonometriska
funktionerna cos θ o h sin θ o h den komplexvärda exponentialfunktionen ejθ.Ur (3.1.8) får vi de inversa sambanden
cos θ =ejθ + e−jθ
2, (3.1.9)
sin θ =ejθ − e−jθ
2j. (3.1.10)
Genom att tillämpa Eulers formel kan signalen x0(t) skrivas i formen
x0(t) = A cos (ω0t+ φ)
=A
2
(ej(ω0t+φ) + e−j(ω0t+φ)
)
=A
2
(ejφejω0t + e−jφe−jω0t
).
(3.1.11)
34 KAPITEL 3. ANALYS AV SIGNALER I FREKVENSPLANET
Vi får således
x0(t) = cejω0t + c∗e−jω0t , (3.1.12)
där
c =A
2ejφ =
A
2[cosφ+ j sinφ] (3.1.13)
o h c∗ anger komplexa konjugatet till c; c∗ = A2e−jφ = A
2[cosφ− j sin φ].
Sambandet mellan beskrivningarna (3.1.6) o h (3.1.12) fås genom att ut-
nyttja (3.1.7), vilket ger
c =a− jb
2, c∗ =
a + jb
2. (3.1.14)
Observera att koe ienten c i beskrivningen (3.1.12) i allmänhet är ett kom-
plext tal. Koe ienten c är reell endast för jämna signaler, o h rent imaginär
för udda signaler. Dessutom uttry ker (3.1.12) signalen med hjälp av två
frekvenser: en positiv frekvens ω0 samt en negativ frekvens −ω0. Observe-
ra emellertid att de båda termerna i (3.1.12) är beroende av varandra, ty
c∗e−jω0t = [cejω0t]∗. Ekvation (3.1.12) kan således o kså uttry kas med hjälp
av den reella delen i formen
x0(t) = 2Re[cejω0t
]. (3.1.15)
Beskrivningen av en periodisk sinusformad funktion med hjälp av komplexa
exponentialfunktionen kan förefalla onödigt besvärlig. Det visar sig emelle-
rid att era operationer kan formuleras betydligt enklare om man använder
beskrivningen (3.1.12). Frekvensanalytiska metoder brukar därför nästan ute-
slutande formuleras utgående från en beskrivning baserad på den komplexa
exponentialfunktionen. Omman använder sig av komplex aritmetik kan detta
utnyttjas direkt i de numeriska beräkningarna.
Övning 3.1.1. (a) Härled sambanden (3.1.9) o h (3.1.10) från (3.1.8).
(b) Upprita funktionen ejθ i det komplexa talplanet för olika värden på θ.
( ) Uttry k ett komplext tal z = x+jy med hjälp av talets absoluta belopp
o h den komplexa exponentialfunktionen.
Exempel 3.1.1. Musikaliska toner är exempel på sinusformade akustiska
signaler bestående av en enda frekvens. Exempelvis tangentbordet på ett pia-
no har 88 tangenter, som genererar var sin ton motsvarande olika frekven-
ser. Enligt konvention ligger ljudet från tangent nummer 49 vid frekven-
sen 440 Hz. Frekvensförhållandet för två närbelägna tangenter är konstant.
3.1. REPRESENTATION AV SINUSFORMADE SIGNALER 35
0 2 4 6 8
-1
-0,5
0
0,5
1
0 2 4 6 8
-1
-0,5
0
0,5
1
Figur 3.2: Signalen x0(t) = cos (ω0t + φ) (övre diagrammet) samt dess
osinus- o h sinuskomponenter enligt uppdelningen x0(t) = a cos (ω0t) +b sin (ω0t) (nedre diagrammet).
Tonerna är uppdelade i oktaver, där en oktav motsvarar en fördubbling av
frekvensen. Inom varje oktav har man tolv tangenter. Frekvensförhållandet
mellan två tangenter är således 2112 = 1,0595.
I följande exempel illustreras sambandet mellan olika representationer av
sinusformade signaler.
Exempel 3.1.2. I gurens 3.2 övre diagram visas den sinusformade signalen
x0(t) = cos (ω0t+ φ) (3.1.16)
med amplituden A = 1 o h perioden T0 = 10 s. Frekvensen är således f0 =1T0
= 0,1 Hz med motsvarande vinkelfrekvens ω0 = 2πf0 = 0,2π rads. Vi kan
bestämma fasförskjutningen φ genom att notera, att osinusfunktionen når
sitt maximum enligt cos (0) = 1. Detta ger ω0t + φ = 0 o h då guren 3.2
visar att x0(t) har sitt maximum vid t = 2 fås
ω0 · 2 s + φ = 0 ⇔ φ = −2ω0 = −0,4 π rad = −72 . (3.1.17)
36 KAPITEL 3. ANALYS AV SIGNALER I FREKVENSPLANET
Å andra sidan kan vi tolka signalen x0(t) som en tidsförskjuten osinussignal
med ekvivalent fasförskjutning θ
x0(t) = cos [ω0 (t− 2)] = cos
[
ω0
(
t+φ
ω0
)]
, (3.1.18)
vilket ävenledes ger φ = −2ω0. Om vi gör en uppdelning i sinus- o h osinus-
komponenter enligt ekvation (3.1.6) med beaktande av 3.1.7 fås
a = cos (φ) = cos (−0,4π) ≈ 0,3090 , b = sin (φ) = sin (−0,4π) ≈ −0,9511 .(3.1.19)
Signalen kan således skrivas i formen
x0(t) ≈ 0,3090 cos (ω0t)− 0,9511 sin (ω0t) . (3.1.20)
Figurens 3.2 nedre diagram visar komponenterna i uppdelningen ovan. Vår
sinusformade signal kan även representeras med hjälp av komplexa exponen-
tialfunktionen (3.1.12). Då ger (3.1.13)
c =1
2[cos (φ) + j sin (φ)] ≈ 0,1545− 0,4755j . (3.1.21)
Signalen uttry kt med komplexa exponentialfunktionen (3.1.12) tar alltså for-
men
x0(t) = (0,1545− 0,4755j) ejω0t + (0,1545 + 0,4755j) e−jω0t . (3.1.22)
Kopplingen mellan representationen (3.1.22) o h (3.1.20) ges av Eulers for-
mel (3.1.8), som medför att de båda representationerna är ekvivalenta. I prak-
tiken är nästan alla typer av beräkningar enklare att utföra med användning
av komplexa exponentialfunktioner än med osinus- o h sinusfunktioner.
Komplexa exponentialfunktionen är ett viktigt verktyg för att analysera
hur linjära tidsinvarianta system förstärker o h fasförskjuter olika frekvenser
hos insignalen.
Exempel 3.1.3. En insignal x(t) = cos (ωt) till en kommunikationskanal
ger upphov till utsignalen
y(t) = H (x(t)) = x(t) + rx(x− τ) , 0 < r < 1 . (3.1.23)
Vi kan alltså konstatera att systemet (kommunikationskanalen) dels sänder
insignalen vidare (första termen i utsignalen) o h dels dämpar samt fördröjer
3.1. REPRESENTATION AV SINUSFORMADE SIGNALER 37
den (andra termen). En allmän metod för att analysera hur linjära tidsinva-
rianta system påverkar en insignal med viss frekvens bygger på idén med att
låta systemet påverka den komplexa funktionen ejω. För kommunikationska-
nalens del kan man visa, att utsignalen även kan skrivas i formen
y(t) =∣∣H(ejω)∣∣ cos
(ωt+ arg
(H(ejω)))
, (3.1.24)
där beloppet |H (ejω)| anger hur my ket frekvenskomponenten ω förstärks
(ifall beloppet är större än ett) eller dämpas (ifall beloppet är mindre än ett)
o h argumentet (vinkeln) arg (H (ejω)) anger hur my ket frekvenskomponen-
ten fasförskjuts. Funktionen H (ejω) brukar kallas systemets frekvenssvar.
3.1.1 Sinusformade signaler o h modulering
Elektromagnetisk strålning bestar av sinusformade vågor, o h signalöverfö-
ring utförs därför i praktiken genom att låta signalen modiera en sinus-
formad bärvag, som kan sändas till mottagaren. Sådan modiering kallas
modulering.
Inom analog teknik används amplitudmodulering (AM), frekvensmodule-
ring (FM) o h fasmodulering (PM), där amplituden, frekvensen respektive
fasen hos en sinusformad signal modieras.
Följande övning demonstrerar prin ipen hos amplitudmodulering av en
analog signal.
Övning 3.1.2. Bestäm vilka frekvenser som ingår i signalen
x(t) = v(t) cos (2πfct) , (3.1.25)
där fc = 200 Hz o h v(t) = 5 + 2 cos (2πf∆t), f∆ = 20 Hz. Se gur 3.3.
Övning 3.1.2 visar att då en högfrekvent sinusformad signal med frekven-
sen fc multipli eras med en lågfrekvent signal med frekvensen f∆ så har
produkten komponenter vid frekvenserna fc ± f∆. Detta utnyttjas vid amp-
litudmodulering (AM) av radiosignaler. Cosinusfunktionen i (3.1.25) kallas
bärvåg, som moduleras av den lågfrekventa signalen v(t). Den lågfrekven-
ta signalens v(t) frekvensband kallas basband. Genom moduleringen kom-
mer ett basband i intervallet −fmax ≤ f∆ ≤ fmax att nnas i intervalllet
fc−fmax ≤ fc+f∆ ≤ fc+fmax. Moduleringen möjliggör samtidig överföring
av era lågfrekventa signaler, som annars skulle interferera med varandra,
genom att låta dem modulera bärvågor av olika frekvenser.
38 KAPITEL 3. ANALYS AV SIGNALER I FREKVENSPLANET
0 0,02 0,04 0,06 0,08
-6
-4
-2
0
2
4
6
0 0,02 0,04 0,06 0,08
-6
-4
-2
0
2
4
6
Figur 3.3: Signalerna i övning 3.1.2. Det övre diagrammet visar signalen v(t)(övre kurvan) o h bärvågen cos (2πfct) (nedre kurvan). Det nedre diagram-
met visar signalen x(t). Den högfrekventa bärvågens amplitud beror av den
lågfrekventa signalen v(t)
3.1. REPRESENTATION AV SINUSFORMADE SIGNALER 39
× Kanal + × HLP
sb(t)
cos (2πfct)
Brus e(t)
cos (2πfct)
x(t) y(t) y(t) yb(t)
Figur 3.4: Trådlöst kommunikationssystem med amplitudmodulering.
Trådlösa kommunikationssystem
Figur 3.4 visar ett blo ks hema över ett typiskt trådlöst kommunikationssy-
stem där basbandssignalen sb(t) överförs genom modulering med en bärvåg
av frekvensen fc. Om basbandssignalen består av frekvenskomponenten fb,består den modulerade signalen
x(t) = sb(t) cos (2πfct) (3.1.26)
av frekvenserna fc ± fb (se övning 3.1.2). Den modulerade signalen påverkas
vid överföringen till sin amplitud o h fas, vilket beskrivs med systemblo ket
Kanal i guren 3.4. Därtill påverkas signalen i regel av brus orsakat av t.ex.
andra interfererande signaler o h väderleksförhållanden.
Den mottagna signalen y(t) har alltså i praktiken förändrad amplitud o h
fas, men samma frekvens, d.v.s. den utsända signalen x(t) ovan mottas som
y(t) = A cos [2π (fc − fb) t+ φ] + A cos [2π (fc + fb) t + φ] + e(t) , (3.1.27)
där e(t) bete knar brus. Fasförskjutningen φ i förhållande till den utsända sig-
nalen bör här vara känd för att man skall kunna tolka den mottagna signalen
korrekt. I praktiken kan den bestämmas genom att sända en överenskommen
testsignal med känd fasförskjutning. En annan metod är dierentiell fasmo-
dulering, där signalen kodas i fasförändringarna i stället för fasens absoluta
värde. Vid binär dierentiell PSK (= Phase-Shift Keying) kan symbolen 1
representeras av en förändring i fasen med vinkeln π, medan symbolen 0
motsvaras av en utebliven fasförändring.
40 KAPITEL 3. ANALYS AV SIGNALER I FREKVENSPLANET
Den mottagna signalen kan demoduleras tillbaka till basbandet genom
multiplikation av med bärvågssignalen cos (2πfct) enligt
y(t) = y(t) cos (2πfct) , (3.1.28)
vilken i analogi med resultatet i övning 3.1.2 har frekvenskomponenter vid
basbandsfrekvensen fb samt högfrekventa komponenter kring frekvensen 2fc.Därför bör den demoduleraden signalen före fortsatt behandling ltreras med
ett lågpasslter HLP , som spärrar dessa högfrekventa komponenter. Se gu-
ren 3.4.
Digital modulering
Digital signalöverföring utförs analogt genom modulering av amplitud, fre-
kvens eller fas hos en sinusformad signal. I motsats till analog signalöverfö-
ring, där signalen varierar kontinuerligt som funktion av tiden, är signalen vid
digital överföring diskret både till sin storlek (0 eller 1) o h tidsberoende
(0 övergår till 1 o h vi e versa).
Den vanligaste moduleringsmetoden är här fasmodulering (PSK), där fa-
sen hos en bärvåg moduleras. Vid binär PSK (BPSK) representeras tillstån-
den 0 o h 1 med signalerna
s0(t) = cos (2πfbt) , (3.1.29)
s1(t) = cos (2πfbt + π) = − cos (2πfbt) . (3.1.30)
Då kan t.ex. den den digitala signalen 0, 1 överföras genom att sända bas-
bandssignalen
sb(t) =
cos (2πfbt) , 0 ≤ t < Tb ,cos (2πfbt+ π) , Tb ≤ t < 2Tb ,
(3.1.31)
se gur 3.5. Tidsintervallet Tb bestämmer överföringshastigheten (T−1b bitar
per sekund) o h bör vara tillrä kligt långt för att mottagaren skall kunna
bestämma fasen. Det beror av bärvågens frekvens fc o h av förhållandet
mellan signal o h brus.
Vid binär fasmodulering enligt ovan används två faslägen, varvid en bit
kan sändas åt gången. Med fyra symmetriska faslägen
π4,
3π4,
5π4o h
7π4(4-PSK
eller Quadrature PSK QPSK) kan två bitar sändas i taget. De fyra faslägena
motsvarar då bitkombinationerna 00, 01, 10 o h 11. På samma sätt kan man
3.1. REPRESENTATION AV SINUSFORMADE SIGNALER 41
0
0 1
0 Tb 2Tb
Figur 3.5: Digital modulering med BPSK (Binary Phase-Shift-Keying)
med åtta möjliga faslägen sända tre bitar åt gången. Med åtta faslägen är
skillnaden mellan två närliggande faser
π4. Med 16 faslägen (motsvarande fyra
bitar) blir fasskillnaderna
π8o h det är klart att det blir svårare att bestämma
den korrekta fasen vid mottagaren då antalet faslägen ökas. Därför är åtta
faslägen det största i praktiken använda vid fasmodulering.
Överföringskapa iteten kan ökas om man förutom fasen o kså modulerar
amplituden. Då kan två symboler med närliggande, eller t.o.m. samma faser,
separeras om de skiljer sig till amplituden. Denna moduleringsmetod kallas
QAM (Quadrature Amplitude Modulation). Vanliga QAM moduleringslä-
gen är 16-QAM o h 64-QAM med 16 respektive 64 olika kombinationer av
amplitud o h fas, vilket möjliggör sändning av fyra (24 = 16) respektive
(26 = 64) sex bitar.
Modulering med enkelt sidband
En na kdel med amplitudmoduleringen ovan är att den upptar en större
bandbredd (frekvensintervall) av kommunikationskanalen än den ursprungli-
ga basbandssignalen. Om basbandssignalen har frekvenskomponenter enligt
0 ≤ fb ≤ fmaxb , så får den modulerade signalen frekvenser fc − fmax
b ≤ f ≤fc + fmax
b o h bandbredden blir 2fmaxb . Enligt övning 3.1.2 är komponenter-
na vid frekvenserna fc ± fb relaterade o h det borde därför vara möjligt att
få en modulerad signal med bandbredden fmaxb . En metod för detta kallas
modulering med enkelt sidband (SSB = Single Side Band) o h används för
eektivare utnyttjande av bandbredden bl.a. i tvåvägsradio (SSB radio).
42 KAPITEL 3. ANALYS AV SIGNALER I FREKVENSPLANET
Det nns era metoder för SSB modulering. Betrakta följande exempel,
där den symbol som signalen skall överföra representeras med fasen φb hos
en sinusvåg. Denna sinusvåg väljer vi då att modulera enligt
x(t) = cos (2πfbt + φb) cos (2πfct)− cos(
2πfbt+ φb −π
2
)
cos(
2πfct−π
2
)
= cos (2πfbt + φb) cos (2πfct)− sin (2πfbt+ φb) sin (2πfct) .(3.1.32)
Tillämpas nu de trigonometriska sambanden
cos (α) cos (β) =1
2cos (α− β) +
1
2cos (α + β) , (3.1.33)
sin (α) sin (β) =1
2cos (α− β)− 1
2cos (α + β) , (3.1.34)
fås
x(t) = cos [2π (fc + fb) t+ φb] . (3.1.35)
Vi konstaterar nu att frekvenskomponenten fc− fb försvinner o h att endast
komponenten fc + fb krävs för att överföra informationen om fasen. Den här
idén kan generaliseras till en allmän (i ke-sinusformad) basbandssignal sb(t)o h leder då till en mera kompli erad implementering, eftersom det då behövs
två versioner ( osinus o h sinus) av basbandssignalen. Detta kan ordnas med
utnyttjande av den s.k. Hilberttransformen
1
Övning 3.1.3. Visa, att Hilberttransformen av en udda funktion är jämn
1
Linjär operator som av en reellvärd funktion u (τ) produ erar en annan reellvärd
funktion u(t) = (Hu (τ)) (t) med den oegentliga integralen
u(t) = (Hu (τ)) (t) =1
π
∫∞
−∞
u (τ)
t− τdτ .
En allmän o h användbar egenskap hos denna operator är att den åstadkommer en fas-
förändring om
π
2för varje Fourierkomponent (sinus- o h osinusfunktionerna som in-
går i Fourierserien) hos en funktion. Därmed gäller det t.ex. att (H cos (2πfτ)) (t) =cos(2πft− π
2
). Man kan, något förenklat, uttry ka en allmän basbandssignal som reella
delen av den komplexa funktionen
sb(t) = Re sb(t) + jsb(t) .
Det kan då visas, att x(t) = sb(t) cos (2πfct) − sb(t) sin (2πfct), jämför med spe ialfallet
ovan.
3.1. REPRESENTATION AV SINUSFORMADE SIGNALER 43
samt att Hilberttransformen av en jämn funktion är udda, d.v.s.
u (−τ) = −u (τ) ⇒ (Hu (τ)) (−t) = (Hu (τ)) (t) , (3.1.36)
u (−τ) = u (τ) ⇒ (Hu (τ)) (−t) = − (Hu (τ)) (t) . (3.1.37)
Vid manipulationerna av den oegentliga transformintegralen får man anta,
att integralerna existerar.
Ledning: Spjälk upp transformen i två integraler på olika sidor om origo
o h gör substitutionen a = −τ .
(Hu (τ)) (t) =1
π
∫ 0
−∞
u (τ)
t− τdτ +
1
π
∫ ∞
0
u (τ)
t− τdτ
=1
π
∫ ∞
0
u (−a)
t+ ada+
1
π
∫ 0
−∞
u (−a)
t + ada .
Frekvensmodulering
En viktig moduleringsmetod för analoga signaler är frekvensmodulering (FM),
som används främst inom radiokommunikation för att överföra signaler som
beskriver tal, musik et . Frekvensmodulering innebär att en bärvåg (en ton
eller en radiovåg) återspeglar hur signalen ändras genom att bärvågens fre-
kvens ändras i takt med signalstyrkan.
Motorljudet från en båt eller ett propellerygplan kan förenklat ses som
en ton som varierar med gaspådraget. Denna ton är i prin ip en bärvåg som
frekvensmoduleras med information om gasreglagets läge. En baston betyder
litet gaspådrag o h en diskantton betyder stort pådrag. Genom att lyssna på
tonhöjden o h dess förändringar kan man även på långt avstånd förstå hur
gasreglaget hanteras.
En högtalare är en pappersstrut som vibrerar för att skapa ljudvågor.
När vi lyssnar på en FM-radiosändare, tar vi emot en radiobärvåg som styr
högtalarens rörelser genom små frekvensändringar. När bärvågens frekvens
blir högre än vanligt skjuts högtalarens pappersstrut framåt, o h när fre-
kvensen blir lägre än vanligt dras struten bakåt. På så sätt följer struten
slaviskt bärvågens frekvensändringar o h återskapar därmed den ljudsignal
som sändaren vill förmedla.
44 KAPITEL 3. ANALYS AV SIGNALER I FREKVENSPLANET
Om basbandssignalen sb(t) frekvensmoduleras med bärvågen cos (2πfct)har man den modulerade signalen
x(t) = cos
[
2π
∫ t
0
fc + f∆sb (τ) dτ
]
= cos
[
2πfct + 2πf∆
∫ t
0
sb (τ) dτ
]
,
(3.1.38)
där f∆ bete knar den maximala avvikelsen (i en riktning) från bärvågsfre-
kvensen fc.
Övning 3.1.4. Diskutera hur en FM-modulerad signal rent matematiskt
kunde demoduleras, d.v.s. hur man ur (3.1.38) kunde beräkna basbandssig-
nalen sb(t).
3.2 Periodiska kontinuerliga signaler
I detta avsnitt betraktar vi en kontinuerlig signal x(t) som är periodisk med
perioden T0, så att
x(t) = x (t+ T0) , ∀t . (3.2.1)
Då man uttry ker den periodiska funktionen x(t) med hjälp av sinus- o h
osinusfunktioner, så är de enda funktioner som kan ingå i utve klingen så-
dana som o kså är periodiska med perioden T0. En sinusfunktion sin (ωt) =sin (2πft) ( osinusfunktion cos (ωt) = cos (2πft)) med vinkelfrekvensen ω =2πf är periodisk med perioden
1f= 2π
ω. De enda trigonometriska funktio-
ner som kan ingå i en utve kling av x(t) är således av typen sin(
2πntT0
)
o h
cos(
2πntT0
)
, n = 1,2, . . .. Dessa är periodiska med perioderna
T0
n, o h därmed
även periodiska med perioden T0.
Man kan visa, att en periodisk funktion x(t) som uppfyller (3.2.1) under
milda villkor (såsom kontinuitet) kan skrivas i formen
x(t) = a0 +∞∑
n=1
an cos
(2πn
T0t
)
+∞∑
n=1
bn sin
(2πn
T0t
)
. (3.2.2)
Utve klingen (3.2.2) är en trigonometrisk serie eller Fourierserie.
Genom att införa vinkelfrekvensen
ω0 =2π
T0, (3.2.3)
3.2. PERIODISKA KONTINUERLIGA SIGNALER 45
kan (3.2.2) skrivas
x(t) = a0 +∞∑
n=1
an cos (nω0t) +∞∑
n=1
bn sin (nω0t) . (3.2.4)
Frekvensen ω0 kallas den periodiska signalens grundfrekvens (eng. fundamen-
tal frequen y) angiven i radianer per tidsenhet. Grundfrekvensen angiven i
svängningar per tidsenhet är f0 = 1T0
= ω0
2π. Om tiden anges i sekunder
har f0 enheten Hertz (Hz). Ekvation (3.2.4) visar att en periodisk signal
kan utve klas i trigonometriska sinusformade funktioner med grundfrekven-
sen ω0 (= 2πf0) o h dess heltalsmultipler nω0 (= n2πf0). Heltalsmultiplernaωn = nω0 (fn = nf0) kallas harmoniska frekvenser, o h de olika frekvens-
komponenterna i utve klingen (3.2.4) kallas signalens harmoniska kompo-
nenter.
Koe ienterna an o h bn i utve klingen (3.2.4) ges av
a0 =1
T0
∫ T0
0
x(t) dt , (3.2.5)
an =2
T0
∫ T0
0
x(t) cos (nω0t) dt , (3.2.6)
bn =2
T0
∫ T0
0
x(t) sin (nω0t) dt . (3.2.7)
Dessa formler kan visas enligt nedan. Inledningsvis skall vi do k utnyttja den
trigonometriska formeln
cos (α) cos (β) =1
2cos (α− β) +
1
2cos (α + β) , (3.2.8)
för att beräkna integralen
Imn =
∫ T0
0
cos (mω0t) cos (nω0t) dt , (3.2.9)
46 KAPITEL 3. ANALYS AV SIGNALER I FREKVENSPLANET
Imnm=n=0= T0 ,
m6=n=
1
2
∫ T0
0
cos [(m− n)ω0t] dt+1
2
∫ T0
0
cos [(m+ n)ω0t] dt
=1
2(m− n)ω0
T0/
0
sin [(m− n)ω0t] +1
2(m+ n)ω0
T0/
0
sin [(m+ n)ω0t]
=T0 sin [2π(m− n)]
4π(m− n)+
T0 sin [2π(m+ n)]
4π(m+ n)
=T0 sin [2π(m− n)]
4π(m− n)+
T0 sin [2π(m+ n)]
4π(m+ n)= 0 ,
m=n 6=0=
1
2
∫ T0
0
dt +1
2
∫ T0
0
cos [(m+ n)ω0t] dt
=T0
2+
1
2(m+ n)ω0
T0/
0
sin [(m+ n)ω0t] =T0
2.
(3.2.10)
Övning 3.2.1. Veriera integralerna
∫ T0
0
sin (mω0t) cos (nω0t) dt = 0 , ∀m,n ∈ Z+ , (3.2.11)
∫ T0
0
sin (mω0t) sin (nω0t) dt =
0 , m = n = 0 ,T0
2, m = n 6= 0 ,
0 , m 6= n .. (3.2.12)
3.2. PERIODISKA KONTINUERLIGA SIGNALER 47
3.2.1 Härledning av Fourierseriens koe ienter
Integration av (3.2.4) över en period T0, med antagandet att seriernas kon-
vergens tillåter att integreringen av serierna sker termvis, ger
∫ T0
0
x(t) dt =
∫ T0
0
a0 dt+
∞∑
n=1
∫ T0
0
an cos (nω0t) dt+
∞∑
n=1
∫ T0
0
bn sin (nω0t) dt .
(3.2.13)
Här har vi för integralerna
∫ T0
0
a0 dt =
T0/
0
a0 = a0T0 , (3.2.14)
∫ T0
0
an cos (nω0t) dt =
T0/
0
annω0
sin (nω0t) =annω0
sin (nω0T0)︸ ︷︷ ︸
sin (2πn)
= 0 , n > 0 ,
(3.2.15)
∫ T0
0
an sin (nω0t) dt = −T0/
0
annω0
cos (nω0t) =annω0
(1− cos (nω0T0))︸ ︷︷ ︸
1−cos (2πn)
= 0 , n > 0 ,
(3.2.16)
så att
∫ T0
0
x(t) dt =
∫ T0
0
a0 dt = a0T0 , (3.2.17)
varur uttry ket för a0 följer.
Koe ienterna am, m = 1,2, . . ., fås genom att multipli era (3.2.4) med
cos (mω0t) o h integrera över en period T0, vi antar att seriernas konvergens
48 KAPITEL 3. ANALYS AV SIGNALER I FREKVENSPLANET
tillåter termvis integrering,
∫ T0
0
x(t) cos (mω0t) dt = a0
=0︷ ︸︸ ︷∫ T0
0
cos (mω0t) dt+∞∑
n=1
an
∫ T0
0
cos (mω0t) cos (nω0t) dt
+
∞∑
n=1
bn
∫ T0
0
cos (mω0t) sin (nω0t) dt
= am
=T02
︷ ︸︸ ︷∫ T0
0
cos2 (mω0t) dt+bm
=0︷ ︸︸ ︷∫ T0
0
cos (mω0t) sin (mω0t) dt
+
∞∑
m6=n=1
an
=0︷ ︸︸ ︷∫ T0
0
cos (mω0t) cos (nω0t) dt
+∞∑
m6=n=1
bn
=0︷ ︸︸ ︷∫ T0
0
cos (mω0t) sin (nω0t) dt =amT0
2⇒
am =2
T0
∫ T0
0
x(t) cos (mω0t) dt
(3.2.18)
Övning 3.2.2. multipli era (3.2.4) med sin (mω0t) o h integrera över en
period T0 så att koe ienterna (3.2.7) fås.
3.2.2 Fourierserien med komplexa exponentialfunktio-
ner
Från avsnitt 3.1 har vi att termerna för olika n i utve klingen (3.2.4) kan
uttry kas med hjälp av den komplexa exponentialfunktionen. Genom att in-
trodu era sambanden (3.1.9), (3.1.10) i serien (3.2.4) fås
x(t) =
∞∑
n=−∞cne
jnω0t , (3.2.19)
3.2. PERIODISKA KONTINUERLIGA SIGNALER 49
där koe ienterna ges av sambandet (3.1.14),
cn =1
2(an − jbn) , n = 1, 2, . . . (3.2.20)
c−n =1
2(an + jbn) , n = 1, 2, . . . (3.2.21)
c0 = a0 . (3.2.22)
Koe ienterna cn i utve klingen (3.2.19) kan även enkelt bestämmas direkt
enligt följande. Multiplikation av (3.2.19) med e−jmω0to h integration över
en period ger, med antagande om att seriens konvergens tillåter termvis in-
tegrering,
∫ T0
0
x(t)e−jmω0t dt =∞∑
m6=n=−∞
∫ T0
0
cnej(n−m)ω0t dt +
∫ T0
0
cmej(m−m)ω0t dt
=∞∑
m6=n=−∞
cnj(n−m)ω0
T0/
0
ej(n−m)ω0t + cm
T0/
0
=
∞∑
m6=n=−∞
cnj(n−m)ω0
(
e2πj(n−m)︸ ︷︷ ︸
=1
−1
)
+ cmT0 = cmT0 ⇒
(3.2.23)
cm =1
T0
∫ T0
0
x(t)e−jmω0t dt
=1
T0
∫ T0
0
x(t) [cos (mω0t) + j sin (mω0t)] dt
=
12
2T0
∫ T0
0x(t) cos (|m|ω0t) dt− 1
2j 2T0
∫ T0
0x(t) sin (|m|ω0t) dt , m < 0 ,
1T0
∫ T0
0x(t) dt , m = 0 ,
12
2T0
∫ T0
0x(t) cos (mω0t) dt+
12j 2T0
∫ T0
0x(t) sin (mω0t) dt , m > 0 .
(3.2.24)
Den sista likheten i (3.2.24) ger sambanden (3.2.20), (3.2.21) o h (3.2.22). Vi
har således resultatet
50 KAPITEL 3. ANALYS AV SIGNALER I FREKVENSPLANET
Denition 3.2.1. Fourierserien av kontinuerlig periodisk funktion.
En periodisk funktion x(t) med perioden T0 kan uttry kas med hjälp av
serieutve klingen
x(t) =
∞∑
n=−∞cne
jnω0t , (3.2.25)
där
cn =1
T0
∫ T0
0
x(t)e−jnω0t dt , n = 0,±1,±2, . . . (3.2.26)
o h ω0 =2πT0.
Utve klingen (3.2.25) kallas liksom den i (3.2.2) Fourierserie.
Anmärkning 3.2.1. Observera att koe ienterna cn i serieutve klingen (3.2.25)i allmänhet är komplexvärda, eftersom exponentialfunktionen e−jnω0t
i inte-
gralen (3.2.26) är komplexvärd. Sambandet (3.2.20)(3.2.22) mellan cn o h
koe ienterna i utve klingen (3.2.4) visar att koe ienterna cn är reella en-
dast om koe ienterna bn försvinner. Så är fallet för en jämn signal, för vilken
x(−t) = x(t), jämför (3.2.4).
Sambandet (3.2.20)(3.2.22) visar o kså att koe ienterna cn för positivao h negativa n är beroende av varandra; c−n är komplexa konjugatet av cn.Jämför diskussionen i avsnitt 3.1.
Anmärkning 3.2.2. Integralen i uttry ket (3.2.26) för cn kan ersättas med
en integral över ett godty kligt intervall av periodens längd T0. Eftersom
x(t)e−jnω0tär periodisk med perioden T0, följer att integralen från 0 till T0
är lika med integralen från τ till T0 + τ , varur följer
∫ T0
0
x(t)e−jnω0t dt =
∫ T0+τ
τ
x(t)e−jnω0t dt , ∀τ . (3.2.27)
En i litteraturen ofta använd alternativ formel för koe ienterna i Fourier-
serien är
cn =1
T0
∫ T02
−T02
x(t)e−jnω0t dt , n = 0,±1,±2, . . . (3.2.28)
I denna formel sker integrationen symmetriskt runt t = 0, vilket visar sigspe iellt bekvämt i vissa tillämpningar.
3.2. PERIODISKA KONTINUERLIGA SIGNALER 51
0
1
0−T0
4
T0
4
x(t)
-5 0 5
-0,2
0
n
cn1
2
1
π
− 1
3π
1
5π
Figur 3.6: Till vänster fyrkantsvågen x(t) i exempel 3.2.1 samt dess Fourier-
seriekoe ienter cn (till höger).
Exempel 3.2.1. Som exempel på Fourierserier betraktar vi en periodisk fyr-
kantsvåg med perioden T0 som i intervallet −T0
2≤ t < T0
2denieras av
x(t) =
0 , −T0
2≤ t < −T0
4,
1 , −T0
4≤ t < T0
4,
0 , T0
4≤ t < T0
2.
(3.2.29)
Se gur 3.6. Observera att funktionen är jämn, varför Fourierseriekoe ienter-
na är reella. Koe ienterna beräknas bekvämast ur ekvation (3.2.28). För
52 KAPITEL 3. ANALYS AV SIGNALER I FREKVENSPLANET
n 6= 0 får vi med beaktande av att ω0 =2πT0,
cn =1
T0
∫ T02
−T02
x(t)e−jnω0t dt =1
T0
∫ T04
−T04
1 · e−jnω0t dt
=1
T0
T04/
−T04
e−jnω0t
−jnω0
=1
−jnω0T0
[
e−jnω0T04 − ejnω0
T04
]
=j
2πn
[e−jnπ
2 − ejnπ2
]= − j
2πn2j sin
(
nπ
2
)
=sin(nπ
2
)
nπ,
(3.2.30)
o h för n = 0 fås
c0 =1
T0
∫ T02
−T02
x(t) dt =1
T0
∫ T04
−T04
1 dt =1
2. (3.2.31)
Då sin(nπ
2
)är noll för jämna n, o h lika med +1 för n = . . . , − 3,1,5, . . .
o h −1 för n = . . . ,− 1,3,7, . . . fås
cn = 0 , n = ±2,±4, . . . (3.2.32)
o h
c1 = c−1 =1
π, c3 = c−3 = − 1
3π, c5 = c−5 =
1
5π, · · · ,
c2m+1 = c−(2m+1) =(−1)m
π(2m+ 1).
(3.2.33)
Genom att utnyttja det faktum att c−n = cn o h att endast koeenterna för
udda n av typen n = 2m + 1 är olika noll, kan Fourierserieutve klingen för
3.2. PERIODISKA KONTINUERLIGA SIGNALER 53
fyrkantsvågen skrivas i formen
x(t) =
∞∑
n=−∞cne
jnω0t = c0 +
∞∑
n=1
cnejnω0t + c−ne
−jnω0t
= c0 +
∞∑
n=1
cn(ejnω0t + e−jnω0t
)= c0 +
∞∑
n=1
cn2 cos (nω0t)
= c0 +∞∑
m=0
c2m+12 cos [(2m+ 1)ω0t] =1
2+
2
π
∞∑
m=0
(−1)m
2m+ 1cos ((2m+ 1)ω0t) .
(3.2.34)
Inverkan av antalet termer som beaktas i serien (3.2.34) på summafunktionen
kan undersökas genom att beräkna den trunkerade serien
xN (t) =N∑
n=−N
cnejnω0t =
1
2+
2
π
M∑
m=0
(−1)m
2m+ 1cos ((2m+ 1)ω0t) , (3.2.35)
för olika N = 2M + 1. Jämför gur 3.7.
Anmärkning 3.2.3. Fyrkantsvågen i exempel 3.2.1 är diskontinuerlig vid ti-
derna ±T0
4, medan den trunkerade Fourierserieutve klingen i (3.2.35) är kon-
tinuerlig. Det visar sig att Fourierserien beter sig på ett spe iellt sätt vid dis-
kontinuitetspunkter, så att då allt er termer tas med i summan, så skjuter
Fouriersumman över respektive under funktionens värde just vid diskontinui-
ten (jämför gur (3.7)). överskjutningen blir begränsad till ett allt smalare
intervall då antalet termer N i summan (3.2.35) ökas, men den försvinner
ej. Överskjutningens storlek är i gränsfallet N → ∞ a 8,95 pro ent av dis-
kontinuitetens storlek. Detta fenomen kallas Gibbs fenomen (efter J. Willard
Gibbs, amerikansk fysiker 18391903).
Anmärkning 3.2.4. Storleken av Fourierkoe ienterna hos fyrkantsvågen är
(för udda n) proportionell mot
1n, o h avtar således relativt långsamt med
ökande n. Exempelvis |c101| är endast a 2 % mindre än |c99|. Då |cn| angerinnehållet av frekvenskomponenten nω0 = n2πf0, innebär detta att signa-
lens frekvensinnehåll är fördelad över ett stort frekvensområde. Generellt har
signaler som innehåller plötsliga variationer ett spektrum som minskar i pro-
portion mot frekvensens invers
1f. Den utbredda formen hos spektret gör att
diskontinuiteter i audiosignaler är störande o h uppfattas som ett knäppande
ljud.
54 KAPITEL 3. ANALYS AV SIGNALER I FREKVENSPLANET
Figur 3.7: Trunkerade Fourierserier xN (t) av fyrkantsvågen (3.2.29) för N =1, 3, 7, 19, 39 o h 79.
