Prelucrarea semnalelor

Capitolul 1: Semnale
Bogdan Dumitrescu

Facultatea de Automatica si Calculatoare

Universitatea Politehnica Bucuresti

PS cap. 1: Semnale p. 1/43

Semnale discrete

Semnal discret: o functie x : Z R

Multimea Z: timpul (discret)
x[n]: valoarea semnalului la momentul n (esantionul n)
Abuz de notatie: ntreg semnalul este x[n] (n Z e variabila
libera)
2.5
x[n]
2

1.5

1 ... ...

0.5
n
0

0.5

1.5

10 8 6 4 2 0 2 4 6 8 10

PS cap. 1: Semnale p. 2/43

Proprietati curente

Semnalul x[n] este periodic de perioada N sau N -periodic,

daca x[n] = x[n + kN ], pentru orice n, k Z. n general,
numim perioada a semnalului cel mai mic N pozitiv cu
proprietatea de mai sus.
Semnalul x[n] este absolut sumabil (x[n] 1 ) daca

X
|x[n]| < .
n=

Semnalul x[n] are energie finita (x[n] 2 ) daca

X
|x[n]|2 < .
n=

PS cap. 1: Semnale p. 3/43

Suportul unui semnal

Semnalul x[n] are suport T Z daca x[n] = 0, n Z \ T ,

adica semnalul este nul n afara multimii suport.
Suportul este finit, cnd T este o multime finita, e.g.
T = 0 : M , unde M este un ntreg pozitiv;
Suportul este infinit la dreapta, cnd x[n] = 0 pentru n < M ,
cu M Z fixat.
Suportul este infinit la stnga, cnd x[n] = 0 pentru n > M ,
cu M Z fixat.
Suportul este dublu infinit (sau infinit bilateral), cnd T = Z.

PS cap. 1: Semnale p. 4/43

Semnale uzuale
(
Impuls unitate: [n] =
1, daca n = 0,
0, altfel.
(
Treapta unitate: u[n] =
1, daca n 0,
0, altfel.

u[n]
[n]
1 1

... ...
... ...
n n
5 4 3 2 1 0 1 2 3 4 5 5 4 3 2 1 0 1 2 3 4 5

PS cap. 1: Semnale p. 5/43

Semnal ca suma de impulsuri

Orice semnal x[n] poate fi descris ca o suma infinita de

impulsuri unitate (decalate n timp), anume

X
x[n] = x[k][n k].
k=

De exemplu, treapta unitate se poate scrie

X
u[n] = [n k].
k=0

PS cap. 1: Semnale p. 6/43

Semnale sinusoidale

Sinusoida reala: x[n] = sin(n + )

Sinusoida complexa:
x[n] = ej(n+) = cos(n + ) + j sin(n + )
Numim frecventa semnalului (atentie: n fizica este
pulsatia)
este defazajul sau faza initiala

PS cap. 1: Semnale p. 7/43

Periodicitatea semnalelor sinusoidale

Sinusoidele continue sunt periodice:

x(t) = sin(t + ), t R, are perioada T0 = 2/
Sinusoida discreta x[n] = sin(n + ) este periodica doar
2k
daca exista un ntreg k astfel nct N = este ntreg
(deci / este un numar rational)
Exemplu: semnalul sin(n/3) are perioada 6
(Cu linie punctata, sinusoida continua sin(t/3))

0.5 ... ...

n
0

0.5

6 4 2 0 2 4 6 8 10 12 14

PS cap. 1: Semnale p. 8/43

Sinusoide discrete neperiodice

Majoritatea sinusoidelor sunt neperiodice !

