UNIVERSIDADE ESTADUAL DE CAMPINAS

FACULDADE DE TECNOLOGIA
Formar e aperfeiçoar cidadãos e prestar serviços atendendo às necessidades tecnológicas
Missão/FT:
da sociedade com agilidade, dinâmica e qualidade.

ELETRÔNICA DA ALTA FREQUÊNCIA (TT405A)

PROFESSOR EDSON LUIZ URSINI

GERAÇÃO E ANÁLISE DE SINAIS POR MEIO DE FFT

FABRÍCIO GALANTE LICO RA. 093703

FELIPE ZAMBETTA RA. 097887

LIMEIRA /SP
2º SEMESTRE/2010
SUMÁRIO

1. Introdução..................................................................................................................3
2. Objetivos:...................................................................................................................3
3. Teoria.........................................................................................................................3
3.1. DFT.....................................................................................................................3

3.2. Propriedades da DFT..........................................................................................4

3.3. FFT......................................................................................................................6

2.3. Simulink.............................................................................................................8

4. Análises e Resultados.................................................................................................9
4.1 Função SENO.....................................................................................................9

5. Conclusão.................................................................................................................13
6. Bibliografia..............................................................................................................14
 1. INTRODUÇÃO.
Sinais são informações que podem ser transmitidas ou processadas. Fisicamente,
os são obtidos através de sensores ou transdutores e transformados em sinais de tensão
ou corrente que são manipulados pelo circuito processador.
Para que um sinal possa ser manipulado por um processador, ele deve ser
discretizado. Um sinal discreto é aquele que existe apenas para valores específicos de
seu domínio, que pode, portanto ser representado por números inteiros, e esse processo
é chamado de amostragem.

2. OBJETIVOS:
Geração e análise de oito (8) sinais por meio de FFT/analisador de espectros
para vários tipos de sinais analógicos cuja transformada de Fourier é conhecida. A
análise deve ser feita utilizando o simulink no Matlab.
Depois, fazer uma comparação entre os resultados da FFT (Fast Fourier
Transform) com o da DFT (Discrete Fourier Transform) através de um programa escrito
no Matlab.

3. TEORIA.

3.1. DFT.

A DFT é muito usada no estudo do espectro de sinais e é determinada

numericamente com o auxílio de computador digital.
Considerando-se N amostras do sinal no domínio do tempo(grau de
truncamento), denotadas f[k], k=0,1,2,...,N-1, a DFT é dada por um conjunto de N
amostras do sinal no domínio da freqüência, denotadas por F(n), n= 0,1,2,...,N-1 e
definidas por:
N −1
1
F ( n )=
N
∑ f [k ] e− j 2 πnk / N
k=0

Diz-se então que f[k] ↔ F(n) formam um par transformada e a reobtenção do

sinal no domínio do tempo pode ser feita usando a transformada inversa discreta de
Fourier (IDFT).
 N−1
F [k ]= ∑ f (n) e j 2 πnk / N
k=0

3.2. PROPRIEDADES DA DFT.

As propriedades para o tempo discreto são similares àquelas da transformada de

Fourier no tempo contínuo.
n n
Se x ( k T s ) ↔ x ( )
N Ts
ey (k T s )↔ Y
N Ts ( )
Seguem então as principais propriedades da DFT:
 Linearidade:
n n
x ( k T s )+ y ( k T s) ↔ X ( ) ( )
N Ts
+Y
NTs

 Simetria:

1 −n
N
X (k T s) ↔ x
N Ts ( )
 Descolamento no tempo:
jπnl
n
x ( k T s−lT s ) ↔ X
( )
N Ts
e N

 Teorema da Convolução em Frequência:

N −1
1
x ( k T s ). y (k T s ) ↔
N
∑X
i=0
( NiT ) .Y ( Nn−iT )≡ N1 X ( NiT )∗Y ( Nn−iT )
s s s s

 Teorema de Parseval

N−1 N −1 2
1 n
∑
i=0
2
x ( k T s ) =¿
N ∑
n=0 | ( )|
X
N Ts
¿

Pode-se também afirmar que as amostras da DFT são periódicas, verificando as

seguintes relações:

F ( n+ mN )=F(n) e f ( k +mN )=f [ k ] m=1,2,3 , …

 Um aumento no grau de truncamento e uma certa escolha do tempo de
amostragem Ts implica em uma melhor representação do espectro. Porém, que valores
de N e Ts tomarem?
Em 1948 Claude Elwood Shannon tentava provar o teorema da amostragem
proposto por Shannon que dizia:

“Um sinal f(t), com máxima freqüência que chamaremos f m, é univocamente e

perfeitamente determinado por suas amostras se elas forem equiespaçadas e tomadas a
taxa maior que 2fm amostras/segundo.”

