Luento 5. tietoverkkotekniikan laitos

Samankaltaiset tiedostot
Luento 5. Diskreetti Fourier muunnos (DFT)

Luento 5. Diskreetti Fourier muunnos (DFT)

Luento 2. S Signaalit ja järjestelmät 5 op TKK Tietoliikenne Laboratorio 1. Jean Baptiste Joseph Fourier ( )

9 Lukumäärien laskemisesta

4.3 Signaalin autokorrelaatio

Helsinki University of Technology Laboratory of Telecommunications Technology

4.7 Todennäköisyysjakaumia

C (4) 1 x + C (4) 2 x 2 + C (4)

MAB7 Talousmatematiikka. Otavan Opisto / Kati Jordan

Differentiaali- ja integraalilaskenta 1 Ratkaisut 1. viikolle /

Miehitysluvuille voidaan kirjoittaa Maxwell Boltzmann jakauman mukaan. saamme miehityslukujen summan muodossa

Spektri- ja signaalianalysaattorit

Luento 2. Jaksolliset signaalit

z z 0 (m 1)! g(m 1) (z0) k=0 Siksi kun funktioon f(z) sovelletaan Cauchyn integraalilausetta, on voimassa: sin(z 2 dz = (z i) n+1 k=0

Digitaalinen signaalinkäsittely Signaalit, jonot

2 Taylor-polynomit ja -sarjat

Kirjoitetaan FIR-suotimen differenssiyhtälö (= suodatuksen määrittelevä kaava):

Ylioppilastutkintolautakunta S tudentexamensnämnden

Helsinki University of Technology Laboratory of Telecommunications Technology

V. POTENSSISARJAT. V.1. Abelin lause ja potenssisarjan suppenemisväli. a k (x x 0 ) k M

i ni 9 = 84. Todennäköisin partitio on partitio k = 6, k k

1 Vastaa seuraaviin. b) Taajuusvasteen

[ ] [ 2 [ ] [ ] ( ) [ ] Tehtävä 1. ( ) ( ) ( ) ( ) ( ) ( ) 2( ) = 1. E v k 1( ) R E[ v k v k ] E e k e k e k e k. e k e k e k e k.

Joulukuun vaativammat valmennustehtävät ratkaisut

6 Lineaarisen ennustuksen sovelluksia

JOHDATUS LUKUTEORIAAN (syksy 2017) HARJOITUS 1, MALLIRATKAISUT

BINÄÄRISET TIEDONSIIRTOMENETELMÄT TÄRKEIMPIEN ASIOIDEN KERTAUS A Tietoliikennetekniikka II Osa 11 Kari Kärkkäinen Syksy 2015

Tietoliikennesignaalit & spektri

Kolmivaihejärjestelmän oikosulkuvirran laskemista ja vaikutuksia käsitellään standardeissa IEC-60909, , , 60781, ja

A B = 100, A = B = 0. D = 1.2. Ce (1.2 D. C (t D) 0, t < 0. t D. )} = Ae πjf D F{Π( t D )} = ADe πjf D sinc(df)

Laskennallisen kombinatoriikan perusongelmia

Matematiikan tukikurssi

Talousmatematiikan verkkokurssi. Koronkorkolaskut

DISKREETIN MATEMATIIKAN SOVELLUKSIA: KANAVA-EKVALISOINTI TIEDONSIIRROSSA. Taustaa

Diskreetin Matematiikan Paja Ratkaisuja viikolle 5. ( ) Jeremias Berg

Ortogonaalisuus ja projektiot

Tehtävä 2 Todista luennoilla annettu kaava: jos lukujen n ja m alkulukuesitykset. ja m = k=1

(1 + i) + JA. t=1. t=1. (1 + i) n (1 + i) n. = H + k (1 + i)n 1 i(1 + i) n + JA

M 2 M = sup E M 2 t. E X t = lim. niin martingaalikonvergenssilauseen oletukset ovat voimassa, eli löydämme satunnaismuuttujan M, joka toteuttaa ehdon

VÄRÄHTELYMEKANIIKKA SESSIO 19: Usean vapausasteen systeemin liikeyhtälöiden johto Newtonin lakia käyttäen

PUTKIKAKSOISNIPPA MUSTA

Ohjelmistoradio tehtävät 4. P1: Ekvalisointi ja demodulaatio. OFDM-symbolien generoiminen

Ennen kuin mennään varsinaisesti tämän harjoituksen asioihin, otetaan aluksi yksi merkintätekninen juttu. Tarkastellaan differenssiyhtälöä

Äärettämän sarjan (tai vain sarjan) sanotaan suppenevan eli konvergoivan, jos raja-arvo lims

Johdatus lukuteoriaan Harjoitus 1 syksy 2008 Eemeli Blåsten. Ratkaisuehdotelma

Tehtävä 11 : 1. Tehtävä 11 : 2

SIGNAALITEORIAN KERTAUSTA 1

funktiojono. Funktiosarja f k a k (x x 0 ) k

termit on luontevaa kirjoittaa summamuodossa. Tällöin päädymme lukusarjojen teoriaan: a k = s.