Exemplu: sin n este neperiodica

0.5 ... ...

n
0

0.5

6 4 2 0 2 4 6 8 10 12 14

PS cap. 1: Semnale p. 9/43

Relatia cu perioada sinusoidei continue

Semnalul sin(3n/5) are perioada N = 10

Cel mai mic k pentru care N = 2k 10k
= 3 Z este k = 3
k reprezinta numarul de perioade ale sinusoidei continue
x(t) = sin(3t/5) care corespund unei perioade a sinusoidei
discrete

0.5 ... ...

n
0

0.5

2 0 2 4 6 8 10 12

PS cap. 1: Semnale p. 10/43

Sinusoide periodice identice

Sinusoidele cu frecventele si + 2k , unde k este un

ntreg arbitrar, sunt identice
Demonstratie: sin(( + 2k)n + ) = sin(n + )
Concluzie: doar semnalele sinusoidale cu frecvente
[, ] sunt distincte
Exemplu: sin(n/4) si sin(9n/4) sunt identice

0.5 ... ...

n
0

0.5

10 8 6 4 2 0 2 4 6 8 10

PS cap. 1: Semnale p. 11/43

Frecvente joase, nalte

Frecvente joase: mic

Cazul extrem: semnalul constant, cnd = 0
Frecvente nalte: || aproape de
Frecventa maxima este =

0.5 ... ...

n
0

0.5

8 6 4 2 0 2 4 6 8

PS cap. 1: Semnale p. 12/43

Operatii cu semnale

Suma: x[n] + y[n]

Produs cu un scalar: x[n]

Convolutie: x[n] y[n] def
X
= x[k]y[n k]
k=
Modulatie n timp: x[n]y[n]
(se spune ca x[n] este modulat n timp prin y[n], sau invers)

PS cap. 1: Semnale p. 13/43

Transformata Fourier

Transf. Fourier a semnalului x[n] este functia X : R C,

X
X() = x[n]ejn . (1)
n=

Notam pe scurt X() = T F (x[n]).

Transformata Fourier X() este periodica cu perioada 2 .
Ne intereseaza doar intervalul [, ].
Nu orice semnal x[n] are o transformata Fourier definita pe
ntreg intervalul [, ], deoarece seria (1) poate fi
divergenta.

PS cap. 1: Semnale p. 14/43

Conditii de convergenta

Daca semnalul x[n] este absolut sumabil, atunci X()

exista pentru orice . Mai mult, seria (1) converge uniform
catre o functie continua n .
Daca x[n] este un semnal de energie finita, atunci seria (1)
converge aproape peste tot.
Notnd XM () = M
P
n=M x[n]e
jn , avem

Z
lim |X() XM ()|2 d = 0,
M

"Energia" erorii de aproximare a lui X() prin XM () tinde

spre zero, dar eroarea nu se anuleaza neaparat peste tot.
XM () poate sa nu convearga peste tot la X().

PS cap. 1: Semnale p. 15/43

Fenomenul Gibbs
1.2 1.2

1 1

0.8 0.8

0.6 0.6

0.4 0.4

0.2 0.2

0 0

/3 /3 /3 /3
0.2 0.2
4 3 2 1 0 1 2 3 4 4 3 2 1 0 1 2 3 4

1.2 1.2

1 1

0.8 0.8

0.6 0.6

0.4 0.4

0.2 0.2

0 0

/3 /3 /3 /3
0.2 0.2
4 3 2 1 0 1 2 3 4 4 3 2 1 0 1 2 3 4

PS cap. 1: Semnale p. 16/43

Transformata Fourier inversa

Semnalul x[n] a carui transformata Fourier este functia data

X() este

1
Z
x[n] = X()ejn d. (2)
2
Notam x[n] = T F I(X())
Functia X() este numita spectrul semnalului x[n]
|X()| este amplitudinea (magnitudinea) spectrului
argX() este faza spectrului
|X()|2 este numita densitate de energie spectrala
(vezi mai departe teorema lui Parseval)

PS cap. 1: Semnale p. 17/43

Semnificatia transformatei Fourier

X(), [, ], reprezinta continutul n frecventa al

semnalului x[n]
Exemplu: semnal cu suport finit si spectrul lui

3.5

|X()|
x[n] 3

1 2.5

1.5

... ...
0.5

n 0

2 1 0 1 2 3 4 5 6 4 3 2 1 0 1 2 3 4

PS cap. 1: Semnale p. 18/43

TF a unei sinusoide complexe (1)

Sinusoida complexa x[n] = ej0 n nu are energie finita, deci

seria (1) nu este convergenta.
Totusi, i putem asocia TF

X
X() = 2 (2 + 0 ),
=

unde () este impulsul Dirac situat n origine.

