die fourier-transformation in der signalverarbeitung: kontinuierliche und diskrete verfahren der
TRANSCRIPT
Dietmar Achilles
DieFourier-Transformation'in derSignalverarbeitungKontinuierliche und diskrete Verfahrender Praxis
~:~ Springer-Verlag Berlin Heidelberg GmbH 1978
Dr.-Ing. DIETMAR ACH ILLESDiplomphysiker, Privatdozent an der Universität Erlangen-Nürnbergz. Zt. Gastdozent an der Bundesuniversität in Rio de Janeiro, Brasilien
Mit 87 Abbildungen
ISBN 978-3-540-08362-7 ISBN 978-3-662-11492-6 (eBook)DOI 10.1007/978-3-662-11492-6
Library of Congress Cataloging in Publication DataAchilles , Dietmar, 1933- Die Fourier-Transformation in der Signalverarbeitung . (Hochschultext)Includes bibliographies and index.1. Signal processing . 2. Fourier transformations . I. Tille .TK5102.5.A286 621.38'043 77-21701
Das Werk ist urheberrechllich geschützt. Die dadurch begründeten Rechte, insbesondere die derObersetzung, des Nachdruckes, der Entnahme von Abbildungen, der Funksendung, der Wiedergabe aufphotomechanischem oder ähnlichem Wege und der Speicherung in Datenverarbeitungsanlagenbleiben auch bei nur auszugsweiser Verwertung vorbehalten.
Bei Vervielfältigungen für gewerbliche Zwecke ist gemä8 § 54 UrhG eine Vergütung an den Verlag zuzahlen, deren Höhe mit dem Verlag zu vereinbaren ist.
© by Springer-Verlag Berlin Heidelberg 1978.
Ursprünglich erschienen bei Springer-Verlag Berlin Heidelberg New York 1978.
Die Wiedergabe von Gebrauchsnamen, Handelsnamen, Warenbezeichnungen usw. in diesem Bucheberechtigt auch ohne besondere Kennzeichnung nicht zur Annahme, daß solche Namenim Sinne der Warenzeichen- und Markenschutz-Gesetzgebung als frei zu betrachten wären und dahervon jedermann benutzt werden dürften.Offsetdruck: fotokop wilhelm weihert kg, Darmstadt . Bindearbeiten : Konrad Triltsch, Würzburg2362/3020 - 5 4 3 2 1 0
Vorwort
Die Fourier-Transformation gehört s e it über 150 Jahren zu den wichtigsten mathe
matischen Hilfsmitteln der Physik. Viele ihrer zahlreichen Anwendungen lassen
sich dem Bereich der Signalverarbeitung im weitesten Sinne zuordnen. Ein Beispiel
hierfür ist die Wirkung von Blenden bei der optischen Abbildung, die man als Fil
terung von zweidimensionalen Signalen interpretieren kann. Noch deutlicher in Er
scheinung tritt der Aspekt der Signalverarbeitung bei der Analyse von zeitlich schwan
kenden Vorgängen in der Natur (Seismologie, Meteorologie, Gezeitenforschung usw.)
und in der Technik (Vibrationen, Wechselströme usw. ), die ebenfalls schon seit lan
gem zu den Aufgaben der Fourier-Transformation zählt. Hier wurde vor allem die
diskrete Variante der Fourier-Transformation, die sogenannte Diskrete Fourier
Transformation (DFT) zur numerischen Ausführung eingesetzt.
Mit der Begründung der Systemtheorie der elektrischen Nachrichtenübertragung ist
die Fourier-Transformation vor einigen Jahrzehnten in eine neue Phase ihrer Bedeu
tung eingetreten und zu einem unentbehrlichen mathematischen Werkzeug des Nach
r ichtentechnikers geworden. Die systemtheoretische Betrachtungsweise ist jedoch
keineswegs ausschließlich auf die Nachrichtentechnik zugeschnitten , sondern sie kann
ebenso vorteilhaft auch auf mannigfaltige Aufgabenstellungen in a nderen Bereichen der
Technik und der Naturwissenschaften angewendet werden. Diese Erkenntnis hat sich
in den letzten zwölf Jahren weitgehend durchgesetzt, seitdem man die sehr effektiven
Algorithmen der Fast Fourier Transform (FFT) verwendet, die eine Evolution in der
Signalverarbeitung ausgelöst haben. Die Fourier-Transformation ist in dieser jüng
sten Entwicklungsphase weit über das ursprüngliche Stadium der analytischen Signal
und Systembeschreibung hinausgewachsen und wird heute auch zur Realisierung von
signalverarbeitenden Systemen mit Hilfe von Digitalrechnern, sowie zur Identifizie
rung und zur Simulation allgemeinerer technischer, physikalischer und biologischer
Systeme eingesetzt.
Das vorliegende Buch wendet sich an Ingenieure und Naturwissenschaftler, die in
ständig zunehmendem Maß Problemen der Signalverarbeitung gegenüber-stehen, Es
behandelt schwerpunktmäßig die wichtigsten Prinzipien der Fourier-Transforma
tion , die für die Signalverarbeitung von Bedeutung sind. Die mathematische Dar-
IV Vorwort
stellung ist weitgehend lückenlos und leicht zugänglich. Vorkenntnisse in der System
theorie sind für das Verständnis nicht erforderlich.
Das einleitende Kapitel illustriert an zwei Beispielen die Begriffe Signalverarbeitung
und Fourier-Transformation. Zunächst wird an einer Aufgabenstellung der Signal
verarbeitung in der Radar-Astronomie gezeigt, wie man mit Hilfe der Fourier-Trans
formation aus einem Signal Informationen gewinnen kann, die bei erster Betrachtung
scheinbar völlig unzugänglich sind. Dann wird durch elementare Betrachtungen an
einem linearen zeitinvarianten System die wechselseitige Beziehung zwischen Fourier
Transformation und Systemtheorie beleuchtet.
Das zweite Kapitel zeigt, wie man mit Hilfe der Fourier-Transformation die Spektren
von Signalen verschiedener Klassen definieren kann. Bei der Betrachtung von Signalen
endlicher Energie werden die wesentlichen Eigenschaften des Fourier-Integrals dar
gestellt. Dann wird eine leicht zugängliche Einführung in die Theorie der Fourier
Transformation von Distributionen gegeben, die bei der mathematischen Beschreibung
von Signalen und Systemen eine wichtige Rolle spielen. Die periodischen und die sto
chastischen Signale werden gemeinsam als Signale endlicher Leistung behandelt. Im
Zusammenhang mit den periodischen Signalen ergeben sich einführende Darstellungen
der Fourier-Reihe und der harmonischen Analyse. Die spektrale Leistungsdichte sto
chastischer Signale wird zunächst analog zu den periodischen Signalen definiert. Dann
wird durch systemtheoretische Betrachtungen gezeigt, daß diese Definition physika
lisch sinnvoll ist. Die Behandlung der diskontinuierlichen Signale leitet über in den
Problemkreis der digitalen Signalverarbeitung. Vergleichende Betrachtungen über
analoge und digitale Systeme und über die Zusammenhänge zwischen Fourier-Trans
formation und DFT schließen das Kapitel ab.
Die diskrete Fourier-Transformation und ihre Eigenschaften bilden den Inhalt des
dritten Kapitels. Für die gesamte Darstellung ist eine einheitliche und übersichtliche
Matrizenform gewählt worden. Der Doppelcharakter der DFT tritt deutlich hervor:
Auf der einen Seite zeigt sie sich als völlig eigenständige unitäre Transformation mit
in sich geschlossenen Abbildungsgesetzen, auf der anderen Seite besteht eine enge
Verwandtschaft zur Fourier-Transformation, die sich in zahlreichen Analogien mani
festiert. Beide Aspekte haben ihre tiefe Bedeutung in der Signalverarbeitung. Die ge
wählte Darstellung ist insofern kompatibel, als die Transformationskonstante der DFT
jederzeit als Abtastintervall interpretiert werden kann.
Die Einführung von Dezimierungs- und Segmentierungs-Operatoren ermöglicht eine
Strukturzerlegung der DFT, die unmittelbar auf das Prinzip der schnellen Fourier
Transformation führt, welche im vierten Kapitel behandelt wird. Für die wichtigsten
FFT-Verfahren werden geschlossene Matrizendarstellungen angegeben. Das gilt ins
besondere auch für die mathematische Beschreibung von FFT-Flußgraphen bei belie-
Vorwort V
bigen Primfaktorzerlegungen. Ergänzende Prinzipien wie die Anwendung des Uber
lagerungssatzes der DFT und die Ausnutzung von Symmetrien der trigonometrischen
Funktionen werden neben anderen praktischen Gesichtspunkten erläutert.
Die für die Signalverarbeitung so wichtigen Operationen der diskreten Faltung und
Korrelation werden im fünften Kapitel behandelt. Die auch hier verwendete Matrizen
form erlaubt übersichtliche Darstellungen der Segmentierungsmethoden bei langen
Signalfolgen. Aufwandungsvergleiche und Abschätzungen günstiger Segmentlängen für
die blockweise vorgenommene Verarbeitung werden angegeben.
Im sechsten Kapitel werden die Zusammenhänge zwischen Fourier-Transformation,
Spline-Interpolation und DFT dargestellt. Es wird gezeigt, wie man diese Beziehun
gen zur numerischen Fourier-Transformation und in der Signalverarbeitung ausnutzen
kann. Erörtert werden insbesondere digitale und hybride Methoden zur Verarbeitung
von kontinuierlichen Signalen, die durch Spline-Funktionen darstellbar sind.
Das für viele technische und naturwissenschaftliche Anwendunden besonders wichtige
Gebiet der digitalen Bestimmung von Leistungsspektren stochastischer Signale wird
im siebenten Kapitel eingehend erörtert. Hier werden die wichtigsten neueren Ver
fahren vorgestellt, an vielen praktischen Beispielen erprobt und miteinander ver
glichen.
Herrn Kival Chaves Weber verdanke ich wesentliche Unterstützung bei der Abfas
sung des siebenten Kapitels. Insbesondere basieren die dort behandelten Beispiele
auf Ergebnissen, die er im Rahmen seiner Masterarbeit erzielt hat. Mein herz
licher Dank gilt auch Frau Rita Frizlen in Erlangen, die das Problem der Rein
schrift des Manuskriptes in vorbildlicher Weise gelöst hat. Besonderer Dank ge
bührt schließlich dem Springer-Verlag für die gute Ausführung und die verständ
nisvolle Zusammenarbeit.
Rio de Janeiro, im Juli 1977 D . Achilles
Inhaltsverzeichnis
1 Einleitung • •. •••• ••••••••••••••• • •••••••••• •••••••••••
1.1 Einführendes Beispiel. ••••• ••••••• • •••••••.•••••••••••
1.2 Bedeutung der Signaldarstellung i m Frequenzbereich •••••• ••• •••
1. 3 Liter a tur •• • • • . • • • • • • • . • • • • • • • • • • • • . • • • • • • • • • • • • . •
2 Signale und Spektren • • • • • • • • • • • • . • •
2. 1 Signale endlicher Energie •• • •••••
2.1.1 Absolut integrierbare Signale •••••••• •••••••••••
2.1.2 Gibbssches Phänomen, nicht absolut integrierbare Signale••••
2. 1.3 Signaldauer und Bandbrei te, schnell abnehmende Signale undSpektren • • • • • • • • • • • • • • • • • • • • • • • ••••••
2.2 Distributionen ••••••••• •••••••.••
2.3 Signale endlicher Le istung •••• ••••• ••
2.3. 1 Periodische Signale•••• •••.•
2.3.2 Stochastische Signale .
2.4 Diskontinuierliche Signale •..• ••• •...
2 .4.1 Definition und systemtheoretische Bedeutung •••••••
2.4.2 Probleme der Signaldarstellung durch Abtastwerte .• •••••••
2.4.3 Diskontinuierliche Signale und diskrete Fourier-Transformation
2.5 Literatur •••••••• ••••.••••••••••• ••••••••• •••••.••
1
1
7
10
12
12
13
21
24
30
39
39
48
64
64
68
72
75
3 Die diskrete Fourier-Transformation ••••
3.1
3.2
3.3
3.4
Definition und Darstellung. • • • ••••••
Abbildungsgesetze ••• • .••••••••••••••••
Dezimierung und Segmentierung von Folgen •••
Literatur ••••••• •••••••••••••••••••• ••••
77
77
80
93
98
4 Die numerische Ausführung der diskreten Fourier-Transformation ••••••
4. 1 Vorbemerkungen • • • • • • • . • . . • • • • • • • . • • • .•••••••••••
4.2 Prinzip der schnellen Fourier-Transformation. • .•••••
4.2.1 Der Cooley-Tukey-A lgor-ithrnus •••••••••
4.2.2 Bestimmung von FFT-Signalflußgraphen •••
4.3 Anwendung des Uberlagerungssatzes •••.••••••• ••• •
99
99
100
100
102
107
Inhaltsverzeichnis VII
4.4 Schnelle Fourier-Transformation bei Zweierpotenzen. • • • • • • • • • •• 111
4.4.1 FFT-Signalflußgraphen. • • • • • • • • • • • • • • • • • • • . • • • • • •• 111
4.4.2 Einfaches FFT-Programm • • • • • • • • . • • • • • • • • • 116
4.4.3 Algorithmen höherer Basis, reelle Zahlenfolgen. . • 118
4.5 Literatur ••• • • • • • • • • • • • • • • • • • • . • • . • • • • • • • • • • • • • • •• 120
5 Schnelle Faltung und Korrelation • • • • • • • • • • • . • • • • • • • • • • • • • • • •• 121
5.1 Diskrete Faltung und Korrelation als zyklische Operationen. • • • • •• 121
5.2 Segmentierung bei langen Datenfolgen • • • • • • • • • • • • • • • • • • • • • 128
5 • 3 Literatur • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • 135
6 Fourier-Transformation und Spline-Interpolation in der Signalverarbeitung • 136
6.1 Vorbemerkungen zur Signalverarbeitung • • • • • • • • • • • • • • • • • • •• 136
6.2 Spline-Signale und ihre Spektren. • • • • • • • • • • • • • • • • • • • • • • • •• 138
6.3 Faltung, Korrelation und Deconvolution von Spline-Signalen • • • • • • • 146
6.4 Berücksichtigung von Unstetigkeiten in den Spline-Signalen •• •••••• 152
6.5 Literatur. • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • •• 161
7 Digitale Methoden zur Spektralanalyse •• • • • • • • • • • • • • • 163
7.1 Klassische Methoden • • • • • • • • • • • • • • • • • • • • • • • 163
7.2 Mittelung über modifizierte Periodogramme. • • • • • • • • • • • • • • • •• 168
7.3 Glättung von Periodogrammen • • • • • • • • • • • • • • • • • • • • • • • •• 178
7.4 Literatur • • • • • • • • • • • • • • • . • • • • • • • • • • • • • • • • • • • • • •• 183
Sachverzeichnis. • • • • • • . • • • • • • • • • • • • • •• 18'1
1 Einleitung
1.1 Einführendes Beispiel
Aus den zahlreichen Anwendungen der Fourier-Transformation in der Signalverar
beitung sei zur Einführung ein Beispiel ausgewählt, das einerseits besonders deut
lich die tragende Rolle der Fourier-Transformation zeigt und andererseits eine
Schilderung der Zusammenhänge unmittelbar aus der Anschauung heraus gestattet:
die Bestimmung der Oberflächenstrukturen von Planeten durch Zeit-Frequenz-Ana
lyse von Radarimpulsen.
