2020-11-30 15:45:17 +01:00
---
title: "Oppsumering av TTT4120"
description: "En liten oppsummering og formler i TTT4120, høsten 2020."
date: 2020-12-06
math: true
---
## Diskret tid
Denne typen signaler baserer seg på at de kan representeres av en sekvens med tall.
Sekvensen kan representere amplituden til et signal, ved tidspunkt $n$.
$$ x[n] = \{\ldots, x[-1], \underline{x[0]}, x[1], \ldots\} $$
Der verdien med strek under er målingen ved $n=0$.
### Sampling
Signalene kan lages ved å *sample* et analogt signal.
$$ x[n] \stackrel{_\Delta}{=} x_a(nT)$$
Der tiden mellom samples er gitt ved $T = \frac{1}{F_S}$, der samplings-frekvensen (samples per sekund) er $F_S$.
$T$ trenger ikke å være tid, men f.eks. posisjonen på en stang.
### Diskret-tid operasjoner
**Skalering, addering, og multiplikasjon:**
$$
\begin{gather*}
2020-12-03 18:35:16 +01:00
y[n] = ax[n] \\
y[n] = x_1[n] + x_2[n] \\
y[n] = x_1[n]x_2[n]
2020-11-30 15:45:17 +01:00
\end{gather*}
$$
**Tidsforskyvninger og folding**
$$
\begin{gather*}
2020-12-03 18:35:16 +01:00
y[n] = x[n-k] \\
y[n]
2020-11-30 15:45:17 +01:00
\end{gather*}
$$
**Tidsforskyvninger sammen med folding**
$$ y[n] = x[-n+k] $$
### Egenskaper til Diskret tid
En sekvens $x[n]$ **kausal** dersom:
$$ x[n] = 0, n< 0 $ $
En sekvens $x[n]$ **periodisk** med en periode $N$ dersom:
$$ x[n+N] = x[n], \forall n $$
### Klassifikasjoner til Diskret tid
En sekvens $x[n]$ er **bundet** dersom:
$$ |x[n]| \leq B_x \leq \infty
En sekvens $x[n]$ er **Absolutt summerbar** dersom:
$$ \sum_{n=-\infty}^\infty |x[n]| < \infty $$
En sekvens $x[n]$ er **Kvadratisk-summerbar** dersom energien:
$$ E_x = \sum_{n=-\infty}^\infty |x[n]|^2 < \infty $$
Dette signalet er et **energisignal** , ikke alle sekvenser er energisignaler. Periodiske er ikke.
Den gjennomsnittlige effekten til en sekvens, er derfinert:
$$ P_x = \lim_{n\rightarrow\infty} \frac{1}{2N + 1}\sum_{n=-N}^N |x[n]|^2 $$
### Viktige typer sekvenser
#### Enhetspulsen (Delta-puls)
$$
\begin{cases}
2020-12-03 18:35:16 +01:00
1 & n=k \\
0 & n\neq k
2020-11-30 15:45:17 +01:00
\end{cases} $$
Denne du får standardversjonen ved å sette $k=0$.
#### Enhetssteg
$$
\begin{cases}
2020-12-03 18:35:16 +01:00
1 & n\geq k \\
0 & n < k
2020-11-30 15:45:17 +01:00
\end{cases}
$$
Denne du får standardversjonen ved å sette $k=0$.
2020-12-02 17:31:42 +01:00
#### Sinus
2020-11-30 15:45:17 +01:00
2020-12-02 17:31:42 +01:00
Dersom en sinus-kurve skal være periodisk med en periode $N$, og siden vi vet at en diskret-tid sinus er periodisk med $2\pi$, har vi at:
2020-11-30 15:45:17 +01:00
2020-12-02 17:31:42 +01:00
$$
2020-12-02 21:35:07 +01:00
\begin{aligned}
2020-12-03 18:35:16 +01:00
\cos(2\pi n) & = \cos(2\pi f (n+N)) \\
\Rightarrow 2\pi f N & = 2\pi k \\
\Rightarrow f & = \frac{k}{N}
2020-12-02 21:35:07 +01:00
\end{aligned}
2020-12-02 17:31:42 +01:00
$$
### Kompleks-eksponensial
$$ x[n] = Ae^{[2\pi f n + \theta]}
Denne har også en periodisitet på $2\pi$, og sekvensen er periodisk dersom $f$
Denne er veldig viktig i diskret-tid Fourier representasjon.
