DSP Espectral

Introduo: Anlise Espectral
Prof. Dr. Samuel da Silva

sam.silva13@gmail.com
Universidade Estadual do Oeste do Paran

Centro de Engenharias e Cincias Exatas
Tpicos e Conceitos Importantes
S. Silva, CECE/UNIOESTE
Introduo: Anlise Espectral 2
O que anlise espectral?

Definies iniciais
Densidade espectral de potncia
Periodograma e suas propriedades estatsticas
Periodograma de Welch
Estimativa no-paramtrica de funes de transferncia
Exemplos prticos
Referncias para estudo
O que anlise espectral?
Meta: Descrever a distribuio sobre freqncia da potncia contida em

um sinal com base em um conjunto finito de amostras.
Ferramentas so teis em anlise modal, acstica, telecomunicaes,
identificao de sistemas, processamento de imagens, etc.
Importante: Assume-se que os sinais, tanto de entrada como de sada de

um sistema linear qualquer, so aleatrios, ou seja, no se consegue
prever seus estados futuros. Estes sinais tambm no so peridicos e
nem transientes, portanto a rigor no podemos utilizar diretamente as
ferramentas de anlise de Fourier estudadas at o momento
necessrio utilizar ferramentas estatsticas A maioria dos casos
reais contm estas caractersticas e portanto devem ser analisados
com as ferramentas clssicas desta aula.
Definies Bsicas
Vrios termos utilizados em anlise espectral so novos para a maioria

dos alunos de graduao, portanto interessante fazer uma definio de
alguns termos bsicos.
Processo estocstico: graficamente pode ser expresso por um conjunto
de testes com amostras aleatrias xk[n] com k=1,2,..,K realizaes e
n=1,2,...,N pontos cada, ou seja:
x1
-5
10
20
30
40
50
Amostras
60
70
80
90
100
10
20
30
40
50
Amostras
60
70
80
90
100
10
20
30
40
50
Amostras
60
70
80
90
100
2
x2
0
-2
-4
x3
Portanto, s possvel
investigar as caractersticas
mdias deste processo.
-5
Definies Bsicas
Momentos estatsticos: mtricas utilizadas para descrever as

caractersticas de processos estocsticos:
1 K
m[k ] = lim x k [n ]
K K
k =1
Valor mdio: momento de 1. ordem.
Entres os momentos estatsticos mais importantes se destacam as

funes de autocorrelao (FAC) e funes de correlaes cruzadas
(FCC).
Sendo m: o nmero de atrasos
FAC:
1 K
FAC: mdia do produto entre
R xx (n , m ) = lim x k [n ]x k [n + m]
K K
xk[n] e xk[n+m].
k =1
FCC:
FCC: mdia do produto entre
K
1
xk[n] e yk[n+m].
R xy (n , m ) = lim x k [n ]y k [n + m]
K
k =1
Definies Bsicas
Processo estacionrio: Um processo dito estacionrio se suas

propriedades estatsticas no variam com o tempo (se mantm constante).
2.5
2
12
15
1.5
10
x1
1
0.5
-0.5
10
-1
-1.5
0
-3
-2
-2.5
20
40
60
80
100
120
Amostras
140
160
180
-2
-1
0
-3
-2
-1
200
10
Sinais no-estacionrios
so comuns em engenharia
e devem ser tratados com
ferramentas de
processamento adaptativo.
12
10
8
6
6
4
4
2
0
-4
2
-2
0
-4
-2
Definies Bsicas
Processo ergdico: Um processo dito ergdico quando as propriedades

mdias calculadas no tempo para qualquer realizao so iguais s
propriedades calculadas a partir das mdias do conjunto. Assim as FAC e
FCC de processos estacionrios e ergdicos se tornam dependentes
apenas dos atrasos m:
R xx (n , m ) = R xx (m )
R xy (n , m ) = R xy (m )
Existem vrios mtodos temporais para se estimar as correlaes (pois

dificilmente elas so conhecidas por serem baseadas na definio de um
limite). Um dos mais conhecidos o mtodo de Levinson-Durbin.
A rigor deveramos utilizar os termos funo de
autocovarincia e funo de covarincia cruzada, que so
iguais as FAC e FCC, mas retirando o efeito da mdia.
Potncia Espectral
Agora podemos definir o Espectro de Potncia (EP) de um sinal aleatrio

x[n] descrito por um processo estocstico, estacionrio e ergdico atravs
da transformada de Fourier da FAC Rxx[m] em funo da freqncia
normalizada (rad/amostra):
Sxx () =
A partir da relao: = 2 f F
Sxx (f ) =
R xx (m )e
m =
2 jf m
Fs
j m
(
)
R
m
e
xx
m =
sendo Fs a taxa de amostragem se