Fourierseriekoe ienterna cn i exempel 3.2.1 var reella, eftersom funktio-
nen var jämn. Om funktionen förskjuts i tiden så, att den nya funktionen
ej längre är jämn, förväntar man sig att koe ienterna blir komplexvär-
da. Inverkan av en tidsförskjutning på Fourierseriekoe ienterna kan enkelt
härledas från denitionen (3.2.26). Deniera den tidsförskjutna funktionen
3.2. PERIODISKA KONTINUERLIGA SIGNALER 55
xτ (t) = x (t− τ). För xτ fås då Fourierseriekoe ienterna
cn(τ) =1
T0
∫ T0
0
xτ (t)e−jnω0t dt
=1
T0
∫ T0
0
x (t− τ) e−jnω0t dt , r = t− τ
=1
T0
∫ T0−τ
−τ
x (r) e−jnω0(r+τ) dr
=e−jnω0τ
T0
∫ T0−τ
−τ
x (r) e−jnω0r dr , se anmärkning 3.2.2 ,
=e−jnω0τ
T0
∫ T0
0
x (r) e−jnω0r dr = cne−jnω0τ ,
(3.2.36)
vilket således denierar sambandet mellan Fourierseriekoe ienterna cn hos
funktionen x(t) o h koe ienterna cn(τ) hos den tidsförskjutna funktionen
x(t− τ).
Övning 3.2.3. Bestäm Fourierseriekoe ienterna hos en fyrkantsvåg med
perioden T0 som i intervallet 0 ≤ t < T0 denieras av
x1(t) =
1 , 0 ≤ t < T0
2,
0 , T0
2≤ t < T0 .
(3.2.37)
3.2.3 Energin hos periodiska signaler.
De i avsnitt 2.2 introdu erade Lp-normerna är för p < ∞ ej denierade för
periodiska signaler, eftersom de i normerna ingående integralerna är oändliga
för en periodisk signal. Normerna kan emellertid på ett naturligt generaliseras
för periodiska signaler genom att begränsa integralerna till en period.
Energin hos en periodisk signal x(t) denieras som det genomsnittliga
värdet av signalens kvadrat under en period,
P (x) =1
T0
∫ T0
0
|x(t)|2 dt . (3.2.38)
Det nns ett bekvämt samband mellan koe ienterna cn i Fourierserie-
utve klingen o h energin hos en periodisk signal. Låt x∗bete kna komplexa
56 KAPITEL 3. ANALYS AV SIGNALER I FREKVENSPLANET
konjugatet av x. Vi får, med antagande av att seriens konvergens tillåter
termvis integrering,
P (x) =1
T0
∫ T0
0
|x(t)|2 dt
=1
T0
∫ T0
0
x(t)x∗(t) dt
=1
T0
∫ T0
0
x(t)
[ ∞∑
n=−∞cne
jnω0t
]∗
dt
=1
T0
∫ T0
0
x(t)
[ ∞∑
n=−∞c∗ne
−jnω0t
]
dt
=
∞∑
n=−∞c∗n
[1
T0
∫ T0
0
x(t)e−jnω0t dt
]
=
∞∑
n=−∞c∗ncn =
∞∑
n=−∞|cn|2 .
(3.2.39)
Vi har alltså sambandet
P (x) =1
T0
∫ T0
0
|x(t)|2 dt =∞∑
n=−∞|cn|2 , (3.2.40)
för energin hos en periodisk signal. Detta samband mellan en signals energi i
tidsplanet o h frekvensplanet kallas Parsevals formel (Mar Antoine Parseval
des Chenes, fransk matematiker (17551836)). Motsvarande relation existerar
o kså för i ke-periodiska signaler samt i det diskreta fallet (jämför nedan).
En viktig tillämpning av Parsevals formel är uppskattningen av felet
som görs då Fourierserien (den oändliga summan i Fourierserieutve klingen)
(3.2.25) trunkeras. Betrakta den trunkerade serien (summan)
xN (t) =
N∑
n=−N
cnejnω0t . (3.2.41)
Vi har
x(t)− xN (t) =∑
|n|>N
cnejnω0t
(3.2.42)
3.3. ICKE-PERIODISKA KONTINUERLIGA SIGNALER 57
o h enligt Parsevals formel gäller
1
T0
∫ T0
0
|x(t)− xN(t)|2 dt =∑
|n|>N
|cn|2 . (3.2.43)
Felets kvadratintegral över en period ges alltså direkt som summan av kvadra-
terna på de Fourierseriekoe ienter som försummats.
Exempel 3.2.2. Vi skall illustrera Parsevals formel för fyrkantsvågen i ex-
empel 3.2.1. Den genomsnittliga energin hos funktionen (3.2.29) över en pe-
riod är
P (x) =1
T0
∫ T02
−T02
|x(t)|2 dt =1
T0
∫ T04
−T04
1 dt =1
T0
T0
2=
1
2, (3.2.44)
å andra sidan har vi
∞∑
n=−∞|cn|2 = c20 + 2
(c21 + c23 + c25 + · · ·
)
=1
4+
2
π2
(
1 +1
32+
1
52+ · · ·
) (3.2.45)
Här kan summan evalueras exakt, o h i tabeller hittar man formeln
1 +1
32+
1
52+ · · · = π2
8. (3.2.46)
Vi får således
∞∑
n=−∞|cn|2 =
1
4+
2
π2
π2
8=
1
2= P (x) , (3.2.47)
vilket bekräftar att Parsevals formel gäller för fyrkantsvågen.
3.3 I ke-periodiska kontinuerliga signaler
I detta avsnitt går vi över till att behandla det mera generella fallet med i ke-
periodiska signaler. Vi betraktar en signal x(t), −∞ < t < ∞. Observera att
det inte innebär någon begränsning att anta att signalen är denierad för
alla tider t, eftersom en signal denerad i ett ändligt intervall t1 ≤ t ≤ t2
58 KAPITEL 3. ANALYS AV SIGNALER I FREKVENSPLANET
alltid kan utökas till att gälla för alla t genom att låta x(t) = 0 utanför det
aktuella intervallet.
I avsnitt 3.2 såg vi att frekvensutve klingen av en periodisk signal ger upp-
hov till ett diskret spektrum, bestående av heltalsmultiplerna av grundfre-
kvensen ω0. För i ke-periodiska signaler är de ingående frekvenserna däremot
inte begränsade på motsvarande sätt, utan alla frekvenser, −∞ < ω < ∞,
kan ingå. Detta innebär att serieutve klingen (3.2.2) ersätts av en integral.
Vi skall börja med att presentera huvudresultatet för i ke-periodiska signaler.
Denition 3.3.1. Fouriertransformen av kontinuerlig i ke-periodisk funk-
tion.
En funktion x(t) kan (under milda villkor) uttry kas i formen
x(t) =1
2π
∫ ∞
−∞X(ω)ejωt dω , (3.3.1)
där
X(ω) =
∫ ∞
−∞x(t)e−jωt dt . (3.3.2)
Utve klingen (3.3.1) uttry ker funktionen x(t) med hjälp av ett kontinu-
erligt spektrum (intervall) av frekvenser ω, där funktionen X(ω) anger hurde olika frekvenserna viktas i utve klingen. Frekvensfunktionen X(ω) kallasFouriertransformen av funktionen x(t), o h denieras av ekvation (3.3.2),
som är en direkt generalisering av (3.2.26) till fallet med ett kontinuerligt
spektrum. Ibland ser man följande spe iella bete kningssätt för transformer-
na (3.3.1) o h (3.3.2), där Fouriertransformen bete knas enligt (3.3.2) med
F o h den inversa transformen enligt (3.3.1) med F−1:
X = Fx , x = F−1X . (3.3.3)
För att ge en kvalitativ förståelse hur Fouriertransformen uppstår skall vi
betrakta sambanden (3.3.1), (3.3.2) som ett gränsfall av Fourierserieutve k-
lingen enligt (3.2.25), (3.2.26).
Proposition 3.3.1. Fouriertransformen som ett gränsfall av Fourierserien.
En i ke-periodisk signal kan formellt betraktas som ett gränsfall av en
periodisk signal då perioden T0 → ∞. Betrakta Fourierserien enligt (3.2.25),
x(t) =
∞∑
n=−∞cne
jnω0t ,
3.3. ICKE-PERIODISKA KONTINUERLIGA SIGNALER 59
där (jämför (3.2.28))
cn =1
T0
∫ T02
−T02
x(τ)e−jnω0τ dτ .
Här har integrationsvariablen τ använts i stället för t för att inte förväxla
med tidsvariabeln t i x(t). Insättning av cn i uttry ket för x(t) ger
x(t) =∞∑
n=−∞ejnω0t
1
T0
∫ T02
−T02
x(τ)e−jnω0τ dτ
=∞∑
n=−∞ejnω0t
ω0
2π
∫ T02
−T02
x(τ)e−jnω0τ dτ ,
(3.3.4)
där vi infört ω0 = 2πT0. Vi ser att då T0 = 2π
ω0→ ∞, gäller ω0 → 0, o h fre-
kvenserna nω0 som ingår i Fourierserieutve klingen av x(t) kommer att ligga
allt tätare. För att undersöka gränsfallet T0 → ∞ inför vi först bete kningen
∆ω = ω0. Då tar x(t) formen
x(t) =1
2π
∞∑
n=−∞ejn∆ωt∆ω
∫ T02
−T02
x(τ)e−jn∆ωτ dτ . (3.3.5)
Summan ovan kan tolkas som en Riemannsumma (se kursen 271009.0 In-
genjörsmatematik I), som i gränsen ∆ω → 0 denierar en integral. Generellt
gäller
∞∑
n=−∞f (n∆ω)∆ω →
∫ ∞
−∞f (ω) dω . då ∆ω → 0 (3.3.6)
Låt nu perioden bli oändligt lång, så att T0 = 2πω0
→ ∞ o h ω0 = ∆ω → 0.Summan i uttry ket för x(t) övergår då i analogi med ovan till en integral,
x(t) → 1
2π
∫ ∞
−∞ejωt
[∫ ∞
−∞x(τ)e−jωτ dτ
]
dω =1
2π
∫ ∞
−∞ejωtX(ω) dt ,
(3.3.7)
vilket är (3.3.1) där X(ω) ges av (3.3.2).
Anmärkning 3.3.1. Observera att formlerna för x(t) (3.3.1) o h dess trans-
form X(ω) (3.3.2) är symmetriska så när som på te knet hos exponenten o h
60 KAPITEL 3. ANALYS AV SIGNALER I FREKVENSPLANET
faktorn
12π. Pla eringen av denna faktor varierar. Konventionen som använts
i ekvationerna (3.3.1) o h (3.3.2) är den vanligaste, men i litteraturen före-
kommer o kså andra varianter. Genom att deniera X2 (ω) = X(ω)2π
kan vi
skriva
x(t) =
∫ ∞
−∞X2 (ω) e
jωt dω , (3.3.8)
X2 (ω) =1
2π
∫ ∞
−∞x(t)e−jωt dt , (3.3.9)
o h med denitionen X3 (ω) =X(ω)√
2πfås
x(t) =1√2π
∫ ∞
−∞X3 (ω) e
jωt dω , (3.3.10)
X3 (ω) =1√2π
∫ ∞
−∞x(t)e−jωt dt . (3.3.11)
Då alla varianterna förekommer i litteraturen, är det viktigt kontrollera vilken
version som används i olika sammanhang.
Anmärkning 3.3.2. Ibland är det bekvämare att ange Fouriertransformen som
en funktion av frekvensen f = ω2π
i stället för vinkelfrekvensen ω. Transform-
paret (3.3.1), (3.3.2) blir då med beaktande av att ω = 2πf o h dω = 2πdf ,
x(t) =
∫ ∞
−∞Xf(f)e
j2πft df , (3.3.12)
Xf (f) =
∫ ∞
−∞x(t)e−j2πft dt , (3.3.13)
där vi infört Xf(f) = X (2πf). Denna karakterisering har den fördelen att
faktorn
12π
ej förekommer framför integralerna. I stället nns faktorn 2π i de
komplexa exponenterna.
Exempel 3.3.2. Som exempel på Fouriertransformen betraktar vi en rek-
tangulär puls denierad enligt
x(t) =
1 , |t| ≤ T ,0 , |t| > T .
(3.3.14)
Funktionen är jämn, varför dess Fouriertransform är reell. Enligt denitio-
3.3. ICKE-PERIODISKA KONTINUERLIGA SIGNALER 61
0
1
0−T T
x(t)
ω
X(ω)
2T
0
− 3π
T− 2π
T− π
T 0 3π
T
2π
T
π
T
Figur 3.8: Till vänster pulsen x(t) i exempel 3.3.2 samt dess Fouriertransform
X (ω) (till höger).
nen (3.3.2) har vi
X(ω) =
∫ ∞
−∞x(t)e−jωt dt =
∫ T
−T
e−jωt dt
= − 1
jω
T/
−T
e−jωt =1
jω
(ejωT − e−jωT
)
=2j sin (ωT )
jω= 2T
sin (ωT )
ωT.
(3.3.15)
Funktionen (3.3.14) samt dess Fouriertransform (3.3.15) illustreras i gur 3.8.
Övning 3.3.1. Hur påverkar pulsens bredd T spektret i exempel 3.3.2?
Pulsen i exempel 3.3.2 har liksom den tidigare betraktade fyrkantsvågen i
exempel 3.2.1 diskontinuiteter. Spektret i (3.3.15) avtar således o kså i detta
fall proportionellt mot frekvensens invers, o h kommentarerna i anmärkning
3.2.4 gäller o kså för detta fall.
62 KAPITEL 3. ANALYS AV SIGNALER I FREKVENSPLANET
Exempel 3.3.3. Vi generaliserar nu amplitudmoduleringen i övning 3.1.2
till ett mer allmänt fall. Antag, att vi har en lågfrekvent signal v(t) med
Fouriertransformen V (ω), varvid signalen ges av
v(t) =1
2π
∫ ∞
−∞V (ω) ejωt dω .
Liksom i övning 3.1.2 använder vi en sinusformad bärvåg med frekvensen
ωc = 2πfc:
b(t) = cos (ωct) =1
2
(ejωct + e−jωct
).
Modulering av bärvågen b(t) med signalen v(t) ger då
x(t) = v(t)b(t) =1
2π
∫ ∞
−∞V (ω) ejωt dω
1
2
(ejωct + e−jωct
)
=1
2π
∫ ∞
−∞V (ω)
1
2
(ej(ω+ωc)t + ej(ω−ωc)t
)dω .
Vi granskar nu separat de bägge integralerna ovan, i den första kan vi göra
substitutionen ω+ = ω + ωc
∫ ∞
−∞V (ω)
1
2ej(ω+ωc)t dω =
∫ ∞
−∞
1
2V (ω+ − ωc) e
jω+t dω+
=
∫ ∞
−∞
1
2V (ω − ωc) e
jωt dω ,
o h i den andra kan vi substituera ω− = ω − ωc
∫ ∞
−∞V (ω)
1
2ej(ω−ωc)t dω =
∫ ∞
−∞
1
2V (ω− + ωc) e
jω−t dω−
=
∫ ∞
−∞
1
2V (ω + ωc) e
jωt dω .
Vi har således resultatet för den modulerade signalens del
x(t) =1
2π
∫ ∞
−∞
1
2[V (ω − ωc) + V (ω + ωc)]
︸ ︷︷ ︸
X(ω)
ejωt dω .
Spektret hos den modulerade signalen x(t) ges m.a.o. av
X (ω) =1
2[V (ω − ωc) + V (ω + ωc)] .
3.3. ICKE-PERIODISKA KONTINUERLIGA SIGNALER 63
Således, om spektret V (ω) hos den lågfrekventa signalen v(t) är kon entrerattill området |ω| < ωmax följer att spektret X (ω) hos den modulerade signa-
len x(t) är kon entrerat till områdena |ω ± ωc| < ωmax. Dessa områden är
entrerade kring frekvenserna ±ωc.
3.3.1 Parsevals formel.
Parsevals relation gäller o kså för i ke-periodiska signaler. I detta fall kan
sambandet mellan tids- o h frekvensuttry ken för energin, eller L2-normens
kvadrat (avsnitt 2.2) skrivas
‖x‖22 =∫ ∞
−∞|x(t)|2 dt =
1
2π
∫ ∞
−∞|X (ω) |2 dω . (3.3.16)
Sambandet kan visas helt i analogi med det periodiska fallet (jämför med
ekvation (3.2.39)) o h beviset bortlämnas därför.
Relationen (3.3.16) säger att energin hos en signal kan beräknas på två
sätt:
Genom att beräkna energin per tidsenhet, |x(t)|2, d.v.s. eekten, o hintegrera över tiden, eller
genom att beräkna energin per frekvensenhet,
12π|X (ω) |2, o h integrera
över alla frekvenser.
Liksom storheten
∫ t2
t1
|x(t)|2 dt (3.3.17)
anger energi-innehållet i signalen över tidsintervallet [t1, t2], så anger stor-
heten
1
2π
∫ ω2
ω1
|X (ω) |2 dω (3.3.18)
energi-innehållet i signalen över frekvensintervallet [ω1, ω2]. Det här är förkla-ringen till att storheten |X (ω) |2 brukar kallas signalens eekttäthetsspektrum(eng. power spe tral density).
64 KAPITEL 3. ANALYS AV SIGNALER I FREKVENSPLANET
3.3.2 Samband med Lapla etransformen.
Fouriertransformen av en kontinuerlig signal är nära relaterad till dess Lapla-
etransform. Lapla etransformen av en funktion x(t) som försvinner för ne-
gativa tider, x(t) = 0, t < 0, denieras enligt
X(s) =
∫ ∞
0
x(t)e−st dt . (3.3.19)
En jämförelse med Fouriertransformen visar att
X (ω) = X (jω) . (3.3.20)
Detta är orsaken till varför man kan undersöka frekvensegenskaperna hos
ett linjärt system med överföringsoperatorn G(s) genom att studera G(s)evaluerad på imaginära axeln, G (jω) (se kurserna i reglerteknik). Vi skall
inte utve kla denna metodik vidare här. I stället kommer frekvensegenskaper-
na hos linjära diskreta system, som är viktiga i digital signalbehandling, att
studeras närmare i senare kapitel.
Ur sambandet (3.3.20) följer att Fouriertransformen satiserar samma
räkneregler som Lapla etransformen, o h att tabellerade Lapla etransformer
kan utnyttjas för att bestämma Fouriertransformerna för ett antal vanliga
funktioner.
En viktig skillnad mellan Fourier- o h Lapla etransformerna är, att den
senare är denierad även för funktioner för vilka integralen i (3.3.2) diver-
gerar. Genom att välja s = σ + jω med σ > 0, kan integralen i (3.3.19)
göras ändlig o kså för sådana fall då integralen i Fouriertransformen (3.3.2)
divergerar. I sådana fall kan Fouriertransformen formellt
2
deneras enligt
X (ω) = limσ→0
X (σ + jω) , σ > 0 . (3.3.21)
Exempel 3.3.4. Betrakta funktionen
x(t) =
sin (ω0t) , t ≥ 0 ,0 , t < 0 .
(3.3.22)
Funktionens Fouriertransform enligt (3.3.2) är strängt taget ej denierad,
eftersom integranden sin (ω0t)e−jωt
ej avtar med t, o h det är ej klart hur
2
Med en formell denition av det här slaget brukar avses att man ger en utsaga, som
man på förhand antar vara väldenierad o h inte bekymrar sig om t.ex. gränsvärden eller
oegentliga integraler existerar.
3.3. ICKE-PERIODISKA KONTINUERLIGA SIGNALER 65
integralen av en sådan funktion skall denieras över ett oändligt intervall.
Integralens värde för en periodisk funktion beror t.ex. på om man integrerar
över en heltalsmultipel av perioden, eller över en heltalsmultipel o h ytterli-
gare en bråkdel av en period.
Däremot är funktionens Lapla etransform väldenierad o h ges av
X(s) =ω0
s2 + ω20
. (3.3.23)
Fouriertransformen kan då denieras enligt (3.3.21) o h är
X (ω) =ω0
−ω2 + ω20
. (3.3.24)
Spektret är således inte helt oväntat kon entrerat till frekvenserna ω = ±ω0,
där dess värde är oändligt, men därutöver innehåller signalen andra frekven-
ser.
Observera o kså att signalen (3.3.22) har oändlig energi enligt denitio-
nen (3.3.16). Detta hänger ihop med de spe iella egenskaperna hos signalens
spektrum.
3.3.3 Frekvensinnehållet hos olika signaler.
Signalbehandling tillämpas i praktiken för en mängd olika typer av signaler,
såsom akustiska, elektromagnetiska, biologiska o h seismiska signaler. Tabell
3.1 visar frekvensområdena hos några vanliga signaltyper.
66 KAPITEL 3. ANALYS AV SIGNALER I FREKVENSPLANET
Signaltyp Frekvensområde (Hz)
Elektro- Radiosignaler 3× 1043× 106
magnetiska Kortvåg 3× 1063× 1010
signaler Radar 3× 1083× 1010
Infrarött 3× 10113× 1014
Synligt ljus 3,7× 10147,7× 1014
Ultraviolett 3× 10153× 1016
Röntgenstrålning 3× 10173× 1018
Seismiska Vind 1001000
signaler Jordskalv 0,0110
Biologiska ECG 0100
signaler EEG 0100
Tal 1004000
Tabell 3.1: Frekvensområden hos några vanliga signaltyper.
Kapitel 4
Fouriertransformen av diskreta
signaler
I detta kapitel beskrivs Fouriertransformer av diskreta signaler. I analogi med
det kontinuerliga fallet har periodiska diskreta signaler ett diskret spektrum,
medan i ke-periodiska diskreta signaler har ett kontinuerligt spektrum.
Betrakta en diskret signal
x(n) = . . . , x(−2), x(−1), x(0), x(1), x(2), . . . . (4.0.1)
I analogi med det kontinuerliga fallet kan en diskret signal uttry kas med
hjälp av periodiska sinus- o h osinusfunktioner. Då sinusfunktionen sin(ωt)samplas vid tidpunkterna n = . . . ,−2,−1, 0, 1, 2, . . ., fås den diskreta
signalen sin (nω). I den diskreta versionen av Fourierserier o h Fourier-
transformer uttry ks sekvensen x(n) med hjälp av sekvenserna sin (nω)o h cos (nω).
Det faktum att signalen är diskret har en viktig konsekvens för vilka
frekvenser som kan ingå i frekvensrepresentationen. Vi har nämligen
sin (nω) = sin [nω + 2πnl] = sin [n (ω + 2πl)] , ∀l ∈ Z . (4.0.2)
Sekvenserna sin (nω) o h sin [n (ω + 2πl)] är således ekvivalenta, o h fre-kvenserna ω o h ω+2πl kan ej skiljas åt i en diskret signal. En frekvensupp-
delning av diskreta signaler består därför endast av frekvenser i ett intervall
av bredden 2π, i praktiken antingen 0 ≤ ω < 2π eller −π < ω ≤ π.Frekvensbeskrivningen av diskreta signaler kan göras på motsvarande sätt
som i det kontinuerliga fallet. I analogi med det kontinuerliga fallet betraktar
vi först periodiska signaler.
67
68 KAPITEL 4. FOURIERTRANSFORMEN AV DISKRETA SIGNALER
4.1 Periodiska diskreta signaler
Antag att signalen x(n) är periodisk med perioden N , så att
x(n) = x(n+N) , ∀n . (4.1.1)
Vi observerar att den sinusformade diskreta signalen
sin(2πNn)
är periodisk
med perioden N . I analogi med det kontinuerliga fallet kan i utve klingen av
den periodiska sekvensen x(n) i (4.0.1), (4.1.1) endast ingå heltalsmultiplerav grundfrekvensen ω0 =
2πN. Dessutom gäller (4.0.2), så att
sin (nω0) = sin [n (ω0 + 2πl)] = sin
[
n2π
N(1 +Nl)
]
, ∀l . (4.1.2)
Följaktligen består Fourierserieutve klingen av x(n) endast av frekvenser-
na 0, 2πN, 2π 2
N, . . . , 2πN−1
N, ty högre multipler av grundfrekvensen ger redun-
danta frekvenskomponenter . Fourierserieutve klingen av x(n) blir således
x(n) = a0 +N−1∑
k=1
ak cos
(
k2π
Nn
)
+N−1∑
k=1
bk sin
(
k2π
Nn
)
. (4.1.3)
I analogi med det kontinuerliga fallet brukar serien vanligen uttry kas med
hjälp av exponentialfunktionen,
x(n) =
N−1∑
k=−N+1
ckejk 2π
Nn , (4.1.4)
där vi i enlighet med tidigare har c0 = a0, c±k = 12(ak ∓ jbk). Det nns
emellertid en viktig skillnad mellan Fourierserieutve klingarna av kontinuer-
liga o h diskreta signaler, som gör det möjligt att redu era antalet termer i
utve klingen (4.1.4). Från den komplexa exponentialfunktionens periodi itet
följer nämligen att termerna med negativa exponenter i (4.1.4) är ekvivalenta
med termer med positiva exponenter, ty
ej(−m) 2πN
n = ej(2π−m 2πN )n = ej(1−
mN )2πn = ej2πn
N−mN = ej(N−m) 2π
Nn . (4.1.5)
Termerna motsvarande k = −m o h k = N − m är således i själva verket
ekvivalenta. Det följer att utve klingen (4.1.4) kan redu eras till en summa
från k = 0 till k = N − 1 bestående av termer med enbart i ke-negativa
exponenter.
Vi sammanfattar Fourierserieutve klingen av en periodisk sekvens enligt
nedan.
4.1. PERIODISKA DISKRETA SIGNALER 69
Denition 4.1.1. Fourierserien av en diskret periodisk signal.
En periodisk sekvens x(n) med perioden N (x(n + N) = x(n)) kan
uttry kas med hjälp av serieutve klingen
x(n) =
N−1∑
k=0
dkejk 2π
Nn , (4.1.6)
där
dk =1
N
N−1∑
n=0
x(n)e−jk 2πN
n . (4.1.7)
Uttry ket (4.1.7) för dk kan härledas genom att multipli era (4.1.6) med
e−jm 2πN
no h summera över n:
1
N
N−1∑
n=0
x(n)e−jm 2πN
n =1
N
N−1∑
n=0
[N−1∑
k=0
dkejk 2π
Nn
]
e−jm 2πN
n
=1
N
N−1∑
k=0
(
dk
N−1∑
n=0
ej(k−m) 2πN
n
)
.
(4.1.8)
För att evaluera summan
N−1∑
n=0
ej(k−m) 2πN
n ,
denierar vi q = ej(k−m) 2πN, så att ej(k−m) 2π
Nn =
[
ej(k−m) 2πN
]n
= qn o h vi kan
då tillämpa formeln för en geometrisk summa,
N−1∑
n=0
qn =
N , q = 1 ,1−qN
1−q, q 6= 1 .
(4.1.9)
Nu gäller q = 1 om k − m är en heltalsmultipel av N . I annat fall har vi
qN = ej2π(k−m) = 1. Vi har således för (4.1.9) resultatet
N−1∑
n=0
ej(k−m) 2πN
n =
N , k −m = 0,±1,±2, . . .0 , annars.
(4.1.10)
Den senare summan i (4.1.8) är således olikt noll endast om k = m,m ±N,m±2N, . . ., men av dessa fall är det endast det första som kommer ifråga
70 KAPITEL 4. FOURIERTRANSFORMEN AV DISKRETA SIGNALER
-5 -4 -3 -2 -1 0 1 2 3 4 5
· · · · · ·
x(n)
n
Figur 4.1: Signalen i exempel 4.1.1.
eftersom den första summman i (4.1.8) går över indexen k = 0, . . . , N − 1.Fallen k = m±N,m± 2N, . . . faller alltså utanför summeringen, vilket ledet
till att (4.1.8) tar formen
1
N
N−1∑
n=0
x(n)e−jm 2πN
n =1
N
N−1∑
m6=k=0
dk
N−1∑
n=0
ej(k−m) 2πN
n
︸ ︷︷ ︸
=0
+1
Ndm
dk
N−1∑
n=0
ej(k−m) 2πN
n
︸ ︷︷ ︸
=N
= dm ,
(4.1.11)
vilket ger (4.1.7).
Exempel 4.1.1. Betrakta en periodisk diskret fyrkantsvåg med perioden N =4 som ges av
x(0) = 1
x(1) = 1
x(2) = 0
x(3) = 1
x(n) = x(n− 4) .
(4.1.12)
Se gur 4.1. Signalen kan uppdelas i frekvenskomponenter enligt (4.1.6),
bestående av frekvenskomponenterna 0, 2π4, 2 × 2π
4o h 3 × 2π
4, där Fourier-
4.1. PERIODISKA DISKRETA SIGNALER 71
seriekoe ienterna dk denieras av ekvation (4.1.7). Enligt (4.1.7) fås
dk =1
4
3∑
n=0
x(n)e−j 2π4kn
=1
4
[
1 · e−j 2π4k·0 + 1 · e−j 2π
4k·1 + 0 + 1 · e−j 2π
4k·3]
=1
4
[
1 + e−j π2k + e−j 3π
2k]
.
(4.1.13)
Av den komplexa exponentialfunktionens periodi itet följer att
e−j 3π2k = e−j 3π
2k+j2πk = ej
π2k .
Vi får således med beaktande av Eulers formler,
dk =1
4
[
1 + e−j π2k + e−j 3π
2k]
=1
4
[1 + e−j π
2k + ej
π2k]
=1
4
[
1 + 2 cos(π
2k)]
,
(4.1.14)
vilket ger Fourierseriekoe ienterna d0,d1,d2,d3:
d0 =1
4[1 + 2 cos (0)] =
3
4
d1 =1
4
[
1 + 2 cos(π
2
)]
=1
4
d2 =1
4[1 + 2 cos (π)] = −1
4
d3 =1
4
[
1 + 2 cos
(3π
2
)]
=1
4.
(4.1.15)
Figur 4.2 illustrerar signalens spektrum graskt.
72 KAPITEL 4. FOURIERTRANSFORMEN AV DISKRETA SIGNALER
Enligt (4.1.6) kan signalen x(n) utve klas i frekvenskomponenter enligt
x(n) =
3∑
k=0
dkej 2π
4kn
=3
4+
1
4ej
2π41·n − 1
4ej
2π42·n +
1
4ej
2π43·n
=3
4+
1
4ej
π2n − 1
4ejπn +
1
4ej
3π2n
=3
4+
1
4
[
cos(π
2n)
+ j sin(π
2n)]
− 1
4[cos (πn) + j sin (πn)] +
1
4
[
cos
(3π
2n
)
+ j sin
(3π
2n
)]
.
(4.1.16)
Här är sin (πn) = 0 o h sin(3π2n)= sin
(3π2n− 2πn
)= sin
(−π
2n)= − sin
(π2n),
varav följer att de imaginära termerna i (4.1.16) försvinner, o h vi får
x(n) =3
4+
1
4cos(π
2n)
− 1
4cos (πn) +
1
4cos
(3π
2n
)
=3
4+
1
4cos
(2π
4n
)
− 1
4cos
(
22π
4n
)
+1
4cos
(
32π
4n
)
.
(4.1.17)
Detta uttry ker signalen expli it med hjälp av de ingående frekvenskompo-
nenterna.
Vi kan ytterligare observera att frekvenskomponenten 3 · 2π4är redundant,
eftersom cos(32π
4n)= cos
(32π
4n− 2πn
)= cos
(−2π
4n)= cos
(2π4n). Intro-
duktion i ekvation (4.1.17) ger
x(n) =3
4+
1
2cos
(2π
4n
)
− 1
4cos
(
22π
4n
)
. (4.1.18)
4.1.1 Parsevals formel
Parsevals formel gäller o kså i det diskreta fallet. Betrakta en periodisk dis-
kret signal x(n) med perioden N . På analogt sätt som i det kontinuerliga
fallet kan man visa att den genomsnittliga energin över en period kan uttry -
kas med hjälp av Fourierseriekoe ienterna dk enligt
P (x) =1
N
N−1∑
n=0
|x(n)|2 =N−1∑
k=0
|dk|2 . (4.1.19)
4.2. ICKE-PERIODISKA DISKRETA SIGNALER 73
0 2ππ2
π3π2
dk
Figur 4.2: Spektret hos signalen i exempel 4.1.1.
Då resultatet kan visas helt i analogi med det kontinuerliga fallet, lämnas
beviset till en övning.
Övning 4.1.1. Utför beviset av Parsevals formel för diskreta periodiska sig-
naler (4.1.19).
Övning 4.1.2. Kontrollera att Parsevals relation gäller för signalen i exem-
pel 4.1.1.
4.2 I ke-periodiska diskreta signaler
Liksom i det kontinuerliga fallet består en diskret i ke-periodisk signal x(n)av ett kontinuum av frekvenser ω o h kan uttry kas som en linjär kombina-
tion av periodiska diskreta sekvenser ejωn. I analogi med avsnitt 4.1 är
frekvenserna do k begränsade till intervallet [0, 2π], p.g.a. periodi iteten hos
exponentialfunktionen; ejωn = ej(ωn+2πl).
Fouriertransformen av en i ke-periodisk sekvens kan uttry kas i följande
form.
Denition 4.2.1. Fouriertransformen av diskret i ke-periodisk signal.
En sekvens x(n) kan uttry kas i formen
x(n) =1
2π
∫ 2π
0
X (ω) ejωn dω , (4.2.1)
74 KAPITEL 4. FOURIERTRANSFORMEN AV DISKRETA SIGNALER
där
X (ω) =
∞∑
n=−∞x(n)e−jωn
(4.2.2)
Funktionen X (ω) kallas Fouriertransformen av sekvensen x(n). Ob-servera att Fouriertransformen (4.2.2) av en diskret signal är en kontinuer-
lig funktion av frekvensen ω. Ibland kallas transformen (4.2.2) den diskreta
Fouriertransformen av x(n), men vanligen reserveras denna term för en
transform som själv o kså är diskret, jämför avsnitt 4.3.
Anmärkning 4.2.1. Från periodi iteten hos exponentialfunktionen e−jωnföl-
jer att Fouriertransformen X (ω) denierad enligt (4.2.2) är periodisk med
perioden 2π; X (ω + 2πl) = X (ω). Den inversa transformen (4.2.1) kan där-
för o kså skrivas som
x(n) =1
2π
∫ π
−π
X (ω) ejωn dω . (4.2.3)
Vilkendera formen som används beror av sammanhanget. I formeln (4.2.1)
ingår endast positiva frekvenser, vilket är naturligt i samband med den dis-
kreta Fouriertransformen (avsnitt 4.3). Formeln (4.2.3) i sin tur uttry ker
sekvensen x(n) med hjälp av de till absoluta beloppet minsta frekvenser-
na, vilket är naturligt då man undersöker sekvenser som fås genom att sampla
kontinerliga signaler (jämför kapitel 6).
Övning 4.2.1. Betrakta den diskreta rektangulära pulsfunktionen
x(n) =
1 , |n| ≤ L ,0 , |n| > L .
(4.2.4)
Visa att signalens Fouriertransform ges av
X (ω) =sin[ω(L+ 1
2
)]
sin(ω2
) . (4.2.5)
4.2.1 Parsevals formel
Enligt Parsevals formel för i ke-periodiska diskreta sekvenser kan energin,
eller l2-normens kvadrat (avsnitt 2.2) utry kas enligt
‖x‖22 =∞∑
n=−∞|x(n)|2 = 1
2π
∫ 2π
0
|X (ω) |2 dω . (4.2.6)
4.3. DEN DISKRETA FOURIERTRANSFORMEN 75
Resultatet kan visas helt i analogi med det kontinuerliga fallet, o h beviset
lämnas till en övning.
Övning 4.2.2. Bevisa Parsevals formel för diskreta i ke-periodiska signa-
ler (4.2.6).
4.3 Den diskreta Fouriertransformen
I avsnitt 4.2 bildades Fouriertransformen av sekvenser x(n) som antogs
vara denierade för alla n,−∞ < n < ∞. Detsamma gäller för den periodiska
sekvensen i avsnitt 4.1. I praktiken har man do k normalt tillgång till en
ändlig sekvens bestående av N signalvärden,
x(n) = x(0), x(1), x(2), . . . , x(N − 1) (4.3.1)
o h inte någon kunskap om x(n) utanför intervallet 0 ≤ n ≤ N − 1.Betrakta Fouriertransformen enligt (4.2.2). Ur N värden x(0), . . . , x(N −
1) kan endast N sty ken oberoende värden för transformen X (ω) beräk-
nas. Man kan då spe i era N frekvenser ω0, . . . , ωN−1 o h beräkna motsva-
rande transformvärden X (ω0) , . . . , X (ωN−1). Vi såg tidigare att den högs-
ta frekvens som behöver medtas i Fourierutve klingen för en diskret sig-
nal är frekvensen 2π. Dessutom begränsas den upplösning med vilken sig-
nalens spektrum kan bestämmas av sekvensens längd. En periodisk sinus-
formad signal med vinkelfrekvensen
2πN
har en period lika med sekvensens
längd N . Det är i praktiken inte möjligt att bestämma signalens spekt-
rum med en upplösning som motsvarar en period som är längre än se-
kvensens längd. En undre gräns för frekvensupplösningen ges således av
2πN. Det följer att det är naturligt att evaluera X (ω) för de N ekvidistan-
ta frekvensvärdena 0, 2πN, 2πN
× 2, . . . , 2πN
× (N − 1). Men dessa frekvenser är
ingenting annat än heltalsmultiplerna av grundfrekvensen ω0 =2πN, som före-
kom i Fourierserieutve klingen (4.1.6). Följaktligen ges de N värdena X (0),X(2πN
), X
(22π
N
), . . . , X
((N − 1)2π
N
)av transformen som kan beräknas ur
de N signalvärdena x(0), . . . , x(N − 1) av samma ekvation (4.1.7), som gäll-
de för periodiska signaler. Detta resultat är naturligt, eftersom beteendet
hos en frekvensutve kling av den ändliga sekvensen (4.3.1) utanför området
0 ≤ n ≤ N − 1 är likgiltigt: Eftersom signalen är okänd utanför detta områ-
de, så kan frekvensutve klingen lika väl bestämmas så att den är periodisk
utanför detta intervall.