DEE Lineaariset järjestelmät Harjoitus 5, harjoitustenpitäjille tarkoitetut ratkaisuehdotukset

MS-A0401 Diskreetin matematiikan perusteet Yhteenveto ja esimerkkejä ym., osa I

HARMONINEN VÄRÄHTELIJÄ

Tämä merkitsee geometrisesti, että funktioiden f

Mat / Mat Matematiikan peruskurssi C3-I / KP3-I Harjoitus 5 / vko 42, loppuviikko, syksy 2008

T Signaalinkäsittelyjärjestelmät Kevät 2004

HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 6A Ratkaisuehdotuksia.

Helsinki University of Technology

Olkoot X ja Y riippumattomia satunnaismuuttujia, joiden odotusarvot, varianssit ja kovarianssi ovat

Kiinteätuottoiset arvopaperit

MS-A0402 Diskreetin matematiikan perusteet

1 Eksponenttifunktion määritelmä

DEE Lineaariset järjestelmät Harjoitus 2, ratkaisuehdotukset. Johdanto differenssiyhtälöiden ratkaisemiseen

Osa VI. Fourier analyysi. A.Rasila, J.v.Pfaler () Mat Matematiikan peruskurssi KP3-i 12. lokakuuta / 246

VÄRÄHTELYMEKANIIKKA SESSIO 24: Usean vapausasteen vaimenematon ominaisvärähtely osa 2

Perustehtäviä. Sarjateorian tehtävät 10. syyskuuta 2005 sivu 1 / 24

Numeeriset menetelmät

Jaksollisen signaalin spektri

Luento 9. tietoverkkotekniikan laitos

Signaalit ja järjestelmät aika- ja taajuusalueissa

Määritä seuraavien suodattimien impulssivasteet ja tutki, ovatko ne kausaaleja:

S Elektroniset mittaukset ja elektroniikan häiriökysymykset 2 ov. Kurssin aihealue

Matlab-tietokoneharjoitus

BM20A Integraalimuunnokset Harjoitus 8

Kun annettu differenssiyhtälö z-muunnetaan puolittain, saadaan: 1 1 z Y z zy z z/4 4

KUNTIEN ELÄKEVAKUUTUS VARHAISELÄKEMENOPERUSTEISESSA MAKSUSSA LÄHTIEN NOUDATETTAVAT LASKUPERUSTEET

Luento 4 Fourier muunnos

Hanoin tornit. Merkitään a n :llä pienintä tarvittavaa määrää siirtoja n:lle kiekolle. Tietysti a 1 = 1. Helposti nähdään myös, että a 2 = 3:

Klassisen fysiikan ja kvanttimekaniikan yhteys

MS-A0402 Diskreetin matematiikan perusteet Yhteenveto ja esimerkkejä ym., osa I

Luento 5. tietoverkkotekniikan laitos

q =, r = a b a = bq + r, b/2 <r b/2.

T Signaalinkäsittelyjärjestelmät Kevät 2005

1 PID-taajuusvastesuunnittelun esimerkki

Tehtävä 3. Määrää seuraavien jonojen raja-arvot 1.

TRIGONOMETRISTEN FUNKTIOIDEN KUVAAJAT

ELEC-C7230 Tietoliikenteen siirtomenetelmät

MS-A0402 Diskreetin matematiikan perusteet Esimerkkejä ym., osa I

DSP:n kertausta. 1 Spektri, DFT, DTFT ja aika-taajuusresoluutio

2.8 Mallintaminen ensimmäisen asteen polynomifunktion avulla

IIR-suodattimissa ongelmat korostuvat, koska takaisinkytkennästä seuraa virheiden kertautuminen ja joissakin tapauksissa myös vahvistuminen.

3. Markovin prosessit ja vahva Markovin ominaisuus

MATP153 Approbatur 1B Harjoitus 1, ratkaisut Maanantai

9. Ominaisarvot. Diagonalisointi

Todennäköisyyslaskenta IIa, syys lokakuu 2019 / Hytönen 1. laskuharjoitus, ratkaisuehdotukset

1. (Jatkoa Harjoitus 5A tehtävään 4). Monisteen esimerkin mukaan momenttimenetelmän. n ne(y i Y (n) ) = 2E(Y 1 Y (n) ).