### Sampling av en sinus-funksjon
Anta vi sampler en analog sinus-funksjon med intervallene $nT = \frac{n}{F_S}$:
$$ x_a(t) = A\cos(\Omega t) = A\cos(2\pi F t) $$
Da vil den diskrete sekvensen være:
$$
2020-12-02 21:35:07 +01:00
\begin{aligned}
2020-12-03 18:35:16 +01:00
x[n] & = x_a(nT) \\
& = A\cos\left[2\pi\frac{F}{F_S}n\right] \\
& = A\cos\left[2\pi f n\right]
2020-12-02 21:35:07 +01:00
\end{aligned}
2020-12-02 17:31:42 +01:00
$$
Der vi har $f=\frac{F}{F_S}$ eller $\omega = \Omega T$, som er den relative/normaliserte frekvensen (uavhengig av samlingfreksensen).
Fra før vet vi at:
$$
2020-12-02 21:35:07 +01:00
\begin{aligned}
2020-12-03 18:35:16 +01:00
-\frac{1}{2} < & f \leq \frac{1}{2} \\
-\frac{F_S}{2} < & f \leq \frac{F_S}{2}
2020-12-02 21:35:07 +01:00
\end{aligned}
2020-12-02 17:31:42 +01:00
$$
### Dekomponering av signaler
Vi kan få ut en verdi av en sekvens ved å gange inn enhetspulsen på en gitt $n$.
$$ x[k] = x[n]\delta[n-k] $$
Der hele signalet kan gis som en sum av hver sekvensverdi:
$$ x[n] = \sum_{k=-\infty}^\infty x[k]\delta[n-k] $$
### Diskret-tid-systemer
Et diskret-tid-system kan klassifiseres som:
* Lineær eller ikke-lineær
* Tidsinvariant eller tidsvariant
* Kausale eller ikkekausale
I diskret-tid-systemer gjelder følgende:
* Superpossisjon (lineæritet)
* Varierer ikke med tiden (tidsinvariant)
* Kausalt
* Resultatet er kun avhengig av tidligere eller nåværende verdier
* Ikke-kausalt
* Gunstig å implimentere der vi vet alle verdier i en sekvens, men ikke i sanntidssystemer.
* Stabile
* Et system er kun stabilt dersom for hvert bundet inngangssignal er det et bundet utgangssignal.
### Impulsrespons
Vi sender ut en enhetspuls og ser på hvordan systemet utvikler seg.
Vi kan finne impulsresponsen ved å sette $x[n] = \delta[n]$.
Da får vi at $y[n] = h[n]$.
2020-12-03 18:35:16 +01:00
### Konvolusjon
2020-12-02 17:31:42 +01:00
$$
2020-12-02 21:35:07 +01:00
\begin{aligned}
2020-12-03 18:35:16 +01:00
y[n] & = \mathcal{H}\{x[n]\} \\
& = \mathcal{H}\left\{\sum_k x[k]\delta[n-k]\right\}\\
& = \sum_k x[k]\mathcal{H}\left\{\delta[n-k]\right\} \\
& = \sum_k x[k] h[n-k] \\
& = x[n] * h[n]
2020-12-02 21:35:07 +01:00
\end{aligned}
2020-12-02 17:31:42 +01:00
$$
2020-12-03 18:35:16 +01:00
Det er mulig å gjøre konvolusjon både stegvis eller med en matrise.
2020-12-02 17:31:42 +01:00
Matrisen er bare å lage en "gangetabell med verdiene i sekvensene, gange sammen og summere anti-diagonalene.
2020-12-03 18:35:16 +01:00
2020-12-02 17:31:42 +01:00
2020-12-03 18:35:16 +01:00
Dersom lengden av sekvensen $x[n]$ er $N_x$ og lengden av $h[n]$ er $N_h$, vil lengden av konvolusjonen være:
2020-12-02 17:31:42 +01:00
$$ N_y = N_x + N_h - 1 $$
### Lengde av systemer
Det finnes to typer lengde på impulsresponsen. IIR og FIR.
#### IIR
"Infinite(-duration) impulse response", er et system der lengden av impulsresponsen er uendelig i lengde. Typisk er utgangen avhengig av forrige resultat.
#### FIR
"Finite(-duration) impulse response", er et system der impulsresponsen har en endelig lengde.
## Diskret-tid Fourieranalyse
Analytisk transformasjon (DTFT)
$$ X(\omega) = \sum_{n=-\infty}^\infty x[n]e^{-j\omega n} $$
Og invers transformasjon (syntetisk transformasjon)
$$ x[n] = \frac{1}{2\pi}\int_{-\pi}^\pi X(\omega) e^{j\omega n} d\omega$$
Grensene for frekvensdomenet er fra $-\pi$ til $\pi$.