Vi har således följande diskreta transform av en ändlig diskret sekvens.
76 KAPITEL 4. FOURIERTRANSFORMEN AV DISKRETA SIGNALER
Denition 4.3.1. Diskreta Fouriertransformen.
En ändlig sekvens x(0), x(1), . . . , x(N − 1) kan uttry kas med hjälp av
summan
x(n) =1
N
N−1∑
k=0
X(k)ej2πN
kn , n = 0, . . . , N − 1 , (4.3.2)
där
X(k) =
N−1∑
n=0
x(n)e−j 2πN
kn , k = 0, 1, . . . , N − 1 . (4.3.3)
Transformen i X(k) enligt ekvation (4.3.3) kallas diskreta Fouriertrans-
formen (DFT) av sekvensen x(n) o h den inversa transformen denierad
enligt ekvation (4.3.2) kallas den inversa diskreta Fouriertransformen (IDFT)
av sekvensen X(k). Observera att transformerna uppvisar en symmetri:
sekvenserna x(n) o h X(k) består båda av N element, o h den ena
transformen övergår till den andra genom att ändra te knet för summerings-
variabeln samt beakta av faktorn
1N.
Det är ändamålsenligt att införa en spe iell bete kning för DFT. Vi be-
te knar DFT enligt (4.3.3) med FD o h den inversa operationen (4.3.2) med
F−1D :
X(k) = FD x(n) , (4.3.4)
x(n) = F−1D X(k) . (4.3.5)
Observera o kså att den diskreta Fouriertransformen (4.3.3), (4.3.2) o h Fou-
rierserien av en periodisk sekvens, ekvationerna (4.1.6) o h (4.1.7) är ekviva-
lenta så när som på pla eringen av faktorn
1N, så attX(k) = Ndk. Pla eringen
av faktorn
1Ni de två transformerna är närmast en konventionsfråga.
Exempel 4.3.1. Betrakta sekvensen x(n) = 1, 0, 0, 1. Den diskreta Fou-
riertransformen ges av (4.3.3),
X(0) =
3∑
n=0
x(n)e−j0 = 1 + 0 + 0 + 1 = 2 ,
4.3. DEN DISKRETA FOURIERTRANSFORMEN 77
o h
X(1) =3∑
n=0
x(n)e−j 2πn4 = 1 + 0 + 0 + 1 · e−j 2π3
4
= 1 + cos
(
−3π
2
)
+ j sin
(
−3π
2
)
= 1 + cos
(3π
2
)
− j sin
(3π
2
)
= 1 + j .
På samma sätt fås X(2) = 0 samt X(3) = 1− j.
Övning 4.3.1. Kontrollera att den inversa diskreta Fouriertransformen tilläm-
pad på den i exempel 4.3.1 beräknade Fourier-transformen
X(k) = 2, 1 + j, 0, 1− j
genererar sekvensen x(n).
Beräkning av den diskreta Fouriertransformen o h dess invers utgör en av
de viktigaste manipulationerna i digital signalbehandling. Eektiva numeris-
ka metoder, så kallade snabba Fouriertransformer, har utve klats för lösning
av transformerna (4.3.3) o h (4.3.2), se avsnitt 4.4.
4.3.1 Egenskaper hos DFT
Den diskreta Fouriertransformen har ett antal egenskaper som kan utnyttjas
för att förenkla beräkningarna i samband med olika tillämpningar. Här skall
endast ett par av de viktigaste upptas. För en mera fullständig behandling
hänvisas till Ifea hor o h Jervis (1993).
Egenskap 4.3.2. Symmetri.
Den diskreta Fouriertransformen av en rell sekvens x(n) satiserar
X (N − k) = X∗(k) , k = 1, . . . , N − 1 , (4.3.6)
eller
Re [X(N − k)] = Re [X(k)] ,
Im [X(N − k)] = −Im [X(k)] , k = 1, . . . , N − 1 .(4.3.7)
78 KAPITEL 4. FOURIERTRANSFORMEN AV DISKRETA SIGNALER
Denna egenskap följer av den komplexa exponentialfunktionens periodi-
itet. Betrakta exponentialfunktionerna i uttry ket för X(N − k) i ekvation(4.3.3),
e−j 2π(N−k)N
n = ej2πkN
n−j2πn = ej2πkN
n =[
e−j 2πkN
n]∗
. (4.3.8)
Detta är komplexa konjugatet till exponentialfunktionerna i uttry ket för
X(k). Sambandet (4.3.8) o h denitionen av X(k) i (4.3.3) impli erar sym-
metrin enligt (4.3.6).
Egenskap 4.3.3. Parsevals formel.
Parsevals formel för diskreta Fouriertransformen är analog med (4.1.19)
o h ges av
‖x‖22 =N−1∑
n=0
|x(n)|2 = 1
N
N−1∑
k=0
|X(k)|2 . (4.3.9)
Observera att pla eringen av faktorn
1Nskiljer sig från den i formel (4.1.19).
Detta hänger ihop med pla eringen av samma faktor i denitionerna av
Fourierseriekoe ienterna dk respektive diskreta Fouriertransformen X(k).
Egenskap 4.3.4. DFT av delta-funktionen.
Deniera delta-funktionen
δ(n) =
1 , n = 0 ,0 , n 6= 0 .
(4.3.10)
Den diskreta Fouriertranformen av delta-funktionen ges av
X(k) = FD [δ(n)] = 1 , k = 0, . . . , N − 1 , (4.3.11)
o h den diskreta Fouriertransformen av den tidsförskjutna delta-funktionen
δ(n− l) ges av
X(k) = FD [δ(n− l)] = e−j 2πkN
l . (4.3.12)
Övning 4.3.2. Veriera att den i exempel 4.3.1 beräknade diskreta Fourier-
transformen uppfyller symmetriegenskapen i ekvation (4.3.6).
Övning 4.3.3. Veriera Parsevals formel för signalen i exempel 4.3.1.
4.4. DEN SNABBA FOURIERTRANSFORMEN 79
4.4 Den snabba Fouriertransformen
Vid beräkning av den diskreta Fouriertransformen för en sekvens av längden
N kräver beräkningen av varje X(k), k = 0, . . . , N−1 enligt ekvation (4.3.3)
N multiplikationer o h N−1 additioner av komplexa tal. Bestämning av den
diskreta Fouriertransformen för en sekvens av längden N kräver således N2
komplexa multiplikationer o h N(N − 1) komplexa additioner. Detta kan i
praktiken innebära en ansenlig mängd beräkningar, vilket följande exempel
visar.
Exempel 4.4.1. Antag att vi önskar beräkna spektret hos en signal i audio-
området genom sampling av signalen o h DFT av den samplade sekvensen
(Svärdström, 1987). Spektret skall bestämmas upp till 20 kHz o h med en
upplösning om 10 Hz. För att få med frekvenser upp till 20 kHz måste signa-
len samplas med en samplingsfrekvens som är minst det dubbla, dvs 40 kHz(jämför kapitel 6). För att få upplösningen 10 Hz bör signalen samplas under
minst
110
= 0,1 sekunds tid (jämför avsnitt 4.3). Det signalblo k som DFT
skall tillämpas på består således av (minst) N = 40000× 0,1 = 4000 sampel.
Detta innebär a N2 = 16 miljoner komplexa multiplikationer o h additioner
per signalblo k. Om beräkningarna skall utföras i realtid, så att spektret be-
stäms för ett nytt signalblo k 10 ggrs, krävs alltså a 160 miljoner komplexa
multiplikationer o h additioner per sekund.
Exemplet ovan visar att antalet räkneoperationer blir my ket stort redan
för relativt korta signalsekvenser. Även med tillgång till stor datorkapa itet
skulle tillämpningen av den diskreta Fouriertransformen vara starkt begrän-
sad om det inte fanns eektivare metoder att beräkna transformen.
Ly kligtvis visar det sig att beräkningarna i den diskreta Fouriertransfor-
men kan organiseras på ett sätt som drastiskt minskar antalet beräknings-
operationer. Detta är möjligt om man noterar att Fouriertransformen kan
uttry kas som en summa av transformerna av två kortare sekvenser, vilka i
sin tur kan uttry kas som summor av två kortare sekvenser o h så vidare tills
man får en summa av sekvenser av längden ett. Den ursprungliga transfor-
men kan sedan konstrueras genom su essiv addition av kortare transformer.
Denna beräkningspro edur kallas snabba Fouriertransformen (eng. Fast Fou-
rier Transform (FFT)).
80 KAPITEL 4. FOURIERTRANSFORMEN AV DISKRETA SIGNALER
För att härleda snabba Fouriertransformen, betrakta uttry ket i (4.3.3),
X(k) =N−1∑
n=0
x(n)e−j 2πN
kn , k = 0, 1, . . . , N − 1 . (4.4.1)
Introdu era bete kningen
WN = e−j 2πN , (4.4.2)
så att ekvationen för X(k) skrivs i formen
X(k) =
N−1∑
n=0
x(n)W knN , k = 0, 1, . . . , N − 1 . (4.4.3)
Vi antar nu att N är jämnt, o h delar upp sekvensen x(n) i två underse-
kvenser: x11(n) = x(0), x(2), . . . , x(N − 2) bestående av
N2st. element
med jämnt ordningsnummer, o h x12(n) = x(1), x(3), . . . , x(N − 1), be-stående av
N2st. element med udda ordningsnummer, d.v.s.
x11(n) = x(2n) , n = 0, . . . ,N
2− 1 ,
x12(n) = x(2n+ 1) , n = 0, . . . ,N
2− 1 .
(4.4.4)
De diskreta Fouriertransformerna av sekvenserna x11(n) o h x12(n) ges
av
X11(k) =
N2−1∑
n=0
x11(n)WknN2
, k = 0, 1, . . . ,N
2− 1 ,
X12(k) =
N2−1∑
n=0
x12(n)WknN2
, k = 0, 1, . . . ,N
2− 1 ,
(4.4.5)
där WN2denierats i analogi med (4.4.2) som WN
2= e−j 2π
N/2 = e−j 2πN
2 = W 2N .
4.4. DEN SNABBA FOURIERTRANSFORMEN 81
Å andra sidan har vi från (4.4.3),
X(k) =N−1∑
n=0
x(n)W knN ,
=
N2−1∑
n=0
x(2n)W k2nN +
N2−1∑
n=0
x(2n + 1)Wk(2n+1)N ,
=
N2−1∑
n=0
x11(n)W2knN +
N2−1∑
n=0
x12(n)W2knN ·W k
N ,
=
N2−1∑
n=0
x11(n)WknN2
+
N2−1∑
n=0
x12(n)WknN2
·W kN ,
= X11(k) +X12(k)WkN , k = 0, 1, . . . ,
N
2− 1 .
(4.4.6)
Från den komplexa exponentialfunktionens periodi itet har vi W(k+N
2 )nN2
=
W knN2
, varav följer X11
(k + N
2
)= X11(k) o h X12
(k + N
2
)= X12(k), så att
den senare hälften av sekvensen X(k) ges av
X
(
k +N
2
)
= X11(k) +X12(k)Wk+N
2N , k = 0, 1, . . . ,
N
2− 1 . (4.4.7)
Man brukar uttry ka (4.4.7) med hjälp av samma komplexa exponent som
förekommer i (4.4.6) genom att utnyttja sambandet
Wk+N
2N = e−j 2π
N (k+N2 ) = e−j 2π
Nk e−jπ = −W k
N . (4.4.8)
Vi får alltså
X
(
k +N
2
)
= X11(k)−X12(k)WkN , k = 0, 1, . . . ,
N
2− 1 . (4.4.9)
Vi har alltså visat, att genom att dela upp den ursprungliga sekvensen x(n)i undersekvenserna x11(n) o h x12(n) bestående av jämna respektive
udda sampel så kan Fouriertransformen X(k) av den ursprungliga serien
uttry kas med hjälp av Fouriertransformerna X11(k) o h X12(k) av de två
82 KAPITEL 4. FOURIERTRANSFORMEN AV DISKRETA SIGNALER
undersekvenserna enligt
X(k) = X11(k) +W kNX12(k) , k = 0, 1, . . . ,
N
2− 1 (4.4.10)
X
(
k +N
2
)
= X11(k)−W kNX12(k) , k = 0, 1, . . . ,
N
2− 1 . (4.4.11)
Operationen (4.4.10, (4.4.11 brukar p.g.a. sin struktur kallas buttery ope-
rationen. Se gur 4.3.
s
s
X11(k)
X12(k)
X(k)
X(k + N
2
)
+
−W kN
Figur 4.3: Buttery operationen (4.4.10), (4.4.11).
Om undersekvenserna x11(n) o h x12(n) i sin tur har ett jämnt an-
tal element kan samma pro edur utnyttjas för beräkning av transformerna
X11(k) o h X12(k) så att X11(k) uttry ks med hjälp av transformerna X21(k)o h X22(k) av två undersekvenser av längden
N4, o h X12(k) uttry ks på sam-
ma sätt med hjälp av transformernaX23(k) o h X24(k) av två undersekvenserav längden
N4.
Om antalet element i den ursprungliga sekvensen är en heltalspotens av
två, N = 2B, så kan pro eduren upprepas B gånger. Efter i steg har man 2i
transformer Xim(k), m = 1, . . . , 2i av undersekvenser av längden
N2i. Efter B
steg har man alltså N = 2B transformer av undersekvenser som innehåller
endast ett element. Den diskreta Fouriertransformen av en serie med endast
ett element är lika med elementet självt, jämför denitionen (4.3.3). Den sök-
ta Fouriertransformen av den ursprungliga sekvensen kan till slut bestämmas
genom su essiv tillämpning av ekvationerna (4.4.10), (4.4.11) för generering
av 2i Fouriertransformer av längden
N2iför i = B − 1, . . . , 0.
Exempel 4.4.2. Betrakta FFT av en sekvens x(0), . . . , x(7) av längden åtta.
Här är alltså N = 23 = 8 o h B = 3. I detta fall har vi i steg 1 av pro eduren
4.4. DEN SNABBA FOURIERTRANSFORMEN 83
de två undersekvenserna
x11(n) = x(0), x(2), x(4), x(6) ,
x12(n) = x(1), x(3), x(5), x(7) ,
o h motsvarande transformer
X11 = FD x11(n) ,
X12 = FD x12(n) .
I steg 2 har vi de fyra undersekvenserna
x21(n) = x(0), x(4) ,
x22(n) = x(2), x(6) ,
x23(n) = x(1), x(5) ,
x24(n) = x(3), x(7) ,
bestående av element med jämna o h udda ordningsnummer i sekvenserna
x11(n) o h x12(n) o h motsvarande transformer
X21 = FD x21(n) ,
X22 = FD x22(n) ,
X23 = FD x23(n) ,
X24 = FD x24(n) .
Slutligen, i steg 3 har vi åtta sekvenser bestående av ett element,
x31(n) = x(0) ,
x32(n) = x(4) ,
x33(n) = x(2) ,
x34(n) = x(6) ,
x35(n) = x(1) ,
x36(n) = x(5) ,
x37(n) = x(3) ,
x38(n) = x(7) ,
84 KAPITEL 4. FOURIERTRANSFORMEN AV DISKRETA SIGNALER
samt motsvarande (triviala) transformer,
X31 = FD x31(n) = x(0) ,
X32 = FD x32(n) = x(4) ,
X33 = FD x33(n) = x(2) ,
X34 = FD x34(n) = x(6) ,
X35 = FD x35(n) = x(1) ,
X36 = FD x36(n) = x(5) ,
X37 = FD x37(n) = x(3) ,
X38 = FD x38(n) = x(7) .
Fouriertransformen av den ursprungliga sekvensen kan beräknas genom att
su essivt tillämpa formlerna (4.4.10), (4.4.11) för beräkning av X21 ur X31
o h X32, X22 ur X33 o h X34, X23 ur X35 o h X36, X24 ur X37 o h X38, samt
X11 ur X21 o h X22, X12 ur X23 o h X24, o h till slut X ur X11 o h X12.
Innan algoritmen startas bör do k den ursprungliga sekvensen permuteras
så att de korrekta kombinationerna av element fås för algoritmens första fas.
I exemplet ovan kombineras i algoritmens första fas x(0) med x(4), x(2) med
x(6), x(1) med x(5) o h x(3) med x(7). Det visar sig att den permuterade
sekvensen för FFT algoritmen, i detta fall sekvensen x(0), x(4), x(2), x(6),x(1), x(5), x(3), x(7), är den ursprungliga sekvensen i bitreverserad ordning.
Detta innebär att n = 0, . . . , N − 1 skrivs som binära tal, bitarnas ordnings-
följd inverteras, o h de nya binära talen denerar den sökta ordningsföljden.
Tabell 4.1 illustrerar situationen för N = 8.Observera att varje fas i FFT-algoritmen är likartad, o h pro eduren kan
därför programmeras på ett my ket enkelt sätt. I varje fas beräknas ett antal
transformer Xim från två hälften så långa transformer Xi+1,l, Xi+1,l+1 från
föregående fas. Byggstenen i beräkningarna utgörs av formlerna (4.4.10),
(4.4.11). Formlerna kallas på engelska för buttery p.g.a. strukturen hos
den graska representationen av dem, jämför gur 2.4 i Ifea hor o h Jervis
(1993). Enligt formlerna (4.4.10) o h (4.4.11) beräknas två element i trans-
formen Xim samtidigt. Då beräkningarna utförts behövs elementen på höger
sida i formlerna inte mera i beräkningarnas senare skeden. I ekvationerna
(4.4.10) o h (4.4.11) kan resultaten X(k) o h X(k + N
2
)därför sparas i sam-
ma minnespositioner som upptogs av X11(k) o h X12(k). Detta medför att
algoritmen inte kräver era minnespositioner för lagring av de beräknade
transformerna än antalet element i den ursprungliga serien.
4.4. DEN SNABBA FOURIERTRANSFORMEN 85
Ursprunglig Adress Bitreverserad FFT
sekvens adress inserie
x(0) 000 000 x(0)
x(1) 001 100 x(4)
x(2) 010 010 x(2)
x(3) 011 110 x(6)
x(4) 100 001 x(1)
x(5) 101 101 x(5)
x(6) 110 011 x(3)
x(7) 111 111 x(7)
Tabell 4.1: Permutation av sekvens för FFT med bitreversering.
Antalet beräkningar som FFT algoritmen kräver kan bestämmas på föl-
jande sätt. Antag att sekvensens längd är N = 2B. Algoritmen består då
av B = log2N faser. I steg i har man 2i transformer av längden
N2i. Totalt
beräknas alltså N element i varje fas av algoritmen. Elementen räknas ut
parvis med hjälp av buttery-pro eduren (4.4.10), (4.4.11). Totalt behövs
således
N2log2N buttery-beräkningar. Varje sådan består av en komplex
multiplikation av formen W kNXim(k) o h två komplexa additioner. Det föl-
jer att FFT totalt fordrar
N2log2N komplexa multiplikationer o h N log2N
komplexa additioner. För realistiska värden på N innebär detta en avsevärd
reduktion av antalet beräkningar jämfört med en direkt beräkning av diskre-
ta Fouriertransformen (N2multiplikationer respektive N(N−1) additioner).
Se tabell 2.3 i Ifea hor o h Jervis (1993) för en numerisk jämförelse av antalet
operationer för olika N .
En ytterligare fördel med FFT algoritmen är att då antalet operationer
är mindre, så blir även avrundningsfelen mindre. Beräkningen av Fourier-
transformen med hjälp av FFT sker således inte bara snabbare, utan o kså
med större noggrannhet.
Den snabba Fouriertransformen introdu erades år 1965 av de amerikans-
ka forskarna av James W. Cooley o h John W. Tukey. Cooley-Tukey algorit-
men utökade betydligt möjligheterna att tillämpa Fourieranalys i praktiken.
Med beaktande av den entrala roll som Fourieranalys har inom signalbe-
handlingstillämpningar, så har FFT inneburit en signikant innovation. Den
anses av många utgöra den viktigaste enskilda upptäkten inom numerisk
analys under hela 1900-talet.
86 KAPITEL 4. FOURIERTRANSFORMEN AV DISKRETA SIGNALER
Övning 4.4.1. Bestäm antalet operationer som krävs i exempel 4.4.1 om
Fouriertransformen beräknas med hjälp av den snabba Fouriertransformen.
Hur stor är den pro entuella minskningen i beräkningsarbete jämfört med en
direkt beräkning av diskreta Fouriertransformen?
Övning 4.4.2. Bestäm diskreta Fouriertransformen av sekvensen i exempel
4.3.1, x(n) = 1, 0, 0, 1, med hjälp av FFT.
4.4.1 Den inversa snabba Fouriertransformen
Den snabba Fouriertransformen kan enkelt modieras för beräkning av den
inversa diskreta Fouriertransformen i ekvation (4.3.2). Den inversa transfor-
men används för att beräkna signalsekvensen från motsvarande spektrum.
Ekvationerna (4.3.2) o h (4.3.3) visar att FFT-algoritmen kan modieras för
beräkning av den inversa transformen genom att ändra den komplexa expo-
nentens te ken samt beaktande av faktorn
1N.
4.4.2 Modiering för generella sekvenslängder N
Den snabba Fouriertransformen har ovan utve klats för sekvenser av längden
N = 2B. Den är enklast att tillämpa för detta fall, eftersom alla underse-
kvenserna utom de sista då består av ett jämnt antal element. Metoden kan
emellertid enkelt generaliseras till sekvenser av godty klig längd genom att
beakta att uppdelningarna i underserier kan leda till serier av olika längder.
Algoritmen blir emellertid något mera kompli erad i det generella fallet.
4.4.3 De imering i frekvens FFT
Den ovan beskrivna FFT-algoritmen erhölls genom upprepad dekomposition
av den diskreta Fouriertransformen i två kortare transformer, en som baserar
sig på jämna termer i sekvensen, o h en som baserar sig på de udda termerna.
Detta förfarande kallas de imering i tid. Ett alternativt sätt är att tillämpa
de imering i frekvens. Härvid uppdelas transformen i varje steg upp i två
transformer, en som baserar sig på den förra halvan av datasekvensen, o h
en som baserar sig på den senare halvan.
Det bör observeras, att eektiva implementeringar av FFT innehåller
ytterligare en mängd nesser för att försnabba beräkningarna. En behandling
av dessa, delvis my ket avan erade, detaljer faller do k utanför denna kurs.
4.4. DEN SNABBA FOURIERTRANSFORMEN 87
4.4.4 Ett exempel OFDM
Vi skall till slut diskutera ett viktigt tillämpningsexempel av FFT inom te-
lekommunikation.
Exempel 4.4.3. I avsnitt 3.1.1 såg vi att en digital signal kan överföras
genom att modulera fasen o h/eller amplituden hos en sinusformad signal.
En sinusformad signal uttnyttjar ett my ket smalt frekvensband, vilket är in-
eektivt om man har ett givet frekvensband ωmin ≤ ω ≤ ωmax till förfogande.
Då kan överföringshastigheten ökas genom att samtidigt sända era module-
rade sinusformade signaler med frekvenserna ωi = ωmin +iM
(ωmax − ωmin),i = 0, 1, . . . ,M − 1, d.v.s.
x0(t) = A0 cos (ω0t+ φ0) ,
x1(t) = A1 cos (ω1t+ φ1) ,
.
.
.
xM−1(t) = AM−1 cos (ωM−1t + φM−1) ,
där amplituderna Ak o h faserna φk representerar en bitsekvens av given
längd, som beror på antalet möjliga amplituder o h faser som används.
I prin ip kunde sinussignalerna x0, x1, . . . , xN−1 genereras separat o h
transmitteras genom amplitusmodulering av en bärvåg som i övning 3.1.2.
Då fordras M st. parallella os illatorer med frekvenserna ω0, ω1, . . . , ωN−1. I
praktiken går det här do k inte att realisera om frekvenserna är tätt pla e-
rade o h M är stort. Metoden har därför blivit praktiskt användbar då det
blivit möjligt att konstruera den sammansatta signalen bestående av de Mfrekvenskomponenterna digitalt. Detta kan göras med den inversa diskreta
Foriertransformen, eektivt implementerad med FFT.
Denna prin ip utnyttjas i OFDM (Orthogonal Frequen y-Division Multi-
plexing), en teknik för digital kommunikation som bl.a. är europeisk standard
för digital TV. I denna metod konstrueras de sinusformade signalkomponen-
terna i form av Fourierseriekomponenter. Detta kan åstadkommas på följande
sätt. Den digitala signalen s(n) i gur 4.4 uppdelas först i parallella sig-
naler (eller bitsekvenser) s0, . . . , sM−1. Dessa avbildas sedan till komplexa tal
X(k), k = 0, 1, . . . ,M − 1. Avbildningen från bitsekvenserna till de komplexa
talen X(k) kan basera sig på amplitud o h/eller fasmodulering. Vid binär
PSK (jfr avsnitt 3.1.1) kan varje X(k) anta två värden, vilket möjliggör re-
presentation av totalt M bitar, medan 4-PSK, med fyra möjliga värden hos
koe ienterna X(k) representerar 2M bitar.
88 KAPITEL 4. FOURIERTRANSFORMEN AV DISKRETA SIGNALER
s(n)
avbildning
s0G0
X(0)
G1 X(1)
.
.
.
sM−1GM−1
X(M−1)
IFFT
x(n)
D/A
xa(t) ×
cos(ωbt)
xut(t)
Figur 4.4: Sändning av OFDM signal. Observera att avbildningarna Gk ej
behöver vara ekvivalenta.
De komplexa talen X(k), k = 0, 1, . . . ,M −1 bildade på detta sätt kan tas
som de M = N2+1 första Fourierseriekoe ienterna hos en reellvärd sekvens
x(n) av längden N . Den senare delen av transformen denieras då entydigt
genom symmetriegenskapen (4.3.6), X(N −k) = X∗(k). Ur Fouriertransfor-men X(k) bildad på detta sätt kan en diskret signal x(n) bildas enligt (4.3.2)med hjälp av snabba inversa Fouriertransformen (IFFT), dvs
x(n) =1
N
N−1∑
k=0
X(k)ej2πN
kn
=
N2∑
k=0
Ak cos
(2πk
Nn+ φk
)
,
(4.4.12)
där Ak = 2N |X(k)| o h φk = arg(X(k)). Signalen x(n) bildad på detta sätt
består då av de normerade basbandsfrekvenserna 0, 1N, 2N, . . . , 1
2(det antas att
N är delbart med 2). Enligt konstruktionen är den digitala signalen kodad i
frekvenskomponenternas faser φk o h amplituder Ak. För dataöverföring med
hjälp av elektromagnetisk strålning bildas ur x(n) med digital-till-analog
konvertering en kontinuerlig signal xa(t), så att
xa(t) =
N2∑
k=0
Ak cos
(2πk
Nfst+ φk
)
, (4.4.13)
4.4. DEN SNABBA FOURIERTRANSFORMEN 89
yin(t) ×
y(t)
cos(ωbt)
HLP
yLP (t)A/D
y(t)
FFT
G−10
invers
avbildning
Y (0)
G−11
Y (1)
.
.
.
G−1M−1
Y (M−1)
s(n)
Figur 4.5: Mottagning av OFDM signal.
där fs är samplingsfrekvensen, se gur 4.4. Till slut används amplitudmo-
dulering för att bilda en signal xut(t) som transmitteras. Den transmitterade
signalen innehåller frekvenserna
ωb +2πk
Nfs , k = −N
2, . . . ,−1, 0, 1, . . . ,
N
2, (4.4.14)
där ωb är bärvågens frekvens (jfr problem 3.1.2).
Vid mottagaren (gur 4.5) demoduleras den mottagna högfrekventa sig-
nalen yin(t) genom multiplikation med bärvågen cos (ωbt). Eftersom signalens
frekvensinnehåll inte påverkas av kommunikationskanalens dynamik (under
antagande att denna är linjär), består den mottagna signalen yin(t) av fre-
kvenskomponenterna (4.4.14). I analogi med problem 3.1.2 består den resul-
terande signalen
y(t) = yin(t) cos (ωbt)
då av frekvenserna
ωLF,k = ωb −(
ωb +2πk
Nfs
)
, k = −N
2, . . . ,−1, 0, 1, . . . ,
N
2
o h
ωHF,k = ωb +
(
ωb +2πk
Nfs
)
, k = −N
2, . . . ,−1, 0, 1, . . . ,
N
2.
90 KAPITEL 4. FOURIERTRANSFORMEN AV DISKRETA SIGNALER
Här är frekvenskomponenterna ωLF,k ekvivalenta med frekvenskomponenter-
na hos den utsända signalen x(n). Filtrering av signalen y(t) med ett låg-
passlter HLP som spärrar de höga frekvenserna ωHF,k entrerade vid 2ωc
genererar således en signal yLP (t) med samma frekvenskomponenter som den
transmitterade signalen xa före modulering. Diskretisering av yLP (t) med
samma samplingsfrekvens som vid sändaren ger således en periodisk diskret
signalsekvens y(n) med samma frekvensinnehåll som signalen x(n) vid
sändaren. I likhet med avsnitt 3.1.1 påverkar kommunikationskanalen fre-
kvenskomponenternas amplituder o h faser, men denna inverkan kan alltid
kompenseras om den är känd. Fouriertransformen Y (k) av signalen y(n)ger då en skattning av de komplexa talen X(k) vid sändaren. Den utsända
digitala signalen s(n) kan således rekonstrueras genom invers avbildning
av de komplexa talen Y (k) till motsvarande bitsekvenser, samt kombinering
av dessa till mottagen digital signal s(n), se gur 4.5.
Det bör noteras att denna beskrivning av OFDM är my ket förenklad. I
praktiken är det t.ex. bekvämare att bilda en komplexvärd sekvens x(n) vid
sändaren, vars reella o h imaginära komponenter sedan behandlas separat.
En annan viktig detalj som vi inte diskuterat i detta sammanhang är läng-
den hos de periodiska signalerna xa(t) enligt (4.4.13) som används för att
sända en symbol. I praktiken behövs ett intervall Tg (guard interval) mel-
lan symbolerna för att undvika interferens mellan två symboler på grund av
kommunikationskanalens dynamik, t.ex. vid ervägsutbredning orsakad av re-
ekterande komponenter. Ett viktigt krav för att frekvenskomponenterna skall
kunna bestämmas ur den mottagna signalen är att signalen upptas över en
heltalsmultipel av signalens period
Nfs. Detta är ekvivalent med villkoret att
frekvenskomponenterna är ortogonala, därav förkortningen OFDM ortogo-
nal frekvensuppdelningsmultiplexing.
Kapitel 5
Andra transformer
Som beskrevs i kapitel 2, så kan signaltransformer helt generellt denieras i
avseende å en given funktionsmängd ϕi, jämför ekvationerna (2.1.1) o h
(2.1.2). Trots att Fouriertransformen är den dominerande transformen, så
kan andra transformer i olika sammanhang vara mera användbara. Fouri-
ertransformen är my ket användbar t.ex. vid separering av en signals olika
komponenter (se exempel 2.0.1). Frekvensanalys är o kså det naturliga verk-
tyget i era sammanhang beroende på det faktum att ett linjärt system inte
påverkar de olika frekvenskomponenterna hos en signal.
En na kdel hos Fouriertransformen är emellertid det faktum, att de pe-
riodiska sinusformade funktioner som används i utve klingen har en oändlig
utsträ kning i tiden. Detta medför att signaler med transienta förlopp som
är lokaliserade i tiden (begränsade till ett visst tidsintervall) kan fordra ett
stort antal funktioner i utve klingen för en god approximation. Detta är
en begränsning om transformen skall utnyttjas för datakompression. And-
ra transformer som bättre klarar av att representera transienter har därför
utve klats.
5.1 Den diskreta osinustransformen
Den diskreta osinustransformen är ett spe ialfall av Fouriertransformen, som
har egenskaper som gör att den kan approximera en signal med ett färre an-
tal termer i serieutve klingen än vad fallet är med standardiserade Fourier-
transformen. Denna egenskap gör den spe iellt lämpad för datakompressions-
tillämpningar. Den diskreta osinustransformen används i samband med van-
91
92 KAPITEL 5. ANDRA TRANSFORMER
liga bildkompressionsmetoder såsom JPEG (Joint Photographi s Experts
Group) för kompression av stillbilder o h MPEG (Moving Pi tures Experts
Group) för kompression av videobilder.
Den diskreta osinustransformen (DCT) av en sekvens x(0), x(1), . . . , x(N−1) deneras enligt
Xc(k) =N−1∑
n=0
x(n) cos
(2πkn
N
)
, k = 0, 1, . . . , N − 1 . (5.1.1)
Transformen är nära besläktad med diskreta Fouriertransformen (4.3.3). En
jämförelse med DFT visar, att DCT helt enkelt är den reella delen av DFT;
Xc(k) = Re [X(k)]. Då Fouriertransformen av en reell o h jämn signal (x(−n) =x(n)) endast består av den reella osinus-komponenten, kan DCT o kså upp-
fattas som Fouriertransformen av den periodiska sekvens som fås då den
givna sekvensen kompletteras med en symmetrisk spegelbild för negativa n;x(−n) = x(n), n = −1, . . . , N − 1.
Det nns era varianter av den diskreta osinustransformen. En annan
vanlig variant deneras enligt
Xc(k) =1
N
N−1∑
n=0
x(n) cos
(
πk(n+ 1
2
)
N
)
, k = 0, 1, . . . , N − 1 . (5.1.2)
5.2 Walsh- o h Hadamardtransformerna
Walsh- o h Hadamardtransformerna baserar sig på utve klingar med hjälp av
rektangulärformade funktioner som antar endast värdena +1 o h −1, se gur2.6 i Ifea hor o h Jervis (1993). De är därför lätta att evaluera, o h lämpar
sig för representation av funktioner som innehåller diskontinuiteter. Walsh-
o h Hadamardtransformerna används inom olika signalkodningstillämpning-
ar. Deras tvådimensionella varianter är spe iellt användbara inom bildbe-
handling.
5.3 Gabortransformen
En metod för signaler med lokaliserade transienta förlopp är Gabortrans-
formen eller den s.k. korttids Fouriertransformen (eng. short-time Fourier
transform). Denna baserar sig o kså på periodiska sinusformade funktioner,
5.4. KRUSNINGAR 93
men deras amplitud viktas, så att vikten avtar med avståndet |t − b| frånpunkten t = b. I stället för de komplexa exponentialfunktionerna som an-
vänds i Fouriertransformen baserar sig Gabortransformen på funktioner av
typen
Gαb,ω(t) = ejωt
1
2√πα
e−(t−b)2
4α . (5.3.1)
På detta sätt kan ett transient förlopp lokaliserat till t = b representeras påett eektivt sätt, utan att ett stort antal funktioner i utve klingen behövs.
5.4 Krusningar
En my ket viktig klass av transformer baserar sig på s.k. krusningar (eng. wa-
velets). Wavelet-transformerna baserar sig på funktionsmängder som genere-
ras genom translation (förskjutning) o h dilation (töjning eller krympning)
av en given genererande funktion. De utgör en generell metodik med vil-
ken såväl en signals frekvens- som tidsegenskaper kan representeras på ett
kompakt sätt. De är därför my ket väl lämpade t.ex. för signalkompression,
där de har egenskaper som är klart överlägsna i jämförelse med t.ex. den
ovan diskuterade osinus-transformen. Wavelet-transformerna är emellertid
besvärligare att tillämpa i praktiken, o h deras teori är alltför omfattande
för att kunna behandlas i detta sammanhang.
5.5 Signaler i två dimensioner
Tvådimensionella signaler är viktiga framför allt inom digital bildbehandling.
En tvådimensionell signal har två argument enligt
x(n,m) , n = 0, 1, . . . , N − 1 , m = 0, 1, . . . ,M − 1 . (5.5.1)
En tvådimensionell signal av längden (N,M) kan representeras i form av en
matris med N rader o h M kolumner. Inom bildbehandling representerar
indexparet (n,m) en pixel motsvarande rad n o h kolumn m.
Denition 5.5.1. Den diskreta Fourier-transformen av den tvådimensionella
signalen x(n,m) ges av följande
94 KAPITEL 5. ANDRA TRANSFORMER
X(k,l) =
N−1∑
n=0
M−1∑
m=0
x(n,m)e−j2π( knN
+ lmM ) ,
k = 0, 1, . . . , N − 1 , l = 0, 1, . . . ,M − 1 .
(5.5.2)
Jämförs detta med ekvation (4.3.3) noterar man att (5.5.2) kan skrivas i
formen
X(k,l) =
N−1∑
n=0
M−1∑
m=0
x(n,m)e−j 2πknN e−j 2πlm
M
=N−1∑
n=0
e−j 2πknN
[M−1∑
m=0
x(n,m)e−j 2πlmM
]
=N−1∑
n=0
e−j 2πknN Xr(n,l) ,
(5.5.3)
där
Xr(n,l) =M−1∑
m=0
x(n,m)e−j 2πlmM , l = 0, 1, . . . ,M − 1 (5.5.4)
är Fouriertransformen av rad n hos x(n,m).
Enligt (5.5.3) kan den tvådimensionella Fourier transformen av signalen
x(n,m) bestämmas i två steg genom att bilda endimensionella Fourier-
transformer först av raderna o h därefter av kolumnerna enligt följande:
Bilda Fouriertransformerna Xr(n,l) av raderna hos x(n,m). Detta ger
en N×M matris Xr(n,l) vars rader är Fouriertransformer av raderna
hos x(n,m). Matrisen Xr(n,l) har M sty ken kolumner, Xr(n,l), n =0, 1, . . . , N − 1, av längden N .
Bilda Fouriertransformerna X(k,l) av kolumnerna hos Xr(n,l). Denerhållna matrisen X(k,l) är den tvådimensionella Fouriertransformen
av signalen x(n,m).