Zunächst einige Vorbemerkungen zur Radar-Astronomie [1.1-1.3J allgemein: Sie
dient der Erforschung unseres Sonnensystems. Nachbarplaneten, Sonne, Mond und
andere Himmelskörper sind dabei Zielobjekte von Radarimpulsen, die über die Pa
rabolantennen von Radioteleskopen abgestrahlt werden. Ein sehr kleiner Teil der vom
jeweiligen Objekt reflektierten bzw. gestreuten Impulsenergie gelangt wieder zum
Radioteleskop zurück, wird aus den sich überlagernden Rauschsignalen herausgefil
tert und hinsichtlich der gewünschten Information ausgewertet. Der relativ kompli
zierte Signalverarbeitungsprozeß wird in der Regel mit Hilfe einer Digitalrechenan
lage, die direkt mit dem Radarsystem verbunden ist, in Echtzeit ausgeführt. Signal
auswertungen dieser Art liefern beispielsweise Messungen der Planetenpositionen
und -bahngeschwindigkeiten, die um Größenordnungen genauer sind als bei entspre
chenden optischen Beobachtungsmethoden. Darüber hinaus erhalten wir Informationen
über die Rotation und die Oberflächenstruktur von Planeten, auch und insbesondere
dann, wenn sie wie die Venus von einer undurchsichtigen Atmosphäre umgeben sind.
Um einen Einblick in die Zusammenhänge zu gewinnen, gehen wir von einer verein
fachenden Modellvorstellung aus. Der Sendeimpuls sei ein trägerfrequenter Recht
eckimpuls der Form
für O~t~e(1.1-1)
sonst.
Die Wahl der Trägerfrequenz fO
und der Impulsdauer e hängt von den speziellen Ge
gebenheiten desBeobachtungsobjektes und von der dem Experiment zugrundeliegen
den Fragestellung ab. Typische Werte sind fO
= 500 MHz und e = 500 IJ.S.
2 Einleitung
Ist R die kürzeste Entfernung zwischen dem Radioteleskop und beispielsweise ei
nem Planeten, so wird das Echo des Impulses nach einer Laufzeit T = 2R/c regi
striert werden. Aus der Vakuumlichtgeschwindigkeit (c'" 3· 105 km/s) und der
Messung von T läßt sich dann die Entfernung R sehr genau ermitteln. Der Meß
zeitpunkt wird durch das Eintreffen der Vorderflanke des Echoimpulses bestimmt.
Diese muß durch Reflexion am vordersten Teil des Planeten entstanden sein. Da
auch die weiter entfernt liegenden Teile der von der Erde aus sichtbaren Planeten
oberfläche zum Echoimpuls beitragen, ist seine Dauer gegenüber der Dauer des
Sendeimpulses um 2r/c länger , wenn r der Planetenradius ist [1.4J .
Der als Beispiel angeführte Sendeimpuls enthält efO = 2,5· 10 5 Perioden der Träger
schwingung. Die zu 1/e proportionale Breite der Spektrallinie ist somit sehr klein
in Bezug auf die Trägerfrequenz. Die Spektrallinie des Echoimpulses ist infolge des
D 0 pp I er - E f f e k t es im allgemeinen gegenüber fO verschoben und darüber hinaus
auch verbreitert. Hieraus lassen sich Informationen über die Translation, die Rota
tion und die Oberflächenstruktur des beobachteten Planeten gewinnen, wenn man das
Signal im Frequenzbereich betrachtet, dv h, eine Spektralanalyse vornimmt.
Betrachten wir zunächst die reine Translation. Die Geschwindigkeitskomponente des
Planeten auf die Erde sei zu vr• Die Trägerfrequenz des Echoimpulses ist dann un
ter Vernachlässigung relativistischer Effekte durch
(1. 1-2)
gegeben. Damit läßt sich vr aus der Frequenzverschiebung des Empfangssignals
bestimmen.
Wenn nun der Planet mit der Winkelgeschwindigkeit Q um eine Achse rotiert, die
wir der einfacheren Darstellung wegen als senkrecht zur Verbindungslinie Planet
Erde annehmen wollen, so sind die Relativgeschwindigkeiten zwischen dem Radio
teleskop und den einzelnen Oberflächenelementen des Planeten, die alle zum Echo
impuls beitragen, im allgemeinen verschieden. Daraus resultieren Frequenzver
schiebungen, die maximal ± 2 fOrQ/c betragen (Bild 1. 1). Das Signalspektrum wird
daher ins ges a mt um den Betrag
B =4fOrQ/c (1. 1-3)
verbreitert. Durch Bestimmung von B kann dann auf die Winkelgeschwindigkeit Q
der Rotation des Planeten geschlossen werden. Mit einer solchen Methode wurden
beispielsweise die Eigenrotationen von der Venus und vom Merkur erstmals genau
bestimmt [1.5, 1.6J.
1. 1 Einführendes Beispiel 3
Ein besonders eindrucksvoller Erfolg der modernen Signalverarbeitung ist die Ab
bildung der Oberflächenstrukturen von Planeten. Von allen Planeten unseres Sonnen
systems ist die Venus von der Erde aus unter dem größten Öffnungswinkel, der bei
einer mittleren Konjunktion etwa eine Bogenmitte beträgt , zu sehen. Das bedeutet,
daß die Venus und natürlich auch alle anderen Planeten völlig innerhalb des Strahlen
kegels auch der größten vollsteuerbaren Radioteleskope liegt [1. 7J.
v,=- rQ
Bild 1. 1. Zur Erläuterung des Doppler-Effektes beieiner Rotation V,= rQ
zum Rodorsyslem
Eine unmittelbare Winkelauflösung der Oberflächenstrukturen ist daher ausgeschlos
sen. Andererseits enthält das Echo eines Radarimpulses, das sich ja aus vielen Teil
reflexen an den Unregelmäßigkeiten der Planetenoberfläche zusammensetzt, Informa
tionen über die gesamte Struktur dieser Oberfl äche , Diese Informationen aus den
Echoimpulsen herauszuholen, ist eine Aufgabe der Signalverarbeitung. Im folgenden
wird kurz gezeigt, daß dieses Problem gelöst werden kann, indem man die Signale
sowohl im Frequenzbereich als auch im Zeitbereich analysiert.
Oberflächenelemente des Planeten, die zu Teilreflexen der gleichen konstanten Ver
zögerung führen, liegen auf konzentrischen Kreisen um die Achse Erde - Planet,
Oberflächenelemente, deren durch die Rotation des Planeten hervorgerufenen Rela
tivgeschwindigkeiten in Bezug auf die Erde konstant sind, liegen dagegen auf konzen
trischen Kreisen um eine Achse, die auf der Verbindungslinie Erde - Planet und der
Rotationsachse des Planeten senkrecht steht. Diese letzteren Oberflächenelemente
führen demzufolge zu Teilreflexen, die alle die gleiche Dopplerverschiebung aufwei
sen. In der Projektion auf die Ebene des Planetenbildes sind die Linien gleicher Ver
zögerung konzentrische Kreise um den Planetenmittelpunkt und die Linien gleicher
Doppelverschiebung Parallelen zur Rotationsachse des Planeten (Bild 1.2). Jedes
Flächenelement in dem so entstehenden Koordinatenraster ist durch eine bestimmte
Verzögerung und eine bestimmte Dopplerverschiebung gekennzeichnet und läßt sich
somit einem bestimmten Zeit-Frequenz-Intervall des Echoimpulses zuordnen.
4 Einleitung
Die Signalleistung in diesem Intervall hängt von der materiellen Zusammensetzung
und der Geometrie des zugehörigen Oberflächenelementes auf dem Planeten ab
Linien gleicher EntfernungRototionsochse
\6linien gleicherDopplerverschiebung
Bild 1.2. Orte gleicher Echoverzögerung und gleicher Dopplerverschiebung
und läßt infolgedessen Rückschlüsse auf diese Struktur zu. Zur Lokalisierung der
Teilechos unterteilt man den Echoimpuls zunächst in einzelne Abschnitte von der
Bild 1.3. Kurzzeitspektralanalyse eines Radarechos vom Mond nach [1. 8J
1. 1 Einführendes Beispiel 5
Dauer des Sendeimpulses, denn diese bestimmt ohnhin die Entfernungsauflösung und
damit die Breite der Entfernungsringe. Dann führt man für jeden dieser Abschnitte
eine Spektralanalyse mit Hilfe der schnellen Fourier-Transformation
(vgl , Kapitel 4) auf einem Digitalrechner durch. Zur Illustration ist in Bild 1. 3 eine
solche Zeit-Frequenz-Analyse (mit relativ grober AUflösung) von einem Radarecho
des Mondes gezeigt [1. 8J. Aufgetragen sind hier die Werte der Signalintensität in
Bezug auf die Frequenz (Abszisse) und die Zeit (Ordinate). Dabei wurde der ge
samte Echoimpuls in 25 Abschnitte von jeweils 500 IJ.s Dauer unterteilt und für je
den dieser Abschnitte eine Spektralanalyse durchgeführt. Die im Bild dargestell
ten Spektren werden von oben nach unten, d vh, mit zunehmender Verzögerungszeit
immer breiter, weil die zugehörigen Entfernungsringe in die Bereiche größerer
Dopplerverschiebungen hineinwachsen.
Eine entsprechende kartographische Projektion der Intensitäten liefert dann (bei ge
nügend feiner AUflösung) ein Bild der Planetenoberfläche. Die bei Mondaufnahmen
erreichte Genauigkeit - in Bild 1. 4 is t ein solches Radarbild mit einer Auflösung von
1 km 2 gezeigt - gibt die Gewähr, daß auch Planetenaufnahmen wie die in Bild 1. 5
dargestellte Venusoberfläche den tatsächlichen Strukturen entsprechen. Erwähnt
werden sollte noch, daß die Doppeldeutigkeit der Lokalisierung von Zeit-Frequenz
Intervallen (im Bild 1. 2 die Punkte P und P ") durch s pez i ell e Techniken eliminiert
werden kann. I m Falle des Mondes reicht die Strahlenbündelung der Radioteleskope
aus, um jeweils nur eine der beiden Mondhalbkugeln zu beobachten. Im Falle der
Planeten kann man Interferometer-Methoden [1. 9, 1.10J verwenden, auf die hier
nicht näher eingegangen werden soll.
HAYSTACK R(SEARCH fACILITYfEBRUARY 1970
LUNAR RADAR CHART3.8an WAVELENGTH
Bild 1.4. Radarbild vom Mond nach [1. 9J, ermittelt durch Kurzzeitspektralanalysedes Echosignals
6 Einleitung
Bild 1.5. Radarbild der Venus nach [1. lOJ , ermittelt durch Kurzzeitspektralanalysedes Echosignals
Das in diesem einleitenden Abschnitt behandelte Beispiel zeigt nur eine der vielen
interessanten Anwendungsmöglichkeiten, die die Fourier-Transformation in der
Signalverarbeitung bietet. Der Sachverhalt mußte hier natürlich stark vereinfacht
dargestellt werden. Die genannten Begriffe und Methoden der Signalverarbeitung be
werden in den folgenden Kapiteln noch genauer erläutert werden.
Im nächsten Abschnitt betrachten wir weitere Aspekte der Signaldarstellung i m Fre
quenzbereich.
1.2 Bedeutung der Signaldarstellung im Frequenzbereich
1.2 Bedeutung der Signaldarstellung im Frequenzbereich
7
Unter Si g n ale n verstehen wir allgemein Zeitfunktionen, di e Informationen tragen.