F {f(t)} ˆf(ω) = 1. F { f (n)} = (iω) n F {f}. (11) BM20A INTEGRAALIMUUNNOKSET Harjoitus 10, viikko 46/2015. Fourier-integraali:

Luento 7. tietoverkkotekniikan laitos

K-KS vakuutussumma on kiinteä euromäärä

Bernoullijakauma. Binomijakauma

Luento 3. Fourier-sarja

Transkriptio:

Lueto 5 Lueto 5 Näytteeotto ja DFT 5. Näytteeotto Nyquisti äytteeottoteoreema Oppeheim 7.,7. Aliasoitumie Oppeheim 7.3 Jatuva aiaise sigaali äsittely disreetissä ajassa Oppeheim 7.4 5. DFT Disreetti F muuos Oppeheim 5. Jasollise sevessi disreetti F muuos Oppeheim 5. DFT: omiaisuudet Oppeheim 5.3 Disreetti ovoluutio Oppeheim 5.4,. FFT Pruju

5. Näytteeotto

Näytteeotto Tarastellaa jatuvaa sigaalia gt () vai tiettyiä ajahetiä h, T gt () gh ( ), Nyquisti äytteeottoteoreema: Tarastellaa aistarajoitettua sigaalia gt (), joa aistaleveys o B. Jos äytteeotto taajuus f s B h, ii gt () voidaa lausua äytteistety sigaali avulla gh ( ) avulla si fs t h g( t) g( h) g( h)sic fs t h f t h s 3

Näytteeotto Aluperäie sigaali g(t) i f G( f) g( te ) dt Näytteistyssigaali s(t) t h st () 0 muutoi Näytteistetty sigaali g s (t)=g(t)s(t) Fourier-muuos g() t s() t gs () t i ft i ( ) ()() () ft Gs f g t s t e dt g t th e dt ghe ( ) i fh () Disreettiaiaie Fourier-muuos (DTFT) 4

Näytteeotto Näytteistyssigaali o periodie, jote se voidaa lausua Fourier-sarjaa S f st () s expi t h h / s s()exp t i t dt h h h h / Nyt äytteistetty sigaali voidaa irjoittaa muotoo gs () t gtst ()() gt () e h i t h Fourier-muuos () h i t i f t i ft h h Gs ( f) gte () e dt gte () dt G f h h h h h Poissoi summaaava ()&(): ghe ( ) G f h i fh h 5

Näytteeotto Aluperäise sigaali spetri G( f ) Näytteistety sigaali spetri Gs ( f) G f h h h B B Gs ( f ) h B Gs ( f ) B B h B hgs ( f) f B G( f) 0 muutoi Jos, ii aluperäie sigaali voidaa palauttaa äytteistetystä: 6

Näytteeotto Jos, ii Nyquisti taajuutta oreammat taajuudet lasostuvat h B alemmille eiä aluperäistä sigaalia voida eää palauttaa. Gs ( f ) Nyquisti taajuus f N fs h 7

Näytteeotto Näytteistyssigaali s(t) st () 0 t h muutoi S f Näytteistettävä sigaali g t f t () cos s h h G f f s h G( f) f fs f f Näytteistetty sigaali gs() t cos fsts() t Kertolasu aiatasossa => Kovoluutio taajuustasossa s f s fs Gs f tietoveroteiia laitos h h 8

Näytteeotto Näytteistyssigaali s(t) st () 0 t h muutoi S f Näytteistettävä sigaali g t f t () cos s h h G f f s h G( f) f fs f f Näytteistetty sigaali gs() t cos fsts() t Kertolasu aiatasossa => Kovoluutio taajuustasossa s f s Gs fs f tietoveroteiia laitos h h 9

Näytteeotto Aliasoiti ilmiö: Yli Nyquisti taajuude oleva sigaali, äyttää äytteistyse jälee alemma taajuude sigaalilta. 0.8 0.6 0.4 0. f s =4 Hz, f N = Hz f= Hz f=3 Hz 0-0. -0.4 f f N f -0.6-0.8 f N - 0 0. 0.4 0.6 0.8..4.6.8 t 0

Tehtävä Sigaali s(t) spetritiheys S(f) o 5-3 3 5 Hz Sigaali äytteistetää 8 Hz äytteeottotaajuudella Mitä taajuusia äytteistetty sigaali sisältää?