Ta k vare symmetrin hos (5.5.2) i avseende å n o h m kan ordningsföljden
hos stegen givetvis svängas om, så att man i stället först bildar Fouriertrans-
formen av kolumnerna o h därefter av raderna.
5.6. BILDKOMPRIMERING 95
Denition 5.5.2. Den tvådimensionella diskreta osinus-transformen de-
nieras i analogi med den tvådimensionella Fouriertransformen genom gene-
ralisering av (5.1.1) till två dimensioner enligt
Xc(k,l) =
N−1∑
n=0
M−1∑
m=0
x(n,m) cos
(2πkn
N
)
cos
(2πlm
M
)
,
k = 0, 1, . . . , N − 1 , l = 0, 1, . . . ,M − 1 .
(5.5.5)
I analogi med Fouriertransformen kan (5.5.5) bestämmas genom att bilda
de endimensionella osinus-transformerna av raderna hos x(n,m) åtföljt aven transformering av kolumnerna.
5.6 Bildkomprimering
Cosinus-transformen spelar en viktig roll vid bildkomprimering enligt JPEG-
standarden. Digitala bilder består av så stora datamängder att det i praktiken
är nödvändigt att använda datakomprimering då man har begränsningar på
lagrings- eller överföringskapa iteten. Eftersom bilder typiskt innehåller en
relativt liten mängd redundant information, uppnås ej tillrä klig komprime-
ringsgrad med enbart förlustfria kodningsalgoritmer, utan komprimeringsme-
toder som utelämnar oväsentlig information bör även användas.
I JPEG-standarden utförs datakomprimeringen med den tvådimensionel-
la osinus-transformen. Signalen uppdelas i blo k av storleken 8× 8 av vilka
den tvådimensionella osinus-transformen bestäms. Vid datakomprimering-
en utnyttjas sedan experimentell information om ögats känslighet inom oli-
ka frekvensområden. Cosinus-transformens komponenter representeras med
olika resolutionsgrader beroende på vilken frekvenskomponent det är frå-
gan om, så att de komponenter för vilka ögat är mindre känsligt (närmast
högre frekvenser) representeras med grövre resolution. Härvid erhålls data-
komprimering dels ta k vare den varierande resolutionsgraden, dels genom
att små komponenter kommer att avrundas till noll om resolutionen är till-
rä kligt grov. Den komprimerade transformen kodas vidare med förlustfri
Human-kodning.
Den komprimerade bilden rekonstrueras genom invers Human-kodning
o h invers osinus-transform. I JPEG uppnås typiskt en komprimeringsgrad
kring 1 : 15 med my ket god kvalitet hos den komprimerade bilden, vilket
96 KAPITEL 5. ANDRA TRANSFORMER
kan jämföras med komprimeringsgrader mellan 1 : 2 o h 1 : 3 som uppnås
med förlustfri komprimering.
Följande exempel får illustrera prin ipen.
Exempel 5.6.1. Vid bildbehandling representeras den tvådimensionella bild-
signalens (pixel)värden normalt digitalt, så att elementen x(n,m) är heltal.
Som ett exempel, betrakta 8× 8-blo ket
x(n,m) =
11 16 21 25 27 27 27 2716 23 25 28 31 28 28 2822 27 32 35 30 28 28 2831 33 34 32 32 31 31 3131 32 33 34 34 27 27 2733 33 33 33 32 29 29 2934 34 33 35 34 29 29 2934 34 33 33 35 30 30 30
(5.6.1)
bestående av heltal i intervallet 0− 255. Den diskreta osinustransformen är
efter avrundning till närmaste heltal,
Xc(k,l) =
236 −1 −12 −5 2 −2 −3 1−23 −17 −6 −3 −3 0 0 −1−11 −9 −2 2 0 −1 −1 0−7 −2 0 1 1 0 0 0−1 −1 1 2 0 −1 1 12 0 2 0 −1 1 1 −1
−1 0 0 −1 0 2 1 −1−3 2 −4 −2 2 1 −1 0
(5.6.2)
Elementen Xc(k,l) divideras sedan elementvis med elementen i en kvantise-
ringstabell Q(k,l) o h resultatet avrundas till närmaste heltal, d.v.s. B(k,l) =
round(
Xc(k,l)Q(k,l)
)
. En standardiserad kvantiseringstabell är
Q(k,l) =
16 11 10 16 24 40 51 6112 12 14 19 26 58 60 5514 13 16 24 40 57 69 5614 17 22 29 51 87 80 6218 22 37 56 68 109 103 7724 35 55 64 81 104 113 9249 64 78 87 103 121 102 10172 92 95 98 112 100 103 99
(5.6.3)
5.6. BILDKOMPRIMERING 97
Division av elementen Xc(k,l) med elementen Q(k,l) o h avrundning till när-maste heltal ger
B(k,l) =
15 0 −1 0 0 0 0 0−2 −1 0 0 0 0 0 0−1 −1 0 0 0 0 0 0−1 0 0 0 0 0 0 00 0 0 0 0 0 0 00 0 0 0 0 0 0 00 0 0 0 0 0 0 00 0 0 0 0 0 0 0
(5.6.4)
Kvantiseringsoperationen åstadkommer datakomprimering genom att minska
på resolutionen hos den transformerade signalen. Dessutom försvinner nume-
riskt små frekvenskomponenter genom avrundning till noll. Detta gäller van-
ligen de högre frekvenserna, så att B(k,l) kommer att bestå av nollor nere till
höger. Resolutionsgraden beror av frekvensen i enlighet med elementen hos
kvantiseringstabellen Q(k,l). Denna har bestämts experimentellt genom att
testa olika kvantiseringsgrader. Kvantiseringsoperationen är den enda fasen
där data går förlorad.
Den komprimerade transformen B(k,l) omvandlas till en talsekvens b(i)enligt si ksa k s hemat i gur 5.1,
b(i) = B(0,0), B(0,1), B(1,0)B(2,0), B(1,1), . . . ,
B(7,6), B(7,7) ,(5.6.5)
enligt vilket elementen B(k,l) ordnas från de lägsta frekvenserna till de högsta
frekvenserna. Härvid kommer efterföljande värden i talsekvensen att i genom-
snitt skilja sig endast litet från varandra, vilket gör en efterföljande Human-
kodning eektivare.
Vid dekodning rekonstrueras transformen B(k,l) ur den Human-kodade
sekvensen, o h elementen B(k,l) multipli eras sedan med elementen i kvanti-
98 KAPITEL 5. ANDRA TRANSFORMER
Figur 5.1: Konstruktion av komprimerad talsekvens ur osinustransformerat
8× 8-blo k.
seringstabellen, vilket för det aktuella exemplet ger
Xc(k,l)
=
240 0 −10 0 0 0 0 0−24 −12 0 0 0 0 0 0−14 −13 0 0 0 0 0 0−14 0 0 0 0 0 0 0
0 0 0 0 0 0 0 00 0 0 0 0 0 0 00 0 0 0 0 0 0 00 0 0 0 0 0 0 0
(5.6.6)
Invers DCT ger till slut det rekonstruerade komprimerade 8× 8-blo ket
x(n,m) =
14 16 19 22 24 25 26 2621 22 25 27 28 29 28 2829 30 31 33 33 32 31 3034 34 35 35 34 32 30 2934 34 34 34 33 30 28 2732 33 33 33 32 30 28 2632 32 33 34 33 32 30 2932 33 35 36 36 35 33 32
(5.6.7)
Kapitel 6
Diskret representation
I digital signalbehandling är det vanligt att en kontinuerlig signal represen-
teras i form av en diskret sekvens, t.ex. för att överföras eller lagras i digital
form, såsom i digital telekommunikation o h digitala audiotillämpningar. Vid
dylika tillämpningar är det viktigt att exakt känna till vilka komponenter av
en kontinuerlig signal kan representeras i form av en diskret sekvens, samt
hur o h under vilka villkor den kontinuerliga signalen kan rekonstrueras från
den diskreta.
Det är lätt att inse att varje kontinuerlig signal ej kan representeras med
hjälp av en diskret sekvens, då antalet punkter i en kontinuerlig funktion
xa(t) ju är my ket större än antalet värden i en diskret sekvens xd(n).I allmänhet går därför en viss mängd av informationen i den kontinuerliga
signalen förlorad vid övergång till en diskret representation. Det anmärk-
ningsvärda är att det går att exakt karakterisera de funktioner xa(t) som
kan representeras med hjälp av en diskret sekvens xd(n). Dessutom kan
en sådan funktion xa(t) rekonstrueras exakt från sekvensen xd(n). Dessaviktiga resultat går i litteraturen under benämningen samplingsteoremet.
6.1 Sampling av signaler o h aliaseekten
För att klargöra sambandet mellan kontinuerliga o h diskreta signalrepre-
sentationer studerar vi följande grundläggande situation. Vi betraktar en
kontinuerlig signal xa(t). Denna samplas vid tidpunkterna nTs, så att
99
100 KAPITEL 6. DISKRET REPRESENTATION
man får den diskreta sekvensen
xa (nTs) = . . . , xa (−2Ts) , xa (−Ts) , xa (0) , xa (Ts) , xa (2Ts) , . . . .(6.1.1)
Tiden Ts kallas samplingstid eller samplingsperiod. Samplingsfrekvensen (i
Hz) denieras som
fs =1
Ts(6.1.2)
o h samplingsfrekvensen angiven som en vinkelfrekvens är
ωs = 2πfs =2π
Ts. (6.1.3)
Man kan naturligtvis tänka sig ett mera kompli erat samband mellan den
kontinuerliga o h diskreta signalen än den i ekvation (6.1.1). Det visar sig
emellertid att det är tillrä kligt att studera diskretiseringen enligt (6.1.1) för
att utreda sambandet mellan kontinuerliga o h diskreta signalrepresentatio-
ner.
Analysen av förhållandet mellan kontinuerliga o h diskreta signaler görs
bekvämast i frekvensplanet. För att ge en insikt i problematiken skall vi först
betrakta ett enkelt exempel med en sinusformad signal.
Exempel 6.1.1. Betrakta en sinusformad signal x0(t) med vinkelfrekvensen
ω0,
x0(t) = sin (ω0t) . (6.1.4)
Antag att signalen samplas med samplingsperioden Ts, varvid man får den
diskreta sekvensen x0 (nTs),
x0 (nTs) = sin (ω0Tsn) . (6.1.5)
Om man ur den samplade sekvensen x0 (nTs) entydigt kunde bestämma si-
nusfunktionens amplitud o h frekvens ω0 så skulle den kontinuerliga signalen
x0(t) kunna rekonstrueras ur den samplade sekvensen. Detta är emellertid
inte möjligt, eftersom det från sinusfunktionens periodi itet följer att
x0 (nTs) = sin (ω0Tsn) = sin
(
ω02π
ωsn
)
= sin
(
ω02π
ωsn + 2πln
)
= sin
(2π (ω0 + ωsl)
ωsn
)
= sin ((ω0 + ωsl) Tsn) , alla heltal l .
(6.1.6)
6.1. SAMPLING AV SIGNALER OCH ALIASEFFEKTEN 101
Detta innebär att signalerna xl(t) = sin ((ω0 + ωsl) t) ger samma diskreta
sekvens, xl (nTs) = x0 (nTs) för alla heltalsvärden l. Sinusfunktioner
med vinkelfrekvenserna
ωl = ω0 + ωsl , l = 0,±1,±2, . . . (6.1.7)
kan således inte urskiljas från varandra efter sampling. Situationen illustreras
i det mellersta diagrammet i gur 6.1.
Vinkelfrekvenserna ωl = ω0+ωsl (motsvarande frekvenserna fl = f0+fsl)kallas aliasfrekvenser till frekvensen ω0 (respektive f0) i avseende å samp-
lingsfrekvensen ωs, eftersom de alla förefaller identiska efter sampling. Feno-
menet i vilket ett antal frekvenser hos den kontinuerliga signalen blir identiska
efter diskretisering kallas aliaseekten (eng. aliasing).
Enligt ovan skulle det bästa man kan göra efter sampling vara att beskri-
va en kontinuerlig signal inom ett frekvensband av bredden ωs. Situationen
är emellertid t.o.m. ännu något sämre än så; i kapitel 3 såg vi att i spekt-
ret var de negativa frekvenserna inte oberoende av de positiva frekvenserna.
Spe iellt gäller för reella signaler sambandet X (−ω) = X∗ (ω). Frekvensenω i intervallet
[ωs
2, ωs
]har en aliasfrekvens ω − ωs i intervallet
[−ωs
2, 0]. Det
följer att signaler med frekvenser i intervallet
[ωs
2, ωs
]efter sampling ej kan
urskiljas från signaler med frekvenser i intervallet
[0, ωs
2
], p.g.a. sambandet
X (−ω) = X∗ (ω), såsom även följande exempel visar.
Exempel 6.1.2. Betrakta en periodisk signal med vinkelfrekvensen ω0 o h
fasen φ,
x(t) = cos (ω0t+ φ) . (6.1.8)
Antag att signalen samplas med samplingsfrekvensen ωs =2πTs, så att ω0 är i
intervallet
(ωs
2, ωs
), d.v.s.
ωs
2< ω0 < ωs. Härvid fås den diskreta sekvensen
x (nTs),
x (nTs) = cos (ω0nTs + φ) = cos
(
ω02π
ωsn + φ
)
. (6.1.9)
Betrakta sedan en annan signal xf (t) med frekvensen ωf = ωs−ω0 o h fasen
−φ,
xf(t) = cos (ωf t− φ) . (6.1.10)
102 KAPITEL 6. DISKRET REPRESENTATION
Figur 6.1: Sampling av sinusformade signaler med samplingsfrekvensen ωs.
överst: sampling av lågfrekvent signal sin(ω0t) med ω0 = ωs/4. Mitten: samp-
ling av signalen sin(ω1t) ger ekvivalent samplad signal då ω1 = ω0 + ωs
är aliasfrekvens till ω0 (jfr exempel 6.1.1). Nederst: sampling av signalen
sin(ωf t− π) ger ekvivalent samplad signal då ωf = ωs − ω0 är den frekvens
som viks in till frekvensen ω0 (jfr exempel 6.1.2
Tydligen gäller 0 < ωf < ωs
2. Sampling av signalen xf (t) ger sekvensen
xf (nTs) = cos (ωfnTs − φ) = cos
(
ωf2π
ωsn− φ
)
= cos
(
ωf2π
ωs
n− φ− 2πn
)
= cos
((ωf − ωs) 2π
ωs
n− φ
)
= cos
(
−(ωf − ωs) 2π
ωsn + φ
)
, jämn funktion ,
= cos
(
ω02π
ωsn+ φ
)
, ω0 = ωs − ωf ,
= x (nTs) .
(6.1.11)
6.1. SAMPLING AV SIGNALER OCH ALIASEFFEKTEN 103
Här har vi utnyttjat dels aliasegenskapen från Exempel 6.1.1 samt det faktum
att osinus är en jämn funktion; cos (−θ) = cos (θ). Ekvationen (6.1.11)
innebär att de diskreta sekvenserna x (nTs) o h xf (nTs) ej kan urskiljas
från varandra. Frekvensvikning illustreras i det nedersta diagrammet i gur
6.1.
Exempel 6.1.2 visar att för varje periodisk signal x(t) med en frekvens ω0
i intervallet
[ωs
2, ωs
]existerar en annan periodisk signal xf(t) med frekvensen
ωf = ωs − ω0 i intervallet
[0, ωs
2
]så att de samplade sekvenserna x (nTs)
o h xf (nTs) är ekvivalenta, o h signalerna kan alltså ej särskiljas efter
sampling. Man säger att frekvensen ω0 från intervallet
[ωs
2, ωs
]viks in till
frekvensen ωf i intervallet
[0, ωs
2
](frekvensvikning, eng. frequen y folding),
ty frekvenserna ωf o h ω0 benner sig symmetriskt i förhållande till
ωs
2(ω0−
ωs
2= ωs
2−ωf). Frekvensvikning hänger ihop med aliaseekten, ty frekvensen
ω0 = −ωf +ωs är en aliasfrekvens till frekvensen −ωf , som i praktiken ej kan
urskiljas från frekvensen ωf .
För att undvika aliaseekten o h frekvensvikning bör en signal samplas
med tillrä kligt hög frekvens. Om man vet att frekvensen ω0 hos en sinus-
formad signal x(t) är mindre än ωmax, så bör samplingsfrekvensen väljas så
att ωmax < ωs
2, d.v.s. den skall satisera ωs > 2ωmax, för att frekvensen hos
x(t) skall kunna bestämmas entydigt ur den samplade sekvensen x (nTs).Halva samplingsfrekvensen ωN = ωs
2är känd som Nyquist-frekvensen, efter
Harry Nyquist (18891976), svensk-amerikansk ingenjör, känd bl.a. för fun-
damentala bidrag inom klassisk reglerteori.
Det är ofta av intresse att bestämma den till absoluta beloppet minsta
aliasfrekvensen ω0 till en given frekvens ω. Denna nns alltid i intervallet
−ωN < ω0 ≤ ωN . Det är enkelt att visa, att ω0 ges av formeln
ω0 = (ω + ωN) mod (ωs)− ωN , om ω > ωN , (6.1.12)
där a mod b anger resten vid division av a med b.Det nns era viktiga praktiska tillämpningar där det är viktigt att be-
akta aliaseekten o h frekvensvikning. Ett exempel är digitala audiotillämp-
ningar. I CD-spelare används samplingsfrekvensen 44,1 kHz för lagring av
den digitala audiosignalen. Nyquistfrekvensen är således 22,05 kHz, vilket ärnågot över 20 kHz, som är den övre gränsen för frekvenser som människan
uppfattar.
Övning 6.1.1. I guren 6.2 visas sampling o h rekonstruktionen av några
sinusformade signaler. Bestäm de rekonstruerade signalernas frekvenser.
104 KAPITEL 6. DISKRET REPRESENTATION
Figur 6.2: Sampling o h rekonstruktion av sinusformade signaler. De hel-
dragna kurvorna anger ursrunglig signal o h de stre kade kurvorna anger
motsvarande rekonstruerad signal.
Exempel 6.1.3. Ett vardagsexempel på aliasfenomenet kan man se på en
lm som visar ett roterande kärrhjul eller liknande. Den ursprungligen tids-
kontinuerliga periodiska rotationen representeras här som en diskret bildse-
kvens ( a 20 bilder per sekund), se gur 6.3. När man ser på lmen uppfattas
rotationen som kontinuerlig med en frekvens som motsvarar den till absoluta
beloppet minsta aliasfrekvensen.
Intressant är att ett liknande fenomen kan observeras med bara ögon ge-
nom att titta snett på ett roterande hjul. Detta beror på att nervimpulserna
från syn ellerna i synfältets perifera delar sänds långsammare än vad hjär-
nans kapa itet förutsätter. Den bristande informationen kompletteras härvid
i hjärnan genom rekonstruktion, vilket kan leda till rekonstruktion som upp-
6.2. SHANNONS SAMPLINGSTEOREM 105
visar aliasfrekvenser.
Figur 6.3: Exempel på aliasing vid lmning av roterande hjul.
6.2 Shannons samplingsteorem
Resultaten i avsnitt 6.1 kan generaliseras till allmänna, i ke-periodiska sig-
naler. En sådan analys leder till en formel för hur en samplad kontinuerlig
signal kan rekonstrueras från den samplade sekvensen.
Vi skall betrakta en kontinuerlig signal xa(t) med Fouriertransformen
Xa(ω) denerad av ekvation (3.3.2). Signalen samplas med samplingstiden
Ts. Vi skall bestämma FouriertransformenXs(ω) hos den samplade sekvensen
xa (nTs).Observera först att då en sinusfunktion sin (ωt) samplas vid tidpunkterna
nTs = . . . ,−2Ts,−Ts, 0, Ts, 2Ts, . . . fås den diskreta signalen sin (ωTsn).Enligt exempel 6.1.1 ger sinusfunktioner med frekvensen ω o h dess alias-
frekvenser ω + ωsl upphov till samma diskreta sekvens (ekvation (6.1.6)).
En frekvensutve kling av den samplade signalen xa (nTs) består därför av
frekvenser begränsade till intervallet
[−ωs
2, ωs
2
]. Frekvensutve klingen av se-
kvensen xa (nTs) kan i analogi med ekvationerna (4.2.3) o h (4.2.2) skrivas
xa (Tsn) =Ts
2π
∫ ωs2
−ωs2
Xs (ω) ejωTsn dω , (6.2.1)
där Fouriertransformen Xs (ω) ges av
Xs (ω) =
∞∑
n=−∞xa (Tsn) e
−jωTsn . (6.2.2)
106 KAPITEL 6. DISKRET REPRESENTATION
Observera att de tidigare formlerna (4.2.3) o h (4.2.2) för Fouriertransformen
av en diskret sekvens är ett spe ialfall av (6.2.1), (6.2.2) med samplingstiden
Ts = 1 o h ωs =2πTs
= 2π.
Å andra sidan har den kontinuerliga signalen xa(t) Fouriertransformre-
presentationen i enlighet med (3.3.1), (3.3.2),
xa(t) =1
2π
∫ ∞
−∞Xa (ω) e
jωt dω , (6.2.3)
där
Xa (ω) =
∫ ∞
−∞xa(t)e
−jωt dt . (6.2.4)
Representationen (6.2.3) ger för xa (Tsn),
xa (Tsn) =1
2π
∫ ∞
−∞Xa (ω) e
jωTsn dω , n = 0,±1,±2, . . . (6.2.5)
Genom att dela upp integralen i intervall av bredden ωs, alltså[ωsl − ωs
2, ωsl +
ωs
2
],
l = . . . ,−1, 0, 1, . . ., kan vi skriva (6.2.5) i formen
xa (Tsn) =1
2π
∫ ωs2
−ωs2
∞∑
l=−∞Xa (ω + ωsl) e
j(ω+ωsl)Tsn dω . (6.2.6)
Från periodi iteten hos exponentialfunktionen följer
ej(ω+ωsl)Tsn = ej(ωTsn+ωsTsln) = ej(ωTsn+2πln) = ejωTsn , l = 0,±1,±2, . . .
o h (6.2.6) kan skrivas
xa (Tsn) =1
2π
∫ ωs2
−ωs2
∞∑
l=−∞Xa (ω + ωsl) e
j(ω+ωsl)Tsn dω
=Ts
2π
∫ ωs2
−ωs2
1
Ts
[ ∞∑
l=−∞Xa (ω + ωsl)
]
ejωTsn dω
=Ts
2π
∫ ωs2
−ωs2
Xs (ω) ejωTsn dω ,
(6.2.7)
där vi introdu erat
Xs(ω) =1
Ts
[ ∞∑
l=−∞Xa (ω + ωsl)
]
. (6.2.8)
6.2. SHANNONS SAMPLINGSTEOREM 107
Ekvationerna (6.2.1), (6.2.7) o h (6.2.8) visar, att sambandet mellan den
kontinuerliga signalens xa(t) o h den samplade sekvensens xa (Tsn) Fouri-
ertransformer Xa (ω) o h Xs (ω) ges av ekvation (6.2.8).
Ekvation (6.2.8) ger den kvantitativa beskrivningen av aliasfenomenet
uttry kt med hjälp av signalernas Fouriertransformer. Sambandet mellan
Xa (ω) o h Xs (ω) visar expli it hur alla aliasfrekvenserna ω + ωsl bidrar
till den samplade signalens spektrum. Faktorn
1Ts
= fs = ωs
2πbehövs för att
kompensera för att samplingsperioden är olika ett.
Sambandet (6.2.8) ger o kså en insikt i möjligheterna att rekonstruera
den kontinuerliga signalen xa(t) från den samplade sekvensen xa (Tsn).Observera att sekvensen xa (Tsn) denierar entydigt spektret Xs (ω) o hvi e versa, o h på samma sätt denierar spektret Xa (ω) entydigt signalenxa(t) o h vi e versa. Det följer att rekonstruktion är möjlig om o h endast
om spektret Xa (ω) på ett entydigt sätt kan beräknas från Xs (ω). Samban-det (6.2.8) mellan de kontinuerliga o h diskreta signalernas spektra visar
exakt när detta är möjligt. Om Xa (ω) är olikt noll inom ett frekvensområ-
de −ωmax ≤ ω ≤ ωmax för vilken ωmax > ωs
2, är rekonstruktion inte möjlig,
eftersom det inte går att avgöra hur stor andel av Xs (ω) härstammar från
de olika aliasfrekvenserna. För en bandbegränsad signal xa(t) däremot, där
Xa (ω) försvinner för alla |ω| ≥ ωs
2, så kan Xa (ω) bestämmas på ett entydigt
sätt från Xs (ω) o h rekonstruktion blir möjlig. Situationen illustreras
1
i gu-
rerna 6.4 o h 6.5. Resultatet kan sammanfattas i det s.k. samplingsteoremet.
Sats 6.2.1. Shannons samplingsteorem.
En kontinuerlig signal xa(t) vars Fouriertransform Xa(ω) försvinner för|ω| ≥ ωmax, kan entydigt rekonstrueras från den samplade sekvensen xa (Tsn)om samplingsfrekvensen satiserar ωs > 2ωmax. Den kontinuerliga signalen
ges då av interpolationsformeln
xa(t) =
∞∑
n=−∞xa (nTs)
sin(
ωs(t−nTs)2
)
ωs(t−nTs)2
. (6.2.9)
1
Då man önskar illustrera enbart spektrets frekvensinnehåll, eller utbredningsområde
på ω-axeln är det kutym att använda trianglar eller nedåt öppnande parabler så att triang-
elns spets resp. parabelns vädnpunkt nns i frekvensintervallets mittpunkt. Dylika gurer
beskriver således inte variationen hos funktionen X (ω).
108 KAPITEL 6. DISKRET REPRESENTATION
0
−ωs 0 ωs2
ωs
−ωs2
0 ωs2
Figur 6.4: S hematiskt: Spektret |Xa(ω)| hos en kontinuerlig signal (överst),
komponenterna |Xa(ω + ωsl)| (i mitten), samt den diskreta signalens spekt-
rum |Xs(ω)| (nederst). Villkoret ωmax < ωs
2gäller o h ingen aliasing fås.
Rekonstruktion är således möjlig.
Samplingsteoremet är ett klassiskt resultat inom signalteori, som härled-
des år 1949 av Claude Shannon i artikeln Communi ation in the Presen e of
Noise, (Pro eedings of the Institute of Radio Engineers, vol. 37, sid. 1021).
Shannon är mest känd för fundamentala arbeten inom informationsteori o h
kodning, vilka ligger till grund för den moderna informationsteorin.
Rekonstruktionsformeln (6.2.9) kallas Shannons rekonstruktionsformel.
Den kan enkelt härledas med hjälp av signalernas Fouriertransformer. Prin-
ipen illustreras i gur 6.6. Vi skall för fullständighetens skull presentera en
härledning av formeln (6.2.9) nedan.
Bevis. Härledning av Shannons rekonstruktionsformel (6.2.9).
Vi antar att signalen xa(t) är bandbegränsad, så att Xa (ω) = 0 för |ω| ≥ωmax, o h ωmax <
ωs
2. Då ger inga aliasfrekvenser bidrag till summan i (6.2.8),
6.2. SHANNONS SAMPLINGSTEOREM 109
0
−ωs 0 ωs2
ωs
−ωs2
0 ωs2
Figur 6.5: S hematiskt: Spektret |Xa(ω)| hos en kontinuerlig signal (överst),
komponenterna |Xa(ω + ωsl)| (i mitten), samt den diskreta signalens spekt-
rum |Xs(ω)| (nederst). Här är ωmax > ωs
2o h aliasing fås. Rekonstruktion är
således inte möjlig.
vilken redu eras till
Xs (ω) =1
TsXa (ω) , |ω| < ωs
2. (6.2.10)
Den kontinuerliga signalens spektrum Xa (ω) kan då entydigt beräknas ur
den diskreta sekvensens spektrum Xs (ω) enligt
Xa (ω) =
TsXs (ω) , |ω| < ωs
2,
0 , |ω| ≥ ωs
2.
(6.2.11)
110 KAPITEL 6. DISKRET REPRESENTATION
xa(nTs)
xa(t)
Xs(ω)
Xa(ω)
(6.2.2)
(6.2.3)
(6.2.8)
(6.2.11)
(6.2.9)
Figur 6.6: Rekonstruktion av bandbegränsad kontinuerlig signal från samplad
sekvens via Fouriertransformerna.
Å andra sidan ges signalen xa(t) av (6.2.3), så att
xa(t) =1
2π
∫ ∞
−∞Xa (ω) e
jωt dω
=1
2π
∫ ωs2
−ωs2
Xa (ω) ejωt dω =
Ts
2π
∫ ωs2
−ωs2
Xs (ω) ejωt dω
=Ts
2π
∫ ωs2
−ωs2
[ ∞∑
n=−∞xa (nTs) e
−jωnTs
]
ejωt dω , jmf. (6.2.2)
=Ts
2π
∞∑
n=−∞xa (nTs)
∫ ωs2
−ωs2
ejω(t−nTs) dω .
(6.2.12)
Här är
∫ ωs2
−ωs2
ejω(t−nTs) dω =
ωs2/
−ωs2
ejω(t−nTs)
j (t− nTs)
=ej
ωs2(t−nTs) − e−j ωs
2(t−nTs)
j (t− nTs)
=2 sin
(ωs(t−nTs)
2
)
t− nTs.
(6.2.13)
6.3. PRAKTISK A/D- OCH D/A-OMVANDLING 111
Insättning i (6.2.12) o h beaktande av att ωs =2πTs
ger
xa(t) =Ts
2π
∞∑
n=−∞xa (nTs)
2 sin(
ωs(t−nTs)2
)
t− nTs
=∞∑
n=−∞xa (nTs)
sin(
ωs(t−nTs)2
)
ωs(t−nTs)2
,
(6.2.14)
vilket är (6.2.9).
6.3 Praktisk A/D- o h D/A-omvandling
Samplingsteoremet ger den teoretiska grunden för vad som är möjligt vid
diskret representation av en analog signal, o h hur den analoga signalen kan
rekonstrueras från den diskreta sekvensen. I praktiken realiseras signalom-
vandlingarna med hjälp av lter av ändlig ordning samt A/D- o h D/A-
omvandlare, som har en ändlig resolution.
6.3.1 Praktisk A/D-omvandling
Från samplingsteoremet vet vi att då en kontinuerlig signal samplas, så ger
frekvenser som är högre än halva samplingsfrekvensen upphov till en aliasef-
fekt. I praktiken innehåller kontinuerliga signaler så gott som alltid högfre-
kventa komponenter. För att undvika aliaseekten bör dessa ltreras bort
före sampling. Detta åstadkommas genom att införa ett lågpasslter före
A/D-omvandlaren enligt gur 6.7. Filtret F kallas antialias-lter.
Antag att signalen xa(t) har spektret Xa (ω). Filtret F i gur 6.7 påverkar
frekvenskomponenterna i den analoga signalen xa enligt
Xf (ω) = F (jω)Xa (ω) , (6.3.1)
där F (s) anger överföringsoperatorn hos ltret F , o h Xf (ω) är spektret hosden ltrerade signalen xf (t).
Ett lågpasslter karakteriseras av ett lågfrekvent passband |ω| ≤ ω1, där
|F (jω) | ≈ 1, o h ett högfrekvent spärrband ω ≥ ω2, där |F (jω) | ≪≪ 1.Intervallet ω1 < ω < ω2 utgör ett övergångsband mellan passband o h spärr-
band. För att undvika aliaseekten bör ltret F väljas så att frekvenser som
112 KAPITEL 6. DISKRET REPRESENTATION
xa
F xf
A/D xd
Figur 6.7: Analog-till-digital omvandling.
är högre än halva samplingsfrekvensen nns i spärrbandet, dvs ω2 <ωs
2. De
frekvenskomponenter som man önskar bevara i den diskreta signalrepresen-
tationen bör benna sig i passbandet.
Dämpningen av frekvensen ω enligt (6.3.1) ges av förhållandet
|Xf (ω) ||Xa (ω) |
= |F (jω) | . (6.3.2)
Filterförstärkningar o h förhållandet mellan signalers storlek brukar anges i
en spe iell logaritmisk skala som kallas de ibel (dB). Förstärkningen |F (jω) |i (6.3.2) angiven i de ibel är 20 lg (|F (jω) |) de ibel. Faktorn 20 kommer
från det faktum, att 20 lg (|F (jω) |) = 10 lg (|F (jω) |2). Från avsnitt 3.3.1
har vi att en signals energi vid en frekvens är proportionell mot spektrets
kvadrat vid frekvensen. En de ibel är alltså 10 ggr tiologaritmen av energin.
En tiondedel av detta, alltså lg (|F (jω) |2), ger ett mått på förstärkningen
som ej oväntat kallas bel, o h som fått sitt namn efter Alexander Graham
Bell (18471922).
Det analoga lågpassltret bör implementeras i form av en elektronisk krets
o h konstrueras i praktiken vanligen med hjälp av standardkomponenter. En
vanlig typ av lågpasslter är Butterworth-ltren. Ett Butterworth-lter Bn(s)av ordningen n är konstruerad så att dess frekvensförstärkning är
|Bn (jω) | =√√√√
1
1 +(
ωωc
)2n . (6.3.3)
Här anger ωc ltrets bandbredd, o h är en frekvens mitt i övergångsbandet,
så att |Bn (jωc) | = 1√2. Ju högre lterordningen n är, desto brantare övergång
mellan passbandet o h spärrbandet fås. Filtrets bandbredd anges ofta i Hz;
fc =ωc
2π. Formeln för ltrets förstärkning kan då uttry kas som
|Bn (jω) | =√√√√
1
1 +(
ffc
)2n . (6.3.4)
6.3. PRAKTISK A/D- OCH D/A-OMVANDLING 113
Figurerna 6.8 o h 6.9 visar förstärkningen hos Butterworth lter av olika
ordning i linjär respektive logaritmisk skala.
0 0,5 1 1,5 20
0,5
1
ωωc
|Bn(jω)|
Figur 6.8: Förstärkning hos Butterworth lter med n = 1, 2, 4 o h 8.
Anmärkning 6.3.1. Antag att vi önskar begränsa frekvensförstärkningen hos
ett Butterworthlter enligt:
|Bn (jω) | =√√√√
1
1 +(
ωωc
)2n ≤ δ . (6.3.5)
Vi kan nu med en enkel kalkyl från olikheten ovan utreda vad detta betyder
114 KAPITEL 6. DISKRET REPRESENTATION
10−1 100 101
−80
−60
−40
−20
0
ωωc
20lg|B
n(jω)|/
dB
Figur 6.9: Förstärkning hos Butterworth lter med n = 1, 2, 4 o h 8 i loga-
ritmisk skala (dB).
för vinkelfrekvenserna
√√√√
1
1 +(
ωωc
)2n ≤ δ ⇔
1 +
(ω
ωc
)2n
≥ 1
δ2⇔
| ωωc
| ≥ 2n
√
1
δ2− 1 ⇒
ω ≤ −ωc2n
√
1
δ2− 1 ∨ ω ≥ ωc
2n
√
1
δ2− 1 ∨
|ωc
ω| ≤ 2n
√
δ2
1− δ2⇔
−ω2n
√
δ2
1− δ2≤ωc ≤ ω
2n
√
δ2
1− δ2.
(6.3.6)
Olikheterna ovan kan alltså utnyttjas för att bestämma maximal bandbredd
eller erforderlig Nyquistfrekvens i en situation med angiven dämpning hos
6.3. PRAKTISK A/D- OCH D/A-OMVANDLING 115
ltret. Se exempel nedan på detta.
Vid spe ikationen av antialias-ltret är det o kså ändamålsenligt att
beakta resolutionen vid A/D-omvandlingen. I praktiken konstrueras ltret
alltså så, att det dämpar frekvenser ovanför Nyquistfrekvensen
ωs
2till en nivå
som inte påverkar A/D-omvandlaren. Detta är fallet om det kan garanteras
att frekvenserna dämpas till en nivå som understiger kvantiseringsbruset i
A/D-omvandlaren.
Kvantiseringsfelet vid A/D-omvandling kan bestämmas på följande sätt.
Vid digital representation kan signalvärdena ej anta vilka realtalsvärden som
helst, utan avrundas till en av 2B nivåer, som beror av antalet binära siror
som används vid representationen. Detta introdu erar ett kvantiseringsfel e.Om V anger hela talområdet som skall representeras, så ges avståndet qmellan kvantiseringsnivåerna av
q =V
2B − 1≈ V
2B. (6.3.7)
Om man antar att det analoga signalvärdet avrundas till närmaste kvanti-
seringsnivå är det maximala kvantiseringsfelet ± q2. En skattning av den ge-
nomsnittliga storleken hos kvantiseringsfelet kan bestämmas genom att anta
att det är likformigt fördelat i intervallet
[− q
2, q2
]. Det har då en konstant
frekvensfunktion P (e) = q−1, väntevärdet noll, o h variansen ges av
σ2e =
∫ q2
− q2
e2P (e) de =1
q
∫ q2
− q2
e2 de
=1
q
q2/
− q2
e3
3=
q2
12.
(6.3.8)
Exempel 6.3.1. Betrakta ett system för analog-till-digital omvandling med
samplingsfrekvensen 100 kHz. Det krävs att felet på grund av aliasfenomenet
är högst 2 % av signalnivån. Man använder ett Butterworth lter av första
ordningen, o h önskar bestämma lämplig bandbredd för ltret.
Det gäller alltså att bestämma lämpligt värde för frekvensen ωc i ekva-
tion (6.3.3) för Butterworth-ltrets förstärkning. Kravet att felet på grund av
aliasfenomenet skall vara högst 2 % av signalnivån motsvarar enligt (6.3.2),
|Xf (ω) ||Xa (ω) |
= |Bn (jω) | ≤ 0,02 , ∀ω < ωN .