obtm o EP em funo da freqncia
fsica em Hz:
Na prtica calculadas a partir da
TDF usando algoritmos FFT.
Potncia Espectral
A partir da transformada inversa de Foueir do EP pode-se obter as funes

de correlaes:
Fs
1
1
j m
(
)
R xx (m ) =
S
e
d
=
xx
2
Fs
Fs
Sxx (f ) e
2 jf m
Fs
df
A potncia mdia de um sinal x[n] em um intervalo de Nyquist pode ser

calculada por:
Definem-se:
R xx (0 ) =
Sxx ()
d =
2
Fs
Fs
Sxx (f )
df
Fs
Sxx ()
Pxx () =
2
Sxx (f )
Pxx (f ) =
Fs
Densidade Espectral de Potncia

Sxx ()
(
)
Pxx =
2
Sxx (f )
Pxx (f ) =
Fs
Pxx() e Pxx(f) so definidos como Densidade Espectral de Potncia

(PSD) do sinal x[n].
PSD representa a potncia contida em um sinal em uma banda de
freqncia infinitesimal, da o a definio de densidade.
As unidades da PSD so potncia (e.g, watts) por unidade de freqncia.
No caso de
watts/radianos.
Pxx()
watts/radiano/amostra
J para o caso de Pxx(f) watts/Hz.
ou
simplesmente
A potncia mdia de um sinal x[n] sobre uma banda de freqncia em

particular, [1, 2], pode ser calculada pela integral da PSD:
2
P[1 , 2 ] = Pxx ()d +

1
P ()d
xx
Para sinais reais x[n] a PSD simtrica e portanto o intervalo de 0 at

suficiente para descrever completamente a PSD.
Entretanto, para obter a potncia mdia no intervalo de Nyquist
necessrio introduzir o conceito de PSD one-sided:
0
Ponesided () =
2Pxx ()
<0
0<
A potncia mdia de um sinal x[n] real sobre uma banda de freqncia em

particular, [1, 2], pode alternativamente ser calculada a partir da PSD
one-sided:
2
P[1 , 2 ] = Ponesided ()d

1
Mtodos para estimar PSD
O clculo da PSD partir da FAC no usual:
Sxx () =
j m
(
)
R
m
e
xx
m =
Sxx ()
(
)
Pxx =
2
Alternativamente existem trs categorias de mtodos para estimar a PSD:

Mtodos no-paramtricos (Periodograma, Welch, Correlograma, etc).
Mtodos paramtricos (Modelos AR, Yule-Walker, etc).
Mtodos de subespao.
Iremos estudar resumidamente apenas os mtodos noparamtricos clssicos: Periodograma e Periodograma de Welch.
Periodograma
O estimador espectral no-paramtrico mais usado e simples o

Periodograma definido como:
P (f ) = X(f )
xx
Fs L
Sendo X (f) a TF do sinal

aleatrio x[n] com L pontos:
X(f ) =
x[n ]e
2 jf n
Fs
n =
J a PSD cruzada entre dois sinais x[n] e y[n] pode ser obtida por:
*
(
)
(f )
X
f
Y
P (f ) =
xy
Fs L
Periodograma
Lembrando que no clculo da TDF o espectro divido em N pontos:

fk =
Fs
k , k = 0,1, L , N 1
N
O Periodograma pode ser definido em funo da TDF X(fk) com N pontos:
Pxx (f k ) =
X(f k )
Fs L
Infelizmente o periodograma obtido a partir da operao acima fornece
estimativas pobres devido problemas relacionados resoluo,
polarizao e varincia.
Soluo: Utilizao de janelas, o que d origem ao Periodograma
Ponderado e/ou diviso em segmentos o que d origem ao Periodograma
de Welch.
Periodograma Ponderado
Visando melhorar a estimativa espectral o periodograma modificado

considerando o efeito de janelas no-retangulares:
P (f ) = X(f )
xx
Fs LU
Sendo X(f) a TDF do sinal janelado e U uma constante de normalizao do

efeito da janela:
1 L 1
2
U = w [n ]
L n =0
Onde w[n] a janela e L o comprimento do sinal x[n]. U independente

da escolha da janela.
Propriedades do Periodograma
A resoluo um dos aspectos chaves em anlise espectral, principalmente

em caso de sinais com dois componentes de freqncias f1 e f2 muito
prximos. Nestes casos aconselhvel que a resoluo f seja:
f = (f1 f 2 ) >
Fs
L
Polarizao do Periodograma: O valor esperado do periodograma

definido como (sendo E(.) a esperana matemtica):
X(f )
E
Fs L
Fs
1 2
2
Pxx ( ) W (f ) d
=
Fs L Fs
2
Sendo W[f] o espectro da janela.