Notasjonen er som følger
$$ x[n] \stackrel{\mathcal{F}}{\leftrightarrow} X(\omega) $$
### Egenskaper
#### Symmetri
Odde og like funksjoner, likt som imaginære og ikke imaginære (reelle).
* Odd: $x[-n] = -x[n]$
* Lik: $x[-n] = x[n]$
Man kan skrive en sekvens på formen:
$$ x[n]
#### Andre egenskaper
* Tidsforskyvning
$$ x[n-k] \stackrel{\mathcal{F}}{\leftrightarrow}e^{-j\omega n}X(\omega) $$
* Tidsreversering
$$ x[-n] \stackrel{\mathcal{F}}{\leftrightarrow} X(-\omega) $$
2020-12-03 18:35:16 +01:00
* Konvolusjon
2020-12-02 17:31:42 +01:00
$$ x_1[n] * x_2[n] \stackrel{\mathcal{F}}{\leftrightarrow} X_1(\omega)X_2(\omega) $$
* Frekvensskifting
$$ e^{j\omega_0 n}x[n] \stackrel{\mathcal{F}}{\leftrightarrow} X(\omega - \omega_0) $$
* Modulasjon
$$
\begin{gather*}
2020-12-03 18:35:16 +01:00
x[n] \cos(\omega_0 n) \\
\updownarrow\mathcal{F} \\
\frac{1}{2}\left[(X(\omega - \omega_0)+ (X(\omega + \omega_0)\right]
2020-12-02 17:31:42 +01:00
\end{gather*}
$$
* Parseval
$$
\begin{gather*}
2020-12-03 18:35:16 +01:00
\sum_n |x[n]|^2\\
\updownarrow\mathcal{F} \\
\frac{1}{2\pi}\int_{-\pi}^\pi X(\omega)d\omega
2020-12-02 17:31:42 +01:00
\end{gather*}
$$
* Vindu
$$
\begin{gather*}
2020-12-03 18:35:16 +01:00
x_1[n]x_2[n]\\
\updownarrow\mathcal{F} \\
\frac{1}{2\pi}\int_{-\pi}^\pi X_1(\lambda)X_2(\omega - \lambda)d\omega
2020-12-02 17:31:42 +01:00
\end{gather*}
$$
## Z-transformasjon
Z-transformasjonen av et diskret sekvens er gitt som:
$$ X(z) = \mathcal{Z}\{x[n]\} = \sum_{n=-\infty}^\infty x[n]z^{-n} $$
Notasjonen er:
$$x[n] \stackrel{\mathcal{Z}}{\leftrightarrow} X(z)$$
$$x[n] = \mathcal{Z}^{-1}\{X(z)\}$$
Transformasjonen transformerer en sekvens til den tilsvarende representasjonen i det komplekse $z$-planet.
ROC (Region of convergence) er settet med alle verdier av $z$ der $X(z)$
Transformasjonen bestemmer ikke unikt tids-sekvensen.
Ved å velge en ROC kan vi lage et ønsket signal/filter.
Dersom vi har at ROC er alt utenfor en sirkel, er sekvensen *kausal* .
Dersom ROC er innsiden av en sirkel, er sekvensen ** *anti**kausal*.
### Egenskaper
* Lineær
* ROC av resultatet er minst $\mathcal{R}\_{X_1} \cap \mathcal{R}\_{X_2}$
* Tidsforskyvning
* ROC lik som for $X(z)$
$$ x[n-k] \stackrel{\mathcal{Z}}{\leftrightarrow}z^{-k}X(z) $$
* Skalering
* Dersom ROC før skalering er $r_1 < \|z \| < r_2 $, s å er ROC etter lik $ \|a \|r_1 < \|z \| < \|a \|r_2 $.
$$ a^n x[n] \stackrel{\mathcal{Z}}{\leftrightarrow} X(a^{-1} z) $$
* Tidsreversering
* Dersom ROC er $r_1 < \|z \| < r_2 $, s å er ROC etter tidsreversering $ \frac { 1 }{ r_2 } < \|z \| < \frac { 1 }{ r_1 }$
$$ x[-n] \stackrel{\mathcal{Z}}{\leftrightarrow} X(z^{-1}) $$
2020-12-03 18:35:16 +01:00
* Konvolusjon
2020-12-02 17:31:42 +01:00
* ROC minst snittet av ROC til $X_1$ og $X_2$.
$$ x_1[n]*x_2[n]\stackrel{\mathcal{Z}}{\leftrightarrow} X_1(z)X_2(z)$$
* Derivering
* ROC er den samme
* Initialverditeroremet: $x[0] = \lim_{z\rightarrow \infty}X(z)$, betyr at $x[n]$ er kausalt.