116 KAPITEL 6. DISKRET REPRESENTATION
Vi har således δ = 0,02 enligt anmärkning 6.3.1. I detta fall är Nyquistfre-
kvensen ωN = 12· 2π · 100 · 103 = 105π (rad/s). Kravet på dämpning uppfylls
av ett Butterworth lter av första ordningen om frekvensen ωc väljs så att
villkoret √√√√
1
1 +(
ωωc
)2 ≤ 0,02
gäller för alla ω < ωN . Detta är fallet om
ωc ≤ ω2n
√
δ2
1− δ2< ωN
2n
√
δ2
1− δ2≈ ωNδ ,
som ger ωc < 2π · 103 (rad/s), eller fc < 1,0 kHz.
Övning 6.3.1. Bestäm lämpligt värde för frekvensen ωc om man använder
ett Butterworth-lter av fjärde ordning i exempel 6.3.1.
Exempel 6.3.2. Betrakta problemet att bestämma lämplig samplingsfrekvens
o h antialias-lter då man använder en 12 bitars A/D-omvandlare, o h det
intressanta frekvensbandet som man önskar representera i den digitala sig-
nalen består av frekvenser mellan 0 o h 4 kHz.För att aliaseekten ej skall påverka diskretiseringen skall antialias-ltret
dämpa frekvenser som ger upphov till aliaseekt till en nivå som motsvarar
kvantiseringsfelets storlek. Kvantiseringsfelets storlek är maximalt
q2, där q =
V2B−1
≈ V2B, o h V anger insignalens maximala amplitud. Om vi betraktar
kvantiseringsfelet statistiskt som ett brus, så är dess genomsnittliga storlek
enligt (6.3.8) σe = q√12
= q
2√3. För att garantera att en signal av maximal
storlek V dämpas till en nivå som motsvarar kvantiseringsfelets storlek bör
frekvenserna i spärrbandet dämpas minst med faktorn
Vσe
≈√3 ·2B+1
. I detta
exempel antogs B = 12, o h vi har således kravet
|Xf (ω) ||Xa (ω) |
≤ 1√3× 2B+1
∣∣∣∣∣B=12
=1
14189= −83 dB .
Antialias-ltret bör således satisera |F (jω) | ≤ 114189
för alla ω < ωs
2= ωN .
Om vi som antialias-lter väljer ett Butterworth lter, så får vi villkoret
√√√√
1
1 +(
ffc
)2n ≤ 1
14189, f <
fs2
= fN .
6.3. PRAKTISK A/D- OCH D/A-OMVANDLING 117
Om vi väljer fc = 4 kHz (motsvarande den högsta frekvens som skall repre-
senteras) o h lterordningen n = 6 (ett vanligt använt Butterworth lter) fås
enligt anmärkning 6.3.1 med δ = 114189
f ≥ fc12
√
1
δ2− 1 ≈ 4,9fc ≈ 20 kHz .
Det följer att samplingsfrekvensen då skall vara minst fs = 2f = 2 ·20 kHz =40 kHz.
Vi skall till slut även uppskatta aliasfelet vid 4 kHz. Det största bidraget
till aliasfelet vid denna frekvens härstammar från aliasfrekvensen fs−4 kHz,alltså den frekvens i intervallet
(fs2, fs), som genom frekvensvikning blandas
med frekvensen 4 kHz, jämför avsnitt 6.1. Frekvensen fs − 4 kHz = 36 kHzdämpas med faktorn
√
1
1 +(364
)12 = 1,88 · 10−6 .
Då en signal vid fc = 4 kHz av Butterworth ltret dämpas med faktorn
1√2, är förhållandet mellan aliasfelet o h signalnivån vid 4 kHz approximativt
1,88·10−6
1√2
= 2,7 · 10−6.
6.3.2 Praktisk digital-till-analog omvandling
Shannons resultat (6.2.9) denierar den ideala rekonstruktionsformeln, som
exakt rekonstruerar en bandbegränsad signal. Formeln är emellertid främst
av teoretiskt intresse, o h är inte spe iellt användbar i praktiken. En be-
gränsning hos (6.2.9) är att xa(t) är en funktion av alla sampel xa (Tsn),−∞ < n < ∞. Formeln lämpar sig därför i allmänhet inte för realtids-
tillämpningar, eftersom beräkning av xa(t) kräver kunskap om (alla) framti-
da sampelvärden xa (Tsn), med Tsn > t. En annan egenskap som begränsar
användningen av (6.2.9) är det faktum att vikterna sin(
(t−Tsn)ωs
2
)/
(t−Tsn)ωs
2
konvergerar rätt långsamt mot noll då |t − Tsn| växer, vilket medför att
många termer bör medtas för att approximera summan i (6.2.9) noggrant.
Vid digitala implementeringar har den ideala rekonstruktionsformeln do k
funnit praktiska tillämpningar, se nedan.
Av dessa orsaker används praktiska rekonstruktionsmetoder som är enkla-
re att implementera. Den ideala rekonstruktionsformeln (6.2.9) ger en insikt
118 KAPITEL 6. DISKRET REPRESENTATION
xd
D/A x H
xa
Figur 6.10: Digital-till-analog omvandling.
i hur en sådan metod skall konstrueras. Man kan enkelt visa att signalen
xa(t) enligt (6.2.9) ges som utsignalen från ett idealt lågpasslter, vars in-
signal är sekvensen xa (Tsn). Det ideala lågpassltret har förstärkningen 1för |ω| ≤ ωs
2o h förstärkningen 0 för |ω| > ωs
2. Ett sätt att approximera den
ideala rekonstruktionsformeln är därför att använda ett reellt, i ke-idealt,
analogt lågpasslter H med en lämpligt vald bandbredd ωb < ωs
2. Jämför
gur 6.10.
Ett reellt lter har alltid ett övergångsband mellan passbandet, där för-
stärkningen är ungefär 1, o h spärrbandet, där förstärkningen är liten. Ju
smalare övergångsbandet är, desto högre krav ställs på det analoga ltret. Vid
rekonstruktion av en bandbegränsad signal med bandbredden ωmax bör ωmax
benna sig i ltrets passband, för att alla frekvenser hos signalen skall fås
med, medan Nyquistfrekvensen ωN = ωs
2bör benna sig i ltrets spärrband,
för att undvika aliasfrekvenser. Ju mindre skillnaden ωN−ωmax är, desto hög-
re krav ställs således på rekonstruktionsltret. Det är av denna orsak som sig-
nalen i en CD-spelare översamplas med fyrfaldig frekvens 4 ·fs = 4 ·44,1 kHzföre D/A omvandling. översamplingen lämnar ωmax oförändrad, men fyrdubb-
lar
ωs
2. Detta gör den maximalt tillåtna bredden hos det analoga ltrets
övergångsband betydligt större, vilket medger mera realistiska lterspe i-
kationer för det analoga rekonstruktionsltret. I den översamplade signalen
bör de mellanliggande signalvärdena xa (Tsn + Ts/4), xa (Tsn + 2Ts/4)o h xa (Tsn + 3Ts/4) rekonstrueras från sekvensen xa (Tsn), men då det-
ta kan göras digitalt utgör strikta lterspe ikationer inget problem. I CD-
teknik rekonstrueras de tre mellanliggande signalvärdena med hjälp av den
ideala rekonstruktionsformeln (6.2.9). CD-spelaren använder således o kså
framtida signalvärden. Det analoga ltret som rekonstruerar den kontinu-
erliga signalen bör däremot implementeras i form av hårdvara med hjälp av
elektroniska kretsar.
Valet av lågpassltret H efter D/A-omvandlaren beror av funktionen hos
D/A-omvandlaren. En vanlig typ av D/A-omvandlare produ erar en sty kevis
6.3. PRAKTISK A/D- OCH D/A-OMVANDLING 119
konstant utsignal enligt
x(t) = xd (nTs) , nTs ≤ t < nTs + Ts . (6.3.9)
Detta slags element kallas för nollte ordningens hållkrets (eng. zero-order
hold; ZOH), eftersom (den konstanta) signalen x(t) mellan samplingstid-
punkterna kan uppfattas som utsignalen från ett nollte ordningens system.
Spektret hos den kontinuerliga utsignalen från en nollte ordningens hållkrets
fås enligt denitionen,
X (ω) =
∫ ∞
−∞x(t)e−jωt dt =
∞∑
n=−∞xd (nTs)
∫ nTs+Ts
nTs
e−jωt dt . (6.3.10)
Här ges integralen av
∫ nTs+Ts
nTs
e−jωt dt =
∫ Ts
0
e−jω(t′+nTs) dt′ , t′ = t− nTs
= e−jωnTs
∫ Ts
0
e−jωt′ dt′
= e−jωnTse−jωTs − 1
(−jω)
= e−jωnTs1
jωe−jω Ts
2
(
ejωTs2 − e−jω Ts
2
)
= e−jωnTs1
jωe−jω Ts
2 2j sin
(
ωTs
2
)
= e−jωnTsTs
2
1
ω Ts
2
e−jω Ts2 2j sin
(
ωTs
2
)
= Tse−jωnTs · e−jω Ts
2sin(ω Ts
2
)
ω Ts
2
= Tse−jωnTs · ZOH(ω) ,
(6.3.11)
där vi infört bete kningen
ZOH(ω) = e−jω Ts2
sin(ω Ts
2
)
ω Ts
2
. (6.3.12)
Insättning i (6.3.10) ger
X (ω) = Ts
∞∑
n=−∞xd (nTs) e
−jωnTs · ZOH (ω) . (6.3.13)
120 KAPITEL 6. DISKRET REPRESENTATION
Här observerar vi i enlighet med (6.2.2) att spektret Xd (ω) hos den diskreta
sekvensen x (nTs) är
Xd (ω) =∞∑
n=−∞xd (nTs) e
−jωnTs , (6.3.14)
så att (6.3.13) kan skrivas i formen
X (ω) = ZOH(ω) · Ts ·Xd (ω) . (6.3.15)
Denna ekvation ger spektret hos den kontinuerliga utsignalen från en nollte
ordningens hållfunktion som funktion av den diskreta sekvensens spektrum.
Faktorn Ts =2πωs
kompenserar för det faktum att det diskreta spektret Xd (ω)denierats för en sekvens som samplats med perioden Ts, o h den har mot-
svarande funktion som faktorn
1Ts
som förekommer i ekvation (6.2.8). Ekva-
tion (6.3.15) denierar spektret hos den kontinuerliga utsignalen x(t) från
en nollte ordningens hållfunktion för alla frekvenser. Observera att det dis-
kreta spektret Xd (ω) är periodiskt med perioden ωs; Xd (ω + ωsl) = Xd (ω),jämför t.ex. ekvation (6.3.14). Spektret X (ω) består således av alla aliasfre-
kvenser till frekvenserna hos den diskreta signalen. Dessutom viktas de olika
frekvenserna med faktorn ZOH(ω), som karakteriserar hållfunktionens dyna-
mik. Figur 6.11 illustrerar den diskreta signalen x (nTs), den kontinuerliga
signalen x(t) från hållkretsen, samt spektren i ekvation (6.3.15).
Funktionen ZOH(ω) är densamma som förekom i exempel 3.3.2. Vi såg
tidigare att funktionen innehåller en betydande mängd högfrekventa kompo-
nenter (jämför anmärkning 3.2.4), som bör ltreras bort för att ej ge upphov
till i ke-önskade sidoeekter i den rekonstruerade analoga signalen.
För att korrekt rekonstruera den analoga signalen ltreras x(t) enligt
gur 6.10. Den analoga signalen xa(t) i gur 6.10 har spektret
Xa (ω) = H (jω) · ZOH(ω) · Ts ·Xd (ω) . (6.3.16)
Enligt sambandet (6.2.8) eller (6.2.11) är vid ideal rekonstruktion Xa (ω) =Ts · Xd (ω) för frekvenser ω < ωs
2o h Xa (ω) = 0 för högre frekvenser. Va-
let av lågpassltret H kan göras på basen av ekvation (6.3.16) så att ideal
rekonstruktion approximeras till en spe i erad noggrannhet.
Exempel 6.3.3. Betrakta rekonstruktionen av en analog audiosignal enligt
gur 6.10 med en nollte ordningens hållfunktion. Signalen är bandbegränsad
6.3. PRAKTISK A/D- OCH D/A-OMVANDLING 121
nTs
xd (nTs)
0 ωs 2ωs
|Xd (ω) |
t
x(t)
0 ωs 2ωs
|ZOH (ω) |
|X (ω) |
Figur 6.11: Signalerna x(nTs) o h x(t) samt frekvensfunktionerna i ekva-
tion (6.3.15).
med bandbredden 20 kHz. Samplingsfrekvensen är 176,4 kHz. Det krävs attaliasfrekvenser dämpas med minst 50 dB o h de intressanta signalkomponen-
terna får ändras med maximalt 0,5 dB.
Figur 6.12 illustrerar det diskreta spektret Xd (ω) samt faktorn |ZOH(ω) |från nollte ordningens hållfunktion. Enligt (6.3.15) dämpar nollte ordningens
hållfunktion frekvensen 20 kHz med faktorn
|ZOH(ω) | = sin(ωTs
2
)
ωTs
2
= 0,9790 = −0,184 dB vid ω = 2π · 20 · 103 rad
s.
Den totala dämpningen av produkten av nollte ordningens hållfunktion o h
ltret H ges av |H (jω) · ZOH(ω) | = |H (jω) | · |ZOH(ω) |. Från den logarit-
miska denitionen av de ibelskalan följer att den totala dämpningen i de ibel
122 KAPITEL 6. DISKRET REPRESENTATION
helt enkelt är summan av de enskilda dämpningarna angivna i de ibel,
20 lg (|H (jω) · ZOH (ω) |) = 20 lg (|ZOH(ω) |) + 20 lg (|H (jω) |) dB .
Det följer således från spe ikationerna att ltret H får ha en maximal dämp-
ning motsvarande 0,5 dB− 0,184 dB = 0,316 dB vid 20 kHz. Med andra ord
skall ltrets H förstärkning vid 20 kHz satisera olikheten 20 lg (|H (jω) |) ≥−0,316 dB
Eftersom signalen är bandbegränsad försvinner det diskreta spektretXd (ω)för frekvenser mellan 20 kHz o h Nyquistfrekvensen 88,2 kHz. Det följer attXd (ω) = 0 o kså för frekvenser mellan 88,2 kHz o h frekvensen (176,4 −20) kHz. Enligt (6.3.15) är den lägsta aliasfrekvens som påverkar signalen
således frekvensen (176,4− 20) kHz, ty på grund av periodi iteten är Xd (ω)ekvivalent vid f = ω
2π= (176,4 − 20) kHz o h f = ω
2π= −20 kHz. Enligt
(6.3.15) dämpas frekvenser vid 176,4 kHz−20 kHz = 156,4 kHz med faktorn
|ZOH(ω) | = sin(ωTs
2
)
ωTs
2
= 0,125 = −18dB vid ω = 2π · 156 · 103 .
Det följer från spe ikationerna att ltret H bör dämpa frekvenser vid 156,4 kHzminst med en faktor motsvarande 50 dB−18 dB = 32 dB. Med andra ord skall
ltrets H förstärkning vid 156,4 kHz satisera olikheten 20 lg (|H (jω) |) ≤−32 dB.
Om vi antar ett Butterworth lter med ordningen n o h bandbredden fcfår vi enligt ovan villkoren
20 lg
√
1 +
(20
fc
)2n
≤ 0,316 dB ,
20 lg
√
1 +
(156,4
fc
)2n
≥ 32 dB .
Det minsta (heltals) n för vilket dessa olikheter satiseras är n = 3, varvidexmpelvis fc = 32 kHz uppfyller spe ikationerna.
6.3.3 Tillämpningar på digital kommunikation
Digital representation av analoga signaler har omfattande användning inom
digital kommunikation. Som tidigare konstaterats, kan bitsekvenser överföras
6.3. PRAKTISK A/D- OCH D/A-OMVANDLING 123
−0,184 dB
−18 dB
|Xd (ω) ||ZOH (ω) |
0 20 156,4 176,4 f (kHz)
Figur 6.12: Diskreta signalens spektrum |Xd(ω)| o h faktorn |ZOH(ω) | iexempel 6.3.3.
genom modulering av bärvågor. Bitsekvenserna i sin tur representerar sym-
bolsekvenser. Dessa kan bestå av de diskreta signaler som representerar en
bandbegränsad signal.
En standardmetod för att bestämma den digitala representationen av en
analog signal är pulskodmodulering (eng. pulse- ode modulation PCM). I
denna samplas den analoga, bandbegränsade, signalen vid ekvidistanta tid-
punkter genom multiplikation med en pulssekvens (se gur 6.15). Resultatet
kvantiseras o h representeras digitalt. Då endast en bråkdel av den totala
samplingsperioden Ts behövs för pro essering o h överföring av den digitalt
kodade signalen, är det möjligt att använda samma kommunikationskanal
(frekvensband) för samtidig överföring av era signaler. Detta kan åstad-
kommas genom att tilldela de olika signalerna antingen var sin tidsintervall
(TDMA Time Division Multiple A ess) eller kodord (CDMA Code Di-
vision Multiple A ess).
124 KAPITEL 6. DISKRET REPRESENTATION
Exempel 6.3.4. TDMA
Prin ipen för TDMA (Time Division Multiple A ess) visas i gur 6.14
o h den praktiska implementeringen av förfarandet visas s hematiskt i gur
6.15. TDMA används t.ex. i GSM mobiltelefonsystem för parallell överföring
av era signaler på samma kommunikationskanal.
|
|
|
|
Ts------- -----------
Figur 6.13: Pulskodmodulering. Analog signal (överst) modulerar en puls-
sekvens (i mitten) o h resultatet ger efter kvantisering en digital samplad
signal (nere).
Exempel 6.3.5. CDMA
En svaghet hos TDMA är att om den överförda signalen korrumperas av
brus, kan symbolen under ett tidsintervall som hänför sig till en signal lätt
tappas bort helt. En metod som är mera robust mot brus fås genom att i
6.3. PRAKTISK A/D- OCH D/A-OMVANDLING 125
• • • • • • • • • • • •
• • • • • • • • • • • •
|
|
|
|
Ts------- -----------
Figur 6.14: Pulskodmodulering o h TDMA. Flera analoga signaler kan över-
föras på samma kanal genom pulskodmodulering.
stället sprida de olika signalernas symboler över alla tidsintervall genom att
representera de olika symbolerna med hjälp av givna kodord. För att inse hur
detta kan åstadkommas betrakta ett trivialt exempel där fyra diskreta signaler
sänds över samma kanal. Antag att under ett samplingsintervall symbolerna
s1, s2, s3 o h s4 asso ierade med de fyra signalerna skall sändas. I TDMA
sänds då under samplingsintervallet symbolerna separat som den diskreta se-
kvensen x(1), x(2), x(3), x(4) = s1, s2, s3, s4. I CDMA däremot sprids
symbolerna över hela sekvensen x(m), n = 1, 2, 3, 4 med hjälp av lämpligt
126 KAPITEL 6. DISKRET REPRESENTATION
GLP
lågpasslter
(antialias)
x1
GLPx2
.
.
.
GLP
xM
PCM
kanal
PCM
pulskod-
modulering
kommunikations-
kanal
pulskod-
demodulering
lågpasslter
(rekonstruktion)
GLP y1
GLP y2
.
.
.
GLP yM
Figur 6.15: Prin ipskiss av ett TDMA system. De inkommande analoga (tids-
kontinuerliga) signalerna xi lågpassltreras o h fördelas på olika tidsintervall
med en multiplexer. Den resulterande signalen pulskodmoduleras till en se-
kvens digitala symboler som kan transmitteras med hjälp av en bärvåg (jfr
avsnitt 3.1.1). Den mottagna signalen demoduleras till en tidsdiskret sig-
nalsekvens, ur vilken de enskilda signalerna rekonstrueras med hjälp av en
multiplexer (synkroniserad med sändarens) samt analoga rekonstruktionsl-
ter.
valda kodord. Tag t.ex. de fyra kodorden
c1(n) = 1, 1, 1, 1c2(n) = 1, 1,−1,−1c3(n) = 1,−1, 1,−1c4(n) = 1,−1,−1, 1 .
Observera att kodordssekvenserna är ortogonala, dvs
4∑
n=1
ck(n)cl(n) =
0 , k 6= l ,4 , k = l .
(6.3.17)
I CDMA representeras symbolen s1 med kodsekvensen c1(n) i form av se-
kvensen s1c1(n), n = 1, 2, 3, 4. Symbolen s2 representeras analogt som se-
kvensen s2c2(n), n = 1, 2, 3, 4 o.s.v. för s3 o h s4. Den transmitterade
signalen x(n), n = 1, 2, 3, 4 hanteras sedan som summan av de enskilda
6.3. PRAKTISK A/D- OCH D/A-OMVANDLING 127
symbolerna sekvenser
x(n) = s1c1(n) + s2c2(n) + s3c3(n) + s4c4(n) , n = 1, 2, 3, 4 .
I motsats till TDMA sprids de olika symbolerna alltså över alla element i den
transmitterade signalen. Ta k vare kodsekvensernas ortogonalitet (6.3.17)
kan den korrekta symbolen enkelt bestämmas vid mottagaren: Värdet hos
symbolen sk fås genom att multipli era den transmitterade signalen x(n)elementvis med motsvarande kodordsekvens ck(n), d.v.s.
1
4
4∑
n=1
x(n)ck(n) =1
4
4∑
n=1
[s1c1(n) + s2c2(n) + s3c3(n) + s4c4(n)] ck(n)
= sk .
CDMA används t.ex. i tredje generationens mobiltelefoni (3G).
Anmärkning 6.3.2. Bandbredd o h symbolhastighet
Nyquists o h Shannons samband mellan kontinuerliga o h diskreta signal-
representationer har intressanta konsekvenser för symbolhastigheten, alltså
antalet symboler som kan transmitteras per tidsenhet över en kommunika-
tionskanal med given bandbredd. Vi har sett att det nns ett entydigt sam-
band mellan spektren hos en diskret sekvens med samplingsfrekvensen fs o hen kontinuerlig bandbegränsad signal med bandbredd < fs
2. Enligt Shannons
rekonstruktionsformel (6.2.9) består den kontinuerliga signalens spektrum då
av exakt samma frekvenskomponenter som den diskreta signalens spektrum.
Det följer att den kontinuerliga signalen bör ha samma bandbredd som den
diskreta signalen för att tillåta ett entydigt samband mellan signalerna. Ef-
tersom en diskret signal med samplingsfrekvensen fs kan ha ett spektrum
bestående av frekvenser upp till
fs2måste en asso ierad kontinuerlig signal
o kså bestå av frekvenskomponenter upp till
fs2. Vid amplitudmodellering av
en bärvåg upptar en dylik signal bandbredden fs, se avsnitt 3.1.1.Ovanstående observationer leder till det fundamentala resultatet:
Maximala symbolhastigheten hos en brusfri kommunikationskanal med
bandbredden f är f symboler per sekund.
128 KAPITEL 6. DISKRET REPRESENTATION
Kapitel 7
Diskreta signaler o h system
I detta kapitel diskuteras grundläggande teori för diskreta signaler o h sy-
stem. För diskreta signaler introdu eras z-transformen, som ligger som grund
för representationen av linjära diskreta system med hjälp av överföringsfunk-
tioner. Överföringsfunktionen beskriver på ett my ket kompakt sätt frekvens-
svaret hos ett system, o h den är därför oumbärlig vid syntes av lter.
7.1 Linjära tidsinvarianta system
Denition 7.1.1. Ett diskret system H transformerar en diskret signal
x(n) till en annan diskret signal y(n), jämför gur 7.1. Ett diskret sy-
stem är linjärt, om elementen i utsignalsekvensen beror linjärt av elementen
i insignalsekvensen,
y(n) =∞∑
k=−∞h(k)x(n− k) , n = . . . ,−1, 0, 1, . . . (7.1.1)
Sekvensen h(k) kallas systemets impulssvar, eftersom h(k) anger hur en
impuls x(n − k) = 1 vid tiden n − k påverkar systemets utsignal y(n) ktidpunkter senare.
Om systemets egenskaper inte förändras med tiden, d.v.s. impulssvaret
h(k) är en funktion av enbart k o h inte av tidpunkten vid vilken impulsen
sker, kallas systemet tidsinvariant. Termen skiftinvariant används som en al-
ternativ benämning för diskreta tidsinvarianta system. För linjära tidsinva-
rianta system används allmänt förkortningen LTI system (eng. Linear Time
Invariant system).
129
130 KAPITEL 7. DISKRETA SIGNALER OCH SYSTEM
H y(n)x(n)
Figur 7.1: Diskret system.
Ett system vars utsignal y(n) är en funktion av endast tidigare insignaler
x(n), x(n − 1), . . ., men inte av framtida insignaler x(n + 1), x(n + 2), . . .,kallas kausalt. Hos ett kausalt system försvinner impulssvaret för negativa k;h(k) = 0, k < 0, o h utsignalen ges av
y(n) =∞∑
k=0
h(k)x(n− k)
= h(0)x(n) + h(1)x(n− 1) + h(2)x(n− 2) + · · ·(7.1.2)
Vid realtidstillämpningar förekommer nästan uteslutande kausala system.
Däremot kan i ke-kausala system my ket väl förekomma i samband med o-
line beräkningar, såsom vid bildbehandling m.m.
Denition 7.1.2. Operationerna i ekvationerna (7.1.1) o h (7.1.2) kallas
diskret faltning eller konvolution (eng. onvolution). Faltningen av sekven-
serna h = h(k) o h x = x(k) ges av (7.1.1), o h brukar bete knas med
en asterisk,
y = h ∗ x . (7.1.3)
Problemet att beräkna utsignalen från ett linjärt system uppstår i era
signalbehandlingstillämpningar. Beräkningen av faltningen av två sekvenser
utgör därför en av de viktigaste numeriska beräkningsoperationerna i signal-
behandling.
7.2 z-transformen
Det visar sig att analysen av diskreta signaler o h system blir enklare om
man representerar signaler o h system med hjälp av en spe iell transform,
den s.k. z-transformen.
7.2. Z-TRANSFORMEN 131
Denition 7.2.1. För en sekvens x(n) denierad för alla heltal n är z-transformen
X(z) = Z (x(n)) =∞∑
n=−∞x(n)z−n , (7.2.1)
där z är en komplex variabel.
Transformen i ekvation (7.2.1) är en s.k. dubbelsidig z-transform. I era
sammanhang är det ändamålsenligt att studera signaler som försvinner för
negativa tider, x(n) = 0, n < 0. Transformen redu eras då till den enkelsidiga
z-transformen
X(z) =∞∑
n=0
x(n)z−n = x(0) + x(1)z−1 + x(2)z−2 + · · · (7.2.2)
Ekvationen (7.2.2) denierar z-transformen som den komplexa funktion
X(z), vars potensserie utve klad i potenser av z−1har koe ienterna i se-
kvensen x(n). Funktionen X(z) är denierad för de värden på variablen
z, för vilka summan i (7.2.2) konvergerar. Mängden av z-värden för vilka
summan konvergerar beror således av egenskaperna hos sekvensen x(n).Vi observerar från denitionen (7.2.2), att summan i allmänhet ej konver-
gerar för godty kligt små |z|, utan |z| bör vara tillrä kligt stort för att ge
konvergens.
Det vore i era avseenden naturligare att i stället för (7.2.2) deniera en
transform med hjälp av en Taylorserieutve kling i potenser av z. En orsak
till att z-transformen denieras enligt (7.2.1) o h (7.2.2) är att sambandet
mellan z-transformen o h Fouriertransformen på detta sätt blir spe iellt en-
kelt. Från denitionen (4.2.2) av Fouriertransformen av diskreta signaler har
vi att Fouriertransformen X (ω) kan uttry kas som
X (ω) =∞∑
n=−∞x(n)e−jωn
=∞∑
n=−∞x(n)
(ejω)−n
= X(z)∣∣∣z=ejω
.
(7.2.3)
z-tranformen kan således uppfattas som en generalisering av Fouriertransfor-
men. Varje sekvens som har en Fouriertransform har även en z-transform.
Däremot har endast de signaler vars z-transform konvergerar för z = ejω en
Fouriertransform vid ifrågavarande frekvens.
132 KAPITEL 7. DISKRETA SIGNALER OCH SYSTEM
z-transformen är den diskreta motsvarigheten till Lapla e-transformen
för kontinuerliga signaler. I det kontinuerliga fallet existerar nämligen ett
liknande samband mellan Fouriertransformen o h Lapla etransformen, jäm-
för ekvation (3.3.20). I enlighet med Lapla etransformen kan z-transformen
utnyttjas för att studera egenskaperna hos diskreta system. z-transformerna
för ett antal vanliga sekvenser ges i tabell 7.1.
Exempel 7.2.1. Betrakta stegfunktionen
u(n) =
0 , n < 0 ,1 , n ≥ 0 .
(7.2.4)
Från denitionen får vi stegfunktionens z-transform som
U(z) = Z (u(n)) =∞∑
n=0
1 · z−n = 1 + z−1 + z−2 + · · ·
=1
1− z−1=
z
z − 1.
(7.2.5)
Vi observerar att (den geometriska) serien konvergerar om |z−1| < 1, d.v.s.då |z| > 1. Exempelvis för z = ej0 = 1 divergerar serien, o h Fouriertrans-
formen existerar således ej vid frekvensen noll.
Exempel 7.2.2. Exponentialfunktionen
x(n) =
0 , n < 0 ,cn ,
(7.2.6)
har z-transformen
X(z) =∞∑
n=0
cn · z−n = 1 + cz−1 + c2z−2 + · · ·
= 1 + cz−1 + (cz−1)2 + · · · = 1
1− cz−1=
z
z − c.
(7.2.7)
Resultatet kan jämföras med den tabellerade z-transformen för c = e−a, se
tabell 7.1. I detta fall konvergerar summan om |cz−1| < 1, d.v.s. |z| > |c|.Spe iellt gäller att z-transformen existerar o kså för divergerande sekvenser
med |c| > 1. Däremot har sådana sekvenser ingen Fouriertransform, eftersom
summan divergerar för alla z = ejω om |c| > 1.
7.2. Z-TRANSFORMEN 133
Vi skall till slut notera några viktiga egenskaper hos z-transformen.
Lemma 7.2.3. Linjäritet
Om X1(z) = Z (x1(n)) o h X2(z) = Z (x2(n)) så har sekvensen
y(n) = c1x1(n) + c2x2(n) transformen
Y (z) = Z (c1x1(n) + c2x2(n)) = c1X1(z) + c2X2(z) . (7.2.8)
Resultatet följer direkt ur denitionen.
Lemma 7.2.4. Inverkan av tidsförskjutning
Låt X(z) = Z (x(n)). Denera den tidsförskjutna sekvensen xl(n) =x(n− l), där vi antar l > 0. Sekvensen xl(n) fås således genom att låta
sekvensen x(n) fördröjas med l tidssteg. Den tidsförskjutna sekvensens z-transform Xl(z) ges då av
Xl(z) = Z (x(n− l)) = z−lX(z) . (7.2.9)
Bevis. Detta följer direkt ur denitionen, ty Xl(z) ges av
Xl(z) =∞∑
n=−∞x(n− l)z−n
=∞∑
m=−∞x(m)z−m−l , m = n− l ,
= z−l
∞∑
m=−∞x(m)z−m = z−lX(z)
(7.2.10)
Här användes den dubbelsidiga z-tranformen, men resultatet gäller ana-
logt sätt för den enkelsidiga transformen.
Anmärkning 7.2.1. Transformen för sekvensen x−l(n) = x(n + l) ges av
X−l(z) = Z (x(n + l)) = zlX(z) . (7.2.11)
I detta fall förskjuts den ursprungliga sekvensen l tidssteg bakåt (vi antar,
att l > 0). Detta samband gäller även för den enkelsidiga transformen, för-
utsatt att den tidsförskjutna sekvensen x−l(n) = x(n+ l) försvinner för
negativa n, d.v.s. vi har x(0) = x(1) = · · · = x(l − 1) = 0.
134 KAPITEL 7. DISKRETA SIGNALER OCH SYSTEM
Anmärkning 7.2.2. Sambandet (7.2.9) denierar z som en s.k. skiftoperator ;
multiplikation av transformen med z skiftar den motsvarande sekvensen med
en tidsenhet;
X1(z) = zX(z) ⇔ x1(n) = x(n + 1) . (7.2.12)
Denna egenskap innebär att z kan operera direkt på sekvensens element,
alltså
zx(n) = x(n + 1) o h z−1x(n) = x(n− 1) . (7.2.13)
Skiftoperatorer utgör en generell klass av operatorer, med era spe iella egen-
skaper.
7.3 Diskreta överföringsoperatorer
En av de viktigaste tillämpningarna för z-transformen nns i analysen av
linjära system. Spe iellt gäller att faltningen (7.1.2) av två sekvenser är pro-
dukten av sekvensernas z-transformer. Analysen av linjära diskreta system
är därför i era avseenden betydligt enklare att göra i z-transformplanet än
i tidsplanet. Här har vi en analogi med situationen i det kontinuerliga fal-
let, där lösningen av dierentialekvationer med hjälp av Lapla etransformen
redu eras till algebraiska ekvationer som innehåller produkter av komplexa
funktioner.
Betrakta det kausala linjära tidsinvarianta systemet denierad av ekva-
tion (7.1.2), vars impulssvar ges av sekvensen h(n) = h(0), h(1), . . .. LåtH(z) bete kna z-transformen av impulssvaret,
H(z) =
∞∑
n=0
h(n)z−n . (7.3.1)
Då har vi följande viktiga resultat.
Sats 7.3.1. Ett linjärt systems inverkan på z-transformen
Utsignalsekvensen y(n) i ekvation (7.1.2) har z-transformen
Y (z) = H(z)X(z) , (7.3.2)
där H(z) ges av (7.3.1) o h X(z) = Z (x(n)).
7.3. DISKRETA ÖVERFÖRINGSOPERATORER 135
Bevis. Vi observerar att systemets utsignal i ekvation (7.1.2) kan delas upp
enligt
y(n) = y0(n) + y1(n) + y2(n) + · · · , (7.3.3)
där yk(n), k = 0, 1, 2, . . . denieras enligt
yk(n) = h(k)x(n− k) . (7.3.4)
Från egenskapen (7.2.9) följer att z-transformen av sekvensen yk(n) är
Yk(z) = h(k)z−kX(z) , (7.3.5)
o h (7.3.3) o h z-transformens linjäritet impli erar
Y (z) = Y0 + Y1 + Y2 + · · ·=(h(0) + h(1)z−1 + h(2)z−2 + · · ·
)X(z)
= H(z)X(z) ,
(7.3.6)
vilket är (7.3.2).
I z-transformplanet kan således ett linjärt systems inverkan på en se-
kvens uttry kas som en multiplikation av sekvensens transform med funktio-
nen H(z). Funktionen H(z) kallas systemets överföringsfunktion eller över-
föringsoperator.
En spe iellt viktig klass av system är de vars överföringsfunktion består
av kvoten av två polynom i z−1(en rationell funktion i z−1
),
H(z) =a0 + a1z
−1 + · · ·+ aMz−M
1 + b1z−1 + · · ·+ bNz−N, (7.3.7)
eller analogt,
H(z) =a0z
N + a1zN−1 + · · ·+ aMzN−M
zN + b1zN−1 + · · ·+ bN. (7.3.8)
Denna typ av överföringsoperator motsvaras i tidsplanet av en dierensekva-
tion av ordningen N . Detta kan ses genom substitution av uttry ket (7.3.7)
i (7.3.6), vilket ger
Y (z) =a0 + a1z
−1 + · · ·+ aMz−M
1 + b1z−1 + · · ·+ bNz−NX(z) , (7.3.9)
136 KAPITEL 7. DISKRETA SIGNALER OCH SYSTEM
eller
(1 + b1z
−1 + · · ·+ bNz−N)Y (z) =
(a0 + a1z
−1 + · · ·+ aMz−M)X(z) .(7.3.10)
Om vi beaktar egenskapen (7.2.9) fås att (7.3.10) är ekvivalent med
Z (y(n) + b1y(n− 1) + · · ·+ bNy(n−N)) =Z (a0x(n) + a1x(n− 1) + · · ·+ aMx(n−M)) ,
(7.3.11)
vilket är överensstämmer med
y(n) + b1y(n− 1) + · · ·+ bNy(n−N) =
a0x(n) + a1x(n− 1) + · · ·+ aMx(n−M) , n = . . . ,−1, 0, 1, . . .(7.3.12)
Detta är en linjär dierensekvation av ordningen N . Vi har alltså visat att
ett system som beskrivs av en linjär dierensekvation av ordningen N repre-
senteras av en överföringsfunktion vars nämnarpolynom har ordningen N .
Sådana system sägs ha ordningen N .
Anmärkning 7.3.1. Sambandet (7.3.2) ger en eektiv metod för beräkning
av faltningen (7.1.3) av två sekvenser. Enligt ovan motsvaras faltningen av
en multiplikation av sekvensernas z-transformer enligt (7.3.2). Å andra sidan
har vi sambandet (7.2.3) mellan z-transformen o h Fouriertransformen. Det
följer att omH (ω) o h X (ω) är Fouriertransformerna av sekvenserna h(k)o h x(k), så ges Fouriertransformen av sekvensen y(n) av
Y (ω) = H (ω)X (ω) . (7.3.13)
En numeriskt eektiv metod för beräkning av faltningen av två sekvenser be-
står således av att beräkna diskreta Fouriertransformen av sekvenserna med
hjälp av FFT, multipli era transformerna elementvis, o h till slut bestämma
den sökta faltningen genom beräkna inversa diskreta Fouriertransformen av
produkten med hjälp av IFFT.
Följande exempel illustrerar hur z-transformen kan användas för att ana-
lysera o h förenkla linjära diskreta system.