O periodograma ponderado assintoticamente no-polarizado.
Propriedades do Periodograma
Outra propriedade importante do periodograma a sua varincia, que pode

ser responsvel por estimativas pobres. Sua definio dada abaixo:
Varincia do Periodograma: aproximadamente:
sen 2L f
X(f )
2

Fs
var
Pxx (f )1 +
Lsen 2 f
Fs L
Fs

2
)
)
2
Ou seja, a varincia no tende zero quando o nmero de pontos de x[n]

tende ao infinito. Varincia e Polarizao so questes conflitantes!
Em termos estatsticos o Periodograma s fornece estimativas razoveis se
a relao sinal rudo (SNR) for alta.
O Periodograma de Welch pode ser interpretado como uma tentativa de

se implementar o Periodograma ponderado quando se dispe de apenas
uma realizao de x[n].
O sinal disponvel x[n] dividido em I trechos com comprimento M e

com sobreposio (overlap) entre trechos (tipicamente 50% ou 75%).
Em seguida calcula-se o periodograma Pxx() para cada trecho e em

seguida calcula-se a mdia aritmtica dos mesmos.
Como conseqncia deste procedimento a varincia do Periodograma

reduzida.
Porm uma reduo na varincia produz um aumento da polarizao, e

portanto uma reduo da resoluo espectral, pois os segmentos tem
comprimento M<L+1.
O uso de janelas tambm provoca fatores conflitantes: quanto mais

suave o comportamento da janela no tempo, maior a reduo da
varincia do estimador, porm, menor a resoluo em freqncia.
Isto ocorre, porque comportamento suave no tempo reduz a amplitude

dos lbulos laterais do espectro da janela, o que reduz a varincia da
estimativa espectral.
Concluso: com o mtodo de Welch ganha-se em termos de varincia

mas perde-se em termos de resoluo, e portanto, de polarizao.
O periodograma de Welch pode ser calculado no Matlab com o auxlio da

funo pwelch.m. que j foi utilizada neste curso.
Na prtica deve-se testar vrios comprimentos dos segmentos at se
chegar uma concluso razovel.
Exemplo
Este exemplo mostra a anlise espectral do mesmo sinal utilizado no

laboratrio sobre janelas.
Exemplo
Exemplo
Potncia mdia obtida pelo Periodograma: 1.7581

10
10
Amplitude [watts/Hz]
10
10
10
10
10
-1
-2
-3
-4
-5
-6
PSD obtido pelo periodograma

PSD do sinal obtido por Welch
10
-7
10
15
20
25
30
Freqncia [Hz]
Potncia mdia obtida por Welch: 1.7547
35
40
45
50
Estimativas de Funes de Transferncia
Uma das aplicaes mais comuns de PSD para estimar de forma noparamtrica funes de transferncia de sistemas no-lineares e invariantes
com o tempo a partir de dados de entrada/sada obtidos de testes
experimentais.
x[n]
y[n]
h[n]
Ou seja, conhecidos os sinais de excitao x[n] e de resposta y[n] qual

o sistema h[n]?
O mtodo mais simples o de varredura em freqncia, ou seja, aplicando

um sinal puramente aleatrio x[n] (rudo branco) que contm espectro em
toda a banda e calculando o espectro do sinal de sada, chega-se :
Y()
H() =
X()
Na prtica esta relao obtida a partir da TDF. Este mtodo conhecido

como Estimativa emprica das funes de resposta em freqncia.
Infelizmente este estimador se mostra pssimo em termos prticos!
Razo: efeitos de rudo fazem com que este estimador seja altamente
polarizado.
Na prtica estes estimadores so escritos em funo das FAC e FCC.
Pode-se mostrar que a FCC entre x[n] e y[n], Rxy[i], igual a convoluo
entre h[n] e a FAC de x[n], Rxx[i]. Esta relao conhecida como equao
de Wiener-Hopf:
R xy [i ] = h[ j]R xx [i j]
j= 0
Rxx[n]
Rxy[n]
h[n]
Atravs da estimativa das FAC e FCC pode-se calcular h[n] a partir desta
equao. Este mtodo conhecido como Mtodo das Correlaes.
Porm, a meta aqui obter esta estimativa em termos espectrais. Para isto
vamos utilizar as PSD e PSD cruzada dos sinais x[n] e y[n].
Um dos estimadores espectrais clssicos de funes de tranferncia o