$$ nx[n]
### Rasjonelle z-transformasjoner
Rasjonell dersom transformasjonen kan bli representert som forholdet mellom to polynomer i $z^{-1}$ eller $z$.
$$
2020-12-02 21:35:07 +01:00
\begin{aligned}
2020-12-03 18:35:16 +01:00
X(z) & = \frac{B(z)}{A(z)} \\
& = \frac{b_0 + b_1 z^{-1} + \ldots + b_M z^{-M} }{a_0 + a_1 z^{-1} + \ldots + a_N z^{-N}} \\
& = \frac{b_0}{a_0}\frac{\prod_{k=1}^M \left(1-z_k z^{-1}\right)}{\prod_{k=1}^N \left(1-p_k z^{-1}\right)}
2020-12-02 21:35:07 +01:00
\end{aligned}
2020-12-02 17:31:42 +01:00
$$
### Systemanalyse
Dersom vi har et system som vist over, sender inn en sekvens $x[n]$
$$h[n] = \frac{y[n]}{x[n]}$$
$$ H(z) = \frac{Y(z)}{X(z)} $$
Vi kan bruke transformasjonen til å gå mellom dem.
Begge er helt ekvivalente.
#### Kausalitet og stabilitet
For at et system skal være kausalt, må ROC være alt utenfor en sirkel.
For at et system skal være BIBO stabilt, må enhetssirkelen $z = e^{-j\omega}$ være med i ROC.
Det er mulig å bestemme om et system er kausal og stabilt ved å velge ROC.
ROC må heller ikke inneholde noen poler.
#### Frekvensrespons
For å finne frekvensresponsen til et system, "går" man langs enhetsirkelen, fra $-\pi$ til $\pi$.
##### Utregning
Dersom vi har frekvensresponsen til et system:
$$ H_1(z) = \frac{1}{1-\frac{1}{2}z^{-1}} $$
Matlabløsningen er som under
{% highlight matlab %}
B = 1;
A = [1 -0.5];
figure(1)
zplane(B,A)
figure(2)
[H,W]=freqz(B,A);
plot(W/pi,abs(H));
{%endhighlight%}
2020-12-03 18:35:16 +01:00
2020-12-02 17:31:42 +01:00
## Filteregenskaper
Frekvensresponsen til et system bestemmer hvordan type system det er.
* Båndpass
* Slipper gjennom visse frekvenser
* Båndstopp
* Stopper visse frekvenser
* Lavpass
* Slipper gjennom lave frekvenser
* Høypass
* Slipper gjennom høye frekvenser
### Lavpass
I et lavpassfilter ønsker vi å putte polene nærme(re) $z=1$, og nuller nærme(re) $z=-1$.
Dersom vi ser på et pol-null-plot ser vi at frekvensen er $0$ ved $z=1$, og poler forsterker et signal når vi er "nærme" det (ref tilbake til hvordan finne frevensresponsen til en z-transformasjon).
### Høypass
I et høypassfilter ønsker vi det motsatte av et lavpassfilter. Vi ønsker å putte så mange nuller nærheten av $z=1$, og så mange poler i nærheten av $z=-1$.
Dette er av samme grunn som for et lavpass.
### "Notch"-filter
Kan isolere seg rundt en veldig spesifik frekvens og fjerne den.
For å oppnå dette, så kan man putte noen nuller på enhetssirkelen og noen poler i nærheten av nullene. Da får vi veldig smale bånd.
### Kamfilter
Litt som et omvendt "notch"-filter. Det er periodiske nuller langs enhetssirkelen. Ender opp med noe som ligner på en kam.
### Allpassfilter
Dette filteret har en amplituderespons på $1$. Men den kan endre fasen på signalet ved gitte frekvenser.
### Lineær-fase-filtere
Dette er ønskelig, fordi da får vi kun en tidsforsinkning i utgangssignalet i båndpass.
For et lavpass er dette for lave frekvenser.
$$ \angle H(\omega) = a + b\omega $$
Der
$$H(\omega) = |H(\omega)| e^{j\angle H(\omega)} $$
Da vil nullene komme i resiproke par.
Altså dersom vi har en null i en vinkel, og avstand fra enhetssirkelen. Da vil den resiproke nullen være i samme vinkel, men samme avstand fra enhetssirkelen, bare på andre siden av sirkelen.