5. DFT

Disreetti aiaie Fourier muuos (DTFT) Aluperäie sigaali v(t) i ft V ( f ) vte ( ) dt Näytteistyssigaali s(t) st () 0 t h muutoi vt () s() t h V( f) B Sf h Näytteistetty sigaali v s (t)=v(t)s(t) DTFT Vs ( f) v( h) e V f h i fh h vt () s B h h B Vs Vs ( f ) B ( f ) B 3

Disreetti Fourier muuos (DFT) Tarastellaa disreettiä sevessiä {v 0,v,,v N- } Esim. Näytteistetty sigaali v =v(t), T äyteväli Disreetti Fourier-muuos (DFT) N 0 i N D V( ) v e F v Kääteismuuos (IDFT) N v V e F V N 0 i N ( ) D ( ) 4

Pulssimaie sigaali v(t), DFT vs DTFT t josta otetaa N äytettä äytevälillä h 0, Nh N i fh i fh V( f) vhe ( ) vhe ( ) s 0 DTFT Sevessi v v h, =0,,, N- V( ) N ve 0 i N DFT DFT ataa DTFT: taajuuspisteissä V( ) Vs ( f), f, Nh...,,,0,,,... 5

DFT: omiaisuusia Parsevali teoreema N N v V( ) 0 N 0 DFT o jasollie, jaso pituus o N V( N) V( ) Jos {v } o reaalie, ii V() o hermiittie * V( ) V ( ) jasollisuudesta seuraa, että N N * V V Jasollise sevessi DFT voidaa lase miä tahasa N pituise sevessi yli N m m Origo siirto i l N FDV( l) ve Disreetti jasollie ovoluutio y ve i N V( ) h u m m m Disreetti lieaarie ovoluutio N y h u h u Aalto-yliopisto Tietoliiee- m m ja tietoveroteiia m0laitos 6

Esimeri 0 v(t)=/t*exp(-t/t), t0, T=, h=0.0 s Spectral desity (J/Hz) 0 0-0 -0-30 -40 FT DTFT DFT Fourier-muuos Näytteistety sigaali FT Disreetti FT N=00 äytettä -50-60 0 0 40 60 80 00 f (Hz) 7

Esimeri 0 T=; h=0.0; f_s=/h; f=[0:0.00:f_s]; N=00; V_FT=./(+i**pi*f*T); V_DTFT=/T*./(-exp(-h/T-i**pi*f*h)); =0:N-; V_DFT=zeros(size()); for =0:N-; V_DFT=V_DFT+/T*exp(-(h/T+i**pi*/N)*); ed; f_=*/n*f_s; plot(f,0*log0(abs(v_ft)),f,0*log0(abs(h*v_dtft)),f_,0*log0(abs(h*v_dft)),':'); leged('ft','dtft','dft',-) 8

DFT: omiaisuusia Parsevali teoreema N N v 0 N 0 V( ) Todistus i N v v v v V( ) e N N N N * * 0 0 0 N 0 N N N N N i N N * N * V( ) v e V( ) V ( ) V( ) 0 0 0 0 v N N 0 V( ) e N V( ) ve 0 i N i N 9

DFT: omiaisuusia DFT o jasollie, jaso pituus o N: N i N N N N i i i N N 0 0 0 V( N) ve e ve ve V( ) Huomataa, että V() N=4 jote V(N)=V(0) 0

DFT: omiaisuusia Jos {v } o reaalie, ii ( N i N ) * ( ) 0 V v e V Jasollisuudesta seuraa N N * V V V l V l l * ( ) ( ), V( N) V( ) N N N * N V N Hermiittie * * V V V N v Re{V()}

DFT: omiaisuusia Tarastellaa disreettiä jasollista sevessiä v N v v = =0 =3 = =0 = = =3 v - = =0 = =0 = = =3 =3 v - =0 = = =0 = = =3 =3

DFT: omiaisuusia Jasollise sevessi DFT voidaa lasea miä tahasa N perääise äyttee yli N m m ve i N V( ) Todistus N m m m m N i i i i N N N N m m N ve v e v e v e... N N Nm N i i i i N N N N v N e v N e... v N me ve v v v e m 0 i m i N N e 0 v v i N e, 3

DFT: omiaisuusia Origo siirto D i F V( l) v e Todistus l N F V l V l e V e N i N l i ' l N N D ( ) ( ) ( ') N 0 N ' l N l i ' i l i l N N N V( ') e e ve N ' l DFT: jasollisuudesta seuraa, että summa miä hyväsä N: perättäise äyttee yli ataa sama tulose. N m m ve i N V( ) 4