Shannon iniciou sua prova usando um trem de pulsos delta de Dirac(δ) visto na
figura abaixo:

Figura1: Trem de pulsos delta de Dirac (δ)

Onde:
∞
δT =
s
∑ δ (t−n T s)
n=−∞

O sinal f(t) que será transmitido, na amostragem fica:

f s (t)=f ( t ) . δ T (t)
s

Se for calculado o par transformada de fs(t), ficamos com:

∞
1
F s (ω)= ω F (ω)∗ ∑ δ (ω−n ω s )
2π s n=−∞

Isto equivale a:
∞
F s (ω)=f s ∑ F( ω−n ωs )
n=−∞

Fs(ω) pode ser representado pela figura abaixo:

 Figura 2: Representação espectral da função f(t) amostrada a um intervalo de amostragem Ts.

Pode-se constatar que para ωs < 2ωm irá ocorrer “aliasing” ou superposição.

Shannon conseguiu provar que devemos tomar Ts menor ou igual que duas vezes a
freqüência máxima do sinal enviado. Em comunicações o receptor geralmente não tem
acesso a freqüência do sinal enviado então como agir?
No caso da transmissão do sinal de voz, antes de mais nada, foi necessário que
alguém estudasse o espectro de todos os possíveis tons de voz que existissem. Concluiu-
se então que, em média, a freqüência máxima do espectro caia em torno de 4000Hz.
Usa-se então, na transmissão de voz, a taxa de amostragem de 1/2x4000=125μseg.

3.3. FFT.

Foi mostrado anteriormente que o calculo da DFT é dado por:

N −1
1
F ( n )=
N
∑ f [k ] e− j 2 πnk / N
k=0

Sua representação matricial pode ser dada por:

2
Mostra-se então que para ser feita uma DFT são necessárias N multiplicações
além das N-1 adições dos resultados. Tomando como exemplo N=1024, teremos então
que realizar 1048576 multiplicações mais 1023 adições. São no total 1049599 operações
a serem realizadas. Se o processo tiver que ser realizado em tempo real, encontra-se um
grande obstáculo.
 Foi pensando nesse problema que J.W. Cooley da IBM, em colaboração com
J.W. Tukey da Bell Labs conseguiram uma revolução maior no tratamento digital de
sinais em 1965 com a publicação da transformada rápida de Fourier. Trata-se de um
método engenhoso e altamente eficiente de reagrupar os cálculos dos coeficientes de
uma DFT. Leva em conta o fato de que alguns dos termos precisarem ser computados
apenas uma vez e armazenados em uma tabela para serem usados em futuras operações.
A FFT não é um tipo diferente de transformada e sim uma técnica que possibilita
avaliar DFT de forma mais rápida e econômica. Muitos softwares já dispõem de rotinas
para o cálculo da FFT. Entre as diversas aplicações da FFT destacam-se:
 Codificação de voz
 A determinação do espectro,
 Realização de integrais de convolução,
 Simulação de filtros e
A idéia de Cooley-Tukey foi quebrar o somatório que aparece na DFT em duas
partes, relativas aos índices pares e impares. Com isso eles conseguiram reduzir o

2
número de multiplicações de N para N log2 N. A tabela 1 nos mostra a clara vantagem

do uso da FFT.
N N2 Nlog2 Vantage
N m
2 4 2 2
4 16 8 2
8 64 24 2,67
16 256 64 4
32 1024 160 6,4
64 4096 384 10,67
128 16384 896 18,29
256 65536 2048 32
512 262144 4608 56,89
1024 1048576 10240 102,4
2048 4194304 22528 186,18
4096 1677721 49152 341,33
6
8192 6710886 10649 630,15
4 6

Tabela 1: Complexidade multiplicativa para a transformadas de Fourier

 A existência de algoritmos rápidos é um fator decisivo nas inúmeras aplicações
em tempo real da DFT. Devido ao algoritmo Cooley-Tukey base 2, freqüentemente
usam-se comprimentos que são potência de 2.
Existe um grande número de diferentes algoritmos rápidos propostos na
literatura, incluem Cooley-Tukey, Good-Thomas, PFA (Algoritmo de fatores primos) e
Algoritmo de Winograd-Fourier (WFTA).
Recentemente de Oliveira, Campello de Souza e colaboradores (Simp. Bras. de
Telecom., 2000) propuseram um algoritmo baseado na decomposição multicamada de
Hadamard para avaliar a DFT via Transformada Discreta de Hartley (DHT) que atinge
complexidade mínima para diversos comprimentos de bloco.