## Inverse- og minimumsfase-systemer
Dersom et system $\mathcal{T}$ er inverterbart, kan vi finne inngangssignalet dersom vi har utgangsignalet og den inverterbare systemgfunksjonen.
$$
\begin{gather*}
2020-12-03 18:35:16 +01:00
h[n]*h_I[n] = \delta[n] \\
\updownarrow\mathcal{Z} \\
H(z)H_I(z) = 1
2020-12-02 17:31:42 +01:00
\end{gather*}
$$
### Minimumsfasefilter
2020-11-30 15:45:17 +01:00
2020-12-02 17:31:42 +01:00
Et system kalles minimumfase dersom alle nuller og poler ligger innenfor enhetssirkelen.
2020-11-30 15:45:17 +01:00
2020-12-02 17:31:42 +01:00
Et stabilt pol-null-system som er av typen minimum fase har en stabil invers som også er minimum fase.
2020-12-02 21:35:07 +01:00
## Korrelasjon
Korrelasjon er et mål på likhet.
### Krysskorrelasjon
2020-12-03 18:35:16 +01:00
Dersom vi har en sekvens $x[n]$ og $y[n]$, vil kryssrelasjonen mellom disse to være:
2020-12-02 21:35:07 +01:00
$$
\begin{aligned}
2020-12-03 18:35:16 +01:00
r_{xy}[l] & = \sum_{n=-\infty}^\infty x[n]y[n-l] \\
& = \sum_{n=-\infty}^\infty x[n + l]y[n] \\
& \phantom{=} \text{der } l = \pm 1, \pm 2, \ldots
2020-12-02 21:35:07 +01:00
\end{aligned}
$$
Denne måler likheten mellom signalene $x[n]$ og $y[n]$.
Denne er ikke "kommutativ", altså $r_{xy}[l] \neq r_{yx}[l]$.
Men følgende holder:
$$r_{yx}[l] = r_{xy}[-l]$$
### Autokorrelasjon
Måler selvlikhet, $y[n] = x[n]$.
$$
\begin{aligned}
2020-12-03 18:35:16 +01:00
r_{xx}[l] & = \sum_{n=-\infty}^\infty x[n]x[n-l] \\
& = \sum_{n=-\infty}^\infty x[n + l]x[n] \\
& \phantom{=} \text{der } l = \pm 1, \pm 2, \ldots
2020-12-02 21:35:07 +01:00
\end{aligned}
$$
#### Egenskaper til autokorrelasjon
Energi i sekvenser $x[n]$:
$$ E_x = \sum_{n=-\infty}^\infty x^2[n] = r_{xx}[0] \geq 0 $$
Autokorrelasjonen har maksimum lag $l=0$:
$$ |r_{xx}[l]| \leq r_{xx}[0] = E_x $$
Autokorrelasjon er en lik funksjon:
$$
\begin{aligned}
2020-12-03 18:35:16 +01:00
r_{xy}[l] & = r_{yx}[-l] \\
& \Downarrow \\
r_{xx}[l] & = r_{xx}[-l]
2020-12-02 21:35:07 +01:00
\end{aligned}
$$
Normaliserte versjoner:
$$
\begin{aligned}
2020-12-03 18:35:16 +01:00
\varrho_{xx}[l] & = \frac{r_{xx}[l]}{r_{xx}[0]} \\
& \Downarrow \\
|\varrho_{xx}[l]| & \leq 1 \\ \\
\varrho_{xy}[l] & = \frac{r_{xy}[l]}{\sqrt{r_{xx}[0]r_{yy}[0]}}\\
& \Downarrow \\
|\varrho_{xy}[l]| & \leq 1
2020-12-02 21:35:07 +01:00
\end{aligned}
$$
### Spektral tetthet (Energi)
Størrelsen $S_{xx}(\omega)\geq 0$ er den *spektrale tettheten* til $x[n]$.
For å finne denne størrelsen, gjør vi en Fourier-transformasjon av autokorrelasjonen $r_{xx}[n]$:
$$
\begin{aligned}
2020-12-03 18:35:16 +01:00
r_{xx}[l] & = x[l] * x[-l] \\
& \updownarrow \mathcal{F} \\
S_{xx}(\omega)& = X(\omega)X^*(\omega) \\
& = |X(\omega)|^2
2020-12-02 21:35:07 +01:00
\end{aligned}
$$
Størrelsen $S_{xy}(\omega)$ er den *kryssspektrale tettheten* .