DFT Tarastella disreeti pulssi DFT:tä Pulssi (N=4) v 0, v, v, v 0 0 3 v DFT N 0 i i i i i N 4 4 V( ) v e e e e e V (0) V() i V () V(3) i i 5

Disreetti ovoluutio Disreetti jasollie ovoluutio (Circular covolutio) ja se DFT N y h u h u m m m0 Y ( ) F hu HU ( ) ( ) D Disreetti lieaarie ovoluutio y h u m m m Oletetaa, että h 0, 0 N u 0, 0 N h u Kovoluutio pituus tulee olemaa N=N h +N u - 6

Disreetti lieaarie ovoluutio Määritellää asi yhtä pitää sevessiä lisäämällä ollia sevessie perää h 0,,... Nh ha, 0 Nh, Nh,..., Nh Nu u 0,,... Nu ua, 0 Nu, Nu,..., Nh Nu Jasollie ovoluutio: N h N u y h u a, m a, m m0 ja se DFT: 7

Disreetti lieaarie ovoluutio Tarastellaa sigaaleita (Näyteväli T=) {h(t)}={,,} N h =3 {u(t)}={,,,} N u =4 Augmetoidut sigaalit {h(t)}={,,,0,0,0} N h +N u -=6 {u(t)}={,,,,0,0} N h +N u -=6 Kovoluutio N h N u y h u a, m a, m m0 8

Esimeri 3 h=[ ];.5 u=[ ]; ha=[h zeros(,legth(u)-)]; ua=[u zeros(,legth(h)-)];.5 H=fft(ha); U=fft(ua); 0.5 Y=H.*U y=ifft(y) plot(0:5,y,'o:',0:5,ha,'x:',0:5,ua,'d:') leged('y','h','u',) 0 0 0.5.5.5 3 3.5 4 4.5 5 y h u TAI y=cov(h,u); 9

Esimeri Tarastellaa sigaaleita (Näyteväli T=) {h(t)}={,e -,e -,e -3,e -4 } N h =5 {u(t)}={0.5,.5,.75,} N u =5 Augmetoidut sigaalit {h(t )}={,e -,e -,e -3,e -4,0,0,0,0} N h +N u -=9 {u(t )}={0.5,.5,.75,,0,0,0,0} N h +N u -=9 30

Esimeri h=[ exp(-) exp(-) exp(-3) exp(-5)]; u=[0 0.5 0.5 0.75 ]; Nh=legth(h); Nu=legth(u); N=Nh+Nu-; ha=[h zeros(,n-legth(h))]; ua=[u zeros(,n-legth(u))]; H=fft(ha); U=fft(ua); Y=H.*U y=ifft(y) plot(0:(n-),y,'o:',0:(n-),ha,'x:',0:(n-),ua,'d:') leged('y','h','u',).4. 0.8 0.6 0.4 0. 0 y h u -0. 0 3 4 5 6 7 8 3

Nopea Fourier-muuos (FFT) Käyttäe DFT: määritelmää =0,,,,N- harmoise lasemisee tarvitaa N omplesia ertolasuoperaatiota ja N(N-) omplesia yhteelasuoperaatiota N V( ) ve 0 i N Jos N o suuri, o DFT: lasemie laseallisesti rasasta. DFT: lasemie sisältää redudatteja operaatioita, jote lasetaa sopivasti järjestämällä voidaa lasetauormaa pieetää. Tähä perustuu opea Fourier-muuos (FFT, Fast Fourier Trasform) 3

Nopea Fourier-muuos (FFT) Määritellää Osoittautuu, että 33

Nopea Fourier-muuos (FFT) Operaattori W N avulla DFT-voidaa irjoittaa muotoo V( ) N vw 0 N Oletetaa, että N o parito ooaisluu N N N N 0 0 V( ) v W v W Parillie sevessi Parito sevessi 34

Nopea Fourier-muuos (FFT) Nyt DFT voidaa irjoittaa muotoo N N N N N 0 0 V( ) v W W v W (N-)/ poit DFT (N-)/ poit DFT Jote, voimme rataista N pistee DFT: laemalla asi N/ pistee DFT:tä ja summaamalla tuloset Termi W N/ tarvitsee lasea vai erra ja sitä voidaa äyttää seä parilliste että parittomie symbolie DFT:ssä. Samalla tavalla N/ pistee DFT voidaa jaaa edellee ahdesi N/4 pistee DFT:si, jota puolestaa voidaa jaaa N/8 DFT:si je. 35