2.3. SIMULINK

Simulink, desenvolvido pela companhia The MathWorks, é uma ferramenta para

modelamento, simulação e análise de sistemas dinâmicos. Sua interface primária é uma
ferramenta de diagramação gráfica por blocos e bibliotecas customizáveis de blocos. O
software oferece alta integração com o resto do ambiente MATLAB.
Ele é amplamente usado em teoria de controle e processamento digital de sinais
para projeto e simulação multi-domínios.
O Simulink pode também gerar código C automaticamente para implementação
de sistemas em tempo real. Com o aumento da eficiência e da flexibilidade desta
ferramenta, ela é cada vez mais adotada em sistemas de produção e no projeto de
sistemas embarcados pela sua flexibilidade e capacidade de rápida iteração. O código
criado pelo Real-Time Workshop é eficiente o bastante para ser empregado em sistemas
embarcados.
 4. ANÁLISES E RESULTADOS.
A seguir, serão mostradas algumas funções e suas respectivas transformadas,
realizando o experimento no Simulink e no MatLab através do programa criado para se
fazer o cálculo utilizando o algoritmo da DFT. Então, comparando o resultado entre a FFT e
a DFT.

4.1 FUNÇÃO SENO.

Para a função: Y ( t ) =sin(2 π f 0 t) e os seguintes parâmetros:

Fs=10000Hz %freqüência de amostragem
Fo=500Hz %freqüência do sinal contínuo
NFFT=1024 %número de amostras

Simulink:

Figura 3: Sinal contínuo para a função SENO.

Figura 4: Espectro do Sinal.

DFT:
 Figura 5: Sinal contínuo e a DFT.

Note que no caso da DFT, o espectro do sinal está normalizado. Fazendo uma
análise com a FFT gerada no Simulink, o espectro tem o mesmo formato.

4.1.2- Combinações entre funções SENO

Para a função Y ( t ) =sin(2 π f 0 t)+(1−sin ( 2 π 200 t ) ) e os seguintes parâmetros:

Fs=10000Hz %frequencia de amostragem
Fo=500Hz %frequencia do sinal contínuo
NFFT=1024 %número de amostras

Figura 6: Sinal contínuo para a função Y ( t ) =sin(2 π f 0 t)+(1−sin ( 2 π 200 t ) ).

 Figura 7: Espectro do sinal contínuo.

DFT:

Figura 6: Sinal contínuo e a DFT.

Como do exemplo anterior, o espectro da DFT está normalizado, apenas para

exibição.
3.2 – Código da DFT

A seguir, é mostrado o código utilizado para a geração do espectro do sinal contínuo

através da análise por DFT:

N=1024; % Number sample points

M=(N-1)/2; %Number of frequency points
m=-M:M
fo = 500; %frequency of the function wave
Fs = 10000; %sampling frequency rate
Ts = 1/Fs; %sampling time interval
t = 0:Ts:Ts*(N-1); %sampling period
y = sin(2*pi*fo*t)+(1-sin(2*pi*200*t));

%DFT
deltaf=2*pi/(N*Ts);%Defining the grid size of Fourier domain
for k=1:length(m)
freq = (-j*(2*pi/(N))*(k-1));
Wnk = exp(freq.*(0:length(t)-1));
X(k)=Ts*sum(y.*Wnk);
end

if mod(N,2)==0
k=-N/2:N/2-1;
else
k=-(N-1)/2:(N-1)/2;
end

f=1/Ts/N*k; %linear space

%plot
vmax1=max(abs(X));
Xcn1=X/vmax1; %normalize
subplot(3,1,1);
plot(t,y); title('Function wave');
subplot(3,1,2);
plot(f,fftshift(abs(Xcn1))); title('DFT');
5. CONCLUSÃO
6. BIBLIOGRAFIA