Verificare:

1
Z
T F I(X()) = 2( 0 )ejn d = ej0 n
2

PS cap. 1: Semnale p. 19/43

TF a unei sinusoide complexe (2)

Interpretare: semnalul sinusoidal are un spectru nenul ntr-o

singura frecventa, n care se concentreaza toata energie sa.
Un spectru de acest tip se numeste si spectru de linii (una
singura, n cazul de fata).

1.2

|X()|
1

0.8

0.6

0.4

0.2

0
0.2
4 3 2 1 0 1 2 3 4

PS cap. 1: Semnale p. 20/43

Spectru ideal de joasa frecventa (1)

Dorim semnalul x[n] al carui spectru este

(
1, pentru || t ,
X() =
0, pentru t < || .

Semnalul x[n] are un spectru ideal de joasa frecventa.

1.2

0.8

0.6

x[n] =?
0.4

0.2

/3 /3
0.2
4 3 2 1 0 1 2 3 4

PS cap. 1: Semnale p. 21/43

Spectru ideal de joasa frecventa (2)

Def. Functia sinc (nucleul Dirichlet) este

sin
sinc = .

Folosind transformata Fourier inversa obtinem

t
t
1 1 1 jn 
Z Z
jn jn
x[n] = X()e d = e d = e 
2 2 t 2jn t
sin(t n) t
= = sinc(t n).
n
Am obtinut deci egalitatea

X sin(t n) jn t X
X() = e = sinc(t n)ejn .
n=
n n=

PS cap. 1: Semnale p. 22/43

Spectru ideal de joasa frecventa (3)

Pentru t = /3

X() x[n]
0.4
1.2

0.35

1
0.3

0.8 0.25

0.2
0.6
0.15

0.4 0.1 ... ...

0.05
0.2 n
0

0 0.05

/3 /3
0.1
0.2
4 3 2 1 0 1 2 3 4 15 10 5 0 5 10 15

PS cap. 1: Semnale p. 23/43

Demonstratie TF inversa (1)

Prop: daca m este ntreg, atunci

(

2, daca m = 0
Z
jm
e d = 2[m] =
0, altfel

Dem: calcul direct.

Pentru m = 0
Z Z
jm
e d = d = 2

Pentru m 6= 0


1 jm  2j sin(m)
Z
jm
e d = e  = = 0,
jm jm

PS cap. 1: Semnale p. 24/43

Demonstratie TF inversa (2)

!

1 1
Z Z X
jn
X()e d = x[k]ejk ejn d
2 2 k=
Z
1 X
= x[k] ej(nk) d
2
k=
X
= x[k][n k]
k=
= x[n].

PS cap. 1: Semnale p. 25/43

Proprietati TF (1)

Liniaritate: T F (x[n] + y[n]) = T F (x[n]) + T F (y[n])

ntrziere. Fie n0 Z si y[n] = x[n n0 ] (i.e. y[n] este

semnalul x[n] ntrziat cu n0 ). Atunci Y () = ejn0 X().
Complex conjugare. Fie y[n] = x [n]. Atunci

!
X X
Y () = x [n]ejn = x[n]ejn = X ().
n= n=

Simetrii pentru semnale reale. Daca x[n] R

X() = X (),
ReX() = ReX(), ImX() = ImX(),
|X()| = |X()|, argX() = argX().