In den meisten Fäll en wird es sich hierbei um r eelle e indi mens iona l e Funktionen han
deln, die sich unmittelbar aus den dabei zugrundeliegenden physikalischen Vorgängen
e r gebe n. Man läßt aber auch zugunsten e iner e infa c heren mathematischen Darstel
lung komplexe Signalfunktionen zu, so z , B. die harmonische Exponentielle, die in der
Systemtheorie eine wesentliche Rolle spielt (z , B. [1 . 11] ) . Darüber hinaus gibt es
auch echt zweidimensionale Signale, beispielsweise in der Bildverarbeitung , di e zwar
auf e indim e ns iona l e Signalfunktionen abgebildet werden können, vielfach aber a uc h di
rekt zweidimensional verarbeitet werden (z , B. [1. 12J). Im folgenden wollen wir je
doch Signale im m e r als eindimensionale Zeitfunktionen auffassen.
Wir können Signale übertragen oder speichern und auf verschiedene Weisen verarbei
ten, bevor wir sie schließlich auf ihren Informationsgehalt hin auswerten. Be i diesen
Operationen ist es vorteilhaft oder sogar notwendig, ein gegebenes Signal in einer an
deren Form darzustellen, beispielsweise durch Entwicklung nach einem vollständigen
Orthogonalsystem bzw . durch eine Orthogonaltransformation. Die Information is t
dann i n den Koeffizienten der Entwicklung bzw. i n der Bildfunktion e ntha lte n und zeigt
sich möglicherweise damit in einer Form, die di e Verarbeitung und Auswertung we
sentlich vereinfachen kann.
Unte r den vielen Orthogonalsystemen, die s c ho n zur Signal da r s tell ung verwendet wor
den s ind, ist da s der Sinus- und Cosinus-Funktionen bes onders ausgezeichnet . Das
hat eine Reihe von Gründen. Zunächst ermöglicht eine Signal darstellung mittels die
s e r Funktionen eine Abbildung des Signals auf den Fr e q u e n z b er e ich, dem e ine
unmittelbare physikalis che Bedeutung zukommt - m an denke beispielsweise an di e
Beschreibung des Dopplereffektes - und der dem Naturwissenschaftler und Ingenieur
entsprechend vertraut ist. Sodann besitzen die Sinus- und Cosinus-Funktionen di e be
sonders wichtige Eigenschaft, daß s ie Eigenfunkt ionen linearer zeitin-
va r i an te r S y s t em e sind. Für die Signalverarbeitung ist weiterhin sehr wesent
lich, daß die Signalabbildung auf den Frequenzbereich digital m it Hilfe der besonders
effektiven Algorithmen der sc h ne 11 e n F 0 u r i er - T r ans f 0 r m a t ion (vgl. Ka
pitel 4) problemlos und sehr schnell vorgenommen werden kann. Dadurch wiederum
ist es m öglich, die so häufig auftretenden signalverknüpfen Operationen der Fa I
tun g und der Kor r e la t ion unter erheblichem Zeitgewinn im Frequenzbereich
als Multiplikationen auszuführen.
Wir gehen hier noch etwas ausführ-licher' auf den systemtheoretischen Aspekt ein .
Dazu betrachten wir ein lineares zeitinvariantes S ystem mit einem Ein
gang und einem Ausgang, be ispielsweis e ein selektives Filte r (Bild 1. 6 ). Das System
8 Einleitung
reagiere auf ein Eingangssignal ut t ) mit dem Ausgangssignal yf t ) ; Wir kennzeich
nen diesen Zusammenhang mathematisch durch die Operatorgleichung
S[u(t)J =yf t}, (1.2-1)
u(ljO----ilineares
zeitinvariantesSystem
1----<> y ( I )Bild 1.6. Lineares zeitinvariantes
System
wobei der Operator S die Einwirkung des Systems auf das Eingangssignal uf t ) sym
bolisieren soll. Wenn wir speziell als Eingangssignal eine Sinus-Funktion der Fre
quenz f wählen, die bereits seit unendlich langer Zeit auf das System einwirken
möge,
u( t ) =sin 2TTft (1. 2-2)
so zeigt die Erfahrung, daß das Ausgangssignal eine Sinus-Funktion der gleichen
Frequenz sein muß,
y(t) =a sin(2TTft + q), (1.2-3)
die sich in der Amplitude a und der Phasenverschiebung CI' im allgemeinen vom Ein
gangssignal unterscheidet. Bei einem selektiven Filter gilt a'" 1, wenn die Frequenz
f im Durchlaßbereich liegt, und a « 1, wenn s ie im Sperrbereich liegt. Die zuge
hörige Operatorgleichung ist
S[sin 2TTftJ =a stnf zrrrt + q). ( 1.2-4)
Die vorausgesetzte Zeitinvarianz des Systems bewirkt, daß bei einer zeitlichen Ver
schiebung des Eingangssignals um eine beliebige Zeit to das Ausgangssignal um die
gleiche Zeit 'o verschoben wird :
(1.2-5)
Hieraus folgt, daß sich die Cosinus-Funktion genauso verhalten muß wie die Sinus
Funktion. Wir brauchen dazu nur 2TTftO =- TT/2 zu setzen:
Sf cos 2TTftJ =a cosf zrrrt + q) (1. 2-6)
Die vorausgesetzte Linearität des Systems entspricht der Gültigkeit des Superposi
tionsprinzips : Das System antwortet auf eine beliebige Linearkorn bination von belie-
1. 2 Bedeutung der Signaldarstellung im Frequenzbereich 9
biegen Eingangssignalen mit genau der gleichen Linearkombination der zugehörigen
Ausgangsssignale. Diese Eigenschaft benutzen wir nun dazu, um das Systemverhal
ten bei Erregung mit einer harmonischen Exponentiellen
ej2TTft =cos 2TTft + j sin 2TTft (1.2-7)
(j =v::t', Einheit der imaginären Zahlen) zu studieren, denn diese ist für die Dar
stellung von Signalen im Frequenzbereich von fundamentaler Bedeutung. Die ent
sprechende Linearkombination von (1.2-4) und (1.2-6) ergibt
S[ j2TTftJ _ j(2TTft+cp}e - a e •
Fassen wir den Amplitudenfaktor und den Phasenfaktor zu
zusammen, so gilt
(1.2-8)
(1.2-9)
(1.2-10)
dvh, eine harmonische Exponentielle beliebiger Frequenz f ist eine Eigenfunk
ti 0 n linearer zeitinvarianter Systeme, und H ist der zugehörige Eigenwert, der
zahlenmäßig natürlich von der jeweiligen Frequenz f abhängt.
Wenn das Eingangssignal eine Linearkombination von Eigenfunktionen verschiedener
Frequenzen f mit den Gewichtsfaktoren utr } ist, so giltn n
[
'\' j2TTf t]S ~ U(fn}e n
n
j2TTf tH(f }U(f}e n
n n(1.2-11)
Gehen wir nun zu einem Kontinuum von Eigenfunktionen über, wo die Frequenzen
sich über die gesamte reelle Zahlenachse erstrecken, so wird die Linearkombina
tion durch ein Integral beschrieben, und das Systemverhalten ist durch
darstellbar. Das Eingangssignal ul t ) wird hier also durch
(1. 2-12)
u( t )
co
f U(f) ej2 TTft
df
-=(1.2-13)
10
mathematisch beschrieben. Die Umkehrung dieser Beziehung führt auf
co
f u(t}e-j2nftdt.
-oo
Einleitung
(1.2-14)
Wir bezeichnen (1.2-14) als Fourier-Integral und (1.2-13) als inverses
Fourier-Integral. Diese beiden Darstellungen sind umkehrbar eindeutig, wenn so
wohl uf t ) als auch U(f} absolut integrable Funktionen sind, wie i m nächsten Kapi
tel noch näher ausgeführt wird. Wir interessieren uns hier zunächst für die Be
schreibung linearer zeitinvarianter Systeme und betrachten daher auch das Aus
gangssignal y(t} unter dem Aspekt des Fourier-Integrals. Nach (1.2 -12) gilt
co
y(t} f H(f)U(f}ej2nftdf,
-00
und die Umkehrung hiervon ist
cof y(t}e-j2nftdt.
-oo
Es gilt also
vtr) =H(f)U(f).
(1.2-15)
(1.2-16)
(1.2-17)
Wir bezeichnen H (f) als U be r t rag u n g s fun k t ion des linearen zeitinvarianten
Systems. Sie entspricht der Gesamtheit aller möglichen Eigenwerte, und ihre Kennt
nis genügt, um die Beziehung zwischen Eingangs- und Ausgangssignal im Frequenz
bereich vollständig zu beschreiben.
1.3 Literatur
1. 1 Skolnik, M. I. : Introduction to Radar Systems, chapter 14 : Detection of ExtraterrestrialObjects. New York, Toronto, London: McGraw HilI 1962.
1.2 Evans, J. V. j Hagfors, T.: Radar Astronomy. New York, Toronto, London :McGraw Hill 1968.
1.3 Special Issue on Radio and Radar Astronomy. Proc. IEEE 61 (1973), Nr , 9.
1.4 Leadabrand, R. L. j Dyce, R. B. et al: Radio Frequency Scattering from theSurface of the Moon, Proc. IRE 48 (1960) 932-933 .
1.3 Lit eratur 11
1.5 Carpenter, R.L.: StudyofVenusbyC.W. Radar. Astron. J. 69 (1964) 2-11.
1.6 Pettengill, G.H. ; Dyce, R.B. : A Radar Determination of the Rotation of thePlanet Mercury. Nature 206 (1965) 1240.
1. 7 Hachenberg, 0.; Grahl, B.H.; Wielebinski, R. : The 100-Meter Radio Telescope at Effelsberg. Pr-oc , IEEE 61 (1973) 1288-1295.
1.8 Pettengill, G.H.: Measurements of Lunar Reflectivity Using the MillstoneRadar. Proc. IRE 48 (1960) 933-934.
1. 9 Hagfors, T.; Campbell, D. B.: Mapping of Planetary Surfaces by Radar. Proc.IEEE 61 (1973) 1219-1225.
1.10 Rogers, A.E.E.; Ingalls, R.P.: Venus, Mapping the Surface Reflectivity byRadar Interferometry. Science 165 (1969) 797-799.
1. 11 Unbehauen, R. : Systemtheorie. München, Wien: Oldenbourg 1971.
1. 12 Rabiner, L. R.; Gold, B. : Theory and Application of Digital Signal Processing.Englewood Cliffs, N.J. : Prentice-Hall 1975.
2 Signale und Spektren
Der Schlüssel zur Beschreibung von Signalen im Frequenzbereich ist die F 0 u r i er
T r ans f 0 r m at ion. Grundlegende physikalische und mathematische Unterschiede
in den hier inte r es s ie r e nde n Signalklassen erfordern zunächst eine individuelle Be
trachtung. So lassen sich beispielsweise Signale endlicher Energie spektral durch
das Fourier-Integral und periodische Signale durch die Fourier-Reihe beschreiben.
Durch die Einbeziehung von Signalen, die als Distributionen darstellbar sind, kann
dann der Begriff der Fourier-Transformation verallgemeinert und vereinheitlicht
werden. Das hat u, a, den Vorteil , daß die Spektren von Signalen verschiedener
Klassen mathematisch miteinander verknüpft werden können. Außerdem läßt sich
die Fourier-Transformation dann auch einheitlich symbolisieren: Wir verwenden
im folgenden zur Kennzeichnung der Fourier-Transformation sowohl das Symbol
o--e als auch den Operator F . Für die inverse Fourier-Transformation gelten die
entsprechenden Symbole --.0 und F-1. Die Aussage uf t ) 0---4 U(f) bzw. U(f) =F!u(t)! bedeutet : uf t ) und U(f) sind umkehrbar eindeutig durch die Fou
rier-Transformation miteinander verknüpft. Die Beziehungen utr) --.0 ut t ) und
u(t) = F-1 lutr) I folgen dann automatisch.
2.1 Signale endlicher Energie
Wir betrachten in diesem Abschnitt ausschließlich Signalfunktionen, die quadratisch
integrierbar sind :
=f I u ( t ) 12
dt < 'X.
-=(2 .1-1)
Mathematisch gleichbedeutend damit ist die Aussage : uf t ) E L2, d.h. ul t ) gehört
den Raum L2 der quadratisch integrierbaren Funktionen an. Physikalisch interpre
tiert, besagt (2 .1-1), daß wir hier nur Signale endlicher Energie betrachten. Nicht
notwendig verknüpft mit dieser Voraussetzung aber aus physikalischen Gründen sinn-
2.1 Signale endlicher Energie 13
voll ist eine weitere Forderung, die wir zusätzlich für Signale dieser Klassen erheben
wollen : die beschränkte Variation aller Signalfunktionen u(t), die (2.1-1)
erfüllen. Das bedeutet, daß die Kurve, die uf t ) beschreibt, in endlichen Zeitinter
vallen nur eine endliche Bogenlänge haben soll. Die in diesem Abschnitt zugelasse
nen Signale müssen also beispielsweise zu allen Zeitpunkten eine endliche Amplitude
haben und dürfen auch nur mit endlicher Frequenz oszillieren. Diese Einschränkung
ist für praktische Probleme unbedeutend, erleichtert aber wesentlich die mathema
tische Behandlung.
2.1.1 Absolut integrierbare Signale
Aus mathematischen Gründen ist es notwendig, eine weitere Klassifizierung der
betrachteten Signale vorzunehmen. Die Gültigkeit bestimmter Aussagen hinsicht
lich der Fourier-Transformation hängt davon ab, ob die Signalfunktionen absolut
integrierbar sind oder nicht. Wenn
co
f lu(t) Idt < =-=
(2.1-2 )
gilt, dann ist u( t ) E L1 , d, h, u( t ) gehört dem Raum L1 der absolut integr i e r ba r e n
Funktion an.