Exempel 7.3.2. Vi skall bestämma utsignalsekvensen y(0), y(1), y(2), . . .från ett diskret system som beskrivs av dierensekvationen
y(n)− 0,9y(n− 1) + 0,5y(n− 2) = x(n)− 0,2x(n− 1) ,
7.3. DISKRETA ÖVERFÖRINGSOPERATORER 137
K
x(n) y(n)
r(n)
e(n)G
−+
Figur 7.2: Diskret systemkoppling.
då y(n) = x(n) = 0, n < 0 o h x(0) = x(1) = · · · = 1.Sambandet mellan in- o h utsignalernas z-transformer är enligt (7.3.9)
Y (z) =1− 0,2z−1
1− 0,9z−1 + 0,5z−2X(z) .
I detta fall är insignalen en stegfunktion, vars transform är (jämför exempel
7.2.1)
X(z) =1
1− z−1,
så att
Y (z) =1− 0,2z−1
(1− 0,9z−1 + 0,5z−2) (1− z−1). (7.3.14)
För att bestämma den sökta sekvensen y(0), y(1), y(2), . . . bör z-transformen
Y (z) inverteras (d.v.s. baklängestransformeras). På detta sätt kan en ana-
lytisk lösning av dierensekvationen bestämmas. Metoder för invertering av
z-transformer beskrivs i avsnitt 7.5.
Övning 7.3.1. Betrakta systemkopplingen i gur 7.2, där systemet G de-
nieras av dierensekvationen
y(n)− 0,8y(n− 1) = e(n)
o h K denieras av
r(n)− 0,5r(n− 1) = y(n− 1) + 0,1y(n− 2) .
138 KAPITEL 7. DISKRETA SIGNALER OCH SYSTEM
Visa att utsignalens z-transform ges av
Y (z) =1− 0,5z−1
1− 0,3z−1 + 0,5z−2X(z) .
7.4 Stabiliteten hos linjära diskreta system
Vid syntes av diskreta system o h lter är det viktigt att garantera systemets
stabilitet. I signalbehandlingstillämpningar brukar stabiliteten hos ett system
deneras på följande sätt:
Denition 7.4.1. Ett system H säges vara stabilt om varje begränsad
insignalsekvens ger upphov till en begränsad utsignalsekvens. Med en be-
gränsad insignalsekvens avses i detta sammanhang att x(n) skall satis-
era |x(n)| < Mx < ∞, ∀n, o h y(n) skall på samma sätt satisera
|y(n)| < My < ∞, ∀n.
Denna denition av stabilitet brukar kallas BIBO-stabilitet (Bounded-
Input-Bounded-Output-stabilitet).
Lemma 7.4.1. Stabiliteten hos ett system kan enkelt karakteriseras med
hjälp av systemets impulssvar o h överföringsfunktion. Vi har att ett system
är stabilt om o h endast om impulssvaret h(k) satiserar olikheten
∞∑
k=0
|h(k)| < ∞ . (7.4.1)
Bevis. Begränsningen (7.4.1) hos impulssvaret impli erar att för varje be-
gränsad insignalsekvens |x(n)| < Mx satiserar utsignalen olikheten
|y(n)| = |∞∑
k=0
h(k)x(n− k)| ≤∞∑
k=0
|h(k)x(n− k)|
=
∞∑
k=0
|h(k)| |x(n− k)| ≤∞∑
k=0
|h(k)| Mx < ∞ .
(7.4.2)
Om å andra sidan villkoret (7.4.1) inte gäller, ger den begränsade insignalse-
kvensen
x(n− k) =
|h(k)|h(k)
, om h(k) 6= 0 ,
0 , om h(k) = 0 ,(7.4.3)
7.4. STABILITETEN HOS LINJÄRA DISKRETA SYSTEM 139
en oändlig utsignal, ty
y(n) =
∞∑
k=0
h(k)x(n− k) =
∞∑
k=0
|h(k)| = ∞ . (7.4.4)
Därmed impli erar en ändlig utsignal att villkoret (7.4.1) gäller.
Stabilitetsvillkoret kan ges en spe iellt enkel formmed hjälp av överförings-
funktionen H(z). Spe iellt gäller att stabiliteten kan uttry kas med hjälp av
polerna hos funktionen H(z). överföringsfunktionen är en funktion av den
komplexa variabeln z. De värden z = pi för vilka |H (pi) | = ∞ kallas funk-
tionens poler. Polerna hos en rationell överföringsfunktion av formen (7.3.7)
eller (7.3.8) är helt enkelt nämnarpolynomets nollställen. Vi har följande
stabilitetsresultat.
Sats 7.4.2. Stabiliteten hos linjära diskreta system.
Ett linjärt diskret system som representeras av överföringsfunktionenH(z)är stabilt om o h endast om alla poler pi hos H(z) är till absoluta beloppet
mindre än ett, |pi| < 1, d.v.s. de benner sig innanför enhets irkeln.
Bevis. Resultatet följer direkt ur stabilitetskriteriet (7.4.1), ty från överfö-
ringsfunktionens denition (7.3.1) har vi att för alla |z| ≥ 1 gäller
|H(z)| ≤∞∑
n=0
|h(n)z−n| ≤∞∑
n=0
|h(n)||z−n|
≤∞∑
n=0
|h(n)| , |z| ≥ 1 .
(7.4.5)
Det följer att för ett stabilt system är H(z) begränsad för alla |z| ≥ 1 o h
kan därför inte ha poler utanför enhets irkeln. Det omvända kan visas med
liknande argumentering.
Övning 7.4.1. Undersök stabiliteten hos ett system som beskrivs av die-
rensekvationen
y(n) + cy(n− 1) = dx(n) . (7.4.6)
Bestäm stabilitetsvillkor med hjälp av såväl impulssvaret som överföringso-
peratorn.
140 KAPITEL 7. DISKRETA SIGNALER OCH SYSTEM
7.5 Invertering av z-transformen
Vi har ovan sett att utsignalen från diskreta system för olika insignaler på ett
kompakt sätt kan uttry kas med hjälp av z-transformen. Det är då av intresse
att bestämma den diskreta signal som motsvarar den erhållna z-transformen.
Detta är ekvivalent med problemet att beräkna inversen av z-transformen;
x(n) = Z−1[
X(z)]
. Som vi sett har z-transformerna ofta formen av en
rationell funktion i z−1,
X(z) =a0 + a1z
−1 + · · ·+ aMz−M
1 + b1z−1 + · · ·+ bNz−N. (7.5.1)
Vi skall i det följande diskutera systematiska metoder för beräkning av den
inversa z-transformen av rationella funktioner.
Metod 7.5.1. Serieutve kling o h lång division
Den enklaste pro eduren för invertering av z-transformer baserar sig di-
rekt på denitionen (7.2.2). Från denitionen följer att z-transformen i (7.5.1)
kan utve klas enligt
X(z) =a0 + a1z
−1 + · · ·+ aMz−M
1 + b1z−1 + · · ·+ bNz−N
= x(0) + x(1)z−1 + x(2)z−2 + x(3)z−3 + · · ·(7.5.2)
Den sökta sekvensen x(n) kan således bestämmas genom att utföra divi-
sionen med hjälp av s.k. lång division. Ekvationen kan skrivas i formen
(1 + b1z
−1 + · · ·+ bNz−N) (
x(0) + x(1)z−1 + x(2)z−2 + x(3)z−3 + · · ·)
= a0 + a1z−1 + · · ·+ aMz−M .
(7.5.3)
Kravet att koe ienterna för de olika potenserna av z skall överensstämma
ger ekvationerna
z−0-termen: a0 = x(0)
z−1-termen: a1 = x(0)b1 + x(1)
z−2-termen: a2 = x(0)b2 + x(1)b1 + x(2)
.
.
.
.
.
.
(7.5.4)
från vilka den sökta sekvensen x(0), x(1), x(2), . . . kan bestämmas rekursivt.
7.5. INVERTERING AV Z-TRANSFORMEN 141
I denna metod fås den sökta sekvensen rekursivt o h metoden är ekvi-
valent med att i tidsplanet direkt lösa en dierensekvation som motsvaras
av överföringsfunktionen X(z) o h vars insignal är en impuls vid tidpunkten
n = 0 (vars z-transform är lika med 1). Mera intressanta metoder för att
bestämma inversa z-transformen är sådana som ger lösningen analytiskt.
Övning 7.5.1. Använd lång division för att bestämma utsignalsekvensen
y(0), y(1), y(2), . . . från systemet i exempel 7.3.2, vars transform gavs av
(7.3.14).
Metod 7.5.2. Residymetoden
Från sambandet (7.2.3) mellan z-transformen o h Fouriertransformen samt
det faktum att inversen av Fouriertransformen ges av (4.2.1) har vi
x(n) =1
2π
∫ 2π
ω=0
X(ejω)ejωn dω =
1
2πj
∫
|z|=1
X(z)zndz
z, z = ejω ,
(7.5.5)
där vi infört substitutionen z = ejω o h utnyttjat det faktum att dz =jejωdω = jzdω. Enligt teorin för analytiska komplexa funktioner kan inte-
graler av denna form uttry kas med hjälp av integrandens residyer evaluerade
vid polerna innanför integrationsområdet.
Eftersom invertering av z-transformen med hjälp av partialbråksuppdel-
ning o h tabellerade z-transformer i de esta sammanhang är lika användbar
o h dessutom enklare att tillämpa än residymetoden, kommer denna inte att
diskuteras mera ingående här. För mera detaljer hänvisas till t.ex. Ifea hor
o h Jervis (1993).
Metod 7.5.3. Användning av partialbråksuppdelning o h tabellerade z-transformer
Betrakta funktionen X(z) i (7.5.1). Om nämnarpolynomet har enbart
enkla nollställen z = pi, så att det kan faktoriseras enligt
1+b1z−1+· · ·+bNz
−N =(1− p1z
−1)·(1− p2z
−1)·. . .·
(1− pNz
−1), (7.5.6)
så kan funktionen X(z) partialbråkuppdelas enligt
X(z) = C0 +C1
1− p1z−1+
C2
1− p2z−1+ · · ·+ CN
1− pNz−1
= C0 +C1z
z − p1+
C2z
z − p2+ · · ·+ CNz
z − pN.
(7.5.7)
142 KAPITEL 7. DISKRETA SIGNALER OCH SYSTEM
Eftersom z-transformen är linjär kommer transformen av en summa att
bli lika med summan av transformerna. Således kan den inversa transfor-
men bestämmas med hjälp av kända inverser för de enskilda termerna i ut-
ve klingen. Från exempel 7.2.2 har vi att
zz−pi
är transformen av sekvensen
xi(n) = pni . Vi får således att den sökta sekvensen x(n) vars transformär X(z) ges av
x(n) = C0 + C1pn1 + C2p
n2 + · · ·+ CNp
nN . (7.5.8)
Formeln gäller även i det fall att det nns komplexkonjugerade nollställen,
pk = p∗l , varvid bidragen från dessa kan kombineras ihop till en reell term, se
övning 7.5.2.
Ifall nämnarpolynomet i (7.5.1) har ett m-dubbelt nollställe pk, kommer
partialbråksuppdelningen att innehålla termer av formen
m∑
i=1
Di
(z − pk)i (7.5.9)
med olika potenser upp till m av faktorn z − pk i nämnaren. Den inversa
z-transformerna av dessa kan bestämmas med hjälp av de tabellerade z-transformerna.
Övning 7.5.2. Visa att utsignalsekvensen y(0), y(1), y(2), . . . från syste-
met i exempel 7.3.2, vars transform gavs av
Y (z) =1− 0,2z−1
(1− 0,9z−1 + 0,5z−2) (1− z−1),
är
y(n) =4
3−0,5
3(1 + 2,8418j) (0,45 + 0,5454j)n−0,5
3(1− 2,8418j) (0,45− 0,5454j)n ,
vilket, uttry kt med hjälp av endast reella tal, är ekvivalent med
y(n) =4
3− 2
31,5063
(1
2
)n2
cos (0,88098 · n + 1,2324) .
Veriera att den erhållna sekvensen är den samma som erhölls i övning 7.5.1.
7.5. INVERTERING AV Z-TRANSFORMEN 143
Exempel 7.5.1. Fibona i
1
introdu erade år 1202 en berömd talföljd, som
beskriver antalet kaniner i förökning under ett antal år. Det antas att varje
kaninpar produ erar ett nytt kaninpar varje år, o h att det dröjer ungefär ett
år för ungarna att bli vuxna. Om man startar med ett kaninpar år noll, har
man alltså ett fullvuxet kaninpar år ett. År två har man två kaninpar (det
ursprungliga paret plus ett nytt par ungar) o h år tre har man tre kaninpar
(de två från år två plus ett nytt par ungar), o.s.v. så att antalet kaninpar
y(n) år n är lika med med antalet y(n − 1) från året tidigare plus antalet
ungar som produ eras av de fullvuxna kaninerna från föregående år, alltså
y(n− 2) st. Talföljden beskrivs således rekursivt av dierensekvationen
y(n) = y(n− 1) + y(n− 2) ,
med starttillståndet y(0) = y(1) = 1.Vi bestämmer nu analytiskt y(n) med de tidigare metoderna för lösning
av dierensekvationer. Starttillståndet beaktas nu genom insignalsekvensen
x(n) =
1 , n = 0 ,0 , n 6= 0 .
Dierensekvationen med insignalen ovan kan skrivas i standardform enligt
y(n)− y(n− 1)− y(n− 2) = x(n) ,
där y(n) = 0 för n < 0. Sätter vi in n = 0 o h n = 1 i ovanstående dieren-
sekvation så har vi överensstämmelse med det givna starttillståndet. Sekven-
sen x(n) har z-transformen X(z) = 1 så vi får med beaktande av (7.3.12)
samt (7.3.9) utsignalens (dierensekvationens lösning) z-transform:
Y (z) =1
1− z−1 − z−2=
z2
z2 − z − 1.
Nämnarpolynomet ovan kan faktoriseras enligt z2 − z− 1 = (z − p1) (z − p2)med rötterna, som kan beräknas med rotformeln, enligt
p1 =1 +
√5
2, p2 =
1−√5
2.
1
Leonardo av Pisa (Leonardo Fibona i, Leonardo Pisano, Leonardo från Pisa eller
bara Fibona i), född i Pisa runt 1170, död irka 1250, räknas som en av Italiens o h
världens största matematiker.
144 KAPITEL 7. DISKRETA SIGNALER OCH SYSTEM
Vi utnyttjar faktoriseringen ovan för att förenkla z-transformen, via en par-
tialbråksuppdelning
Y (z) =z2
z2 − z − 1= z2
(A1
z − p1+
A2
z − p2
)
= z2(A1 + A2) z − A1p2 − A2p1
(z − p1) (z − p2).
För att detta skall stämma identiskt för alla z-värden krävs att A1 + A2 = 0samt −A1p2 − A2p1 = 1. Löser man detta ekvationssystem fås A1 = 1√
5=
−A2. Således har vi den enkla formen
Y (z) = z
(A1z
z − p1+
A2z
z − p2
)
.
Granskning av tabell 7.1 visar nu att den första termen i parentesen ovan är
z-tranformen av sekvensen A1pn1 medan den andra termen är z-tranformen
av sekvensen A2pn2. Därmed kan vi skriva
A1z
z − p1= A1
(1 + p1z
−1 + p1z−2 + p1z
−3 + · · ·),
A2z
z − p2= A2
(1 + p2z
−1 + p2z−2 + p2z
−3 + · · ·),
vilket ger för utsignalen
Y (z) = zA1
(1 + p1z
−1 + p1z−2 + p1z
−3 + · · ·)
+ zA2
(1 + p2z
−1 + p2z−2 + p2z
−3 + · · ·)
= (A1 + A2) z + (A1p1 + A2p2) +(A1p
21 + A2p
22
)z−1 +
(A1p
31 + A2p
32
)z−2 + · · ·
Beaktande av A1 + A2 = 0 leder då till att ovanstående är z-transformen av
sekvensen
y(n) =A1p1 + A2p2, A1p
21 + A2p
22, A1p
31 + A2p
32, · · ·
,
eller
y(n) = A1pn+11 +A2p
n+12 =
1√5
(
1 +√5
2
)n+1
− 1√5
(
1−√5
2
)n+1
, n = 0, 1, 2, . . .
Anmärkning 7.5.1. Observera att lösningen av en linjär dierensekvation för
en stor mängd av insignaler har en z-transform av formen (7.5.1). Den presen-
terade metoden ger således en enkel pro edur för att bestämma en analytisk
lösning till en linjär dierensekvation. Metoden är analog med pro eduren
att lösa dierentialekvationer med hjälp av Lapla etransformen.
7.5. INVERTERING AV Z-TRANSFORMEN 145
Sekvens z-transform Konvergens-
x(n) , n ≥ 0 X(z) område
cδ(n) c Alla z
ccz
z − 1|z| > 1
cncz
(z − 1)2|z| > 1
cn2 cz(z + 1)
(z − 1)3|z| > 1
ce−αn cz
z − e−α|z| > e−α
cne−αn cze−α
(z − e−α)2|z| > e−α
1− e−αn z(1 − e−α)
z2 − z(1 + e−α) + e−α|z| > e−α
cos(αn)z(z − cosα)
z2 − 2z cosα + 1|z| > 1
sin(αn)z sinα
z2 − 2z cosα + 1|z| > 1
e−αn sin(αn)ze−α sinα
z2 − 2e−αz cosα + e−2α|z| > e−α
e−αn cos(αn)ze−α(zeα − cosα)
z2 − 2e−αz cosα + e−2α|z| > e−α
cosh(αn)z(z − coshα)
z2 − 2z coshα + 1|z| > coshα
sinh(αn)z sinhα
z2 − 2z coshα + 1|z| > sinhα
cαn cz
z − α|z| > |α|
cnαn cαz
(z − α)2|z| > |α|
Tabell 7.1: z-transformerna av några vanliga sekvenser. Här är c o h α reella
konstanter, o h δ(n) är impulsfunktionen; δ(n) = 0, n 6= 0 o h δ(0) = 1.
146 KAPITEL 7. DISKRETA SIGNALER OCH SYSTEM
Kapitel 8
Syntes av digitala lter
8.1 Digitala lter
I kapitel 7 hade vi sambandet (7.3.2) för ett linjärt system, enligt vilket
utsignalens z-transform är insignalens transform multipli eradmed systemets
överföringsfunktion
Y (z) = H(z)X(z) (8.1.1)
Här är z-transformerna nära besläktade med signalernas spektra eller Fouri-
ertransformerna. Enligt (7.2.3) har vi sambanden
X (ω) = X(z)∣∣∣z=ejω
o h Y (ω) = Y (z)∣∣∣z=ejω
.(8.1.2)
Vi får således
Y (ω) = H(ejω)X (ω) . (8.1.3)
Om vi uttry ker de komplexa funktionerna ovan med hjälp av magnitud o h
fas,
X (ω) = |X (ω) |ej arg(X(ω))
H(ejω)= |H
(ejω)|ej arg(H(ejω)) ,
(8.1.4)
så ges utsignalens spektrum med magnitud o h fas av
Y (ω) = |Y (ω) |ej arg(Y (ω)) , (8.1.5)
där
|Y (ω) | = |H(ejω)||X (ω) |
arg (Y (ω)) = arg (X (ω)) + arg(H(ejω))
.(8.1.6)
147
148 KAPITEL 8. SYNTES AV DIGITALA FILTER
Sambandet (8.1.3) eller (8.1.5) visar hur ett linjärt system H påverkar de oli-
ka frekvenskomponenterna i insignalen. Systemet H fungerar som ett lter,
som förstärker eller dämpar olika frekvenskomponenter hos insignalen x be-
roende på beloppet av |H (ejω) |. Funktionen |H (ejω) | visar hur magnituden
av olika frekvenskomponenter påverkas av systemet H . Förutom att inverka
på magnituden hos de olika frekvenskomponenterna, inför systemet även en
fasförskjutning av storleken arg (H (ejω)). Den komplexa funktionen H (ejω)kallas ltrets frekvenssvar. Ett lters frekvenssvar H (ejω) kan åskådliggöras
graskt i ett s.k. Bode-diagram, som anger magnituden |H (ejω) | o h fas-
förskjutningen arg (H (ejω)) som funktioner av frekvensen ω (se kurserna i
reglerteknik).
Anmärkning 8.1.1. Det är värt att notera det enkla sambandet (8.1.3) mellan
in- o h utsignalernas spektra. Detta enkla samband, som kan karakteriseras
med hjälp av en komplex multiplikation, utgör en av orsakerna till den stora
betydelse som frekvensalysen har fått inom era tillämpningar. En följd av
(8.1.3) är att utsignalen från ett linjärt tidsinvariant system ej kan innehålla
frekvenser som ej nns i insignalen. Endast tidsvarianta system eller olinjära
system kan generera sådana frekvenskomponenter i utsignalen som ej nns i
insignalen.
Observation 8.1.1. Det är skäl att observera några egenskaper hos frekvens-
svaret H (ejω). Från denitionen av H(z) har vi
H(ejω)=
∞∑
n=0
h(n)e−jωn . (8.1.7)
Frekvenssvaret är alltså Fouriertransformen av impulssvaret h(n) = h(0) ,h(1), h(2), . . .. Då koe ienterna h(n) är reella följer att
H(e−jω
)= H∗ (ejω
). (8.1.8)
Från den komplexa exponentialfunktionens periodi itet följer dessutom att
H (e−jω) = H(ej(2π−ω)
). Frekvenssvaret har alltså symmetriegenskapen
H(e−j(2π−ω)
)= H∗ (ejω
), (8.1.9)
frekvenssvaret i intervallet [π, 2π] är alltså komplexa konjugatet av frekvessva-
ret i intervallet [0, π]. Det rä ker därför med att spe i era frekvenssvaret i
intervallet [0, π] för att entydigt deniera det för alla frekvenser.
8.1. DIGITALA FILTER 149
Följande exempel visar, hur ett lter som uppdelar en signal i sina fre-
kvenskomponenter kan tillämpas för signalrekonstruktion.
Exempel 8.1.2. I exempel 2.0.1 betraktades problemet att rekonstruera en
signal x från en observerad signal y = Fx+ e. Om signalerna är diskreta ges
spektret hos y av
Y (ω) = F(ejω)X (ω) + E (ω) .
Antag att x har ett spektrum som är kon entrerat till ett lågfrekvensband
|ω| ≤ ω1, medan bruset e består av höga frekvenser |ω| ≥ ω2 > ω1. Signalen
x kunde då rekonstrueras genom att konstruera ett lågpasslter H(z) som
satiserar |H (ejω) | ≈ 1, |ω| ≤ ω1 o h |H (ejω) | ≈ 0, |ω| ≥ ω2. Då fås
H(ejω)Y(ejω)= H
(ejω)F(ejω)X(ejω)+H
(ejω)E(ejω)
≈ F(ejω)X(ejω),
o h signalen x kan approximativt rekonstrueras genom att välja xr = F−1Hy,vilket ger
Xr
(ejω)= F−1
(ejω)H(ejω)Y(ejω)≈ X
(ejω),
som är ekvivalent med xr ≈ x.
Anmärkning 8.1.2. Frekvenssvaret hos ett linjärt system för en periodisk
signal x(n) = ejωn bestående av en enda frekvens ω kan enkelt härledas
i tidsplanet direkt utgående från ekvationen (7.1.2). Vi får
y(n) = h(0)x(n) + h(1)x(n− 1) + h(2)x(n− 2) + · · ·= h(0)ejωn + h(1)ejω(n−1) + h(2)ejω(n−2) + · · ·=(h(0) + h(1)e−jω + h(2)e−2jω + · · ·
)ejωn
= H(ejω)ejωn ,
(8.1.10)
vilket är ekvivalent med (8.1.3) begränsad till en frekvenskomponent.
Vi skall ännu veriera att systemet har den förväntade eekten på signaler
av formen sin (ωn) o h cos (ωn). Insignalsekvensen i (8.1.10) kan skrivas
i en reell o h imaginär komponent enligt
ejωn = cos (ωn) + j sin (ωn) , n = 0,±1,±2, . . .
Det följer att den reella komponenten av utsignalen y(n) är systemets svar
på insignalen cos (ωn), o h den imaginära komponenten av utsignalen är
150 KAPITEL 8. SYNTES AV DIGITALA FILTER
systemets svar för insignalen sin (ωn). De reella o h imaginära komponen-
terna hos utsignalen (8.1.10) kan bestämmas genom att introdu era magni-
tuden o h fasen hos överföringsoperatorn, H (ejω) = |H (ejω) |ej arg(H(ejω)),varvid (8.1.10) kan skrivas
y(n) = |H(ejω)|ej arg(H(ejω))ejωn = |H
(ejω)|ej(ωn+arg(H(ejω))) . (8.1.11)
Här har vi
ej(ωn+arg(H(ejω))) = cos[ωn+ arg
(H(ejω))]
+ j sin[ωn+ arg
(H(ejω))]
.
Det följer att systemets transformerar sekvensen cos (ωn) enligt
y(n) = |H(ejω)| cos
[ωn+ arg
(H(ejω))]
(8.1.12)
o h på samma sätt fås att systemets svar för insignalsekvensen sin (ωn) är
y(n) = |H(ejω)| sin
[ωn+ arg
(H(ejω))]
. (8.1.13)
Systemet förstärkning o h fasförskjutning av frekvensenkomponenten ω över-
ensstämmer således med det tidigare erhållna resultatet.
Övning 8.1.1. Betrakta ett diskret system av första ordningen,
y(n)− ay(n− 1) = x(n) . (8.1.14)
Bestäm systemets frekvenssvar (förstärkning o h fasförskjutning) för de nu-
meriska värdena a = 0,6 o h a = −0,6 o h samplingstiden 0,2 s. Åskådliggörsambanden i form av ett Bode-diagram.
8.1.1 Klassi ering
Filtren klassi eras enligt sitt impulssvar i lter med ändligt impulssvar o h
lter med oändligt impulssvar. Ett lter med ett ändligt impulssvar ges av
y(n) =N−1∑
k=0
h(k)x(n− k)
= h(0)x(n) + h(1)x(n− 1) + · · ·+ h(N − 1)x(n−N + 1) .
(8.1.15)
8.2. FILTERSPECIFIKATIONER 151
En standardiserad förkortning för sådana lter är FIR lter (Finite Impulse
Response). Ett lter med ett oändligt impulssvar har formen
y(n) =∞∑
k=0
h(k)x(n− k) . (8.1.16)
Standardförkortningen för sådana lter är IIR lter (Innite Impulse Re-
sponse). I praktiken har IIR lter en ändlig ordning, o h de kan därför
skrivas i formen (jämför ekvation (7.3.12))
y(n) + b1y(n− 1) + · · ·+ bNy(n−N) =
a0x(n) + a1x(n− 1) + · · ·+ aMx(n−M) , n = . . . ,−1, 0, 1, . . .(8.1.17)
8.2 Filterspe ikationer
Filtersyntes går ut på att konstruera ett lter vars frekvenssvar uppfyller giv-
na spe ikationer. Typiska spe ikationer är att ltret eektivt skall spärra
vissa oönskade frekvenskomponenter i insignalen, medan de intressanta fre-
kvenskomponenternas storlek o h (relativa) fasförskjutning skall vara opåver-
kade. Vid ltersyntesen bör olika begränsningar beaktas som ltret i prakti-
ken skall uppfylla. En viktig begränsning i era tillämpningar är att ltret
bör vara kausalt. En annan begränsning är att ltret skall ha ändlig ordning
(som i praktiken do k kan vara my ket högt). Nedan kommer vi att se att
dessa krav begränsar de frekvenssvar som i praktiken kan realiseras.
8.2.1 Ideala lter
För att belysa några av de begränsningar som uppstår vid ltersyntes skall
vi undersöka impulssvaret hos ideala lter. Ett idealt lågpasslter HD med
bandbredden ωc < π har frekvenssvaret
HD
(ejω)=
1 , |ω| ≤ ωc ,0 , |ω| > ωc .
(8.2.1)
Frekvensbandet |ω| ≤ ωc kallas ltrets passband o h frekvensbandet |ω| > ωc
är ltrets spärrband (stopband). Ett idealt bandpasslter o h ett idealt
högpasslter denieras på analogt sätt. Observera att ltrets frekvenssvar
p.g.a. symmetriegenskapen (8.1.9) härvid betraktas i intervallet |ω| ≤ π.
152 KAPITEL 8. SYNTES AV DIGITALA FILTER
Passbandet hos ett digitalt högpasslter är därför kon entrerat till frekvenser
kring π.Eftersom överföringsoperatorn är impulssvarets Fouriertransform, ges im-
pulssvaret hD(n) hos det ideala lågpassltret genom att beräkna inversa
Fouriertransformen av HD (ejω). Enligt ekvation (4.2.3) fås
hD(n) =1
2π
∫ π
−π
HD
(ejω)ejωn dω =
1
2π
∫ ωc
−ωc
ejωn dω , (8.2.2)
vilket ger
hD(0) =ωc
π
hD(n) =ωc
π
sin (nωc)
nωc, n = ±1,±2, . . .
(8.2.3)
Det ideala ltret kan inte representeras i form av en rationell överförings-
funktion av ändlig ordning. En annan viktig observation är, att impulssvaret
hos det ideala ltret inte försvinner för negativa n. Det ideala ltret är i ke-kausalt.
I de esta tillämpningar krävs att ltret skall vara kausalt. Det visar
sig att kravet på kausalitet begränsar de ltersvar som kan erhållas. Vi har
följande, med beviset bortlämnat:
Sats 8.2.1. Paley-Wiener-villkoret
Det existerar ett kausalt lter H(z) med given lterförstärkning |H (ejω) | =g (ω) om o h endast om
∫ π
−π
| ln (g (ω))|1 + ω2
dω < ∞ . (8.2.4)
Villkoret innebär att förstärkningen hos ett kausalt lter inte kan försvinna i
ett intervall, eftersom logaritmen i (8.2.4) då går mot −∞. Det ideala ltret
uppfyller således inte Paley-Wiener-villkoret.
Kravet på kausalitet begränsar även formen hos ltrets fasförskjutning.
Från Fouriertransformens egenskaper i kapitel 4 följer att H (ejω) är re-
ellt om o h endast om impulssvaret är symmetriskt (en jämn funktion);
h(−n) = h(n), o h imaginärt om o h endast om impulssvaret är antisymmet-
riskt (en udda funktion); h(−n) = −h(n). För kausala system med h(n) = 0,n < 0, är impulssvarets symmetriska o h antisymmetriska komponenter ek-
vivalenta, vilket introdu erar ett samband mellan de reella o h imaginära
8.2. FILTERSPECIFIKATIONER 153
komponenterna hos frekvenssvaret H (ejω). Från detta samband följer att
fasförskjutningen hos ett kausalt lter ej kan spe i eras oberoende av mag-
nituden.
Av reella lter som kan implementeras i praktiken krävs, att de har ändlig
ordning o h (vanligen) att de är kausala. Vid syntes av lter försöker man så
väl som möjligt satisera spe ikationerna med hjälp av reella lter.
8.2.2 Linjär fasförskjutning
Förutom lterförstärkningen påverkar även ltrets fasförskjutning utsigna-
len. Om fasförskjutningen i ett lters passband varierar så, att olika fre-
kvenskomponenters faser förändras i förhållande till varandra, kommer sig-
nalen att förvrängas trots att förstärkningen i passbandet vore konstant.
Detta är givetvis oa eptabelt i era tillämpningar, bl.a. vid behandling av
audiosignaler.
För att se hurudana fasförskjutningar som kan tolereras, betrakta inver-
kan av ett linjärt diskret system H(z) på sinusformade signaler av formen
x(t) = sin (ωt) . (8.2.5)
Från avsnitt 8.1 har vi att systemet H(z) transformerar den periodiska sig-
nalen x(t) till en annan periodisk signal xf (t) som har samma frekvens men
en annan amplitud o h fas,
xf (t) = A (ω) sin (ωt+ θ (ω)) , (8.2.6)
där
A (ω) = |H(ejω)| o h θ (ω) = arg
(H(ejω))
. (8.2.7)
Det visar sig att för att ett lter ej skall införa fasförvrängning bör fasför-
skjutningen θ (ω) ges av det linjära sambandet
θ (ω) = −αω , (8.2.8)
eller
θ (ω) = −αω + π , (8.2.9)
där α är konstant. Ett lter vars fasförskjutning satiserar (8.2.8) eller (8.2.9)
kallas faslinjärt. Med sambandet (8.2.8) ges den ltrerade signalen av
xf (t) = A (ω) sin (ω (t− α)) . (8.2.10)
154 KAPITEL 8. SYNTES AV DIGITALA FILTER
Detta innebär att alla frekvenskomponenter fördröjs med tiden α o h fas-
förskjutningen försorsakar därför ingen förvrängning av en signal med era
frekvenskomponenter. För sambandet (8.2.9) blir den ltrerade signalen
xf(t) = A (ω) sin (ω (t− α) + π) = −A (ω) sin (ω (t− α)) . (8.2.11)
Utöver tidsfördröjningen tillkommer i detta fall ett te kenbyte p.g.a. fasför-
skjutningen π. Det är lätt att inse att ett lter bör vara faslinjärt för att
det ej skall införa fasförvrängning p.g.a. att olika frekvenskomponenters faser
påverkas på olika sätt
I vissa tillämpningar används s.k. generaliserat faslinjära lter. Fasför-
skjutningen hos generaliserat faslinjära lter satiserar
θ (ω) = β − αω , (8.2.12)
där α o h β är konstanter. Den ltrerade signalen ges då av
xf (t) = A (ω) sin (ω (t− α) + β) , (8.2.13)
där alla frekvenskomponenter fördröjs med tiden α o h fasförskjuts med vin-
keln β. Faslinjära lter är en delmängd av generaliserat faslinjära lter. Ett
generaliserat faslinjärt lter förorsakar fasförvrängning om β 6= 0 eller β 6= π.
Denition 8.2.1. Vid studiet av ett lters fasförskjutning brukar man in-
föra den s.k. faslöptiden eller fasfördröjningen Tp (phase delay) o h den
s.k. grupplöptiden eller gruppfördröjningen Tg (group delay):
Tp = −θ (ω)
ω,
Tg = −dθ (ω)
dω.
(8.2.14)
Faslöptiden Tp är den tidsfördröjning som frekvenskomponenten ω får
p.g.a. fasförskjutningen i ltret, ty sin (ωt+ θ (ω)) = sin (ω (t− Tp)). Grupp-löptiden Tg är en vanlig storhet vid karakterisering av linjära lter, o h upp-
står vid analysen av ett lters inverkan på en amplitudmodulerad signal.
Vi ser att ett lter är faslinjärt om det har en konstant fasfördröjning o h
generaliserat faslinjärt om o h endast om det har en konstant grupplöptid.
Följande exempel demonstrerar betydelsen av linjär fasförskjutning vid
ltrering.
8.2. FILTERSPECIFIKATIONER 155
−1
0
1
s1
−1
0
1
s2
−2
−1
0
1
2
s
Figur 8.1: Signalkomponenterna s1 o h s2 samt signalen s i exempel 8.2.2.
Exempel 8.2.2. Betrakta en signal s som består av två komponenter enligt
s(n) = s1(n) + s2(n) ,
där s1 o h s2 är lågfrekventa sinusformade komponenter,
s1(n) = sin (ω1n) ,
s2(n) = sin (ω2n) .
Komponenterna s1 o h s2 samt signalen s visas i gur 8.1. Låt signalen spåverkas av en störning e så att vi får signalen
x(n) = s(n) + e(n) ,
där e(n) är en högfrekvent sinusformad signal,
e(n) = sin (ωen) ,
156 KAPITEL 8. SYNTES AV DIGITALA FILTER
−2
−1
0
1
2
s
−1
0
1
e
−2−1012
x
Figur 8.2: Den störningsfria signalen s, störningen e, samt signalen x i exem-
pel 8.2.2.
med ω1 < ωe > ω2. Signalerna s, e o h x visas i gur 8.2.
Den lågfrekventa störningsfria signalen s kan bestämmas ur x genom
lågpassltrering med ett lter H(z) som har frekvenskomponenterna ω1 o h
ω2 i passbandet o h som spärrar frekvensen ωe, d.v.s. |H (ejω1) | ≈ 1 o h
|H (ejω2) | ≈ 1, samt |H (ejωe) | ≈ 0. Den ltrerade signalen y ges då av
y(n) ≈ y1(n) + y2(n) ,
där
y1(n) = sin(ω1n + arg
(H(ejω1
))),
y2(n) = sin(ω2n + arg
(H(ejω2
))).
Figur 8.3 visar signalkomponenterna s1, s2 o h y1, s2 samt den ltrerade
signalen y(n) för två olika lågpasslter. Till vänster i guren visas resultatet
8.2. FILTERSPECIFIKATIONER 157
med ett lter som fasförskjuter de lågfrekventa komponenterna på olika sätt,
varför den ltrerade signalen y blir förvrängd o h signalen s ej rekonstrueraskorrekt. Till höger visas resultatet med ett faslinjärt lter. I detta fall är
fasförskjutningen sådan att den motsvarar samma tidsförskjutning för alla
frekvenskomponenter i passbandet, o h den ltrerade signalen y är därför
endast en tidsförskuten version av signalen s.
−1
0
1
s1, y1
−1
0
1
s1, y1
−1
0
1
s2, y2
−1
0
1
s2, y2
−2
−1
0
1
2
s, y
−2
−1
0
1
2
s, y
Figur 8.3: Signaler i exempel 8.2.2. Överst: signalkomponenten s1 (heldragen)o h motsvarande ltrerade signal y1 (stre kad). I mitten: signalkomponen-
ten s2 (heldragen) o h motsvarande ltrerade signal y2 (stre kad). Nederst:den störningsfria signalen s (heldragen) o h den lågpassltrerade signalen
y (stre kad). Till vänster visas resultatet som fås med ett lågpasslter med
olinjär fasförskjutning, o h till höger resultatet som fås med ett faslinjärt
lågpasslter.