estimador H1 definido como:
H1 (f ) =
Pxy (f )
Pxx (f )
O estimador H1 utilizado principalmente quando o rudo afeta mais os

sinais de respostas. Este estimador j esta implementado no Matlab com a
funo tfestimate.m.
Outro estimador usual o H2 utilizado quando o rudo afeta mais o sinal de
entrada:
H 2 (f ) =
Pyy (f )
Pyx (f )
Um dos estimadores espectrais mais genrico o Hv, utilizado quando o

rudo afeta bastante tanto os sinais de entrada quanto os sinais de sada:
H v (f ) = H1 (f )H 2 (f )
Funo de Coerncia
A magnitude quadrada da funo de coerncia entre dois sinais x[n] e y[n]

definida por:
C xy () =
Sxy ()
Sxx ()S yy ()
O resultado da funo de coerncia sempre um valor real entre 0 e 1.

Se a coerncia de um sinal prxima 1 para uma determinada banda de
freqncia, significa que nesta faixa obteve-se uma boa estimativa da
funo de transferncia de um sistema, quando este recebe como entrada
x[n] e produz na sada y[n]. Ou seja, as estimativas de H1 e H2 so
prximas.
No matlab a funo de coerncia estimada a partir do mtodo de Welch
com o auxlio da funo mscohere.m.
Exemplo Prtico 1
Considere um sistema massa-mola-amortecedor de dois graus de liberdade

descrito pelas matrizes de massa, amortecimento e rigidez:
1 0
M=
0 1
3.21 - 2.00
C=
- 2.00 2.01
3200 2000
K=
2000 2000
A excitao um sinal aleatrio x[n] (rudo branco) na massa 1. O

sinal medido o deslocamento na massa 1.
Exemplo Prtico 1
Exemplo Prtico 1
Estimadores H1, H2 e Hv da FRF H(1,1). Utilizou-se Periodograma de

Welch com janela retangular, overlap de 50%, nmero de pontos por
registro de 1500 amostras.
Exemplo Prtico 1

Welch com janela Hanning, overlap de 50%, nmero de pontos por
registro de 1500 amostras.
Exemplo Prtico 1

Welch com janela Hanning, overlap de 75%, nmero de pontos por
segmento de 500 amostras.
Exemplo Prtico 2
Este exemplo tem como meta identificar de forma no-paramtrica a

funo de transferncia entre a voltagem de entrada/sada em atuadores
piezocermicos (PZTs) colados em uma viga de alumnio.
Exemplo Prtico 2
Uma relao tpica entre sinais de entrada e sada medidos com taxa de
amostragem de 102.4 kHz e 8192 pontos apresentado abaixo:
Baseline - Without Damage - PZT1
1
Input [V]
0.5
0
-0.5
-1
0.01
0.02
0.03
0.04
Time [s]
0.05
0.06
0.07
0.08
0.01
0.02
0.03
0.04
Time [s]
0.05
0.06
0.07
0.08
Response [V]
4
2
0
-2
-4
Exemplo Prtico 2
Resultados da estimativa das funes de transferncia (H1) atravs do

mtodo de Welch com janela Hanning com 4096 pontos e 3000 pontos de
sobreposio. Range de freqncia de interesse de 25 45 kHz.
PZT1
Real Part [V/V]
-1
-2
-3
-4
-5
2.5
Baseline
Damage 1
Damage 2
Damage 3
3
3.5
Frequency [Hz]
4.5
x 10
Imaginary Part [V/V]
-1
Baseline
Damage 1
Damage 2
Damage 3
-2
-3
-4
-5
2.5
3.5
Frequency [Hz]
4.5
x 10
Exemplo Prtico 2
PZT2
Real Part [V/V]
-1
-2
-3
-4
2.5
Baseline
Damage 1
Damage 2
Damage 3
3
3.5
Frequency [Hz]
4.5
x 10
Imaginary Part [V/V]
-1
Baseline
Damage 1
Damage 2
Damage 3
-2
-3
-4
-5
2.5
3.5
Frequency [Hz]
4.5
x 10
Exemplo Prtico 2
Funo de coerncia das estimativas no PZT1 e PZT2

Magnitude - PZT1
1
0.98
0.96
0.94
0.92
0.9
2.5
3.5
Frequency [Hz]
3.5
Frequency [Hz]
4.5
x 10
Magnitude - PZT2
1
0.95
0.9
0.85
0.8
2.5
4.5
x 10
Referncias
Para saber mais:

Stoica, P. and Moses, R. L. Introduction to Spectral Analysis. PrenticeHall, 1997.
Oppenheim, A. V. and Shafer, R.W. Discrete-Time Signal Processing.
Pretince-Hall, 1989, p. 730-742.
Kay, S. M. Modern Spectral Estimation Theory and Application,
Pretince Hall Signal Processing Series, Englewood Cliffs, N. J.
Arruda, J.R. F. and Huallpa, B. N. Anlise Espectral de Sinais e
Sistemas Mecnicos Lineares, Livro em publicao, 2006.