$$
\begin{aligned}
2020-12-03 18:35:16 +01:00
r_{xy}[l] & = x[l] * y[-l] \\
& \updownarrow \mathcal{F} \\
S_{xy}(\omega)& = X(\omega)Y^*(\omega)
\end{aligned}
$$
### Inngang-utgangs-korrelasjoner
#### I z-transformasjon
$$
\begin{gathered}
h[l]*h[-l] \\
\updownarrow\mathcal{Z} \\
H(z)H(z^{-1}) \\ \\
r_{xy} = h[l]*r_{xx}[l] \\
\updownarrow\mathcal{Z} \\
H(z)S_{xx}(z) \\ \\
r_{yy} = r_{hh}[l]*r_{xx}[l]\\
\updownarrow\mathcal{Z} \\
H(z)H(z^{-1})S_{xx}(z)
\end{gathered}
$$
#### Utgangs og kryssspektral tetthet
$$
\begin{aligned}
S_{yy}(\omega) & = |H(\omega)|^2 S_{xx}(\omega) \\
& = |H(\omega)|^2 |X(\omega)|^2 \\ \\
S_{yx}(\omega) & = H(\omega)S_{xx}(\omega)
\end{aligned}
$$
## Invers Z-transformasjon
Det enkleste for å gjøre en invers z-transformasjon er å delbrøkoppspalte likningen.
Vi kan skrive:
$$
\begin{aligned}
x[n] & = \sum_{k=1}^N R_k z^{-1} \\
& = \sum_{k=1}^N R_k p_k^n u[n]
\end{aligned}
$$
Der $p_k$ er den $k$-ende polen, og $R_k$ er resydyren ved $p_k$.
Dersom vi har komplekskonjugerte par, $p_k = p_i^\* $ er også residyrene komplekskonjugerte, $R_k = R_i^*$.
For å delbrøkoppspalte, må vi gjøre følgende:
1. Faktorisere nevnerpolynomet $A(z)$ for å finne alle poler $p_1, \ldots, p_N$.
2. Deretter finne residyrene $R_1, \ldots, R_N$.
Det første punktet er ganske greit, det er bare å faktorisere som vanlig, med komplekse tall.
Det å finne residyrene er vanskeligere.
Finnes to metoder for å finne poler og residyrer, løse lineære likninger, som ofte tar veldig lang tid. Selv om dette er en langvarig prosess, fungerer den alltid.
Vi kan også bare gange begge sider med $1-p_k z^{-1}$.
Da ender vi opp med å få $R_k$ alene uten noen faktorer med poler.
Videre setter man $z=p_k$. Da vill alt annet enn $R_k$ forsvinne, og vi finner en verdi for $R_k$.
En generell formel er som følger:
$$ R_k = (1-p_k z^{-1})X(z)\Big|_{z=p_k} $$
### Eksempel (regning)
Vi skal delbrøkoppspalte:
$$
\begin{aligned}
X(z) & = \frac{1}{\left(1-\frac{1}{4}z^{-2}\right)} \\
& = \frac{1}{\left(1-\frac{1}{2}z^{-1}\right)\left(1+\frac{1}{2}z^{-1}\right)}\\
& = \frac{R_1}{1-\frac{1}{2}z^{-1}} + \frac{R_2}{1+\frac{1}{2}z^{-1}}
2020-12-02 21:35:07 +01:00
\end{aligned}
$$
2020-12-03 18:35:16 +01:00
Det er da veldig lett å løse residyrene ved bruk av formelen:
$$
\begin{aligned}
R_1 & = \left(R_1 + \frac{R_2\left(1-\frac{1}{2}z^{-1}\right)}{1+\frac{1}{2}z^{-1}}\right)\Bigg|_{z=\frac{1}{2}} \\
& = \frac{1}{1+\frac{1}{2}z^{-1}}\bigg|_{z=\frac{1}{2}} = \frac{1}{2}\\ \\
R_2 & = \left(\frac{R_1\left(1+\frac{1}{2}z^{-1}\right)}{1-\frac{1}{2}z^{-1}} + R_2\right)\Bigg|_{z=-\frac{1}{2}} \\
& = \frac{1}{1-\frac{1}{2}z^{-1}}\bigg|_{z=-\frac{1}{2}} = \frac{1}{2}
\end{aligned}
$$
### Eksempel 1 (MatLab)
Skal finne impulsresponsen på:
$$ H(z) = \frac{3 - 4z^{-1}}{1 - 3.5z^{-1} + 1.5z^{-2}} $$
Dette kan løses i matlab med koden under.