PS cap. 1: Semnale p. 26/43

Proprietati TF (2)

Convolutie:

X
X
T F (x[n] y[n]) = x[k]y[n k]ejn
n= k=
X
X
= jk
x[k]e y[n k]ej(nk)
k= n=
= X()Y ()

Modulatie n timp:

1
Z
T F (x[n]y[n]) = X()Y ( )d.
2

PS cap. 1: Semnale p. 27/43

Teorema lui Parseval

Forma generala:

1
X Z

x[n]y [n] = X()Y ()d.
n=
2

Punnd y[n] = x[n] rezulta

1
X Z
2
|x[n]| = |X()|2 d.
n=
2

Semnificatie: energia n timp = energia n frecventa

PS cap. 1: Semnale p. 28/43

Demonstratie Parseval

1 1
Z Z X X
X()Y ()d = x[n]ejn y [k]ejk d
2 2 n= k=
Z
1 X X
= x[n]y [k] ej(kn) d
2 n=
k=
X
= x[n]y [n]
n=

PS cap. 1: Semnale p. 29/43

Transformata Z

Transformata Z (bilaterala) a unui semnal discret x[n] este

functia X : C C

X
X(z) = x[n]z n .
n=

Notatie: X(z) = T Z(x[n])

Transformata Fourier este un caz particular al transformatei
Z, pentru z = ej .
Notatia X(ej ) pentru transformata Fourier (spre deosebire
de notatia naturala X()) subliniaza aceasta legatura.

PS cap. 1: Semnale p. 30/43

Convergenta

Pentru marea majoritate a semnalelor, transformata Z exista

ntr-o anume regiune a planului complex, care nu contine
neaparat cercul unitate.
Semnale care nu au transformata Fourier pot avea
transformata Z.
Exemplu: x[n] = n u[n], C

X(z) =
X
n n
X
1 n 1
z = (z ) =
1 z 1
n=0 n=0
Seria converge pentru |z| > ||
Daca || 1, transformata Fourier nu exista
1
Daca || < 1, atunci X(ej ) = X() = 1ej .

PS cap. 1: Semnale p. 31/43

Proprietati ale transformatei Z

Liniaritate. Pentru orice , C avem

T Z(x[n] + y[n]) = T Z(x[n]) + T Z(y[n]).
ntrziere. Daca y[n] = x[n n0 ], atunci Y (z) = z n0 X(z)
Pentru n0 = 1, rezulta Y (z) = z 1 X(z). De aceea, z 1 se
numeste si operator de ntrziere cu un pas (esantion).
nmultirea cu o exponentiala. Daca y[n] = n x[n], atunci
Y (z) = X(z/)
Derivare dupa z . T Z(nx[n]) = z dX(z)
dz
Convolutie. T Z(x[n] y[n]) = X(z) Y (z)

PS cap. 1: Semnale p. 32/43

(Transformata Z inversa)

Transformata Z inversa, care asociaza unei functii X(z)

semnalul x[n] (a carui transformata Z este X(z)) este

1
I
x[n] = X(z)z n1 dz.
2j
Integrala se calculeaza pe un contur nchis n jurul originii n
planul complex, parcurs n sens invers acelor de ceas;
conturul este situat n regiunea de convergenta a
transformatei Z pentru semnalul x[n].

PS cap. 1: Semnale p. 33/43

Variabile aleatoare

O variabila aleatoare reala este caracterizata de functia

de densitate de probabilitate p : R R+ , cu proprietatea
Z
p()d = 1.

Probabilitatea ca valoarea variabilei aleatoare sa se afle

ntr-un interval precizat [1 , 2 ] este
Z 2
Prob(1 2 ) = p()d.
1

PS cap. 1: Semnale p. 34/43

Medie, varianta

Media variabilei aleatoare este

Z
= E{} = p()d.

Operatorul E{} se numeste speranta matematica (sau

expectatie).
Varianta variabilei aleatoare este
Z
2 = E{( )2 } = ( )2 p()d.