158 KAPITEL 8. SYNTES AV DIGITALA FILTER
8.2.3 Reella lågpass, bandpass- o h högpasslter
Reella lter, som är kausala o h har en ändlig ordning, kan endast approxi-
mativt uppfylla spe ikationerna hos ideala lågpass-, bandpass- o h högpass-
lter. För reella lter anges spe ikationerna därför med hjälp av toleranser,
se gur 8.4. För ett lågpasslter är spe ikationerna av formen
1− δp ≤ |H(ejω)| ≤ 1 + δp , |ω| ≤ ωp ,
|H(ejω)| ≤ δs , |ω| ≥ ωs .
(8.2.15)
Här är
- |ω| ≤ ωp passbandet,
- |ω| ≥ ωs spärrbandet, o h
- |ω| ∈ (ωp,ωs) övergångsbandet.
Talet δp anger toleransen i passbandet, d.v.s. den största tillåtna avvikel-
sen från det konstanta värdet ett hos ltrets förstärkning i passbandet. Talet
δs är toleransen i spärrbandet, d.v.s. den maximala tillåtna förstärkningen
i spärrbandet. Eftersom förstärkningen hos reella lter inte kan förändras
diskontinuerligt som funktion av frekvensen, nns det mellan passband o h
spärrband ett övergångsband. Ju snävare toleranser o h smalare övergångs-
bandet är, desto högre lterordning fordras för att uppfylla spe ikationerna.
I stället för vinkelfrekvenser anges frekvensspe ikationerna ofta i form av
frekvenser fp (=ωp
2π) respektive fs (=
ωs
2π) o h uppfattas som normerade i för-
hållande till samplingsfrekvensen. Om frekvenserna anges i Hz eller kHz börman observera att beakta samplingsfrekvensen fs vid ltersyntesen, så att fre-kvensen f motsvarar ltersvaret H (ejω) vid den normerade vinkelfrekvensen
ω = 2πffs. Kutym är o kså att toleranserna anges i den logaritmiska enheten
de ibel. Den största avvikelsen Ap i passbandet o h den minsta dämpningen
As i spärrbandet angivna i de ibel är således
Ap = 20 lg (1 + δp) ,
As = −20 lg (δs) .(8.2.16)
Observera att för små δp gäller med god noggrannhet approximationen
Ap = 20 lg (1 + δp) =20 ln (1 + δp)
ln 10≈ 8,7δp . (8.2.17)
8.2. FILTERSPECIFIKATIONER 159
Bandpasslter o h högpasslter denieras på analogt sätt. För bandpasslter
består passbandet av ett frekvensband [ω1, ω2]. För högpasslter med band-
bredden ωp är passbandet beläget i ett högfrekvent band [π − ωp, π + ωp].
ωp
πωs
π10
δs
1− δp
1 + δp
|H(ejω)|
Figur 8.4: Spe ikationer för förstärkningen hos ett lågpasslter, samt för-
stärkningen |H (ejω) | hos ett reellt lter som funktion av normerad frekvens
ωπ.
8.2.4 Frekvenstransformationer
Ett bandpass- o h högpasslter skiljer sig från ett lågpasslter endast i avse-
ende å passbandets o h spärrbandets lägen. Det är därför möjligt att ur ett
lågpasslter konstruera motsvarande bandpass- eller högpasslter genom en
frekvenstransformation som förskjuter passbandet till det önskade frekvens-
bandet. Denna metod är my ket användbar, eftersom man då kan utnyttja
standardmetoder för syntes av lågpasslter även för bestämning av andra
ltertyper.
160 KAPITEL 8. SYNTES AV DIGITALA FILTER
Vid frekvenstransformation av ett lter substitueras variabeln z−1i över-
föringsfunktionen med en rationell funktion g (z−1), så att det frekvenstrans-formerade ltret denieras av
Hf(z) = H(z)|z−1=g(z−1) . (8.2.18)
För att ltret Hf (z) skall vara väldenierat krävs att avbildningen z−1 →g (z−1) bevarar ltrets stabilitet, samt att punkter på enhets irkeln ejω, somju denierar frekvenssvaret, avbildas till andra punkter på enhets irkeln i
enlighet med den önskade frekvenstransformationen. Dylika frekvenstrans-
formationer nns utve klade, se t.ex. tabell 8.13 i Proakis o h Manolakis
(1996).
En spe iellt enkel formel fås för tranformationen av ett lågpasslterHLP (z)till ett högpasslter HHP (z) med samma bandbredd. Transformationen be-
står då helt enkelt av en förskjutning av frekvenserna enligt ω → ω+π, så attlågpassbandet lokaliserat runt frekvensen noll förskjuts till ett högpassband
lokaliserat runt frekvensen π. Högpassltrets frekvenssvar denieras då av
HHP
(ejω)= HLP
(ej(ω+π)
)= HLP
(−ejω
), (8.2.19)
o h dess överföringsfunktion är således
HHP (z) = HLP (−z) . (8.2.20)
Eftersom
HLP (−z) =∞∑
k=0
(−1)khLP (k)z−k , (8.2.21)
följer att högpassltrets impulssvar hHP (k) ges av
hHP (k) = (−1)khLP (k) . (8.2.22)
Övning 8.2.1. Betrakta de två ltren som studerades i problem 8.1.1 (a =0,6 o h a = −0,6). Visa att de är relaterade enligt (8.2.20) o h (8.2.22), o h
att deras frekvenssvar är förskjutna i förhållnade till varandra med π.
8.3. SYNTES AV FILTER MED ÄNDLIGT IMPULSSVAR 161
8.3 Syntes av lter med ändligt impulssvar
I detta avsnitt diskuteras syntes av lter med ändligt impulssvar (FIR lter,
Finite Impulse Response). Sådana lter beskrivs av
y(n) =N−1∑
k=0
h(k)x(n− k) (8.3.1)
= h(0)x(n) + h(1)x(n− 1) + · · ·+ h(N − 1)x(n−N + 1) , (8.3.2)
o h deras överföringsfunktion har formen
H(z) =N−1∑
k=0
h(k)z−k = h(0) + h(1)z−1 + · · ·+ h(N − 1)z−N+1 . (8.3.3)
Filter av denna typ har fördelar som har gjort dem my ket populära i signal-
behandlingstillämpningar. Syntesen av FIR lter är i era avseenden enklare
än syntesen av IIR lter. Deras stabilitet är i motsats till IIR lter garante-
rad, ty kriteriet (7.4.1) är automatiskt uppfyllt. Eventuell instabilitet behöver
därför inte kontrolleras eller beaktas i samband med syntesen. Dessutom har
de den trevliga egenskapen att det är enkelt att konstruera FIR lter med
exakt linjär fasförskjutning, vilket är viktigt i era tillämpningar (se avsnitt
8.2.2). Det existerar nämligen inga IIR lter som beskrivs av en rationell
överföringsfunktion som skulle ha en exakt linjär fasförskjutning.
Vid syntesen av FIR lter bestäms lterparametrarna så att det önskade
frekvenssvaret approximeras möjligast väl. De viktigaste metoderna för syn-
tes av FIR lter baserar sig dels på de ideala lterformlerna i kombination
med s.k. fönsterfunktioner eller s.k. frekvenssampling, dels på direkt optime-
ring av lterparametrarna. Vi kommer att behandla dessa metoder nedan.
8.3.1 Faslinjära FIR lter
Såsom tidigare noterats är det i era tillämpningar viktigt att ltrets fas-
förskjutning är linjär i passbandet, d.v.s. θ (ω) = arg (H (ejω)) = β − αω.En trevlig egenskap hos lter med ändligt impulssvar är att de enkelt kan
konstrueras så att fasförskjutningen blir linjär. För att se hur detta kan åstad-
162 KAPITEL 8. SYNTES AV DIGITALA FILTER
kommas, betrakta FIR ltret i ekvation (8.3.3). Filtrets frekvenssvar är
H(ejω)=
N−1∑
k=0
h(k)e−jωk
= h(0) + h(1)e−jω + h(2)e−j2ω + · · ·+ h(N − 1)e−j(N−1)ω .
(8.3.4)
Låt N vara udda, o h antag att impulssvaret har egenskapen
h(k) = h(N − 1− k) , k = 0, 1, . . . ,N − 1
2. (8.3.5)
Ett sådant impulssvar säges vara symmetriskt.
Exempel 8.3.1. Betrakta för enkelhets skull fallet N = 5. Då impli erar
symmetrin att h(0) = h(4) o h h(1) = h(3). Frekvenssvaret blir
H(ejω)= h(0) + h(1)e−jω + h(2)e−j2ω + h(1)e−j3ω + h(0)e−j4ω
= e−j2ω[h(0)
(ej2ω + e−j2ω
)+ h(1)
(ejω + e−jω
)+ h(2)
]
= e−j2ω [2h(0) cos (2ω) + 2h(1) cos (ω) + h(2)]
= e−j2ωHr (ω) .
(8.3.6)
Här är
Hr (ω) = 2h(0) cos (2ω) + 2h(1) cos (ω) + h(2) (8.3.7)
reell. Vi kan skriva sambandet ovan i formen
H(ejω)= |Hr (ω) |e−j2ω , om Hr (ω) > 0 (8.3.8)
o h, eftersom ejπ = −1 fås
H(ejω)= −|Hr (ω) |e−j2ω = |Hr (ω) |e−j(2ω−π) , om Hr (ω) < 0 . (8.3.9)
Det följer att ltrets fasförskjutning är linjär, om Hr (ω) ej byter te ken. Detär fallet endast om H(z) har nollställen på enhets irkeln z = ejω.
Exempel 8.3.2. För jämna N fås ett analogt resultat. Betrakta fallet N = 4.Då har vi h(0) = h(3) o h h(1) = h(2), o h impulssvaret blir
H(ejω)= h(0) + h(1)e−jω + h(1)e−j2ω + h(0)e−j3ω
= e−j 3ω2
[
h(0)(
ej3ω2 + e−j 3ω
2
)
+ h(1)(ej
ω2 + e−j ω
2
)]
= e−j 3ω2
[
2h(0) cos
(3ω
2
)
+ 2h(1) cos(ω
2
)]
= e−j 3ω2 Hr (ω) ,
(8.3.10)
o h fasförskjutningens linjäritet följer på samma sätt som ovan.
8.3. SYNTES AV FILTER MED ÄNDLIGT IMPULSSVAR 163
Resultatet kan generaliseras till det allmänna fallet, o h kan sammanfat-
tas utan bevis enligt följande.
Lemma 8.3.3. Frekvenssvaret hos symmetriska FIR lter.
Betrakta ett symmetriskt FIR lter av längden N , för vilket impulssvaret
satiserar h(k) = h(N − 1− k). Dess frekvenssvar är
H(ejω)= e−j
(N−1)ω2 Hr (ω) , (8.3.11)
där
Hr (ω) = h
(N − 1
2
)
+ 2
N−32∑
k=0
h(k) cos
[
ω
(N − 1
2− k
)]
, N udda ,
(8.3.12)
Hr (ω) = 2
N−22∑
k=0
h(k) cos
[
ω
(N − 1
2− k
)]
, N jämn . (8.3.13)
Faslinjära FIR lter kan o kså åstadkommas genom att välja impulssvaret
antisymmetriskt, varvid
h(k) = −h(N − 1− k) , k = 0, 1, . . . ,N − 1
2. (8.3.14)
För k = N−12
fås alltså h(N−12
)= −h
(N − 1− N−1
2
)= −h
(N−12
), vilket
innebär, att h(N−12
)= 0. Frekvenssvaret för detta fall kan bestämmas i ana-
logi med ovan. På grund av den antisymmetiska egenskapen kombineras de
komplexa exponentialfunktionerna i frekvenssvaret i detta fall till sinusfunk-
tioner. Vi kan sammanfatta resultatet enligt följande.
Lemma 8.3.4. Frekvenssvaret hos antisymmetriska FIR lter.
Betrakta ett antisymmetriskt FIR lter av längden N , för vilket impuls-
svaret satiserar h(k) = −h(N − 1− k). Dess frekvenssvar är
H(ejω)= e−j[ (N−1)ω
2−π
2 ]Hr (ω) = ejπ2
︸︷︷︸
=1
e−j(N−1)ω
2 Hr (ω) , (8.3.15)
164 KAPITEL 8. SYNTES AV DIGITALA FILTER
där
Hr (ω) = 2
N−32∑
k=0
h(k) sin
[
ω
(N − 1
2− k
)]
, N udda , (8.3.16)
Hr (ω) = 2
N−22∑
k=0
h(k) sin
[
ω
(N − 1
2− k
)]
, N jämn . (8.3.17)
Anmärkning 8.3.1. Vi har ovan spe i erat FIR ltrets längd N , som anta-
let koe ienter h(0), h(1), . . ., h(N − 1) i impulssvaret. Denna konvention
används bl.a. i bö kerna av Ifea hor o h Jervis (1993) o h Proakis o h Ma-
nolakis (1996). En annan vanlig konvention är att spe i era ltrets ordning
M , som den högsta potens z−Mi överföringsfunktionen. Ett lter vars längd
är N har således ordningen M = N − 1. Vid diskussion av symmetriska o h
antisymmetriska FIR lter bör man observera att lter med ett jämnt antal
koe ienter N har en udda ordning M o h vi e versa.
Anmärkning 8.3.2. De ovan beskrivna faslinjära FIR ltren är av fyra typer
beroende på om N är udda eller jämnt o h om ltret är symmetriskt eller
antisymmetriskt. Enligt en standardklassi ering uppdelas de faslinjära FIR
ltren i typerna IIV enligt följande:
I: Symmetriskt med N udda (M jämnt)
II: Symmetriskt med N jämnt (M udda)
III: Antisymmetriskt med N udda (M jämnt)
IV: Antisymmetriskt med N jämnt (M udda)
Vid syntes av FIR lter bestäms lterkoe ienterna h(k), k = 0, 1, . . . , N−1, så att frekvenssvaret uppfyller spe ikationerna. Villkoren för faslinjäritet
är härvid enkla att beakta. Vid val av ltertyp bör man observera att de oli-
ka ltertyperna har olika egenskaper. Spe iellt gäller att de symmetriska o h
antisymmetriska ltren har olikheter som gör dem lämpade för olika sorters
tillämpningar. Exempelvis för de antisymmetriska ltren gäller Hr(0) = 0,vilket gör dem olämpliga vid syntes av lågpasslter. För det antisymmetriska
ltret med udda N (ltertyp III) gäller dessutom Hr(π) = 0, som innebär
att denna ltertyp är ett bandpasslter o h därför olämplig för syntes av
lågpass- eller högpasslter.
8.3. SYNTES AV FILTER MED ÄNDLIGT IMPULSSVAR 165
Exempel 8.3.5. En enkel lågpassltreringsmetod går ut på att bilda det arit-
metiska medelvärdet av ett antal signalvärden,
y(n) =1
N
N−1∑
k=0
x(n− k) . (8.3.18)
Filtret är tydligen ett faslinjärt FIR lter av typ I eller II, beroende på om
N är udda eller jämn. Filtrets överföringsfunktion är
H(z) =1
N
N−1∑
k=0
z−k =1
N
1− z−N
1− z−1, (8.3.19)
med nollställen som består av lösningarna till ekvationen zN = 1 med un-
dantag av z = 1, som förkortas bort mot nämnaren. Kvar blir då punkterna
zk = ej2πkN , k = 1, 2, . . . , N − 1 .
Alla nollställen benner sig således på enhets irkeln.
Övning 8.3.1. Bestäm förstärkningen o h fasförskjutningen som funktion
av frekvensen för ltret (8.3.18) för fallet N = 3.
8.3.2 Syntes baserad på fönsterfunktioner
I detta avsnitt diskuteras en standardmetod för syntes av faslinjära FIR lter,
som baserar sig på trunkering av impulssvaret hos ett idealt lter. För att
undvika den försämring av ltrets frekvenssvar som en direkt trunkering av
det optimala impulssvaret medför, utnyttjas spe iella viktfunktioner.
Impulssvaret hos ett idealt lågpasslter med bandbredden fc =ωc
2πges av
(8.2.3),
hD(0) =ωc
π= 2fc ,
hD(n) =ωc
π
sin (nωc)
nωc= 2fc
sin (nωc)
nωc, n 6= 0 .
(8.3.20)
På samma sätt kan man bestämma impulssvaret hos ideala högpass, bandpass-
o h bandspärrlter, se tabell 6.2 i Ifea hor o h Jervis (1993) för en samman-
fattning. Som vi tidigare såg kan de ideala ltren ej realiseras med system
av ändlig ordning.
166 KAPITEL 8. SYNTES AV DIGITALA FILTER
Ett sätt att approximera det ideala ltret är att trunkera dess Fourierserie-
utve kling. Enligt tidigare har vi att det ideala ltrets frekvenssvar är im-
pulssvarets Fouriertransform,
HD
(ejω)=
∞∑
n=−∞hD(n)e
−jωn . (8.3.21)
Genom att trunkera summan fås en approximation enligt
HM
(ejω)=
M∑
n=−M
hD(n)e−jωn . (8.3.22)
som motsvaras av överföringsfunktionen
HM(z) = hD(−M)zM + hD(−M + 1)zM−1 + · · ·+ hD(M)z−M . (8.3.23)
Detta lter är i ke-kausalt, men genom att introdu era en extra tidsfördröj-
ning på M tidsenheter fås det kausala ltret
HM,kausal(z) = z−MHM(z)
= hD(−M) + hD(−M + 1)z−1 + · · ·+ hD(M)z−2M .(8.3.24)
Det ideala ltrets frekvenssvar är en pulsfunktion. Trunkeringen enligt
(8.3.22) är därför jämförbar med approximationen i ekvation (3.2.35) av en
pulsfunktion med en trunkerad Fourierserieutve kling. Vi såg i kapitel 3 att
en dylik trunkerad summautve kling av en pulsfunktion ger överskjutningar
vid diskontinuitetspunkterna, jämför anmärkning 3.2.3 om Gibbs fenomen.
Detta illustreras i gur 8.5, som visar förstärkningen hos ltret (8.3.23) (eller
(8.3.24)) för olika M . För att få en bättre approximation av det ideala ltret
bör det trunkerade ltret i (8.3.24) därför i praktiken modieras.
En praktisk pro edur för att förbättra den trunkerade utve klingen är att
införa en funktion w(n) så att approximationen (8.3.22) ersätts med
H(ejω)=
∞∑
n=−∞w(n)hD(n)e
−jωn . (8.3.25)
Funktionen w(n) kallas fönsterfunktion (eng. window fun tion). Observera
att den trunkerade summan (8.3.22) är ett spe ialfall av (8.3.25) med den
rektangulära fönsterfunktionen
w(n) =
1 , |n| ≤ M ,0 , |n| > M .
(8.3.26)
8.3. SYNTES AV FILTER MED ÄNDLIGT IMPULSSVAR 167
−1 −0,5 0 0,5 10
0,5
1M = 12
M = 25
M = 6
Figur 8.5: Förstärkningen |HM (ejω) | hos trunkerade lter av formen (8.3.23)
(eller (8.3.24)) för M = 6, 12 o h 25. Det ideala lågpassltrets bandbredd är
2 · 0,4π. Frekvensen är angiven som en normerad frekvens
ωπ.
För att se hur fönsterfunktionen påverkar frekvenssvaret H (ejω) betraktarvi operationen i högra ledet av (8.3.25) i frekvensplanet. Vi introdu erar
Fouriertransformen av fönsterfunktionen w(n), som ju är en i ke-periodisk
diskret signal,
W (ω) =
∞∑
n=−∞w(n)e−jωn . (8.3.27)
Enligt (8.3.25) ärH (ejω) Fouriertransformen av sekvensen w(n)hD(n). Pre issom diskret faltning i tidsplanet motsvarades av multiplikation i frekvenspla-
net, så kan man visa att multiplikationen w(n)hD(n) i tidsplanet motsvaras
av en kontinuerlig faltningsintegral i frekvensplanet. Fouriertransformen av
produkten w(n)hD(n) kan således uttry kas som faltningen av Fouriertrans-
168 KAPITEL 8. SYNTES AV DIGITALA FILTER
formernaHD (ejω) o hW (ω) av sekvenserna hD(n) respektive w(n), o hdet följer att H (ejω) ges av
H(ejω)=
∫ π
−π
HD
(ejθ)W (ω − θ) dθ . (8.3.28)
Hur väl (8.3.28) approximerar det ideala frekvenssvaret HD (ejω) beror av
formen hos fönsterfunktionen W (ω). Ur (8.3.28) följer, att ju bättre W (ω)är kon entrerad till frekvensen ω = 0, desto bättre approximerar (8.3.28)
det ideala frekvenssvaret. Exakt likhet kan emellertid endast fås om fönster-
funktionen väljs oändligt bred (M → ∞). Problemet är därför att välja en
fönsterfunktion av ändlig längd M , så att möjligast god approximation fås.
För att undersöka formen hos fönsterfunktioner av ändlig längd, betrakta
den rektangulära fönsterfunktionen i ekvation (8.3.26). Dess Fouriertrans-
form är
W (ω) =M∑
n=−M
e−jωn =sin(
ω(2M+1)2
)
sin(ω2
) . (8.3.29)
Dess absolutbelopp,
|W (ω)| =
∣∣∣∣∣∣
sin(
ω(2M+1)2
)
sin(ω2
)
∣∣∣∣∣∣
, |ω| ≤ π , (8.3.30)
har en karakteristisk form bestående av en s.k. huvudlob (eng. main lobe) vid
ω = 0 omgiven av ett antal sidlober (eng. side lobes), se gur 8.6. Det visar
sig att andra fönsterfunktioner har en liknande form, o h genom lämpligt
val av fönsterfunktion kan man påverka huvudlobens bredd o h sidlobernas
amplitud. Dessa inverkar på lterapproximationen o h för att få en god ap-
proximation skall huvudloben vara möjligast smal o h sidlobernas amplitud
möjligast liten. För en fönsterfunktion av given längd kan dessa storheter ej
minimeras oberoende av varandra. Vi har följande:
Egenskap 8.3.6. Generella egenskaper hos fönster.
Då fönstrets längd N = 2M+1 ökas, minskar huvudlobens bredd, vilket
resulterar i ett smalare övergångsband mellan passband o h spärrband.
övergångsbandets bredd ∆f ges approximativt av en formel av typen
∆f =c
N, (8.3.31)
där c är en konstant som beror av fönsterfunktionens form.
8.3. SYNTES AV FILTER MED ÄNDLIGT IMPULSSVAR 169
0 0,5 10
13
23
1
Figur 8.6: Normerade förstärkningen |W (ω)W (0)
| hos en rektangulär fönsterfunk-
tion (M = 5) som funktion av normerad frekvens
ωπ.
Den dominerande sidolobens amplitud beror främst av fönsterfunktio-
nens form, o h är ej starkt beroende av fönsterlängden.
En fönsterfunktion som redu erar sidolobens amplitud resulterar i all-
mänhet i en bredare huvudlob.
Denition 8.3.1. De vanligaste fönsterfunktionerna är
Hanningfönstret, med fönsterfunktionen
w(n) = 0,5 + 0,5 cos
(2πn
N
)
, |n| ≤ N − 1
2. (8.3.32)
170 KAPITEL 8. SYNTES AV DIGITALA FILTER
Fönster- övergångsbandets Maximal avvikelse Förhållande Dämpning i Fönster-
funktionens bredd (Hz) i passbandet mellan huvudlob spärrbandet funktion
namm (normerad) (dB) o h sidolob (dB) (dB) w(n)
Rektangulär
0,9N
0,7416 13 21 (8.3.26)
Hanning
3,1N
0,0546 31 44 (8.3.32)
Hamming
3,3N
0,0194 41 53 (8.3.33)
Bla kman
5,5N
0,0017 57 74 (8.3.34)
Kaiser
2,93N
(β = 4,54) 0,0274 50 (8.3.35)
4,32N
(β = 6,76) 0,00275 70
5,71N
(β = 8.96) 0,000275 90
Tabell 8.1: Några viktiga egenskaper hos ett antal vanliga fönsterfunktioner.
I tabellen ges Kaiserfönster (med motsvarande värden för parametern β) med
dämpningen 50, 70 o h 90 dB i spärrbandet.
Hammingfönstret, med fönsterfunktionen
w(n) = 0,54 + 0,46 cos
(2πn
N
)
, |n| ≤ N − 1
2. (8.3.33)
Bla kmanfönstret, med fönsterfunktionen
w(n) = 0,42 + 0,5 cos
[2πn
N − 1
]
+ 0,08 cos
[4πn
N − 1
]
, |n| ≤ N − 1
2,
(8.3.34)
o h
Kaiserfönstret, med fönsterfunktionen
w(n) =
I0
(
β(
1−[
2nN−1
]2) 1
2
)
I0 (β), |n| ≤ N − 1
2, (8.3.35)
där β är en positiv parameter o h funktionen I0(x) är en modierad
Bessel-funktion av nollte ordningen, som kan representeras med serie-
utve klingen
I0(x) = 1 +
∞∑
k=1
[(x2
)k
k!
]2
. (8.3.36)
8.3. SYNTES AV FILTER MED ÄNDLIGT IMPULSSVAR 171
Anmärkning 8.3.3. De olika fönsterfunktionernas viktigaste egenskaper om-
fattar övergångsbandets bredd ∆f , den maximala avvikelsen i passbandet,
förhållandet mellan huvudlobens o h den dominerande sidolobens amplituder
samt dämpningen i spärrbandet. Se tabell 8.1.
Hanning-, Hamming- o h Bla kmanfönstren har xerade egenskaper som
beror enbart av N o h som inte kan påverkas. Kaiserfönstret har däremot en
parameter β, med vilken ltrets egenskaper kan påverkas för att uppnå önskad
kompromiss mellan huvudlobens bredd o h sidolobens amplitud. För β = 0redu eras Kaiserfönstret till ett rektangulärt fönster, medan t.ex. värdet β =5,44 ger ett fönster som är my ket likt Hammingfönstret. Kaiserfönstret är
även nära optimalt i den meningen att för en given amplitud hos sidoloben
har ett Kaiserfönster den mesta energin kon entrerad i huvudloben.
Metod 8.3.1. Filtersyntes med hjälp av fönsterfunktioner består av följande
faser:
Spe i ering av det ideala frekvenssvaret HD (ejω) o h dess impulssvar
hD(n).
Val av en lämplig fönsterfunktion o h fönsterlängd N så att förstärk-
ningen i passband o h spärrband samt övergångsbandets bredd ∆fuppfyller givna spe ikationer.
Bestämning av lterapproximationen (8.3.25),
H(z) =
M∑
n=−M
h(n)z−n , (8.3.37)
där
h(n) = w(n)hD(n) , n = −M,−M + 1, . . . ,M − 1,M =N − 1
2.
(8.3.38)
Bestämning av det sökta kausala FIR ltret genom introduktion av en
tidsfördröjning motsvarande faktorn z−M,
Hkausal(z) = z−MH(z) . (8.3.39)
172 KAPITEL 8. SYNTES AV DIGITALA FILTER
Observera att alla de ovan beskrivna fönsterfunktionerna uppfyller symmetri-
egenskapen w(−n) = w(n). Då det ideala ltrets impulssvar hD(n) normalt
har en motsvarande symmetriegenskap, följer att h(n) i (8.3.38) satiserar
h(−n) = h(n) , n = 0, 1, . . . ,M . (8.3.40)
Det följer att det kausala FIR ltret (8.3.39) är symmetriskt, o h således ett
faslinjärt lter, jämför avsnitt 8.3.1.
Syntes av FIR lter som baserar sig på det ideala frekvenssvaret o h
fönsterfunktioner är en enkel o h i praktiken my ket användbar metod. En
begränsning hos metoden är att det kräver beräkning av det ideala ltrets
impulssvar, vilket kan vara besvärligt i vissa tillämpningar där det ideala
frekvenssvaret HD (ejω) är sådant att impulssvaret hD(n) inte kan bestämmas
analytiskt.
Exempel 8.3.7. Betrakta problemet att konstruera ett FIR lågpasslter som
uppfyller följande spe ikationer:
1) passbandets bredd: 1,5 kHz.
2) övergångsbandets bredd: 0,5 kHz.
3) dämpning i spärrbandet: > 50 dB, då samplingsfrekvensen är 8 kHz.
Det ideala lågpassltret har impulssvaret (8.2.3),
hD(0) = 2fc ,
hD(n) = 2fcsin (nωc)
nωc
, n 6= 0 .(8.3.41)
Enligt tabell 6.3 i Ifea hor o h Jervis (1993) uppfyller Hamming-, Bla kman-
o h Kaiserfönstren (men inte det rektangulära fönstret eller Hanningfönstret)
kravet på dämpning i spärrbandet. Vi väljer därför här ett Hammingfönster.
Med samplingsfrekvensen fs = 8 kHz motsvarar den spe i erade bredden
0,5 kHz för övergångsbandet (normerad till samplingsperioden Ts = 1) ∆f =0,58
= 0,0625. övergångsbandets bredd som en funktion av lterlängden ges
av (8.3.31). Enligt tabellen är för ett Hammingfönster c = 3,3 o h det följer
att ltrets längd bör vara minst N = 3,3∆fc
= 3,30,0625
= 52,8. Vi väljer därför
N = 53. Då är M = N−12
= 26 o h lterkoe ienterna ges av (8.3.38),
h(n) = w(n)hD(n) , |n| ≤ 26 ,
8.3. SYNTES AV FILTER MED ÄNDLIGT IMPULSSVAR 173
där hD(n) är givet ovan o h w(n) är Hammingfönsterfunktionen
w(n) = 0,54 + 0,46 cos
(2πn
N
)
, |n| ≤ 26 .
För att få en god approximation i det spe i erade passbandet är det praxis
att välja det ideala lågpassltrets bandbredd fc mitt i övergångsbandet, d.v.s.
fc =
(
1,5 +0,5
2
)
kHz = 1,75 kHz ,
vilket med samplingsfrekvensen fs = 8 kHz motsvarar den normerade band-
bredden fc =1,758
= 0,21875.Filterkoe ienterna kan nu bestämmas enligt ovan. Ta k vare symmetrin
behöver endast h(0), h(1), . . . , h(26) beräknas, ty h(−n) = h(n). För n = 0fås
hD(0) = 2 · 0,21875 = 0,4375 ,
w(0) = 0,54 + 0,46 cos (0) = 1 ,
h(0) = w(0)hD(0) = 0,4375 .
På samma sätt fås för n = 1,
hD(1) = 2 · 0,21875 sin (2π · 0,21875)2π · 0,21875 = 0,31219 ,
w(1) = 0,54 + 0,46 cos
(2π
53
)
= 0,98713 ,
h(1) = h(−1) = w(1)hD(1) = 0,31119 .
De övriga koe ienterna fås på analogt sätt. Ett kausalt lter bestäms till
slut enligt ekvation (8.3.39). Det kausala ltrets koe ienter ges i tabell 6.4
i Ifea hor o h Jervis (1993). Filtrets förstärkning o h fasförskjutning visas i
gur 8.7. Man kan veriera att ltret uppfyller spe ikationerna.
8.3.3 Frekvenssampling
Ett alternativt sätt att approximera ett idealt lter med ett kausalt FIR
lter är genom s.k. frekvenssampling. Om det ideala ltret har frekvenssvaret
HD (ejω) ges impulssvaret av (jämför ekvation (8.2.2))
hD(n) =1
2π
∫ π
−π
HD
(ejω)ejωn dω =
1
2π
∫ 2π
0
HD
(ejω)ejωn dω . (8.3.42)
174 KAPITEL 8. SYNTES AV DIGITALA FILTER
0 1000 2000 3000 4000−120
−100
−80
−60
−40
−20
0
20
Frekvens (Hz)
F
ö
r
s
t
ä
r
k
n
i
n
g
(
d
B
)
0 1000 2000 3000 4000−2500
−2000
−1500
−1000
−500
0
Frekvens (Hz)
F
a
s
v
i
n
k
e
l
(
g
r
a
d
e
r
)
Figur 8.7: Förstärkning o h fasförskjutning hos ltret i exempel 8.3.7.
Frekvenssampling går ut på att approximera det ideala frekvenssvaret med en
sekvens diskreta värden vid N ekvidistanta frekvenspunkter ωk =2πkN
, k =0, 1, . . . , N − 1 , så att vi har sekvensen
H(k) = HD
(
ej(2πN )k)
, k = 0, 1, . . . , N − 1 , (8.3.43)
bestående av sampel av frekvenssvaret. Den diskreta sekvensen H(k) utgören diskret Fouriertransform (DFT) av sekvensen h(n), som kan bestämmas
med hjälp av invers DFT (jämför avsnitt 4.3),
h(n) =1
N
N−1∑
k=0
H(k)ej2πnN
k , n = 0, 1, . . . , N − 1 . (8.3.44)
8.3. SYNTES AV FILTER MED ÄNDLIGT IMPULSSVAR 175
Denna sekvens kan tas som koe ienterna hos ett FIR lter av längden Nsom approximerar det ideala ltret,
HN(z) = h(0) + h(1)z−1 + · · ·+ h(N − 1)z−N+1 . (8.3.45)
Från konstruktionen följer att frekvenssvaret överensstämmer exakt vid fre-
kvenserna
2πkN,
HN
(
ej(2πN )k)
= HD
(
ej(2πN )k)
, k = 0, 1, . . . , N − 1 , (8.3.46)
men tyvärr nns det inga garantier för att överensstämmelsen är god även
mellan de diskreta frekvenspunkterna.
För att förbättra approximationens egenskaper brukar man införa fre-
kvenssampel i ett övergångsband mellan det ideala ltrets passband o h
spärrband. Sampelvärdena i övergångsbandet kan optimeras så att variatio-
nerna i passbandet o h förstärkningen i passbandet minimeras. Se Ifea hor
o h Jervis (1993) för detaljer.
8.3.4 Syntes baserad på optimering av lterkoe ienter
De ovan beskrivna syntesmetoderna är inte optimala i den meningen att de
skulle ge den bästa approximationen av det ideala frekvenssvaret för en given
lterlängd. Ett optimalt lter kan beräknas genom att direkt optimera ltrets
koe ienter h(n) så att avvikelsen från det ideala svaret minimeras.
Låt HD (ejω) vara det ideala frekvenssvaret som skall approximeras av ett
FIR lter av längden N , vars frekvenssvar är
H(ejω)=
N−1∑
n=0
h(n)e−jωn . (8.3.47)
Vi introdu erar ett frekvensviktat fel mellan frekvenssvaren,
E(ejω)= W
(ejω) [
HD
(ejω)−H
(ejω)]
, (8.3.48)
där W (ejω) är en viktfunktion som reekterar det faktum att att de tillåtna
felen i t.ex. passbandet o h spärrbandet kan vara olika stora. I den optime-
ringsbaserade metoden minimeras det maximala värdet av det absoluta felet
176 KAPITEL 8. SYNTES AV DIGITALA FILTER
|E (ejω) | med avseende på lterkoe ienterna h(n), d.v.s. lterkoe ien-
terna bestäms genom att man löser optimeringsproblemet
minh(0),...,h(N−1)
[
max|ω|≤π
|E(ejω)|]
. (8.3.49)
I allmänhet kräver man dessutom att lterkoe ienterna ska satisera sym-
metriegenskapen
h(n) = h(N − 1− n) , (8.3.50)
eftersom man då kan garantera att det konstruerade ltret är faslinjärt. Då
ett faslinjärt lter inte ger upphov till fasförvrängning rä ker det i detta fall
med att den ideala lterförstärkningen approximeras, medan fasförskjutning-
en kan ignoreras vid optimeringen. Felfunktionen (8.3.48) förenklas då till
E(ejω)= W
(ejω) [
|HD
(ejω)| − |H
(ejω)|]. (8.3.51)
Då ltret är symmetriskt ges |H (ejω) | som funktion av lterkoe ienterna
av (8.3.12) eller (8.3.13).
Optimeringsproblemet (8.3.49) är ett s.k. minimax optimeringsproblem,
o h lter som konstrueras genom lösning av (8.3.49) kallas därför även mi-
nimax lter. Minimax optimeringsproblem är i allmänhet numeriskt my ket
krävande. Optimeringsproblemet (8.3.49) har emellertid en spe iell struktur
som gör det möjligt att konstruera eektiva algoritmer för dess lösning. Spe-
iellt gäller att de optimala koe ienterna h(n) som minimerar (8.3.49) är
sådana att det existerar L frekvenser ωl, l = 1, . . . , L, för vilka |E (ejω) | antarsitt maximala värde,
|E(ejωl)| = max
|ω|≤π|E(ejω)| , l = 1, . . . , L . (8.3.52)
Här beror L av lterlängden o h de antagna symmetriegenskaperna hos im-
pulssvaret. Ur egenskapen (8.3.52) följer, att felet hos det optimala ltret i
passbandet o h spärrbandet kommer att variera mellan maxima o h minima
vars absoluta belopp är lika stora (s.k. equiripple lter).
För givna frekvenser ωl denierar (8.3.52) ett linjärt ekvationssystem från
vilket koe ienterna h(0), . . . , h(N−1) kan beräknas. I praktiken är frekven-serna ωl emellertid inte kända, utan måste sökas fram iterativt. Detta kan
göras med hjälp av en s.k. utbytesalgoritm, i vilken frekvenserna ωl itera-
tivt byts ut mot nya frekvenser enligt en algoritm som ger konvergens till
8.3. SYNTES AV FILTER MED ÄNDLIGT IMPULSSVAR 177
lösningen. Sådana utbytesalgoritmer är standardmetoder inom funktionsap-
proximering. En eektiv implementering av utbytesalgoritmen för optimering
av lterkoe ienterna är Parks-M Clellan algoritmen, som baserar sig på Re-
mez utbytesalgoritm. Parks-M Clellan metoden för syntes av FIR lter med
optimerade koe ienter tillhör en av de mest populära ltersyntesmetoder-
na. Eektiv programvara som implementerar algoritmen nns tillgänglig.