Nopea Fourier-muuos (FFT) N=4 4 N= i i 4 W e e i W e e i N=4 W N= W 4 Im i W W 4 -i Im i W 3 4 4 - W W Re 0 0 4 - W 0 W Re -i 36

Nopea Fourier-muuos (FFT) N=4 N=4 pistee sevessi Jaetaa sevessi parillisii ja parittomii vv 0,, v, v3 vv 0, vv, 3 v0 v v v3 V( ) V ( ) V ( ) W V ( ), 0,,,3 4 V ( ) v W v 0 V ( ) v W v 3 37

Nopea Fourier-muuos (FFT) N=4 Esimmäie vaihe: Kasi pistee DFT:tä V ( ) v W v 0 V (0) v W v v v 0 0 0 V () v W v v v 0 0 Perhos-operaattori (butterfly operator) v 0 v v 0 v v v 0 V ( ) v W v 3 V (0) v W v v v 0 3 3 V () v W v v v 3 3 v v 3 v v v 3 v 3 38

Nopea Fourier-muuos (FFT) N=4. vaihe V( ) V ( ) V ( ) W V ( ) 4 0 4 4 4 3 4 V(0) V (0) W V (0) V (0) V (0) V() V () W V () V () iv () V() V () W V () V () V () V (0) V (0) V(3) V (3) W V (3) V (3) iv (3) V () iv () V( N) V( ). vaihee DFT:ssä N= 39

Nopea Fourier-muuos (FFT) N=4 N=4 DFT: v 0 V (0) v v 0 V(0) V (0) W V (0) 0 4 v v V () v v 0 V (0) v v 3 0 W4 i V() V () W V () 4 V() V (0) W V (0) 0 4 v 3 V () v v 3 W4 i V(3) V () W V () 4 40

Nopea Fourier-muuos (FFT) N=8 N=8 WN e i N N=8 5 W 8 Im W 6 8 7 W 8 4 W 8 0 W 8 Re 3 W 8 W 8 W 8 4

Nopea Fourier-muuos (FFT) N=8 N=8 pistee sevessi N=8 pistee DFT V( ) V ( ) V ( ) W V ( ) 8 V ( ) V ( ) W V ( ) V( ) V3( ) W4 V4 ( ) 4 V( ) v0 W v4 V( ) v W v 6 V ( ) v W v V3( ) v W v5 4 3 7 4

Nopea Fourier-muuos (FFT) N=8 Esimmäie vaihe 8 pistee DFT:stä 0 V (0) v W v v v V () v W v v v 0 4 0 4 0 4 0 4 V (0) v W v v v V () v W v v v 0 6 6 6 6 V (0) v W v v v V () v W v v v 0 3 5 5 3 5 5 V (0) v W v v v V () v W v v v 0 4 3 7 3 7 4 3 7 3 7 W,3,... expi 0,,... Perhosoperaattori (butterfly operator) 43

Nopea Fourier-muuos (FFT) N=8 Perhosoperaattori avulla V (0) v W v v v V () v W v v v 0 0 4 0 4 0 4 0 4 V (0) v W v v v V () v W v v v 0 6 6 6 6 V (0) v W v v v V () v W v v v 0 3 5 5 3 5 5 V (0) v W v v v V () v W v v v 0 4 3 7 3 7 4 3 7 3 7 44

Nopea Fourier-muuos (FFT) N=8 Toie vaihe 8 pistee DFT:stä V (0) V (0) W V (0) V (0) V (0) 0 4 i () () 4 () () () () () i 4 V V W V V e V V iv V () V () W V () V () e V () V () V () V (0) V (0) Huomataa, että V i () o pistee DFT, jote V i (+)=V i () 3 3 i 4 V (3) V (3) W V (3) V (3) e V (3) V () iv () Kosa, ii 0 V (0) V (0) W V (0) 8 0 8 8 8 V () V (0) W V (0) V () V () W V () V (3) V () W V () 45

Nopea Fourier-muuos (FFT) N=8 Toie vaihe 8 pistee DFT:stä V (0) V (0) W V (0) 0 8 V () V () W V () 8 V () V (0) W V (0) 0 8 V (3) V () W V () 8 46

Nopea Fourier-muuos (FFT) N=8 Kolmas vaihe 8 pistee DFT:stä V ( ) V ( ) W V ( ) 8 V (0) V (0) W V (0) 0 8 V () V () W V () 8 V () V () W V () 8 V (3) V (3) W V (3) 3 8 V (4) V (0) W V (0) 0 8 V (5) V () W V () 8 V (6) V () W V () 8 V (7) V (3) W V (3) 3 8 47