DSP Espectral

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

DSP Espectral

Transféré par

Droits d'auteur :

Formats disponibles

Introduo: Anlise Espectral

Prof. Dr. Samuel da Silva

Universidade Estadual do Oeste do Paran

Tpicos e Conceitos Importantes

O que anlise espectral?

O que anlise espectral?

Meta: Descrever a distribuio sobre freqncia da potncia contida em

Importante: Assume-se que os sinais, tanto de entrada como de sada de

Vrios termos utilizados em anlise espectral so novos para a maioria

Momentos estatsticos: mtricas utilizadas para descrever as

Valor mdio: momento de 1. ordem.

Entres os momentos estatsticos mais importantes se destacam as

Processo estacionrio: Um processo dito estacionrio se suas

Processo ergdico: Um processo dito ergdico quando as propriedades

Existem vrios mtodos temporais para se estimar as correlaes (pois

Agora podemos definir o Espectro de Potncia (EP) de um sinal aleatrio

sendo Fs a taxa de amostragem se

A partir da transformada inversa de Foueir do EP pode-se obter as funes

A potncia mdia de um sinal x[n] em um intervalo de Nyquist pode ser

Densidade Espectral de Potncia

Pxx() e Pxx(f) so definidos como Densidade Espectral de Potncia

J para o caso de Pxx(f) watts/Hz.

Densidade Espectral de Potncia

A potncia mdia de um sinal x[n] sobre uma banda de freqncia em

P[1 , 2 ] = Pxx ()d +

Para sinais reais x[n] a PSD simtrica e portanto o intervalo de 0 at

Densidade Espectral de Potncia

A potncia mdia de um sinal x[n] real sobre uma banda de freqncia em

P[1 , 2 ] = Ponesided ()d

Mtodos para estimar PSD

O clculo da PSD partir da FAC no usual:

Alternativamente existem trs categorias de mtodos para estimar a PSD:

O estimador espectral no-paramtrico mais usado e simples o

Sendo X (f) a TF do sinal

Lembrando que no clculo da TDF o espectro divido em N pontos:

O Periodograma pode ser definido em funo da TDF X(fk) com N pontos:

Visando melhorar a estimativa espectral o periodograma modificado

Sendo X(f) a TDF do sinal janelado e U uma constante de normalizao do

Onde w[n] a janela e L o comprimento do sinal x[n]. U independente

A resoluo um dos aspectos chaves em anlise espectral, principalmente

Polarizao do Periodograma: O valor esperado do periodograma

Sendo W[f] o espectro da janela.

Outra propriedade importante do periodograma a sua varincia, que pode

Ou seja, a varincia no tende zero quando o nmero de pontos de x[n]

O Periodograma de Welch pode ser interpretado como uma tentativa de

O sinal disponvel x[n] dividido em I trechos com comprimento M e

Em seguida calcula-se o periodograma Pxx() para cada trecho e em

Como conseqncia deste procedimento a varincia do Periodograma

Porm uma reduo na varincia produz um aumento da polarizao, e

O uso de janelas tambm provoca fatores conflitantes: quanto mais

Isto ocorre, porque comportamento suave no tempo reduz a amplitude

Concluso: com o mtodo de Welch ganha-se em termos de varincia

O periodograma de Welch pode ser calculado no Matlab com o auxlio da

Este exemplo mostra a anlise espectral do mesmo sinal utilizado no

Potncia mdia obtida pelo Periodograma: 1.7581

PSD obtido pelo periodograma

Potncia mdia obtida por Welch: 1.7547

Estimativas de Funes de Transferncia

Ou seja, conhecidos os sinais de excitao x[n] e de resposta y[n] qual

Estimativas de Funes de Transferncia

O mtodo mais simples o de varredura em freqncia, ou seja, aplicando

Na prtica esta relao obtida a partir da TDF. Este mtodo conhecido

Estimativas de Funes de Transferncia

Estimativas de Funes de Transferncia