Das Kriterium (2.1-2) ist für die Signaltheorie etwas problematisch, weil es ein
mathematisches Kriterium und kein physikalisches ist. Die Frage nach seiner Gül
tigkeit läßt sich somit nicht unmittelbar aus physikalischen Uberlegungen heraus be
antworten, wie das etwa bei dem Energiekriterium (2.1-1) der Fall ist. Erschwe
rend kommt hinzu, daß von den beiden Räumen L1 und L2 keiner den anderen voll
ständig urnfaßt ; es gibt also quadratisch integrable Funktionen, die nicht absolut in
tegrierbar sind, und absolut integrable, die nicht quadratisch integrierbar sind.
In der Regel kann man davon ausgehen, daß die bei praktischen Anwendungen vor
kommenden Signale endlicher Energie auch absolut integrierbar sind. Bei grund
legenden systemtheoretischen Betrachtungen spielen jedoch nicht absolut integrable
Signale endlicher Energie eine nicht unwesentliche Rolle.
Wenn uf t ) E L1
ist, konvergiert das Fourier-Integral
co
u(f) S u(t)e-j2TIftdt
-=(2.1-3)
14 2. Signale und Spektren
für alle reellen Werte von f. Mit utr) existiert dann eine Signaldarstellung im Fre
quenzbereich, die wir das (komplexe) Amplitudenspektrum des Signals nen
nen. Die Umkehrung
u( t )
0::>I U(f) ej2Tlftdf
- 0::>
(2.1-4)
ist eindeutig für alle Werte von t , an denen uf t ) stetig ist. Wenn uf t ) nicht über
all stetig ist, muß man (2.1-4) durch die allgemeinere Umkehrformel
a
lim fa .... O::>
-a
j2Tlft 1 ( )U(f)e df ='2 u(t + 0) + uf t - 0) (2.1-5)
ersetzen. Das Integral hierin unterscheidet sich von dem in (2.1-4) durch die Art
des Grenzüberganges : Während man (2.1-4) entsprechend der allgemeinen Defini
tion der uneigentlichen Integrale als Grenzwert eines Integrals mit der unteren
Grenze -a und der oberen Grenze +b erklärt, wo a und b unabhängig voneinander
gegen unendlich streben, sind in (2.1-5) obere und untere Grenze miteinander ge
koppelt. Man nennt das letztere den Cauchyschen Hauptwert von dem un
eigentlichen Integral in (2.1-4). Der Cauchysche Hauptwert kann existieren, auch
wenn (2.1-4) nicht konvergiert.
Als Beispiel betrachten wir einen Schaltvorgang endlicher Dauer bzw. einen Recht
eckimpuls (Bild 2.1) :
u( t ) {~für - T ~t <T
(2.1-6)sonst.
o.t
Bild 2.1. Rechteckimpuls der Dauer2T
Die Ausführung des Fourier-Integrals (2.1-3) führt auf das Amplitudenspektrum
(Bild 2.2) :
U( r) (stn 2TlfT)/ (rrr}, (2.1-7)
2.1 Signale endlicher Energie
u
15
3"1
Bild 2.2. Fourier-Transformierte des Rechteckimpulses von Bild 2.1
Die Umkehrformel (2 .1-5) liefert dann mit
a 11 für ItI < Tlim f U(f)e
j2TTftdf = 1/2 für [t I =T
a->= I I-a 0 für t >T
(2.1-8)
eine Zeitfunktion, die sich in den Zeitpunkten ±T von dem ursprünglich gegebenen
Signal ut t ) unterscheidet. Man muß also beachten, wenn man das Signal in den
Schaltzeitpunkten durch den Wert 1 bzw. 0 definiert, daß die inverse Fourier
Transformation des zugehörigen Spektrums in diesen punkten auf das arithmetische
Mittel 1/2 führt. Die tiefere Ursache eines solchen Verhaltens bei der inversen
Fourier-Transformation liegt darin, daß eine nichtstetige Signalfunktion uf t ) E L1
eine Fourier-Transformierte hat, die ihrerseits nicht absolut integrabel ist. Die
Fourier-Transformation führt also hier aus dem Ll_R aum hinaus. Die Folge davon
ist, daß die Umkehrformel (2.1 -5) anstelle von (2 .1-4) verwendet werden muß
(vgl , Abschnitt 2.1. 2). Für u( t ) E L1 und utr) E L1 sind dagegen (2.1-3) und
(2.1-4) umkehrbar eindeutig.
Im folgenden sind die wichtigsten Ab b i 1dun g s g e set zeder Fourier-Transfor
mation zusammengestellt. Auf Beweisführungen, die in den meisten Fällen sehr
einfach und direkt zu vollziehen sind, wird hier verzichtet, zumal sie in vielen Bü
chern über Fourier-Transformation, Systemtheorie etc. ausführlich erörtert werden
(z.B. [2.1, 2.2J) . Wir verwenden dabei die zu Anfang des Kapitels eingeführte Sym
bolik. Die Existenz der Beziehung U(f) = F !u(t) I bzw. ul t ) 0-. utr) wird im fol
genden vorausgesetzt.
16
Maßstabsänderung
uf at )~ _1_ U{f/a) , a reell und *0[a ]
U(af) ..-<> I~I u(t/a)
Zeitliche Verschiebung
Frequenzverschiebung
Differentiation im Zeitbereich
2. Signale und Spektren
(2.1-9)
(2.1-10)
(2.1-11 )
(2.1-12)
Wenn u( t ) n-rnal differenzierbar ist und u (ri) (t ) E L1 , so gilt
Für v = 0 , 1 , ••• ,n-1 gilt außerdem u( v)(t) EL1 und
lim u(v)(t) = O.
[t I ->00
Differentiation im Freguenzbereich
Wenn t \lu(t) EL1 für v=0,1, ••• , n ist, so existiert U(n)(f), und es gilt
Mehrfache Anwendung der Fourier-Transformation
Wir verwenden den Operator der Fourier-Transformation
(2.1-13)
(2.1-14)
(2.1-15)
F[u(t)]
00
f u(t)e-j2nftdt = urr)_00
(2.1-16)
2.1 Signale endlicher Energie
und erklären seine zweifache Anwendung durch
17
CD
f U(f)e-j2TTftdf.
-CD
(2.1-17)
Durch Bilden der inversen Fourier-Transformation von u( -t) kann man leicht zeigen,
daß der Operator F 2 das Signal uf t ) lediglich zeitlich invertiert:
2F [u(t)] = u(- t).
Hieraus folgt, daß der Operator F 4 der Einheitsoperator ist:
4F [u(t)] =uf t},
(2.1-18)
(2.1-19)
Infolgedessen muß der Operator F 3 der inversen Fourier-Transformation entspre
chen :
3 -1 *F =F =F, (2.1-20)
wobei noch hinzugefügt wird, daß der Operator F-1 offensichtlich auch dem konju
giert-komplexen Operator F* entspricht. Mit dieser Schreibweise läßt sich die Ab
bildung der zeitlichen Spiegelung eines reellen Signals uf t ) 0---. U(f) auf den
Frequenzbereich sehr einfach darstellen:
* l~F[u(-t)]=F [u(t)]=U (f). (2.1-21)
Operatoren mit der Eigenschaft (2.1-19) nennt man "zyklisch vom vierten Grade".
Sie besitzen nur die vier Eigenwerte ±1 und ±j (vgl , Abschnitt 2.1.3). Die gleiche
Eigenschaft hat auch der Operator der diskreten Fourier-Transformation (vgl , Ka
pitel 3).
Faltung
Die Faltung zweier Signale u1(t ) und u
2(t)ist durch
CD
u1
(t ) * u2(t)
= f u1
(T)U2
(t - T)dT = y(t)_00
(2.1-22)
definiert. Für die Existenz der Faltung ist hinreichend, daß eines der bei den Signale
endliche Energie besitzt, während das andere nur beschränkt sein muß. Die Faltung
18 2. Signale und Spektren
wird wie ein Produkt geschrieben, weil sie sich wie ein solches verhält: Sie ist
kommutativ,
(2.1-23)
1und für u1' u2' u3 E Lauch ass 0 z i a ti v :
(2.1-24)
Bei einem Faltungsprodukt von beliebig vielen absolut integrablen Signalen is t es
daher gleichgültig, in welcher Reihenfolge man sie anordnet und die sukzessiven
Faltungen ausführt. Diese Eigenschaften der Faltung gehen unmittelbar aus ihrer
Abbildung durch die Fourier-Transformation hervor: Die Faltung zweier Signale
u1 (t)~ V1(f) und u2(t)~ V
2( f ) wird auf das Produkt ihrer Fourier-Trans
formierten abgebildet:
(2.1-25)
Korrelation
Die Kreuzkorrelationsfunktionen zweier reeller Signale endlicher
Energie u1
(t ) und u2
(t) sind erklärt durch
co
Cll12(t) f u1(T)u2(t + T)dT = u1(t) *u2(- t},_CC'
=Cll21(t) f u
1(t+T)u2(T)dT=u
1( -t)*u2(t)._ CC'
(2.1-26)
(2.1-27)
Diese Korrelationsoperationen lassen sich wie dargestellt durch Faltungsoperationen
ausdrücken. Die Abbildung auf den Frequenzbereich ist infolgedessen mit (2. 1-25)
unter Berücksichtigung von (2.1-21) bei Existenz von "i~ V 1 und "a~ V2
leicht anzugeben :
<P 12 (f) = F[ CP12(t)] = F[u1(t) * u2(- t)]
2 3= F[u1(t)
*F [u2(t)]]
= F[u1(t)]F
[u2(t)]
=V 1(f)V;(f),
Entsprechend ergibt sich
(2.1-28)
(2.1-29)
2. 1 Signale endlicher Energie 19
Die Au t 0 kor r el at ion s fu n k t ion eines reellen Signals endlicher Energie ist
definiert durch
co
CPl1(t) f u1(T)u1(t+T)dT =u1(t)*u1(-t).
-co
Mit "i a---. U1 ergibt sich die Abbildung auf den Frequenzbereich zu
Multiplikation
(2.1 -30)
(2.1-31)
Das Produkt zweier Signale "i a---. U1 und "z a---. U2 wird durch die Fourier
Transformation auf die Faltung der zugehörigen Spektren U1 und U2
abgebildet:
co
u1(t)u2(t) a---. U1(f) *U2(f) = f U1(cr)U2(f-
cr)dcr.
-co
Parsevaische Gleichung
Aus (2.1-32) folgt unmittelbar die Parsevaische Gleichung in der Form
(2.1-32)
co
f u1 (t)u2(t)dt =_co
Eine einfache Umformung führt auf
co
f U1(f)U2(-f)df.-co
(2.1-33)
co co
f u1 (t)u;(t)dt = f U1 (f)U;(f)df.
-co -co
Speziell für u1 = u2 = u a---. U gilt
co co
f lu(t)!2 dt= f IU(f)12df.
-co -co
(2.1-34)
(2.1-35)
Die Signalenergie ergibt sich also auch durch Integration über das Absolutquadrat
des Amplitudenspektrums. Wir nennen diese Größe 4>11 = IU(f) 12 deshalb die
spektrale Energiedichte des Signals. Aus (2.1-31) folgt, daß die spektrale
20 2. Signale und Spektren
Energiedichte und die Autokorrelationsfunktion durch die Fourier-Transformation
miteinander verknüpft sind.
Symmetrien
Wir betrachten zunächst eine re e 11 e Signalfunktion u {t} und zerlegen sie mit
in einen geraden Anteil
und einen ungeraden Anteil
uf t ) =u (t ) + U (t )g u {2.1-36}
{2.1-37}
{2.1-38}
Die zugehörige Fourier-Transformierte utr) wird in Real- und Imaginärteil auf
gespalten:
utr) = V (r) + j u.rr).r 1
{2.1-39}
Man kann leicht zeigen, daß Vr{f} die Fourier-Transformierte des geraden Signal
anteils
und j U i (f ) die des ungeraden Signalanteils
u (t )~ j V . (r)u 1
(2.1-40)
{2.1-41}
ist. Außerdem ergibt sich, daß Vr{f} eine gerade Funktion und Vi{f} eine unge
rade Funktion sein muß.