Den lterlängd N som fordras för att uppnå givna spe ikationer kan i
prin ip bestämmas iterativt genom att lösa minimax optimeringsproblemet
för att antal lterlängder tills spe ikationerna uppfylls. Då N i praktiken
kan vara rätt stort är denna metod emellertid inte spe iellt eektiv. Därför
har det utve klats empiriska formler med vilka den fordrade lterlängden kan
uppskattas. För ett faslinjärt lågpasslter med toleransen δp i passbandet o htoleransen δs i spärrbandet (jämför avsnitt 8.2.3) o h med ett övergångsband
av bredden ∆f har vi skattningen
N ≈ −10 lg (δpδs)− 13
14,6∆f+ 1 . (8.3.53)
Se även Ifea hor o h Jervis (1993) för ytterligare formler för skattning av
lterordning.
Exempel 8.3.8. Ett faslinjärt lågpasslter skall ha passbandet |ω| ≤ ωp =0,3π o h spärrbandet skall börja vid ωs = 0,35π. Toleransen i passbandet är
δp = 0,01 o h toleransen i spärrbandet är δs = 0,001 (motsvarande 60 dBdämpning).
Filtrets ordning kan uppskattas med (8.3.53), vilket ger
N ≈ −10 lg (10−5)− 13
14,6(0,35−0,30
2
) + 1 ≈ 103 .
Eftersom toleransen i spärrbandet är 10 ggr strängare än toleransen i pass-
bandet skall felet i (8.3.51) viktas i motsvarande förhållande. Därför väljs
viktfunktionen
W(ejω)=
1 , |ω| ≤ 0,3π ,10 , 0,35π ≤ |ω| ≤ π .
Optimering av ltret med hjälp av Parks-M Clellan algoritmen kan utföras
med hjälp av programmet remez i MATLABs Signal Pro esing Toolbox. Opti-
meringen ger ett faslinjärt FIR lter som uppfyller spe ikationerna. Filtrets
förstärkning o h fasförskjutning visas i gur 8.8.
178 KAPITEL 8. SYNTES AV DIGITALA FILTER
0 0,1 0,2 0,3 0,4 0,5−120
−100
−80
−60
−40
−20
0
20
Normaliserad frekvens,
(2ffs
)
F
ö
r
s
t
ä
r
k
n
i
n
g
(
dB
)
0 0,1 0,2 0,3 0,4 0,5−3500
−3000
−2500
−2000
−1500
−1000
−500
0
Normaliserad frekvens,
(2ffs
)
F
a
s
(
g
r
a
d
e
r
)
Figur 8.8: Förstärkning o h fasförskjutning hos ltret i exempel 8.3.8.
8.4 Syntes av lter med oändligt impulssvar
I detta avsnitt behandlas några standardmetoder för syntes av lter med
oändligt impulssvar (IIR, Innite Impulse Response, lter). Ett IIR lter
av ordningen N beskrivs av dierensekvationen
y(n) + b1y(n− 1) + · · ·+ bNy(n−N) =
a0x(n) + a1x(n− 1) + · · ·+ aMx(n−M)(8.4.1)
o h dess överföringsfunktion är
H(z) =a0z
N + a1zN−1 + · · ·+ aMzN−M
zN + b1zN−1 + · · ·+ bN. (8.4.2)
En styrka hos lter med oändligt impulssvar är den extra exibilitet som näm-
narpolynomet hos H(z) erbjuder. Ett IIR lter kräver därför i allmänhet ett
8.4. SYNTES AV FILTER MED OÄNDLIGT IMPULSSVAR 179
färre antal koe ienter än ett FIR lter för att uppfylla givna spe ikationer.
De är därför lämpade för tillämpningar där höga krav ställs på prestanda o h
beräkningshastighet. En na kdel hos IIR lter är att de kan vara känsliga-
re för t.ex. kvantiseringsfel. Detta beror på den återkopplingsmekanism som
uppstår p.g.a. att ltrets utsignal y(n) är en funktion av tidigare utsignaler
y(n − k). Om man vid syntesen inte tar hänsyn till ltrets känslighet kan
avrundningsfel ha en betydande inverkan på dess prestanda eller till o h med
göra ltret instabilt. Det är o kså i allmänhet svårare att beräkna koe i-
enterna hos ett IIR lter än det är för ett FIR lter. Det nns t.ex. inte lika
eektiva algoritmer för beräkning av optimala koe ienter hos IIR lter som
de som utve klats för FIR lter (avsnitt 8.3.4).
Vi skall i detta avsnitt diskutera tre standardmetoder för syntes av IIR
lter: Direkt pla ering av poler o h nollställen, diskretisering av analoga stan-
dardlter, samt en syntesmetod baserad på optimering.
8.4.1 Pla ering av poler o h nollställen
En enkel metod för syntes av lter baserar sig på direkt pla ering av ltrets
poler o h nollställen utgående från lterspe ikationerna. Låt överförings-
funktionen (8.4.2) ha nollställena z1, z2, . . ., zM o h polerna p1, p2, . . ., pN .Genom faktorisering av täljar- o h nämnarpolynomen kan överföringsfunk-
tionen kan då skrivas i formen
H(z) =K (z − z1) (z − z2) · · · (z − zM)
(z − p1) (z − p2) · · · (z − pN ). (8.4.3)
Filtersyntes kan utföras genom direkt pla ering av poler o h nollställen ge-
nom att utnyttja följande.
Observation 8.4.1. Pla ering av poler o h nollställen.
Fullständig eliminering av en frekvens ωs fås genom att pla era ett noll-
ställe i z1 = ejωs, vilket impli erar H (ejωs) = 0. Om ejωs
ej är reell,
dvs ωs är olikt 0 eller π, bör ett komplexkonjugerat nollställe pla eras i
z2 = e−jωsför att koe ienterna hos H(z) skall vara reella.
Ett smalt passband vid frekvensen ωp kan åstadkommas genom att pla-
era en pol vid p1 = rejωp, där den positiva radien r bör satisera r < 1
för att ge ett stabilt lter. Om ejωpej är reell, bör en komplexkonjugerad
180 KAPITEL 8. SYNTES AV DIGITALA FILTER
pol pla eras i p2 = re−jωp. Valet av r påverkar passbandets bredd. Ett
lämpligt värde för r kan bestämmas ur det approximativa sambandet
r ≈ 1− Bπ , (8.4.4)
där B (Hz) anger den önskade bandbredden, denierad som bandet mel-
lan de frekvenser där förstärkningen är
1√2≈ −3 dB
(
≈ 20 lg 1√2
)
. Det
approximativa sambandet (8.4.4) mellan B o h r kan användas om
B < 0,03.
Ett lter med ett smalt spärrband vid frekvensen ωs, o h som helt eli-
minerar denna frekvens (ett s.k. not h-lter), kan konstrueras genom
att pla era ett nollställe vid z1 = ejωso h en pol vid p1 = rejωs
(jämte
motsvarande komplexkonjugerade nollställen o h poler enligt ovan vid
behov). Polerna införs för att påverka lterförstärkningens form kring
not h-frekvensen o h för att göra spärrbandet smalare. Spärrbandets
bredd beror av r, o h även för detta gäller det approximativa samban-
det (8.4.4).
Vid behov kan ltrets förstärkning i passbandet justeras med den kon-
stanta faktorn K i lteruttry ket (8.4.3).
Följande exempel visar hur metoden kan användas för att konstruera ett
not h-lter.
Exempel 8.4.2. Ett digitalt not h-lter skall konstrueras för att eliminera
50 Hz-komponenten från nätet. Spärrbandets 3 dB-bredd, alltså frekvensom-
rådet mellan de bägge punkterna på förstärkningskurnvan som har värdet
−3 dB, skall vara 50± 5 Hz. Samplingsfrekvensen är 500 Hz.
Med samplingsfrekvensen 500 Hz motsvaras not h-frekvensen 50 Hz av
den normerade frekvensen
50 Hz500 Hz
= 0,1 o h den normerade bredden hos spärr-
bandet är B = 5 Hz−(−5 Hz)500 Hz
= 10500
= 0,02.
För eliminering av 50 Hz komponenten bör vi ha nollställen vid z1 =ej2π·0,1 o h z2 = e−j2π·0,1
. För att få den spe i erade bandbredden pla eras
poler i p1 = rej2π·0,1 o h p2 = re−j2π·0,1. Radien r bestäms enligt (8.4.4),
r = 1− 0,02π = 0,937 .
8.4. SYNTES AV FILTER MED OÄNDLIGT IMPULSSVAR 181
Filtrets överföringsfunktion blir således
H(z) =(z − e−j2π·0,1) (z − ej2π·0,1)
(z − 0,937e−j2π·0,1) (z − 0,937ej2π·0,1)
=z2 − 2 cos (2π · 0,1) · z + 1
z2 − 2 · 0,937 · cos (2π · 0,1) · z + 0,9372
=z2 − 1,618z + 1
z2 − 1,516z + 0,878.
(8.4.5)
Filtret beskrivs i tidsplanet av dierensekvationen
y(n)− 1,516y(n− 1) + 0,878y(n− 2) = x(n)− 1,618x(n− 1) + x(n− 2)
o h dess förstärkning visas i gur 8.9.
0 20 40 60 80 1000
0,2
0,4
0,6
0,8
1
1,2
Frekvens (Hz)
F
ö
r
s
t
ä
r
k
n
i
n
g
Figur 8.9: Förstärkningen hos ltret i exempel 8.4.2.
182 KAPITEL 8. SYNTES AV DIGITALA FILTER
8.4.2 Metoder baserade på diskretisering av analoga l-
terprototyper
I motsats till FIR lter, som saknar en direkt analog motsvarighet, är IIR
lter den diskreta motsvarigheten till analoga lter som beskrivs av dieren-
tialekvationer. Dierensekvationbeskrivningen för ett IIR lter kan då tolkas
som en diskret approximation av en dierentialekvation. Ett IIR lter av
ändlig ordning kan därför betraktas som en diskret approximation av ett
analogt lter.
Metod 8.4.1. Syntes baserad på diskretisering av analoga lter
En viktig metod för syntes av digitala lter med oändligt impulssvar
baserar sig på analoga lterprototyper, som sedan diskretiseras så, att lter-
spe ikationerna bibehålls hos det digitala ltret. Denna syntesmetod består
således av två faser enligt följande.
Steg 1. Konstruera ett analogt lter med överföringoperatorn Ha(s) enligt degivna lterspe ikationerna.
Steg 2. Diskretisera det i steg 1 beräknade ltret för att ge ett digitalt IIR
lter H(z) som satiserar lterspe ikationerna.
Denna metod kan verka som en onödig omväg. Varför gå omvägen att först
konstruera ett analogt lter som sedan diskretiseras, om målsättningen är
att beräkna ett digitalt lter? Det naturliga vore väl att beräkna det digitala
ltret direkt utgående från spe ikationerna. Trots detta är pro eduren en
av de vanligaste metoderna för syntes av digitala IIR lter, så man väntar
sig att det nns någon rationell orsak till detta.
En orsak till att först beräkna ett analogt lter kan vara den, att de signa-
ler som manipuleras vanligen är analoga. Det kan då vara naturligt att först
beräkna det bästa analoga ltret för ifrågavarande signalbehandlingsupp-
gift, o h sedan diskretisera ltret. Syntesmetoden reekterar således direkt
implementeringspro essen, i vilket ett analogt signalbehandlingsproblem im-
plementeras digitalt. På detta sätt får man o kså en direkt uppfattning om
vad som kan utföras i kontinuerlig tid, o h hur stor försämring i prestanda
som den diskreta implementeringen medför.
Detta resonemang beaktar emellertid inte det faktum att de digitala
ltren inte har samma begränsningar som analoga lter. Det är därför möjligt
att med digitala lter lösa signalbehandlingsuppgifter som inte kan utföras
8.4. SYNTES AV FILTER MED OÄNDLIGT IMPULSSVAR 183
med analoga lter. Det är t.ex. inte möjligt att konstruera exakt faslinjära
analoga lter av ändlig ordning, vilket som vi ovan sett utan svårighet kan
åstadkommas med ett symmetriskt FIR lter. Således utgör det en onödig
inskränkning att begränsa sig till ltertyper som fås genom diskretisering av
analoga standardlter.
En viktig orsak till metodens popularitet torde helt enkelt vara den att
metoder för analog ltersyntes har utve klats tidigare än syntesmetoderna för
digitala lter. Då digitaltekniken först infördes i olika tillämpningar var det
mest ändamålsenligt att helt enkelt diskretisera de tidigare använda analoga
ltren, med vilka man redan hade en lång erfarenhet o h vars funktionssätt
man kände till.
Det nns o kå en mängd eektiva klassiska syntesmetoder utve klade för
analoga lter, medan motsvarande digitala syntesmetoder tenderar att vara
mera kompli erade. I praktiken är en diskretisering av de analoga ltren en
enkel o h eektiv, o h helt a eptabel syntesmetod för beräkning av digitala
lter. Pro eduren har däför levt vidare som en standardmetod för digital l-
tersyntes o h den nns implementerad i de esta programbibliotek för syntes
av digitala lter.
Vi skall i det följande beskriva en eektiv diskretiseringsmetod samt några
av de viktigaste analoga lterprototyperna.
Metod 8.4.2. Syntes med bilinjär transformation
Den viktigaste metoden för diskretisering av analoga lter baserar sig på
den s.k. bilinjära transformationen. I denna metod bildas det diskreta ltret
H(z) från det analoga ltret Ha(s) enligt
H(z) = Ha(s)|s= 2T
1−z−1
1+z−1
= Ha
(2
T
1− z−1
1 + z−1
)
, s ∈ C , z ∈ C ,(8.4.6)
där T > 0. Avbildningen z → s
s =2
T
1− z−1
1 + z−1, T > 0 , (8.4.7)
kallas bilinjär transformation. Den har inversa avbildningen s → z
z =1 +
(T2
)s
1−(T2
)s. (8.4.8)
184 KAPITEL 8. SYNTES AV DIGITALA FILTER
Parametern T härstammar från metodens härledning. I tidsplanet motsva-
rar den bilinjära transformationen nämligen diskretisering av en dierentia-
lekvation med hjälp av trapetsmetoden med användning av samplingstiden
T . Eftersom metoden i litteraturen brukar presenteras i den ursprungliga
formen med parametern T gör vi det även här. Då parametern T motsvarar
samplingstiden, är metoden bekvämast att använda med värdet T = 1.
Egenskap 8.4.3. Diskretiseringsformeln (8.4.6) baserar sig på följande egen-
skaper i komplexa talplanet hos denitions- o h värdemängderna till den bi-
linjära transformationen:
Det vänstra halvplanet ℜ(s) < 0 avbildas till området innanför en-
hets irkeln |z| < 1, o h det högra halvplanet ℜ(s) > 0 avbildas till
området utanför enhets irkeln |z| > 1.
En punkt s = jΩ på imaginära axeln avbildas till punkten z = ejω på
enhets irkeln, där
ω = 2 arctan
(TΩ
2
)
. (8.4.9)
Den första egenskapen garanterar att transformationen bevarar ltrets
stabilitet, ty om s = pa är en pol tillHa(s), impli erar (8.4.6) att z = 1+(T/2)s1−(T/2)s
är en pol till H(z). Stabilitet innebär att det kontinuerliga ltret Ha(s) haralla poler i det vänstra halvplanet, vilket impli erar att H(z) har alla poler
innanför enhets irkeln, o h är alltså stabilt som ett diskret system.
Den senare egenskapen innebär att det diskreta ltrets frekvenssvarH (ejω)är en funktion av det analoga ltrets frekvenssvar Ha (jΩ) enligt
H(ejω)= Ha (jΩ) , (8.4.10)
där ω ges av (8.4.9). För små frekvenser är sambandet mellan kontinuerlig
frekvens Ω o h diskret frekvens ω approximativt linjärt, ω ≈ TΩ, men vid
högre frekvenser blir ltrets frekvenssvar förvrängt. Frekvenssambandet bör
beaktas vid ltersyntesen, ty om det analoga ltret t.ex. konstrueras att ha
en given bandbredd Ωp, så kommer det diskreta ltrets bandbredd att vara
ωp = 2 arctan(
TΩp
2
)
. Därför bör frekvenssvaret modieras före ltersyntesen
(s.k. prewarping), så att det analoga ltrets bandbredd bestäms så att den
motsvarar den spe i erade bandbredden hos det digitala ltret. Detta kan
8.4. SYNTES AV FILTER MED OÄNDLIGT IMPULSSVAR 185
åstadkommas med hjälp av inversa avbildningen till (8.4.9),
Ω =2
Ttan
(ω
2
)
. (8.4.11)
Vi kan sammanfatta stegen vid ltersyntesen enligt följande.
Steg 1. Låt det digitala ltrets spe ikationer karakteriseras av passbandets
o h spärrbandets hörnfrekvenser ωp o h ωs. Bestäm motsvarande hörn-
frekvenser Ωp o h Ωs för det analoga ltrets passband o h spärrband
enligt frekvenssambandet (8.4.11),
Ωp =2
Ttan(ωp
2
)
, Ωs =2
Ttan
(ωs
2
)
. (8.4.12)
Steg 2. Beräkna ett analogt lter Ha(s) som uppfyller lterspe ikationerna
för de i steg 1 beräknade pass- o h spärrbanden.
Steg 3. Tillämpa den bilinjära transformationen för bestämning av ett digitalt
lter H(z) enligt (8.4.6).
Observera att det ur konstruktionen o h sambandet (8.4.10) följer att det
digitala ltrets frekvenssvar satiserar
H(ejωp
)= Ha (jΩp) o h H
(ejωs)= Ha (jΩs) . (8.4.13)
Det digitala ltret H(z) uppfyller således spe ikationerna om det analoga
ltret Ha(s) gör det.
De analoga lter som beräknas i steg 2 består i allmänhet av klassiska
lterprototyper. De viktigaste ltertyperna är följande.
Butterworth-lter. Ett Butterworth-lter har en förstärkning som vari-
erar monotont i både passband o h spärrband o h som ges av
|Ha (jΩ) | =√√√√
1
1 +(
ΩΩc
)2N, (8.4.14)
där N är lterordningen o h Ωc är ltrets bandbredd.
186 KAPITEL 8. SYNTES AV DIGITALA FILTER
Chebyshev-lter. Det nns två typer av Chebyshev-lter. Förstärkning-
en hos ett Chebyshev-lter av typ I uppvisar svängningar i passbandet
som är sinsemellan lika stora (equiripple) o h är monotont avtagande
i spärrbandet, medan ett Chebyshev-lter av typ II har en monotont
varierande förstärkning i passbandet o h uppvisar ett antal sinsemel-
lan lika stora svängningar i spärrbandet. Chebyshev-lter bestäms med
hjälp av Chebyshev-polynom CN(x). Förstärkningen hos ett lter av
typ I ges t.ex. av
|Ha (jΩ) | =√√√√
1
1 + ǫ2C2N
(ΩΩc
) , (8.4.15)
där N är ltrets ordning, Ωc är bandbredden, o h ǫ är en parameter
som påverkar storleken av svängningarna i passbandet.
Elliptiska lter. Ett elliptiskt lter har en förstärkning med sinsemel-
lan lika stora (equiripple) svängningar i både passband o h spärrband.
Förstärkningen hos ett elliptiskt lter ges av
|Ha (jΩ) | =√√√√
1
1 + ǫ2G2N
(ΩΩc
) , (8.4.16)
där GN (x) är en rationell elliptisk funktion med egenskapen GN
(1x
)=
GN(x). Eftersom förstärkningens svängningar i motsats till Butterworth-
o h Chebyshev-ltren är jämnt fördelade i passband o h spärrband, är
elliptiska lter optimala i den meningen att de ger den lägsta lterord-
ningen för givna lterspe ikationer. Elliptiska lter är därför i allmän-
het den ltertyp som är att föredra. Om emellertid fasförskjutningen
har stor betydelse, kan valet falla på något annat lter.
Förutom Butterworth-, Chebyshev- o h elliptiska lter utgör Bessellter
en viktig analog ltertyp. Dess viktigaste egenskap består av att den har
linjär fasförskjutning i passbandet. Faslinjäriteten går emellertid förlorad vid
diskretiseringen p.g.a. frekvensförvrängningen enligt (8.4.10), o h Bessellter
har därför mindre betydelse vid syntes av digitala lter.
De olika standardltrens överföringsfunktioner ges av rätt kompli erade
formler, o h vi skall inte diskutera dem här. I praktiken beräknas ltren med
hjälp av programvara, som utför såväl beräkning av det analoga ltret som
8.4. SYNTES AV FILTER MED OÄNDLIGT IMPULSSVAR 187
diskretisering av denna med hjälp av den bilinjära transformationen. Program
för syntes av digitala Butterworth-lter, Chebyshev-lter o h elliptiska lter
nns t.ex. i MATLABs Signal Pro essing Toolbox.
Trots att lterprototyperna gäller för lågpasslter kan metoderna o kså
användas för beräkning av högpasslter, bandpass- o h bandspärrlter. Det-
ta kan åstadkommas med hjälp av en lämplig frekvenstransformation av den
typ som diskuterades i avsnitt 8.2.4. Frekvenstransformationen kan göras an-
tingen för det analoga ltret före diskretiseringen eller efter diskretiseringen
för det diskreta ltret. Det kan noteras att de båda metoderna ej resulte-
rar i samma lter. Formler för analoga frekvenstransformationer ges i kapitel
7.4.11 i Ifea hor o h Jervis (1993), o h diskreta frekvenstransformationsform-
ler ges i tabell 8.13 i Proakis o h Manolakis (1996) (jämför avsnitt 8.2.4).
Syntes av digitala lter genom diskretisering av analoga lterprototyper
illustreras med följande exempel.
Exempel 8.4.4. Ett digitalt lågpasslter av första ordningen med bandbred-
den ωc = 0,25π skall konstrueras genom att diskretisera ett analogt Butterworth-
lter av första ordningen.
För att beräkna ett analogt lter vars bandbredd efter diskretisering ger
bandbredden ωc hos det digitala ltret, bör det analoga ltrets bandbredd Ωc ges
av (8.4.11). För T = 1 fås Ωc = 2 tan(0,25π
2
)= 0,828. Överföringsfunktionen
hos ett första ordningens Butterworth-lter med bandbredden Ωc = 0,828 är
B1(s) =1
1 + sΩc
=1
1 + s0,828
.
Diskretisering med hjälp av den bilinjära transformationen (8.4.6) ger det
sökta digitala ltret,
H(z) = B1(s)|s= 2T
1−z−1
1+z−1=
1
1 + 2(1−z−1)0,828(1+z−1)
= 0,29281 + z−1
1− 0,4144z−1,
(8.4.17)
som har dierensekvationsrepresentationen
y(n)− 0,4144y(n− 1) = 0,2928 [x(n) + x(n− 1)] .
188 KAPITEL 8. SYNTES AV DIGITALA FILTER
Exempel 8.4.5. Ett digitalt lågpasslter skall ha passbandet 0−60 Hz, spärr-bandet > 85 Hz o h dämpningen > 15 dB i spärrbandet, då samplingsfrekven-
sen är 256 Hz.
Det digitala ltrets passband normerat med avseende å samplingsfrekven-
sen är fp =60256
o h spärrbandets normerade hörnfrekvens är fs =85256
.
Vid bilinjär diskretisering av ett analogt lågpasslter bör det analoga ltret
beräknas så, att dess passband o h spärrband efter diskretiseringen motsvarar
de spe i erade frekvensbanden hos det digitala ltret. Enligt (8.4.11) skall
det analoga ltrets passband ges av (T = 1)
Ωp = 2 tan
(2π 60
256
2
)
= 1,8127
o h dess spärrband skall ha hörnfrekvensen
Ωs = 2 tan
(2π 85
256
2
)
= 3,4316 .
Ett analogt lågpasslter av lämplig typ som satiserar spe ikationerna för
dessa passband o h spärrband kan sedan beräknas. Ett digitalt lter som upp-
fyller spe ikationerna fås därefter med hjälp av bilinjär transformation av
det analoga ltret.
8.4.3 Syntes baserad på minstakvadratoptimering av l-
terkoe ienterna
Pre is som för FIR lter så kan även koe ienterna hos ett IIR lter beräknas
med hjälp av optimering, så att ltrets frekvenssvar möjligast väl överrens-
stämmer med det ideala. Den optimeringsbaserade metoden blir emellertid
numeriskt my ket besvärligare att implementera för IIR lter. Detta beror
på det faktum, att medan frekvenssvaret H (ejω) för FIR lter är en linjär
funktion av lterkoe ienterna h(n), så är frekvenssvaret hos ett IIR lter
en olinjär funktion av nämnarpolynomets koe ienter b1, . . . , bN .
För att förenkla optimeringsproblemet vid beräkning av IIR lter de-
nieras felfunktionen vanligen som en kvadratisk felfunktion,
E2 =1
2π
∫ 2π
0
∣∣H(ejω)−HD
(ejω)∣∣2 dω . (8.4.18)
8.4. SYNTES AV FILTER MED OÄNDLIGT IMPULSSVAR 189
Filtrets beräknas alltså genom att minimera kvadraten av avvikelsen från
det ideala frekvenssvaret integrerat över alla frekvenser. Genom att utnyttja
Parsevals relation, alltså ekvation (4.2.6), kan (8.4.18) uttry kas med hjälp
av impulssvaret,
E2 =∞∑
n=0
|h(n)− hD(n)|2 . (8.4.19)
För att minimera felfunktionen E2 i avseende i koe ienterna hos ett IIR
lter bör impulssvaret h(n) bestämmas som en funktion av ltrets koe i-
enter. Enligt denitionen har vi för IIR ltret (8.4.2),
H(z) =a0 + a1z
−1 + · · ·+ aMz−M
1 + b1z−1 + · · ·+ bNz−N
= h(0) + h(1)z−1 + h(2)z−2 + · · · ,
(8.4.20)
vilket ger identiteten
[1 + b1z
−1 + · · ·+ bNz−N] [
h(0) + h(1)z−1 + h(2)z−2 + · · ·]
= a0 + a1z−1 + · · ·+ aMz−M .
(8.4.21)
Detta ger sambanden
h(n) +
n∑
k=1
bkh(n− k) = an , n = 0, 1, . . . ,M , (8.4.22)
h(n) +N∑
k=1
bkh(n− k) = 0 , n = M + 1,M + 2, . . . (8.4.23)
Exakt minimering av den kvadratiska felfunktionen (8.4.19) bör göras med
numeriska optimeringsmetoder. Det visar sig emellertid att minimeringen kan
utföras approximativt så att ett uttry k för lterkoe ienterna fås i sluten
form. Denna metod går under benämningen Pronys metod. Den är numeriskt
betydligt enklare än en exakt minimering av felfunktionen, o h ger i allmän-
het en my ket god approximation av den exakta lösningen. Pronys metod är
en standardpro edur o h den nns implementerad i de esta programpaket
för syntes av digitala lter.
I Pronys metod bestäms först koe ienterna b1, . . . , bN genom anpassning
av (8.4.23) till det ideala ltrets impulssvar hD(n) genom att lösa minime-
ringsproblemet
minb1,...,bN
∞∑
n=M+1
e2(n) , (8.4.24)
190 KAPITEL 8. SYNTES AV DIGITALA FILTER
där
e(n) = hD(n) +N∑
k=1
bkhD(n− k) . (8.4.25)
Man kan visa att minimeringsproblemet (8.4.24) kan lösas analytiskt. Ef-
ter att koe ierna bk har bestämt beräknas koe ienterna a0, . . . , aM enligt
(8.4.22),
an = hD(n) +
n∑
k=1
bkhD(n− k) , n = 0, . . . ,M . (8.4.26)
Detta är ekvivalent med att exakt anpassa impulssvarets M + 1 första koef-
ienter till det ideala impulssvaret, d.v.s. h(n) = hD(n), n = 0, 1, . . . ,M .
Kapitel 9
Implementering av digitala lter
Som vi sett i kapitel 8 kan det behövas ett my ket stort antal koe ienter
för att representera ett digitalt lter. Detta gäller i synnerhet FIR lter.
Följaktligen har det ofta stor betydelse beräkningsekonomiskt o h o kså för
noggrannheten hur ltret implementeras. Detta påverkar såväl beräknings-
hastighet, minnesbehov o h inverkan av kvantiseringsfel.
Betrakta ett diskret system av typen
y(n) = −N∑
k=1
bky(n− k) +
M∑
k=0
akx(n− k) . (9.0.1)
Vid implementeringen av systemet skall utsignalsekvensen y(n) beräknas
ur insignalsekvensen x(n). En direkt rekursiv lösning av ekvation (9.0.1) äri allmänhet inte den eektivaste implementeringsmetoden, utan andra sätt
att organisera beräkningarna kan vara snabbare eller ge mindre kvantise-
ringsfel.
Olika sätt att organisera beräkningen av utsignalen från ett linjärt system
motsvaras av olika sätt att representera systemet med hjälp av delsystem.
Dylika representationer kallas realiseringar av systemet. En realisering kan
graskt beskrivas i form av blo kdiagram av den typ som behandlades i
kapitel 7 (jämför t.ex. problem 7.3.1). Realiseringar av ett diskret system
kallas o kså strukturer för representation av systemet.
Det har utve klats en mängd olika strukturer för diskreta system med
vilka digitala lter kan realiseras. En del av strukturerna är i ke-triviala
o h spe iellt konstruerade för spe ika typer av tillämpningar. Vi skall här
endast i korthet beskriva några av de viktigaste lterstrukturerna. Deras
olika egenskaper, såsom eekten av kvantiseringsfel m.m. går vi inte in på.
191
192 KAPITEL 9. IMPLEMENTERING AV DIGITALA FILTER
9.1 Strukturer för system med ändligt impuls-
svar
I detta avsnitt betraktas realiseringar av ett system med ändligt impulssvar,
som beskrivs av dierensekvationen
y(n) =
N−1∑
k=0
h(k)x(n− k) . (9.1.1)
9.1.1 Direkt realisering
I en direkt realisering av systemet (9.1.1), beräknas utsignalen direkt som
summan
y(n) = h(0)x(n) + h(1)x(n− 1) + · · ·+ h(N − 1)x(n−N + 1) , (9.1.2)
jämför gur 6.28 i Ifea hor o h Jervis (1993). Realiseringen kräver lagring av
N − 1 tidigare insignalvärden, samt N multiplikationer o h N − 1 additionerper steg.
Om FIR ltret är faslinjärt, så att symmetrivillkoret
h(n) = ±h(N − 1− n) (9.1.3)
gäller, kan beräkningarna förenklas. För symmetriska faslinjära lter av typ
I o h II får vi
y(n) =
N−12
−1∑
k=0
h(k) [x(n− k) + x(n− (N − 1− k))] (9.1.4)
+h
[N − 1
2
]
x
(
n− N − 1
2
)
, (N uddda) (9.1.5)
y(n) =
N2−1∑
k=0
h(k) [x(n− k) + x(n− (N − 1− k))] , (N jämnt) (9.1.6)
Jämför gur 6.29 i Ifea hor o h Jervis (1993). Antalet multiplikationer re-
du eras i detta fall med a 50 % jämfört med en direkt realisering enligt
(9.1.2). Det bör do k observeras att en implementering enligt ovan i era
digitala signalpro essorer kräver en mera kompli erad indexering av data,
vilket redu erar metodens eektivitet.
9.2. STRUKTURER FÖR SYSTEM MED OÄNDLIGT IMPULSSVAR193
9.1.2 Kaskadstrukturer
En kaskadstruktur för realisering av ett FIR lter fås genom att faktorisera
överföringsfunktionen i faktorer av ordningen två enligt
H(z) =
N−1∑
k=0
h(k)z−k = H1(z) ·H2(z) · · ·HK(z) , (9.1.7)
där
Hk(z) = bk0 + bk1z−1 + bk2z
−2(9.1.8)
o h K är heltalsdelen av
N+12. Faktoriseringen kan alltid göras så att koef-
ienterna bik är reella. Med denna struktur kan FIR ltret realiseras med
hjälp av standard byggblo k bestående av FIR system av längden tre.
9.1.3 Andra strukturer för FIR system
Andra viktiga strukturer för realisering av FIR system är bl.a.:
- Frekvenssamplings-strukturen.
- Latti e-strukturen.
Dessa strukturer har utve klats för spe iella typer av tillämpningar för vilka
de är spe iellt eektiva. Vi skall do k ej behandla dem här.
9.2 Strukturer för system med oändligt impuls-
svar
I detta avsnitt betraktas system med oändligt impulssvar, som beskrivs av
dierensekvationen
y(n) = −N∑
k=1
bky(n− k) +M∑
k=0
akx(n− k) (9.2.1)
o h vars överföringsfunktion ges av
H(z) =
∑Mk=0 akz
−k
1 +∑N
k=1 bkz−k
. (9.2.2)
194 KAPITEL 9. IMPLEMENTERING AV DIGITALA FILTER
9.2.1 Direkt realisering
En direkt realisering av systemet kan åstadkommas på två sätt. Deniera
funktionen H1(z) bestående av överföringsfunktionens täljare,
H1(z) =M∑
k=0
akz−k , (9.2.3)
samt funktionen H2(z) bestående av överföringsfunktionens nämnare,
H2(z) =1
1 +∑N
k=1 bkz−k
. (9.2.4)
I en direkt realisering av typ I faktoriseras överföringsfunktionen enligt
H(z) = H2(z)H1(z) . (9.2.5)
Systemet representeras alltså som en produkt av ett FIR system H1(z) åtföljtav ett IIR system H2(z) med täljarpolynomet z0 = 1. I tidsplanet motsvaras
detta av att först beräkna en signal w(n) från ett FIR system enligt
w(n) =
M∑
k=0
akx(n− k) (9.2.6)
o h utsignalen fås från ett IIR system enligt
y(n) = −N∑
k=1
bky(n− k) + w(n) . (9.2.7)
I en direkt realisering av typ II faktoriseras överföringsfunktionen enligt
H(z) = H1(z)H2(z) . (9.2.8)
I denna realisering representeras systemet som en produkt av ett IIR system
H2(z) med täljarpolynomet z0 = 1 åtföljt av ett FIR system H1(z). Dettamotsvarar i tidsplanet beräkningen av en signal w(n) från ett IIR system
enligt
w(n) = −M∑
k=1
bkw(n− k) + x(n) (9.2.9)
9.2. STRUKTURER FÖR SYSTEM MED OÄNDLIGT IMPULSSVAR195
o h beräkningen av utsignalen med ett FIR system enligt
y(n) =M∑
k=0
akw(n− k) . (9.2.10)
De direkta realiseringarna av IIR system är känsliga för kvantiseringfel.
Detta beror på det faktum att utsignalen y(n) beräknas som en funktion av
ett antal tidigare utsignaler y(n−1), . . ., y(n−N). Kvantiseringfelen kommer
därför att påverkas av ett dynamiskt system, o h i värsta fall förstärkas av
detta.
Observera o kså att systemets egenskaper beror kritiskt av polernas lä-
gen, d.v.s. av nämnarpolynomets nollställen. Nollställena hos polynom av
hög ordning är emellertid extremt känsliga för polynomets koe ienter. Det
följer att kvantiseringsfel kan ha en stor inverkan på ett systems poler o h
därigenom helt förändra systemet egenskaper. För IIR system av hög ord-
ning är de direkta implementeringsmetoderna därför inte att rekommendera.
Motsvarande fenomen inträar ej för FIR system, eftersom dynamiken inte
på samma sätt är känsligt beroende av överföringsfunktionens nollställen.
Känslighetsproblemet som den direkta implementeringen av IIR system
lider av kan undvikas genom att uppdela systemet i delsystem av låg ordning.
Vanligen används delsystem av ordningen två, eftersom det är den lägsta ord-
ning med vilken system med komplexkonjugerade poler kan behandlas med
reell aritmetik. Delsystem kan kombineras antingen i serie (kaskadstruktur)
eller parallellt.
9.2.2 Kaskadstrukturer
Pre is som FIR system så kan även IIR system realiseras i form av kaskad-
strukturer. Vi faktoriserar överföringsfunktionen (9.2.2) enligt
H(z) = H1(z) ·H2(z) · · ·HK(z) , (9.2.11)
där
Hk(z) =ak0 + ak1z
−1 + ak2z−2
1 + bk1z−1 + bk2z−2(9.2.12)
o hK är heltalsdelen av
N+12. Systemet kan således realiseras som en produkt
av standard byggblo k bestående av IIR system av andra ordningen (jämför
gur 7.20 i Ifea hor o h Jervis (1993)).
196 KAPITEL 9. IMPLEMENTERING AV DIGITALA FILTER
9.2.3 Parallellstrukturer
Ett annat sätt att uppdela ett IIR system är genom att införa en partial-
bråksuppdelning av överföringsfunktionen (9.2.2) enligt
H(z) = C +K∑
k=1
Hk(z) , (9.2.13)
där
Hk(z) =ak0 + ak1z
−1
1 + bk1z−1 + bk2z−2. (9.2.14)
I detta fall kan systemet realiseras genom att parallellkoppla IIR system av
andra ordningen, jämför gur 7.21 i Ifea hor o h Jervis (1993).
Exempel 9.2.1. Betrakta ett system av fjärde ordningen med överförings-
funktionen
H(z) =10(1− 1
2z−1) (
1− 23z−1)(1 + 2z−1)
(1− 3
4z−1) (
1− 18z−1) (
1− z−1 + 12z−2) .
Systemet kan realiseras med en kaskadstruktur sammansatt av andra ordning-
ens delsystem t.ex. genom uppdelningen
H(z) = 10H1(z)H2(z) ,
där
H1(z) =1− 2
3z−1
1− 78z−1 + 3
32z−2
,
H2(z) =1 + 3
2z−1 − z−2
1− z−1 + 12z−2
.
För att bestämma en parallellstruktur för realisering av systemet bör överfö-
ringsfunktionen partialbråkuppdelas. En partialbråksuppdelning med nämnar-
polynom av andra ordningen är
H(z) =−14,75− 12,90z−1
1− 78z−1 + 3
32z−2
+24,50 + 26,82z−1
1− z−1 + 12z−2
.