Relatie ntre varianta si medie

2 = E{( )2 } = E{ 2 } 2E{} + 2 = E{ 2 } 2

PS cap. 1: Semnale p. 35/43

Distributie uniforma

O variabila aleatoare cu distributie uniforma n intervalul

[0, 1] are densitatea de probabilitate
(
1, pentru [0, 1]
p() =
p() 0, altfel
1

Z 1
Media este = d = 1/2
0
1
1 1 1
Z
Varianta este 2 = 2 2
d = =
0 3 4 12

PS cap. 1: Semnale p. 36/43

Distributie normala

O variabila aleatoare cu distributie gaussiana (sau normala)

de medie si varianta 2 are densitatea de probabilitate

1 ()
2

p() = e 22
2
Notatie uzuala a acestei distributii: N (, 2 )

p()

PS cap. 1: Semnale p. 37/43

Proces aleator, semnal aleator

Un proces aleator x[n], n Z, este un sir de variabile

aleatoare
Un semnal aleator, notat tot x[n], este o realizare a
procesului aleator, n sensul ca, la fiecare moment de timp
n, se considera o singura valoare a variabilei aleatoare
corespunzatoare.
Exemplu: x[n] este uniform distribuit n [0, 1], pentru orice n
Proces stationar: proprietatile variabilelor aleatoare nu se
modifica n timp (nu depind de n)
De acum nainte lucram doar cu procese stationare

PS cap. 1: Semnale p. 38/43

Autocorelatii

Autocorelatiile unui proces aleator reprezinta sperantele

matematice ale produselor variabilelor aleatoare la diferite
momente de timp:

E{x[n]x[n k]} = r[k], k Z.

Se observa ca r[k] = r[k].

Autocovariantele unui proces aleator stationar sunt
autocorelatiile procesului x[n] (care are medie nula)

E{(x[n] )(x[n k] )} = [k].

Pentru procese cu medie nula, avem r[k] = [k].

PS cap. 1: Semnale p. 39/43

Estimarea mediei

Problema: avem o realizare finita a unui proces aleator,

adica valorile x[n], n = 0 : N 1. Cum estimam valorile
mediei si autocorelatiilor ?
Pentru medie, cea mai naturala estimatie este

N 1
1 X
= x[n].
N
n=0

Estimatia este nedeviata:

N N 1 N 1
( 1
)
1 X 1 X 1 X
E{} = E x[n] = E{x[n]} = = .
N N N
n=0 n=0 n=0

PS cap. 1: Semnale p. 40/43

Estimarea autocorelatiilor

Estimatia nedeviata

N 1
1 X
r[k] = x[n]x[n k], 0 k N 1,
N k
n=k

(adica E{r[k]} = r[k])

Esimatia deviata e folosita mai des

N 1
1 X
r[k] = x[n]x[n k], 0 k N 1.
N
n=k

PS cap. 1: Semnale p. 41/43

Densitate de putere spectrala

Un semnal x[n] care este realizarea unui proces aleator are

energie infinita
Deci, nu putem calcula densitatea de energie spectrala
|X()|2
Densitatea de putere spectrala este transformata Fourier a
seventei de autocorelatii

X
P () = r[k]ejk .
k=

Definitie echivalenta ("putere = energie/timp")

 N 2
1  X 
jn 
P () = lim E x[n]e  .

2N + 1 

N 
n=N

PS cap. 1: Semnale p. 42/43

Zgomot alb

Un zgomot alb de medie nula si varianta 2 este un proces

aleator w[n] pentru care

E{w[n]} = 0,
E{w[n]w[n k]} = 2 [k].

Densitatea de putere spectrala este

P () = 2

Spectrul zgomotului alb este constant (zgomotul alb contine

toate frecventele cu putere egala, de aici numele sau, prin
analogie cu lumina).

PS cap. 1: Semnale p. 43/43