Um das entsprechende Abbildungsgesetz für den allgemeinen Fall kom p l e x e r
Signalfunktionen ul t ) anzugeben, zerlegen wir sowohl uf t ) als auch utr) in den
jeweils geraden und ungeraden Anteil {erster Index : g bzw, u ) und diese Anteile
wiederum in Real- und Imaginärteil (zweiter Index : r bzw, i}, Mit diesen ersicht
lichen Bezeichnungen ergeben sich die folgenden Teilabbildungen:
u( t )
rutr)
ug r
{t ) + U ( t ) + j u . {t ) + j u . {t }ur gl Ul
I ~V (f)+V (f)+jV.(f) +jV .(f)
gr ur gl Ul
{2.1-42}
2 .1 Signale endlicher Energie
2.1.2 Gibbssches Phänomen, nicht absolut integrierbare Signale
21
Wir betrachten zunächst das Beispiel aus Abschnitt 2. 1. 1 etwas genauer. Dazu führen
wir die Sprungfunktion
für t ~ 0(2.1-43)
für t < 0
ein. Diese ermöglicht es, den durch (2.1-6) definierten Rechteckimpuls in der Form
uf t ) =set + T) - set - T) (2.1-44)
darzustellen. Wir definieren außerdem die rechteckförmige Bewertungsfunktion
Q (r) = { 1a 0
für Ifl ~ a
sonst(2.1-45)
im Frequenzbereich, die im Zeitbereich der Funktion
=(sin 2nat)/(nt) = f Qa (f)ej2nftdf
-=(2.1-46)
entspricht. Unter Verwendung des Faltungssatzes (2.1-25) ergibt sich dann für die
inverse Fourier-Transformation von utr)
a =lim f U(f)e
j2nftdf = lim f U(f)Qa(f)e
j2nftdf
a~= a~=
~ -== lim !u(t) * «sin 2nat)/(nt» Ia~=
= lim !(s(t + T) - sf t - T» * «sin 2nat)/(nt» Ia~=
= lima~= 1
= =f sin 2na( t - T) dr - f
n( t - T)-T T
sin2na(t - T)n(t - T)
(2.1-47)
Wir haben nun den Grenzwert der Funktion
u (t) =.!{S.(2na(t+T» -S.(2na(t-T»!a nIl
für a ~ co mit der ursprünglichen Signalfunktion u( t ) zu vergleichen. Die hierin
auftretende Integralsinusfunktion
22 2 . Signale und Spektren
(2.1-48)
(z , B. [2. 3J) ist in Bild 2.3 dargestellt. Für entsprechend große Werte von a ergibt
sich dann etwa der in Bil d 2.4 dargestellte Verlauf von ua (t}, Wir stellen fest, daß
5j(z)
Bild 2.3. Integralsinusfunktion Si (z )
Uo
,... .../0(1)
11 \
I ~':"2:n:o1 0 2:n:01- 2:n:ot
Bild 2.4 . Verlauf von ua(t) für große Werte von a
eine Vergrößerung von a nur den Maßstab der Zeitachse beeinflußt. Mit wachsen
dem a rücken die Schwingungen von u (t ) immer näher an die Stellen t =- T bzw,at =T heran. Die gegenseitige Beeinflussung der beiden Integralsinusfunktionen wird
immer geringer, so daß für sehr große a das Verhalten von u (t) bei t = - T prak-atisch nur durch die erste Integralsinusfunktion in (2. 1-47) und bei t =T durch die
zweite bestimmt wird. Die Höhen der größten Uber- und Unterschwinger (Betrag
etwa 9 ~ der Rechteckhöhe) verändern sich dann bei wachsendem a kaum noch, und
wir erhalten in der Grenze a -+ = die in Bild 2.5 gezeigte Signalfunktion , bei der alle
Oszillationen in die Punkte t = - T bzw. t = T hineingewandert sind. Diese Erschei
nung, die in ähnlicher Form allgemein bei der Rücktransformation aus dem Frequenz
bereich an allen SprungsteIlen der Signalfunktion auftritt, ist als Gib b s s c h e s
P hä no me n bekannt.
2.1 Signale endlicher Energie 23
Die Funktion lim ua (t) und die ursprüngliche Signalfunktion u{t), die in Bild 2.1a"' =
dargestellt ist, unterscheiden sich in den Zeitpunkten t =±T. Sie haben aber die
gleiche Fourier-Transformierte utr) E L2 , die durch (2 .1-7) gegeben ist. Die Ein
deutigkeit der Rücktransformation von urr) in den Zeitbereich ist also nicht gege
ben, solange wir an der Forderung der punktweisen Ubereinstimmung festhalten.
Fordern wir jedoch stattdessen nur eine Ubereinstimmung i m qu a d rat i sc h e n
Mit tel, d. h, betrachten wir zwei Funktionen u1 (t) und u2
(t) als gleich, wenn
ihre mittlere quadratische Differenz verschwindet,
co
I I u1 ( t ) - u2 ( t ) 12
dt =0,
-=
1,0
(2.1-49)
- 1
0,80,60,40,2
o
I ......- lim uQ (! )Va-co
Bild 2.5. Gibbssches Phänomen
so wirken sich offensichtlich Abweichungen in einzelnen Punkten nicht aus, und wir
können in diesem Sinne die Umkehrtransformation als eindeutig betrachten. Auf
dieser gelockerten Forderung basiert die Fourier-Transformation im L2-Raurn , die
von Plancherel entwickelt wurde. Für uf t ) E L2 und U(f) E L2 gilt umkehrbar ein-
deutig
a
utr) =l.i.m. I u{t)e-j2nftdt
a"' = -a
a
u( t ) =l.i.m. I u(f) ej2nftdf,
a"' = -a
(2.1-50)
(2.1-51)
wobei das Symboll.i.m. bedeutet , daß hier nur die Konvergenz im Mittel gefordert
wird, während in (2.1-3) und (2.1-4) die Konvergenz punktweise gegeben ist. Die
Fourier-Transformation im L2
-Raum verläuft konform mit der im Li-Raum. Die Er-
24 2. Signale und Spektren
gebnisse beider Transformationen stimmen " fa s t überall" überein, dvh , sie unter
scheiden s ic h gegebenenfalls nur an einzelnen Punkten wie bei dem betrachteten Bei
spiel. Hinsichtlich weiterer Einzelheiten wird auf [2.4 J verwiesen.
2.1.3 Signaldauer und Bandbreite, schnell abnehmende Signale und Spektren
Aus den Differentiationssätzen (2.1-13) und (2.1-15) kann man den Einfluß der Ge
stalt von ul t ) auf die von U(f) und umgekehrt ablesen : Wenn u(n) (t) E Li ist, so
existiert die zugehörige Fourier-Transformierte, und es muß gelten
lim !(j2nf)nU(f) I = 0 ,f"'± C('
(2.1-52)
dv h, u(f) muß für f ... ±O2 stärker als Ifl-n gegen Null streben. Hieraus folgt :
Je öfter uf t ) differenzierbar ist, um so stärker strebt utr) gegen Null für f ... ± co,
Entsprechendes gilt umgekehrt, wenn U(n)(f) E Li ist: Je öfter U(f) differenzier
bar ist, desto stärker strebt u ( t) gegen Null für t ... ±O2.
Diese asymptotischen Eigenschaften von Signalfunktionen und ihren Spektren legen
die Frage nahe, wie sich Signaldauer und Bandbreite zueinander verhalten. Dazu
müssen diese beiden Größen durch relativ willkürliche Vorschriften im Zeit- und im
Frequenzbereich definiert werden, denn ein Signal und das zugehörige Spektrum kön
nen nicht gleichzeitig von endlicher Breite sein, wie aus dem asymptotischen Ver
halten hervorgeht. Für praktische Zwecke bieten sich hi er in erster Linie Sc h w e l
I e n kr i t e r i e n an. Man definiert danach z. B. die Signaldauer e als das kleinst
mögliche Zeitintervall, außerhalb dessen eine vorgegebene Schwelle der Höhe q be
tragsmäßg nicht mehr überschritten wird (Bild 2.6). Entsprechend erfolgt die Defi
nition der Bandbreite des Signals.
u
qO J.-..-q------~---7'~..:::>..,;;;;;;;>o".....",=----:-
- q 1----,1-- - - - --1-""'-''''------- - - -I---e--~
Bild 2.6. Zur Definition der Impulsdauer durch ein Schwellenkriterium
2.1 Signale endlkher Energie
Für allgemeine mathematische Aussagen bevorzugt man E ne r gi e kr i t e r i e n
zur Definition von Signaldauer 18 und Bandbreite B :
25
=182 f (t - t
O)2!u(t),2 dt,
-==
B2 = f (r - fO)21 utr) 12
df .
-=Hierbei ist die Signalenergie
= =f !u(t) 12
dt = f IU(f) 12
df = 1
-= -=
(2.1-53)
(2.1-54)
als normiert vorausgesetzt, und to und fO
sind die Schwerpunkte der Energie
dichten im Zeit- bzw, im Frequenzbereich:
=to = f t lu ( t ) 1
2dt ,
-==
fO = f flu(f) 12
df .
-=Es gilt dabei die "Unschärferelation"
eB~1/(4TT).
(2.1-55)
(2.1-56)
(2.1-57)
Den Beweis führen wir für reelle Signale u( t) und unter den vereinfachenden Annah
men to = 0 und fO = O. Wir gehen aus von der Schwarzsehen Ungleichung
b b
I f g1 (t) g2 (t ) dt 12
,,;;; f-a -a
b
I g1 (t ) 12
dt f I g2 «: 12
dt,
-a
(2.1-58)
lassen hierin die Integrationsgrenzen a und b gegen = gehen und setzen die Funk
tionen g1 (t ) =t ut t ) und g2(t) =du/dt ein :
-=
= = =f t u ( t ) ~~ dtj2 ,,;;; fit u ( t ) 12
dt f-= -=
(2.1-59)
26 2. Signale und Spektren
Da Signale endlicher Energie für t ... ±co stärker als l/Vt verschwinden müssen und
die Signalenergie als normiert vorausgesetzt wurde, erhält man durch partielle In
tegration
co
f () dU 1tut <rrdt=-2'
-co
(2.1-60)
Aus dem Differentiationssatz (2.1-13) und der Parsevalsehen Gleichung (2.1-35)
folgt andererseits
co co
f I ~~ 12
dt = f !2TTfU(r) 12
df ,_ce
und Einsetzen in (2.1-59) ergibt
co co
i<4TT2 f t2Iu(t)/2dt f ~IU(f)12df,
-co
woraus (2.1-57) folgt.
(2.1-61)
(2.1-62)
Das Gleichheitszeichen in der Unschärferelation gilt für die Gaußsehe Glockenfunk
tion exp( - a2 t 2 ) , a reell. Diese gehört zu einer Klasse von Signalen, die für t ... ±co
schneller als jede Potenz mit negativem Exponenten gegen Null streben und außerdem
unendlich oft differenzierbar sind. Funktionen mit solchen Eigenschaften nennen wir
sc h ne 11 ab n e h me n d [2. 4J. Sie bilden einen Teilraum von L1 und werden durch
die Fourier-Transformation wieder auf denselben Teilraum abgebildet . Schnell ab
nehmend sind beispielsweise die Her mit es ehe n Fun k t ion e n, die uns hier be
sonders interessieren, weil sie die interessante Eigenschaft besitzen, invariant ge
gen die Fourier-Transformation zu sein. Diese Funktionen sind für n = 0,1,2, •.•
Lösungen der Differentialgleichung
(2.1-63)
und lassen sich mittels der Her mit es ehe n Poly no me Hn
(x) darstellen durch
2H (x)e-x /2
W (x) _~n===-
n Vn! 2n 'fiT (2.1-64)
2. 1 Signale endlicher Energie 27
Die Hermiteschen Polynome ihrerseits ergeben sich aus
H (x)n
2-xe (2.1-65)
und genügen der Rekursionsformel
H l(x) =2xH (x) - 2nH l(x).n+ n n- (2.1-66)
Es gilt beispielsweise HO(x) =1, H1 (x ) =2x und H2(x)
=4x2 - 2. Aus (2.1-66)
und (2.1-64) folgt eine Rekursionsformel für die Hermiteschen Funktionen:
(2.1-67)
Bild 2.7 zeigt die Funktionen *0 bis *6' Die Hermiteschen Funktionen bilden ein
vollständiges Orthogonalsystem und sind in der durch (2.1-64) definierten Form
normiert:
0:::
f lIr n (x ) *m (x ) dx = <'>nm
-=für
für
n = m
n '" rn ,(2 .6-68)
'l'lxl
Bild 2.7. Hermitesche Funktion
Wir zeigen nun, daß die Hermiteschen Funktionen Eigenfunktionen der Fou
r i er - T r ans f 0 r m at ion sind. Zuerst berechnen wir die Fourier-Transformierte
von *0 ' lassen dabei aber einen zunächst noch beliebigen reellen Skalenfaktor a zu.
Es gilt dann
_0:::
co = 22f lIro ( at ) e - j2TTft dt = (TT)-1/4 f e-a t / 2- j2 TTft dt •
-=
28
Die Integration läßt sich leicht auf
= 2f e-z dz ='fiT-OO
2. Signale und Spektren
(2.1-69)
zurückführen, indem man den Exponenten zu einem vollständigen Quadrat ergänzt
und geeignet substituiert :
-= _00
00
=V[ e -2 (TTf/a}2 f_00
= 'f'2TT e-2 (nr/a)2
a
2e-z dz
(2.1-70)
Die Fourier-Transformierte von *0 ist also auch eine Glockenfunktion. Die Form
hängt vom Skalierungsfaktor a ab. Lassen wir a wachsen, so wird die Zeitfunktion
schmal und die Frequenzfunktion breit. Umgekehrtes gilt für abnehmendes a, Eine
völlige Symmetrie erreichen wir für a =1{2TT :
00f wo('/2ilt}e-i2TTftdt = (TT}-1/4 e-2TTj / 2 =*O( 1{2TTf).
_00
(2.1-71)
Wir zeigen nun allgemein, daß die entsprechend skalierten Hermiteschen Funktionen
* (1{2TTt) invariant gegen die Fourier-Transformation sind, und setzen zur Vereinn
fachung der Schreibweise x = 1{2TTt und y = 'V2TIf. Die Fourier-Transformierte von
W (x) = w ('/2Tit) nennen wir co (y) = co ('/2Tif). Bei entsprechender Substitution dern n n nVariablen t und f geht dann das Fourier-Integral über in
1=--'/2T1
00
f wn(x}e-iXYdx.