Nopea Fourier-muuos (FFT) N=8 8 pistee opea Fourier-muuos V (0) V () V () V (3) V (0) V () V () V (3) 48

Nopea Fourier-muuos (FFT) Laseallie omplesisuus: DFT: O(N ) FFT: O(Nlog(N)) 0 7 0 6 0 5 Complexity 0 4 0 3 0 0 0 0 DFT FFT 00 00 300 400 500 600 700 800 900 000 N 49

Nopea ääteismuuos: IFFT Kääteismuuos voidaa irjoittaa muotoo v V W V W V W N N N ( ) N ( ) N ( ) N 0 N 0 N 0 N N V( ) WN WN V() WN N 0 N 0 N/ pistee IDFT Eli, ute FFT: tapausessa, myös IFFT: tapausessa tehtävä voidaa jaaa osii. IFFT eroaa FFT:stä aioastaa espoeti meri ja saalausteijä /N osalta. 50

Fourier-muuose umeerie approsimoiti Fourier-muuos Tarastellaa sigaali, joa o määritelty välille [0,T ] h0 N V ( f ) lim vh ( )exp i hh 0 (Euler itegral) missä N=T /h Fourier-muuosta voidaa siis approsimoida DFT:llä: N i ft ( ) ( ) D ( ), 0 V f h v h e TV f Nh N D ( ) V v T e 0 i N 5

Fourier-muuose umeerie approsimoiti Poissoi summaaava ˆ( ) ( ) i ft V f h v h e V f h Jos aluperäise sigaali sisältää Nyquisti rajataajuutta (//h) suurempia taajuusia, tapahtuu äytteeotossa lasostumista. Tämä vääristää approsimoitua spetriä. V ( f ) B T ˆ( ) V f B B 5

Fourier-muuose umeerie approsimoiti Taajuusalue Näytteeoto jälee sigaali sisältää taajuusia Nyquisti rajataajuutee saaa DC-ompoetti Nyquist taajuus N=3 0 3 4 0 f s /4 f s / -f s /4 0 0 f N / f N f N / 0 f (Hz) 53

Fourier-muuose umeerie approsimoiti Taajuusresoluutio: FFT: lasemat harmoiset taajuudet ovat Näytteeottotaajuus /h Taajuusresoluutio Zero paddig: Lisäämällä ollia sevessi perää saadaa taajuusresoluutiota asvatettua. Tällöi FFT iterpoloi välitaajuusia aluperäise DFT: määrittämie taajuusie välii. Jos lisätää N 0 ollaa, ii taajuusresoluutiosi tulee 54

Tehtävä Pulssimaise sigaali taajuusaista o 0 Hz Näytteeottotaajuus o 0 Hz ja äytepisteide luumäärä o 00 Miä o FFT: taajuusresoluutio? Halutaa taajuusresoluutiosi 0, Hz. Kuia mota ollaa pitää äytejooo lisätä ee FFT:tä? 55

Esimeri 3 Tarastellaa pulssia 0 t vt () 0 otherwise Valitaa äyteväli h=0. v(h) Näytteeottotaajuus f s =0 Hz ja Nyquisti rajataajuus f N =5 Hz. Taajuusvälisi tulee N=0 äytteellä /N*f s =/0* 0 Hz= Hz 56

Esimeri 3 FFT löytää vai pulssi DC-ompoeti 0.9 0.8 0.7 0.6 =5: f N =5 Hz V() 0.5 0.4 0.3 0. 0. 0 0 3 4 5 6 7 8 9 Taajuusväli = 0Hz/0= Hz 57

Esimeri 3 Lisätää 90 ollaa sevessi perää 0.9 0.8 0.7 0.6 V() 0.5 0.4 0.3 0. 0. 0 0 0 0 30 40 50 60 70 80 90 00 Taajuusväli = 0Hz/00=0. Hz 58

Esimeri 3 Taajuude futioa saadaa 0.9 0.8 0.7 0.6 V() 0.5 0.4 0.3 0. 0. 0-5 -4-3 - - 0 3 4 5 f (Hz) 59

Esimeri 3 Kosa pulssi sisälsi myös Nyquisti rajataajuutta suurempia taajuusompoetteja tapahtuu lasostumista 6 x 0-3 5 4 3 Error 0 - -5-4 -3 - - 0 3 4 5 f (Hz) 60