{% highlight matlab %}
B = [3 -4];
A = [1 -3.5 1.5];
[R,P,C] = residuez(B,A);
R % Residues
P % Poles
C % Direct terms (if improper)
{% endhighlight %}
### Eksempel 2 (MatLab)
Dersom vi også ønsker å plotte frekvensresponsen til en annen funksjon:
$$H(\omega) = \frac{1 - e^{-j2\omega}}{1 - 0.81e^{-j2\omega}}$$
Så kan det løses i matlab med koden under:
{% highlight matlab %}
B = [1 0 -1];
A = [1 0 -0.81];
W = [0:1:500]*pi/500;
H = freqz(B,A,W);
magH = abs(H); phaH = angle(H);
subplot(2,1,1); plot(W/pi,magH);
xlabel('Frequency in pi units')
ylabel('Magnitude')
subplot(2,1,2); plot(W/pi,phaH);
xlabel('Frequency in pi units')
ylabel('Phase')
{% endhighlight %}
## Diskret Fouriertransformasjon (DFT)
Litt som DTFT, men her sampler vi frekvensdomenet. Som videre kan rekonstrueres tilbake til en fullverdig kontinuerlig frekvensrespons.
2020-12-03 22:15:35 +01:00
Denne kan effektiviseres med en algoritme kalt FFT (Rask fouriertransformasjon eller "Fast Fourier Transform").
2020-12-03 18:35:16 +01:00
### Frekvenssampling
Vi sampler frekvensene i intervallet $0\leq\omega< 2 \pi $, med $ N $ likte mye mellom punktene .
$$X(\omega_k) = X(\omega)|_{\omega = \omega_k} $$
Der:
$$ \omega_k = \frac{2\pi k}{N}, k = 0, \ldots, N-1 $$
Siden DTFT av signalet er periodisk med $2\pi$, vet vi at DFT også er periodisk med $N$, $e^{-\frac{j2\pi}{N}n} = e^{-\frac{j2\pi}{N}(n+N)}$
Dersom vi tar DTFT av en sekvens $x[n]$ evaluert i punktene $\omega_k$, får vi:
$$X(\omega_k) = \sum_{n=0}^{N-1} x_p[n]e^{-\frac{j2\pi k}{N}n} $$
Der den periodiske utvidelsen av $x[n]$, $x_p[n]$
$$ x_p[n] = \sum_{l=-\infty}^{\infty} x[n - lN] $$
2020-12-03 22:15:35 +01:00
For at vi skal kunne rekonstruere det orginale spektrumet, må vi vite følgende:
> Vi trenger DFT med størrelse $N \geq M + L - 1$, for å unikt rekonstuere $y[n]$ i frekvensdomenet.
> Der $M$ og $L$ er lengden av to sekvenser vi ønsker å konvulere.
2020-12-03 18:35:16 +01:00
### Diskret-tid-fourierrekke
$$
\begin{gathered}
x_p[n] = \sum_{k=0}^{N-1}c_k e^{\frac{j2\pi k}{N}n}, n=0,\ldots,N-1 \\
c_k = \frac{1}{N}\sum_{n=0}^{N-1}x_p[n] e^{-\frac{j2\pi k}{N}n} = \frac{1}{N}X\left(\frac{2\pi k}{N}\right)
\end{gathered}
$$
### Diskret Fouriertransformasjon (DFT)
$$X(k) = \sum_{n=0}^{N-1}x[n]e^{-\frac{j2\pi k}{N}n}, k=0,\ldots,N-1 $$
### Invers Diskret Fouriertransformasjon (IDFT)
2020-12-03 22:15:35 +01:00
$$x[n] = \frac{1}{N}\sum_{k=0}^{N-1}X(k)e^{\frac{j2\pi k}{N}n}, n=0,\ldots,N-1 $$
2020-12-03 18:35:16 +01:00
### Egenskaper til DFT
Ganske like som i DTFT
* Periodisk
* Lineær
* Tidsreversering
* Sirkulær tidsforskyvning
* Sirkulær frekvensforskyvning
* Konjugerte
* Sirkulær konvolusjon
* Multiplikasjon av to sekvenser
2020-12-03 22:15:35 +01:00
* Parsevals teorem
2020-12-04 17:23:34 +01:00
### Filtrering med DFT
2020-12-03 22:15:35 +01:00
Dersom vi har to sekvenser, $x[n]$ og $h[n]$ med lengder $L$ og $M$, må de "paddes" med $0$ på slutten, slik at lengden av sekvensene er begge $N$.
$$
\begin{aligned}
x[n] & = \{x[0], \ldots, x[L-1], \underbrace{0,\ldots,0}_{N-L}\} \\
h[n] & = \{h[0], \ldots, h[L-1], \underbrace{0,\ldots,0}_{N-M}\}
\end{aligned}
$$
Da kan utgangssekvensen beregnes med DFT.
$$
\begin{aligned}
y[n] & = \text{IDFT}_N\{Y(k)\} \\
& = \text{IDFT}_N\{\text{DFT}_N\{h[n]\}\cdot\text{DFT}_N\{x[n]\}\}
\end{aligned}
$$
Dersom vi velger $N < M + L - 1 $ vil vi kunne f å aliasing i tidsdomenet .