-OO
(2.1-72)
Den Beweis für die behauptete Invarianz bringen wir nun durch Induktion, indem wir
für die e (y) eine Rekursionsformel herleiten und das speziell für n =0 bereits ben
wiesene Ergebnis einsetzen. Wir gehen dazu von
00
Y2TT(n+ 1}!2n+1'fiT con+1(y}
= f Hn+1(x}e-x2/2-iXYdx
_00
2.1 Signale endlicher Energie 29
aus, wenden (2.1-65) an und integrieren partiell, wobei der ausintegrierte Anteil
verschwindet:
co
Y2TT(n+1}!2 n+1yn cpn+1(y} =: (_l)n+1 f ex2/2-jXY(cfx)n+1e-x2dx
-co
co
=: (_1}n f (x - jy}ex2/2-jXY( cfx) n e-x2
dx
-co
co
=: f (x - jy}e-x2/2-jXYHn(X}dx
_co
co 2=: f xHn(x}e-X /2-jxy dx - jy Y2TTn!~\fiT cpn(Y)
-co
Mit (2.1-66) gelangt man leicht zu der Rekursionsformel
(2.1-73)
Da nach (2.1-71) cpo(Y} =: 'l1o(Y}
gilt, erhält man durch Anwendung dieser Rekur
sionsformel und Vergleich mit (2.1-67) für n v D
für n =: 1
cp2(Y} =: - jycp1(Y} +_1_ cpO(Y}V2
=: - Y'l11(Y}
+_1_ 'l10(Y}
=: - 'l12(y}V2
und allgemein
Es gilt also die Korrespondenz
(2.1-74)
(2.1-75)
(2.1-76)
(2.1'-77)
30 2. Signale und Spektren
dv h, die Hermiteschen Funktionen sind Eigenfunktionen der Fourier-Transforma
tion. Der jeweilige zu Wn
gehörige Eigenwert ist (- j)n. Zahlenmäßig ergeben sich
daraus die vier Möglichkeiten ± 1 und ± j für die Eigenwerte (vgl , Abschnitt 2.1. 1).
2.2 Distributionen
Distributionen oder ver a 11 gern ein e r te Fun k t ion e n werden in vielen tech
nischen und naturwissenschaftlichen Bereichen sehr gern verwendet, weil sie eine
elegante mathematische Beschreibung bestimmter physikalischer Zusammenhänge
ermöglichen. Die Beliebtheit dieser Distributionen beruht allerdings zu einem nicht
geringen Anteil auf einer widersprüchlichen Doppelbedeutung : Man stellt sie sich
gern als Funktionen im gewöhnlichen Sinne vor, obwohl sie es nicht sind, und schätzt
sie wegen genau derjenigen ihrer mathematischen Eigenschaften, die gewöhnliche
Funktionen nicht besitzen. Betrachten wir beispielsweise die von Dirac eingeführte
o5-Distribution o5(t - tO):
Man sagt, sie sei überall 0 mit Ausnahme der Stelle t=to'wo sie co sei, derart, daß
=f 6(t - to)dt = 1
-=(2.2-1)
gelte. Sie habe überdies die Eigenschaft, aus einer stetigen Funktion g(t) den Wert
bei t = to herauszusieben:
co
S g(t) o5(t - tO)dt = g(tO)·
-=(2 .2-2 )
Gewöhnliche Funktionen können diese an die s-Distrtbutton gestellten Forderungen
nicht erfüllen, insofern ist auch die Integraldarstellung in diesen Beziehungen nicht
im gewöhnlichen (d. h, im Riemannschen oder Lebesgueschen) Sinn zu erklären.
Die Theorien der Distributionen (z , B. [2.4, 2. 5J) überwinden diese mathematischen
Schwierigkeiten. Einen verhältnismäßig leichten Zugang zu diesen Theorien gewinnt
man, wenn man sich die verallgemeinerten Funktionen als Grenzwerte von Funktio
nenfolgen vorstellt. Die o5-Distribution läßt sich beispielsweise durch die Funktionen
folge
(2.2 -3)
2.2 Distributionen 31
definieren (Bild 2.8). Diese Funktionenfolge ist normiert, d.h. das Integral zwi
schen den Grenzen - = und + = liefert für jede Funktion der Folge den Wert 1.
8
7
6n= 200
5
-lO -0,8 -0,6 -0,4 -0,2 o 0,2 0,4 0,6 0,8 1,0
Bild 2.8. Funktionenfolge zur Definition von 5(t)
Damit ist (2.2-1) erklärt. Zur Interpretation von (2.2-2) setzen wir vereinfachend
to =0 und zeigen, daß die absolute Abweichung
= 2e( n) ~ f e-nt g(t)dt _ g(O)
-== 2mf e-nt 19(t) - g (O) ldt
-=für n'" co verschwindet, sofern die erste Ableitung von g (t ) beschränkt ist:
= 2e(n) ,;;;;max!g·(t)ly*" fe-nt Itldt =_1_ maxlg'(t)l ... o
vrm für n'" co , (2.2-4)
32 2. Signa le und Spektren
Die Darstellung (2.2-3) gibt uns auch die Möglichkeit, der ö- Dis t r i buti o n eine Fou
rier-Transformierte zuzuweisen. Zunächst hat nach (2.1-70) jede Funktion der Folge
(2.2-3) eine wiederum glockenförmige Fourier-Transformierte:
(2.2-5)
Die beiden Folgen werden durch die Fourier-Transformation stetig aufeinander abge
bildet. Wir können also hier, wie das bei allen Funktionen aus dem Raum der schnell
abnehmenden Funktionen (vgl , Abschnitt 2.1. 3) erlaubt ist [2. 4J, die Fourier-Trans
formation mit dem limes-Zeichen vertauschen und erhalten somit für n .... co aus
(2.2-5)
ö(t) o--e 1. (2.2-6)
Die durch Vertauschung von t und f in (2.2-5) entstehenden Folgen werden durch
die Fourier-Transformation ebenfalls stetig aufeinander abgebildet: exp( _n2t2In)
o--e 'rnTTi exp( - m2). Hieraus ergibt sich für n .... = , daß wir der Konstanten 1
die Fourier-Transformierte ö(f) zuordnen können:
(2.2-7)
Wichtige verallgemeinerte Funktionen sind neben der Distribution ö( t ) auch ihre
Derivierten ö( k ) ( t ) . Diese können wir als Grenzwerte der k-rnal differenzierten
Funktionenfolge (2.2-3) definieren. Als Beispiel sind in Bild 2.9 einige Funktionen
der Folge gezeigt, die ö (1) (t) definiert. Die Able itungen der Glockenfunktion s ind
ebenfalls schnell abnehmende Funktionen, denn sie lassen sich als Linearkombina
tionen einer endlichen Anzahl von Hermiteschen Funktionen darstellen. Infolgedes
sen können wir auch bei den Funktionenfolgen, die die Derivierten von ö( t ) definie
ren, Fourier-Transformation und limes-Zeichen vertauschen. Durch Anwendung des
Differentiationssatzes (2.1-13) und anschließenden Grenzübergang n .... co ergibt
sich allgemein
(2.2-8)
Nach Vertauschen von t und f erhalten wir ebenso aus (2.1-15)
(2.2-9)
Die Abbildungen (2.2-6) bis (2.2-9) sind umkehrbar eindeutig.
2.2 Distributionen 33
Die Symmetrieeigenschaften der Glockenfunktion und ihrer Ableitungen gehen beim
Grenzübergang nicht verloren. Es gilt daher
{2.2-10}
100
BO
60
40
0,6
-40
-60 200
Bild 2.9. Funktionenfolge zur Defini
tion von 5(1 ) ( t )-BO
-100
Ebenso wie die Differentiationssätze behalten auch die Ver s chi e bu n g s sät z e
der Fourier-Transformation (2.1-11) und (2.1-12), sowie die Sätze der Maßstabs
ä n der u n g im Bereich der Distri butionen offensichtlich ih r e Gültigkeit. Hinsichtlich
der Maßstabsänderung gilt für die 5-Distribution und ihre Derivierten
5( k ) ( a t ) ~1h (j2TTf/a)k,
rh 5( k ) ( t / a )~ (j2TTaf)k.
Für k =0 folgt hieraus speziell
rh 5{t/a )~ 1
(2.2-11)
(2.2-12)
(2.2-13)
34
und wegen der Eindeutigkeit von (2.2-6)
6(t/a) = la!6(t).
2. Signale und Spektren
(2.2-14)
Hiernach läßt sich der 6-Distribution formal eine "Dimension" zuordnen : Die Kon
stante a habe beispielsweise die Dimension von t , Wir postulieren dann, daß mit
dem Argument t/a auch 6{t/a) dimensionslos sein muß. Aus (2.2-14) folgt somit,
daß 6(t) die Dimension von 1/t hat. Das steht in Einklang mit (2.2-2) .
Hinsichtlich der Argumentverschiebungen gilt für die 6-Distribution und ihre Deri
vierten
(2.2-15)
(2 .2-16)
Das ergibt sich unmittelbar aus den entsprechenden Verschiebungen der definieren
den Funktionenfolgen. Für k =0 folgt speziell
- j 2TTft O6(t - tO)~ e , (2.2-17)
(2.2-18)
Die letztere Beziehung zeigt, daß wir der harmonischen Exponentiellen der Frequenz
fO eine "Spektrallinie" bei f =fO zuordnen können. Hieraus folgt unmittelbar
sin 2TTfOt~ ij (6(f - fO)- 6(f + fO»'
1cos 2TTfOt~ 2' ( 6(r - fO) + 6(r + fO».
(2.2-19)
(2.2-20)
Was die Faltung anbetrifft, so begnügen wir uns hier damit, diese nur für Distri
butionen und Funktionen zu erklären, denen wir umkehrbar eindeutig eine Fourier
Transformierte zuordnen können. Dazu postulieren wir die Gül tigkeit der Faltungs
sätze (2.1-25) und (2.1-32) auch für Distributionen, allerdings mit der Einschrän
kung, daß keine Multiplikation zwischen zwei Distributionen auftreten darf, denn
diese ist nicht allgemein definiert. Es gilt dann beispielsweise
(2.2-21 )
2.2 Distributionen
Wegen der Eindeutigkeit der Abbildung folgt daraus
35
(2.2-22)
Allgemeiner ergibt sich bei Berücksichtigung des Verschiebungssatzes (2.2-15)
(2.2-23)
Entsprechendes gilt für die Faltung im Frequenzbereich.
Die Faltung zwischen einer Distribution und einer Funktion wird auf die gleiche
Weise erklärt . Für uf t )~ u(f) gilt beispielsweise
(2.2-24)
Wenn ul t ) k-mal differenzierbar ist, können wir die Derivation der 6-Distribution
beliebig auf uf t ) abwälzen. Insbesondere gilt dann
und für k = 0
6{t) * ul t ) =ul t},
(2.2-25)
(2.2-26)
Die Distribution 6(t) spielt also die Rolle des Einheitselementes in der Faltung.
Aus dem Verschiebungssatz folgt weiterhin, daß die Faltung mit 6{t - tO)
nur eine
entsprechende Verschiebung von u (t) bewirkt :
(2.2-27)
Die M u I ti p l i kat io n von 6{t) mit einer bei t =0 stetigen Funktion ul t ) E Li
läßt sich mit Hilfe von (2.1-32) und (2.1-4) folgendermaßen erklären:
6(t)U(t)~ 1 * u{f)=f utr - ql)dql =-ce
=f U{f)df =uf O},
-=Die konstante Spektralfunktion uf O) hat aber nach (2.2-6) die inverse Fourier
Transformierte uf O) 6(t), also gilt wegen der Eindeutigkeit
6(t)U(t) = 6(t)u(O). (2.2-28)
36 2. Signale und Spektren
Es soll nun gezeigt werden, wie man mit Hilfe der Distributionstheorie Funktionen
g( t }, die nicht überall differenzierbar sind, Derivierte zuordnen kann. Dazu be
trachten wir die durch (2.1-43) definierte Sprungfunktion s(t). Sie läßt sich durch
die Funktionenfolge
t
VIf-=
2e-nx dx -+ sf t ) für n e cc (2.2-29)
erklären (Bild 2.10). Durch Differentiation nach t erhalten wir hieraus die Funk
tionenfolge, welche nach (2.2-3) die tl-Distribution definiert. Es gilt daher
(2.2-30)
-1.2 -1,0 -0,8 - 0,6 -0,4 -0,2 o 0.2 0,4 0,6 0,8 1,0 1,2
Bild 2.10. Funktionenfolge zur Definition der Sprungfunktion
wobei jedoch auf der linken Seite kein Differentialquotient im gewöhnlichen Sinne
sondern eine Derivierte im Sinne der Distributionstheorie steht. Die höheren Deri
vierten der Sprungfunktion ergeben sich dann zu
(2.2-31)
Betrachten wir nun eine Funktion g(t), die überall differenzierbar sei mit Ausnah
me der Stelle t =to' wo sie von g( to - 0) auf g( to + 0) springt. Diese Funktion
läßt sich dann darstellen durch die Uberlagerung eines stetigen Anteils go (t) und
einer Sprungfunktion,
(2.2-32)
2.2 Distributionen
und die Derivation ergibt
37
(2.2-33)
Hat die erste Ableitung von gO(t) einen Sprung der Höhe go' (to + 0) - go' (to - 0)
bei t =to' so wenden wir das gleiche Prinzip an, um die zweite Derivierte von g( t)
zu bestimmen, usw. Allgemein ergibt sich dann für eine Funktion g(t), die für t<tound t >to Ableitungen bis zur k-ten Ordnung besitze, die k-te Derivierte zu
g(k)(t) = (g(k)(t))t*t + (g(to
+ 0) -g(to-O))ö(k-1)(t
- tO)o
+ (g(l)(t +0) _g(l)(t _0))ö(k-2)(t_t)o 0 0
(k-1) ) (k-j ) ( )) ( )• .• + (g (to + 0 - g to - 0 ö t - to ' (2.2-34)
wenn bei Annäherung an t =to von links und von rechts die Grenzwerte g( to - 0) ,
g(l)(to
- 0), ••• ,g(k-1)(to
- 0) bzw. g(to
+ 0), g(l)(to
+ 0), ••. ,g(k-1)(to
+ 0)
existieren.