Esimeri 3 Pulssi taajuusaista ei ole rajoitettu, jote lasoistumista ei voida välttää Power spectrum (J/Hz) 0 - -4-6 -8-0 - -4 Pulssi Fouriermuuos DFT -6-8 -0-5 -4-3 - - 0 3 4 5 f (Hz) 6

Esimeri 3 tau=; %Pulse width T=0.; %Samplig iterval f_s=/t; %Samplig frequecy f_n=/*f_s; %Nyqyist frequecy df=f_s/n; %Frequecy spacig N=tau/T; %Number of samples v=oes(n,); %Sampled sigal V=T*fft(v); %Approximate cotiuous Fourier trasform %Plot spectrum desity figure() plot(0:(n-),abs(v).^,'*-') xlabel('') ylabel(' V() ^') %Zero paddig Nz=90; z=zeros(nz,); Na=N+Nz; va=[v; z];%zero paddig Va=T*fft(va); figure() plot(0:(na-),abs(va).^,'*-') xlabel('') ylabel(' V() ^') %Frequecy axis dfa=f_s/na; %frequecy spacig after zero paddig f=-f_n:dfa:(f_n-dfa); figure(3) plot(f,abs(fftshift(va)).^,'*-') xlabel('f (Hz)') ylabel(' V() ^') %Effect of aliasig figure(4) plot(f,abs(fftshift(va)).^-sic(f').^,'r') xlabel('f (Hz)') ylabel('error') 6

Esimeri 4 63

Reaali-aiaie spetriaalysaattori Ottaa sigaalista äytteitä ja lasee FFT:tä liuuvassa iuassa Spetrimittaus teollisuushallissa.4 GHz ISM aistalla 64

Iuoiti ja vuotoilmiö Sigaali ataisu v(t) Aluperäie sigaali T Tarasteluväli v(t) Kataistu sigaali T Tarasteluväli DFT-äee ataistu sigaali periodisea. Jos päätepisteide välillä o suuria eroja sytyy äytteistettyy sigaalii oreita taajuusia 65

Iuoiti ja vuotoilmiö Suoraaiteemuotoise aiaiua äyttö aiheuttaa DFT: äemää jasollisee sigaalii epäjatuvuusohtia, joita selittämää Fourier-sarjassa tarvittaisii oreita taajuusia. Suoraaide pulssilla ataistu sigaali FFT voi tästä johtue erota suurestii vastaava jatuva sigaali Fourier-muuosesta. Suoraaidemuotoiste iuoide sijaa, äytetää usei iuoita, jota pieetävät tarasteluväli alu ja loppupää äytteide arvoja. 66

Iuoiti ja vuotoilmiö Erilaisia iuoita o määritelty useita: 0.9 0.8 Blacma-Harris Hammig Gaussia Ha 0.7 0.6 0.5 0.4 0.3 0. 0. 0 0 0 30 40 50 60 67

Hammig iua aia ja taajuustasossa N=65;w=hammig(N);wvtool(w) Time domai 40 Frequecy domai 0 Amplitude 0.8 0.6 0.4 Magitude (db) 0-0 -40 0. -60 0 0 0 30 40 50 60 Samples -80 0 0. 0.4 0.6 0.8 Normalized Frequecy ( rad/sample) 68

Esimeri Kosiisigaali spetritiheys 0.5.5 T=0.05N=0 s(t) 0 S(f) -0.5 Sigal Hammig widow - 0 3 4 5 6 t 0.5 0-0 -8-6 -4-0 4 6 8 0 Frequecy (Hz) 0.5.5 s(t) 0 S(f) -0.5 0.5-0 3 4 5 6 t 0-0 -8-6 -4-0 4 6 8 0 Frequecy (Hz) Iuoiti vähetää spetrie lasoistumisesta johtuvaa virhettä. 69

OFDM Lähetetää N s appaletta T: pituisia symboleita I riaai taajuustasossa ui omalla aavallaa. Miimoidaa aavie taajuusvälit site, että aavat säilyvät eseää ortogoaalisia. Eli, samaaiaisesti lähetettävät symbolit eivät häiritse toisiaa. I cos fct I I I Ns IFFT D/A Re Im D/A x x si f t c 70

OFDM OFDM moduloidu sigaali spetri Ns 8 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0. 0. 0-5 -0-5 0 5 0 5 Carrier 7

OFDM N f c s 4 4 Hz 4 3 OFDM moduloitu sigaali Aliatoaallot 0 - - -3 0 0. 0. 0.3 0.4 0.5 0.6 0.7 0.8 0.9 7

OFDM Vastaaoti perustuu FFT-muuosee cos fct x ~ Re A/D I x si fct ~ A/D Im FFT I I Ns I 73