### Filtrering av lange sekvenser
Dersom vi har veldig lange sekvenser kan det bli veldig utregningsmessig komlekst.
Dette er spesielt merkbart i sanntidsprossesering (ikke noe start eller slutt).
Det er mulig å dele opp sekvensene i mindre biter.
Da brukes den additive egenskapen til konolusjon.
$$
\begin{aligned}
y[n] & = h[n] * (x_1[n] + x_2[n]) \\
& = h[n] * x_1[n] + h[n] * x_2[n] \\
& = y_1[x] + y_2[n]
\end{aligned}
$$
Dette brukes videre for å filtrere lange sekvenser:
1. Del opp sekvensen $x[n]$ opp i *ikke-overlappende blokker* $x_m[n]$, hver med lengde $L$.
2. Filtrer hver blokk $x_m *utgangsblokken* $y_m[n]$.
3. Kombiner blokkene sammen til den totale sekvensen.
$$y[n] = \sum_m y_m[n]$$
Dersom lengden av $h[n]$ er $M$, vil lengden av $y[n]$ være $L+M-1$.
Dermed vil de siste $M-1$
2020-12-04 17:23:34 +01:00
## Stokastiske signaler
**Forventet verdi**:
$$ m_X = E\{X\} = \int_{-\infty}^\infty xp_X(x)dx $$
**Andre ordens moment**:
$$ E\{X^2\} = \int_{-\infty}^\infty x^2 p_X(x)dx $$
**Varians**:
$$
\begin{aligned}
\sigma_X^2 & = E\{(X - m_X)^2\} \\
& = \int_{-\infty}^\infty (x-m_X)^2 p_X(x)dx \\
& = E\{X^2\} - m_X\}
\end{aligned}$$
### Autokorrelasjon av en stokastisk prosess
$$
\begin{gathered}
\gamma_{XX}(n,n+l) = E\{X[n]X[n+l]\} \\
= \int_{-\infty}^\infty x_1x_2 p_{X[n]X[n-l]}(x_1 x_2)dx_1 dx_2
\end{gathered}
$$
### Krysskorrelasjon av en stokastisk prosess
$$ \gamma_{XY}(n,n+l)) = E\{X[n]Y[n+l]\} $$
### Hvitt Gausisk Støy
Et viktig signal er det hvite gausiske støyet. Det er uavhengig, og har forventet verdi $0$.
Variansen til signalet er $\sigma_W^2$ og autokorrelasjonen er $\sigma_W^2 \delta[n]$.
Alle verdier i sekvensen er ukorrelerte.
### Filtrering av stokastiske signaler
Dersom vi har en stokastisk prosess $X[n]$, vil en realisjon av denne prosessen være $x[n]$.
Dersom vi filtrerer signalet med $h[n]$, hva blir da den forventede verdien.
$$
\begin{aligned}
m_Y & = E\{Y[n]\} \\
& = E\left\{\sum_{k=-\infty}^\infty h[n] X[n-k]\right\} \\
& = \sum_{k=-\infty}^\infty h[n] E\left\{X[n-k]\right\} \\
& = m_X \sum_{k=-\infty}^\infty h[n] \\
& = m_X \sum_{k=-\infty}^\infty h[n] e^{j2\pi 0 k} \\
& = m_X H(0)
\end{aligned}
$$
**Autokorrealsjonen** av det stokastiske utgangssignalet $Y[n]$:
$$
\begin{aligned}
\gamma_{YY}[l] & = E\{Y[n]Y[n+l]\} \\
& = h[-l]*h[l]*\gamma_{XX}[l] \\
& = r_{hh}[l] * \gamma_{XX}[l]
\end{aligned}
$$
**Spektral tetthet for effekten** av det stokastiske signalet $Y[n]$:
$$
\begin{aligned}
\Gamma_{YY}(f) & = \mathcal{F}\{\gamma_{YY}[l]\} \\
& = \mathcal{F}\{r_{hh}[l] * \gamma_{XX}[l]\} \\
& = \mathcal{F}\{r_{hh}[l]\}\mathcal{F}\{\gamma_{XX}[l]\} \\
& = S_{hh}(f)\Gamma_{XX}(f) \\
& = |H(f)|^2 \Gamma_{XX}(f)
\end{aligned}
$$
> Den spektrale utgangstettheten er produktet av den spektrale inngangstettheten og amplituderesponsen til filteret kvadrert.