In Abschnitt 2.3.1 wird noch die Fourier-Transformierte einer periodischen Folge
von ö-Distributionen angegeben. Weitergehende Aspekte der Distributionstheorie
können hier nicht erörtert werden. Zum weiteren Studium wird [2. 4J empfohlen.
Als ein Beispiel für die Anwendung der ö-Distribution in der Systemtheorie soll
hier noch der Begriff der Im pul san t wo r t erläutert werden. Im Abschnitt 1.2
wurde gezeigt, daß die harmonische Exponentielle exp{j2TTfot) eine Eigenfunktion li
nearer zeitinvarianter Systeme ist. Der hierzu gehörige Eigenwert bestimmt das
Systemverhalten bei der Frequenz fO
' Um die Gesamtheit aller Eigenwerte, dv h,
die Ubertragungsfunktion des Systems H(f) zu ermitteln, regen wir das System im
gesamten Frequenzbereich an, d.h. wir setzen in der Beziehung Y(f) = H(f)U(f)
das Spektrum des Eingangssignals U(f) == 1. Das entspricht der Anregung mit dem
Eingangssignal ö(t). Das zugehörige Ausgangssignal nennen wir die Impulsantwort
h( t) des Systems. Sie ist mit der Ubertragungsfunktion durch die Fourier-Transfor
mation
hf t ) e>----. H(f) (2.2-35)
verknüpft und ermöglicht eine vollständige Beschreibung des Systemverhaltens im
Zeitbereich durch das Superpositionsintegral
00
y(t) = hf t ) -I> uf t ) = f h( er)u(t - er)der,_00
(2.2-36)
38 2. Signale und Spektren
wobei uf t ) und y(t) Eingangs- bzw. Ausgangssignal des Systema sind. Wir betrach
ten diesen Zusammenhang am Beispiel idealisierter Tiefpaßsysteme. Diese
entsprechen der Wunschvorstellung, alle Spektralanteile eines Signals außerhalb des
endlichen Frequenzbandes If I ~ fg vollständig zu unterdrücken und innerhalb dieses
Bandes überhaupt nicht oder nur in tolerierbarer Weise zu verändern. Die sich pri
mär anbietende Ubertragungsfunktion
mit der Impulsantwort
für
für
[r ] ~ fg
[r ] >fg
(2.2-37)
(2.2-38)
ist aus verschiedenen Gründen nicht realisierbar. Insbesondere ist die Impulsant
wort eine nicht-kausale Funktion, da sie bereits vor dem Zeitpunkt t =0 der Im
pulserregung existiert. Aus diesem Grund wird die Wunschvorstellung auf ein System
reduziert, das neben der Filterwirkung auch noch eine Verzögerung des Eingangs
signals um 'o bewirkt:
für
für
(2.2-39)
Die zugehörige Impulsantwort (Bild 2.11) ist
(2.2-40)
Bild 2.11. Impulsantwort des idealen Tiefpaßfilters
2.3 Signale endlicher Leistung 39
Auch dieses System, das als idealer Tiefpaß bezeichnet wird, ist nicht kausal.
Es läßt sich jedoch für genügend große Werte von 'o approximativ realisieren. Bei
systemtheoretischen Betrachtungen spielt der ideale Tiefpaß eine wichtige Rolle.
2.3 Signale endlicher Leistung
Bisher wurden Signale betrachtet, bei denen wir eine endliche Energie voraussetzen.
Zwei wichtige Klassen von Signalen erfüllen diese Voraussetzung nicht: die per i 0
dis ehe n Signale und die s t 0 c h ast i sc h e n Signale. Für ihre Beschreibung im
Frequenzbereich müssen daher andere Methoden als die bisher verwendeten heran
gezogen werden.
Grundsätzlich interessieren wir uns hier nur für Signale u( t}, deren mittlere Lei
stung endlich ist:
-&
f lu(t} 12
dt <= .--&
2.3.1 Periodische Signale
Für ein periodisches Signal u (t ) gilt
u (t) = u (t + ke),
(2.3-1)
(2.3-2)
wobei e die Periode und k eine beliebige ganze Zahl ist. Wir setzen wieder die
beschränkte Variation (vgl , Abschnitt 2.1) voraus, dv h, uf t ) soll in end
lichen Zeitintervallen nur eine endliche Bogenlänge haben. Ein solches Signal ent
hält - gegebenenfalls neben einem konstanten Gleichanteil - nur die Grundfrequenz
1/e und sogenannte höhere harmonische Frequenzen, die ganzzahlige Vielfache von
1/e sind. Das zeigt die harmonische Analyse des Signals. Hierunter versteht
man die Approximation von ul t ) durch harmonische Exponentielle der Frequenzen
v/e (v ganzzahlig) im Sinne des minimalen mittleren quadratischen Fehlers:
n
utt ) - Lv=-n
j2 TIvt/e 2dt ! MOc e = In.v (2.3 -3)
40 2. Signale und Spektren
Das Integral erstreckt sich über ein beliebiges Intervall von der Länge einer Periode
(to
reell). Die Parameter der Optimierung sind die Koeffizienten c\l. Sie lassen
sich aus den notwendigen Bedingungen
~~ ~ 0 für alle IJ.IJ.
(2.3-4)
bestimmen. Bei Berücksichtigung der Orthogonalität der harmonischen
Funktionen
für
für
IJ. = \I
(2.3-5)
(Integration einer periodischen Funktion mit verschwindendem Gleichanteil über
eine volle Periode bzw. ein ganzzahliges Vielfaches einer Periode ergibt Null) er
halten wir
t +e !o n
{ uf t ) - u~nn
L\I=- n
n
L\I =- n
Hieraus folgt
to+e
f * J"2TIll t / e * Iu(t)e'" dt+eclJ.=o.
to
(2.3-6)
*Partielle Differentiation von Q nach clJ. ergibt die mit (2.3-6) verträgliche Lösung
(2.3-7)
2.3 Signale endlicher Leistung 41
Die so bestimmten Koeffizienten c führen immer auf ein Minimum von Q, d, h, sieI.L
erfüll en auch die hinreichenden Bedingungen für (2.3-3). Bemerkenswert ist, daß
die c nicht von n abhängen, also unabhängig von der Anzahl der zur ApproximationI.L
verwendeten harmonischen Funktionen sind. J I"} größer n, desto genauer ist die Ap-
proximation. Für n » co ver s chwindet der m ittlere quadratische Fehler
co
lu ( t ) -
v=-=
und wir erhalten die F 0 u r i er s c heR ei h e ne nt w i c k 1u n g, bei der
co
ul t ) L c vej2nvt/ 8
v=- =
(2.3-8)
(2.3-9)
überall gilt, wo ul t ) stetig ist, während an Unstetigkeitsstellen von uf t ) das arith
metische Mittel der Grenzwerte von links und rechts angenommen wird :
co
\' j2 n vt/8 1 (( )~cve ='2 u t- O+ u(t+O».
v=-=
(2.3-10)
Die Fourier-Koeffizienten hängen natürlich nicht davon ab, wie der Wert von u( t )
an einer Unstetigkeitsstelle definiert ist. Zur Gewinnung einer spektralen Darstel
lung periodischer Funktionen können wir daher von (2.3-9) ausgehen, wobei erfor
derlichenfalls angenommen wird, daß der Funktionswert an Unstetigkeitsstellen
durch das arithmetische Mittel der Grenzwerte von links und rechts definiert is t .
Mit exp(j2n vt / 8)~ ö(f - v/ 8) nach (2.2-18) ergibt sich dann sofort
uf t )~ utr)co
Lv=- =
c Ö(f - v/8 ) .v (2.3-11)
Das Spektrum einer periodischen Funktion ist diskontinuierlich, ein sogenanntes
Li nie n s p e k t rum. Die Spektrallinien liegen auf äquidistanten Rasterpunkten v/8
( v = 0, ± 1, ±2, ••• ). Der Rasterabstand 1/ 8 bestimmt die Grundperiode 8 des Si
gnals. Umgekehrt entspricht einem diskreten Spektrum genau dann eine periodische
Funktion, wenn ein Raster der beschriebenen Art gefunden werden kann, in das die
gegebenen Spektrallinien hineinpassen. Hieraus folgt beispielsweise, daß eine Line
arkom bi nation oder das Produkt zweier periodischer Funktionen mit den Perioden
81
und 82 genau dann wieder auf eine periodische Funktion führt, wenn 8/82 eine
rationale Zahl ist.
42 2. Signale und Spektren
Mit der Darstellung (2.3-11) haben wir Anschluß an die bisherigen Ergebnisse der
Fourier-Transformation gewonnen. Wir können damit alle Abbildungsgesetze, sofern
sie auch für die Distributionen gelten, sinngemäß übernehmen. Außerdem ist es nun
möglich, kontinuierliche und diskontinuierliche Spektren miteinander zu verknüpfen.
Ein bei praktischen Problemen häufig auftretendes Anwendungsbeispiel hierfür sind
Signalfunktionen, die durch zeitliche Begrenzung oder durch eine allgemeinere Be
wertung mit einer Gewichtsfunktion aus periodischen Funktionen entstanden s ind.
Zur Veranschaulichung betrachten wir die in Bild 2.12 dargestellte periodische Puls
folge. Da wir 'o in (2.3-7) beliebig wählen können, s ind ihre Fourier-Koeffizienten
darstellbar durch (Bild 2.13)
b/2
1 fc --J.I. - iEl-b/2
e-j2TTJ.i.t/iEldt = sin(TTJ.i.b/iEl)TTJ.I.
u
(2.3-12)
Bild 2.12. Periodische Pulsfolge
co=b/8 /I \
I \I C, Cl \
o
Bild 2.13. Fourier-Koeffizienten der Pulsfolge von Bild 2.12
Speziell für iEl = 2b ergibt sich hieraus
1
1/ 2 für J.i. = 0
c = 0 für J.I. gerade
J.I. (_1)m/( IIJ. !TT) für 1J.i. 1 = 2m + 1, m=O,1,2, ••• ,
(2.3-13)
2.3 Signale endlicher Leistung 43
und die Fourier-Reihendarstellung lautet für das Periodizitätsintervall Itl ,;;;; 8/2:
(_l)m 1 1
n(2m + 1) cosf zm + t Jt = 1~2
für
für
für
[t I < 8/4
It I =8/4
8/4 < It I ,;;;; 8/2.
(2.3-14)
Berücksichtigt man nur die Reihenglieder von m = 0 bis m = 6, so ergibt sich der
in Bild 2. 14 dargestellte Verlauf, dessen periodische Fortsetzung die ursprüngliche
Pulsfolge approximiert. Bei Hinzufügen weiterer Glieder der Reihenentwicklung
wandern die Uber- und Unterschwinger in die Punkte t = ±8/4, ihr maximaler Be
trag von etwa 9 % der Pulshöhe bleibt aber praktisch unverändert (Gibbssches Phä
nomen, vgl , Abschnitt 2 .1.2) .
1,0
0,8
0,6
0,4
0,2
-8/2 -8/5 -8/10 0 8/10 8 /5 8 /2
Bild 2.14. Approximation der Pulsfolge von Bild 2.12 durch eine endliche Anzahlvon Gliedern der Fourier-Reihe
Wir betrachten nun eine Signalfunktion
xf t ) = g(t)u(t), (2.3-15)
die durch Bewertung mit einer Gewichtsfunktion g(t) aus der periodischen Puls
folge ul t ) entstanden sein möge. Die Gewichtsfunktion habe die Fourier-Transfor
mierte G(f). Aus dem Faltungssatz folgt dann für das Spektrum der Signalfunktion
x( t )
=xf t )~ xrr) =G(f) * L c ö(f - \1/8)
\I
co
L\1=-=
c G(f - \1/8).\I
(2.3-16)
44 2. Signale und Spektren
Anstelle des Linienspektrums (2.3-11) für ul t) ergibt sich nun eineUberlagerungder
mit den Fourier-Koeffizienten von uf t ) bewerteten Spektren crr - v/e) . Für den
Fall der rechteckförmigen Gewichtsfunktion
.(t) ~ 1'~2
mit der Fourier-Transformierten
für
für
für
[t ] < (rn + 1/2) e
Itl = (rn + 1/2) e
It! > ( m + l / 2 ) e
(2.3-17)
otr) = (sin TT(2m + 1)fe)/(TTf) (2.3-18)
hat das Spektrum die in Bild 2.15 dargestellte Form. Für genügend große Werte von
m wird die Bandbreite von G (r) klein gegen 1/e, und man erhält ein "fast diskon
tinuierliches" Spektrum mit "endlicher Linienbreite". Von dieser Art sind beispiels-
-----slrin tb
_-----.10 ....c1ttb--- ----
0.8
x(fl0.6
0.4
0.2
------
Bild 2.15. Spektrum einer endlichen Anzahl von äquidistanten Rechteckimpulsen
weise die Spektren von Radarsignalen, etwa beim Mittelbereichsradar, wo man eine
Folge von 10 bis 20 Echoimpulsen erhält, während der Radarstrahl über das Zielob
jekt hinwegstreicht. Bei unbewegten Zielobjekten liegen die Spektrallinien im Raster
v/ e ( v =0, ± 1, ± 2, ••• ), bei bewegten Zielobjekten (Flugzeugen) sind sie um die
Dopplerfrequenz gegenüber diesem Raster verschoben. Diesen Effekt macht man sich
bei der sogenannten Fes t z ei c h e n lös c h u n g oder m 0 v i n g t arg e tin d i c a -
t i 0 n (MT!) zunutze, indem man im Empfänger ein Kammfilter verwendet, das alle
Spektralanteile in der unmittelbaren Umgebung der Frequenzen v/e und dam it alle
Echosignale von unbewegten Objekten (clutter }, die die Flugzielerkennung erschwe
ren, weitgehend unterdrückt.
2.3 Signale endlicher Leistung 45
Wir betrachten nun noch eine wichtige Beziehung zwischen Fourier-Integral und Fou
rier-Reihe. In Bild 2 .13 bzw. Gleichung (2.3-12) kann man erkennen, wie die Spek
tren der periodischen Pulsfolge einerseits und des einzelnen Impulses (bei t =O) an
dererseits zusammenhängen. Die Fourier-Koeffizienten c\l der Pulsfolge sind bis auf
den Faktor 1/iEl durch die Werte der Fourier-Transformierten des einzelnen Impulses
an den Stellen \I/iEl gegeben. Das läßt sich leicht allgemein beweisen. Wir "periodisie
ren" dazu eine Signalfunktion y(t}~ Y(f}, d.h. wir erzeugen durch Uberlagerung
(Bild 2.16) die periodische Funktion
=L y(t - \JiEl} =y(t - miEl},
\J=-=
m ganzzahlig, (2.3-19)
y(t+9l y(tl y(t -Sl
Bild 2.16. Periodisierung eines Signals y(t)
deren Abbildung auf den Frequenzbereich durch
co
yÜ}~ L ckö(f - k/iEl}
k=- =
(2.3-20)
I ~
gegeben sei . Die Fourier-Koeffizienten von y(t} hängen folgendermaßen mit Y(f}
zusammen :
iEl/2 = iEl/21 f y(t}e-j2TTkt/iEldt = ~ L f y( t + \JiEl} e -j2TTkt/edtc k ="8
-iEl/2 \1=-= -iEl/2
= \liEl+iEl/2 co1 L f y(-&}e-j2TTk-&/iEld-& = ~ f y( -&} e-j2TTk-&/iEl d-&="8
\.1=-= \.I iEl- iEl/ 2 -=
(2.3-21)
46
Es gilt somit
2. Signale und Spektren
= =y (t )~~ L Y(k/ e) etr - k/e) = Y(f) ~ L ö( f - k/ e),
k=- = k=- =
(2.3-22)
d, h, durch die Periodisierung von y( t ) wird die zugehörige Fourier-Transformierte
y(f) in der angegebenen Weise " diskr e t isi e r t" . Diesem Sachverhalt entspricht eine
wichtige Beziehung in der Distri butionstheorie : Wir können die Periodisierung von
y(t) offensichtlich durch Faltung m it einer periodischen Folge von ö-Distributionen
- einem sogenannten Im pul s kam rn-darstellen,
=y(t ) = y ( t ) * L e (t - ve ) ,
v=- =
(2.3-23)
und da y(t) nach (2.3-22) e i ne Fourier-Transformierte besitzt, die durch das Pro
dukt von y(f) und einem Impulskamm im Frequenzbereich gegeben ist, folgt aus
dem Faltungssatz, daß die beiden Impulskämme selbst durch die Fourier-Transfor
mation miteinander verknüpft sein müssen :
co =L ö( t - ve )~~ L ö( f - k/e ) . (2.3-24)
v=- = k=- =
Mit dieser Beziehung lassen sich die Operationen Periodisierung und Diskretisierung
(Abtastung ) auf sehr einfache Weise vom Zeitbereich auf den Frequenzbereich und
umgekehrt abbilden. Periodisi eren wir beispielsweise im Frequenzbereich (Periode
B) und tasten im Zeitbereich ab , so ergibt s ich der " Übe r lage r ungs sat z " [2.13 J
= =Y(f) L Y(f - kB) --.0 ~ L y( v/B ) ö(t - v/ B ) ,
k=- = v=-=
auf den wir im Abschnitt 2.4 zurückkommen werden.
(2.3-25)
Wir gehen nun auf die s p e k t ra I e Lei s tun g s d ich t e von periodischen Signalen
und ihre Verknüpfung mit der Au t 0 kor r el at ion s fu n k t i on ein. Die mittlere
Leistung ist durch (2.3-1) definiert. Bei periodischen Signalen kann man den zeit
lichen Mittelwert durch Mittelung über eine Periode bestimmen. Mit (2.3-9) und
2.3 Signale endlicher Leistung
(2.3-5) folgt dann
t +80
[uf t ) 12 1 S /u ( t ) /2 dt=@
to00 00 t
O+8 00
1 L L * S e j2TT ( \1-v)t/8dt = L Ic 12.="ij c c\1 v \1
\1=-00 v=-OO to j.L=- OO
47
(2.3-26)
Die Verteilung der Leistung über den gesamten Frequenzbereich wird durch die
spektrale Leistungsdichte Su (r) beschrieben. Es muß allgemein für Signale end
licher Leistung gelten
=SSu(f)df = lu(t) 12
•
-OO
(2.3-27)
Periodische Signale können nur eine diskontinuierliche spektrale Leistungsdichte
haben, und zwar müssen die Spektrallinien bei den Frequenzen v/8 (v ganzzahlig)
liegen, wenn 8 die Periode ist. Mit (2.3-26) und (2.3-27) gilt dann offensichtlich
s(f)u
=L
j.L=-OO
(2.3-28)
Im folgenden beschränken wir uns auf re e 11 e Signale endlicher Leistung. Für
diese ist die Autokorrelationsfunktion allgemein durch
-&
-n (T) = u(t)u(t + T) = lim ~21 Su(t)u(t + T)dtu -&"'00 c."J
--&
(2.3-29)
definiert. Bei periodischen Signalen braucht die zeitliche Mittelung nur über eine
Periode vorgenommen zu werden:
t +8o-nU(T) =~ f u(t)u(t + T)dt
to
1=@
00
Lj.L= -OO
=
V=- 00
t +8oS ej2TT ( \1+ v)t/ 8dt•
to
48
Hieraus ergibt sich mit (2.3-5)
2. Signale und Spektren
R (-r)U
=L~=-=
J'2 TT II -r/ iEIc ce" =~ -~
=L
j.l.=-=
(2.3-30)
*wobei die für reelle Signale geltende Relation c =c verwendet wurde. Ein Ver--~ ~
gleich von (2.3-28) und (2.3-30) zeigt, daß die spektrale Leistungsdichte und die
Autokorrelationsfunktion durch die Fourier-Transformation miteinander verknüpft
sind:
(2.3-31)
2. 3.2 Stochastische Signale
Bisher haben wir deterministische Signale betrachtet, deren Verlauf u (t ) für alle
Zeiten festliegt und prinzipiell bestimmbar ist. Viele der uns interessierenden Si
gnale sind nicht von dieser Art, sondern können zumindest hinsichtlich des zukünf
tigen Verlaufes nicht genau oder überhaupt nicht bestimmt werden, sei es, daß es
sich um Nutzsignale handelt, die uns Nachrichten übermitteln, deren Inhalt wir nicht
kennen, oder um regellose Störsignale, deren Eigenschaften wir studieren wollen,
um sie besser unterdrücken zu können. Uber solche Signale, die wir zufällig, regel
los oder s t 0 c h ast i sc h nennen, können im allgemeinen nur Wahrscheinlichkeits
aussagen gemacht werden. Einige wesentliche PrInztpten der statistischen Signal
beschreibung werden im folgenden kurz erörtert. Wir beschränken uns dabei auf
den praktisch wichtigen Fall re e 11 e r Signalfunktionen x (t ) •
Wir gehen aus von der Wahrscheinlichkeitsverteilungsfunktion P(X).
Diese gibt die Wahrscheinlichkeit dafür an, daß das Signal x( t ) zu irgendeinem
Zeitpunkt t eine Schranke der Höhe X nicht überschreitet (Bild 2. 17) :
P (X) = W(x ~ X ), X reell.
x
x(t)
XI--f!\---I--'''I-- - --+---'''<,tL--t-- - - - --I-+--
o
(2.3-32)
Bild 2.17. Zur Definition der Wahrscheinlichkeitsverteilungsfunktion
2.3 Signale endlicher Leistung 49
Diese Wahrscheinlichkeit kann mit wachsender Schrankenhöhe nicht abnehmen, d, h,
es muß für Xl <X2
gelten : P(X1)
~ P(X2).
Wegen 0 ~ p(X) ~ 1 folgt dann P(co)=l
und p(_ co) = 0 .
Aus P(X) ergibt sich durch Differentiation die Wahrscheinlichkeitsdichte
funktion
Umgekehrt gilt
woraus speziell
(X) - dP(X) ~OP - dX 7.
Xf p(x)dx = p(X),
-co
co
f p(x)dx = 1
-co
(2.3-33)
(2.3-34)
(2.3-35)
folgt. Ein Beispiel ist die G lei c h ver t eil u n g, wo alle Signalwerte innerhal b ei
nes bestimmten Amplitudenbereiches gleichwahrscheinlich sind und außerhalb nur
mit der Wahrscheinlichkeit 0 auftreten, etwa die Verteilung
p(x)für
für
[x ] ~a
lxi >a(2.3-36)
1
0 für X ~ - a
P ( X ) ( a + X ) / ( 2a ) für IX I ~ a ,
1 für Ia ] ~ X
die in Bild 2.18 dargestellt ist.
(2.3-37)
Die experimentelle Bestimmung [2.6J von P(X) ist im allgemeinen unproblema
tisch, wenn die Signalfunktion xt t ) durch einen stationären Vorgang erzeugt wird,
dessen statistische Eigenschaften sich nicht mit der Zeit ändern. Man summiert
dann alle Zeitintervalle, für die das Signal unterhalb der Schranke X liegt, und di
vidiert durch die gesamte Beobachtungszeit. Bei nichtstationären Vorgängen ist die
ses Verfahren nicht ohne weiteres anwendbar. Um auch hier eine Bestimmungsvor
schrift überhaupt definieren zu können, ist eine mathematische Abstraktion notwen
dig: Man stellt sich die Gesamtheit aller möglichen Signale vor, die unter den ge
gebenen Bedingungen anstelle des beobachteten Signals auch hätten auftreten können,
50 2. Signale und Spektren
und hat mit einem solchen E n sem bl e von Signalfunktionen ein fikti ves statistisches
" Be obac ht u ngs m a t e r ia l " , das die Wahrscheinlichkeitsverteilungsfunktion für jeden be-
P1
2ö
-0
p
o o
- 0 o o x
Bild 2.18. Gleichverteilung
liebigen Zeitpunkt zu erklären gestattet. Durch die Gesamtheit der Ensemblefunk
tionen ist dann ein s t 0 eh ast i sc her Pro z e ß definiert, der eine mathematische
Beschreibung des zugrundeliegenden physikalischen Vorgangs darstellt. Aufgrund
dieser Modellvorstellung können wir nun zwischen einer z ei t 1ich e n Mittelung und
einer s tat ist i s ehe n Mittelung (Ensemble-Mittelung, Mittelung über den Pz-ozeß ]
unterscheiden. Die Ergebnisse der letzteren nennen wir Er war tun g s wer te •
Sie sind immer dem gesamten stochastischen Prozeß zuzuordnen, während die zeit
lichen Mittelwerte spezifisch für das einzelne stochastische Signal sind.
Die einfachsten Mittelwerte sind der lineare und der quadratische Mittel
wert. Bei zeitl icher Mittelung erhalten wir mit
-&
- I" 1 fx = im 2-&-& ....= --&
den Gleichanteil des Signals xf t ) und mit
x( t ) dt (2.3-38)
2" I " 1x = rm 2-&-& .... co
(2.3-39)
2.3 Signale endlicher Leistung 51
seine mittlere Leistung, die nach Voraussetzung (2.3-1) endlich sein soll . Die ent
sprechenden Ergebnisse der statistischen Mittelung sind die Erwartungswerte
co
E[x] f xpf x Idx = m
-=und
co
E[x2J f 2x p(x)dx.
-=
(2.3-40)
(2.3-41)
Ein wichtiger Mittelwert ist noch die mittlere quadratische Abweichung vom linearen
Mittelwert m
(2.3-42)
die wir Streuung oder Va r i a n z nennen. Durch den linearen Mittelwert m und die
Varianz er; ist beispielsweise die Wahrscheinlichkeitsdichtefunktion der No r mal
ve rt eil u ng oder Gaußverteilung
eindeutig festgelegt.
p(x) 1=---er '{2TTx
(2.3-43)
Zeitliche und statistische Mittelung können allgemein über jede eindeutige Funktion
g (x ) der Variablen x vorgenommen werden:
-9
grxr = lim i-& f g !x(t) ldt-& ...= --&
co
E[g(x)] = f g(x)p(x)dx
-cc
(2.3-44)
(2 .3-45)
Bei nichtstationären Vorgängen muß die zeitliche Mittelung nicht notwendig konver
gieren. Die Existenz dieser Mittelwerte ist nur bei stationären Vorgängen gewähr
leistet . Das besagt das Erg 0 den t h e 0 rem [2.7, 2. 8J. Eine weitere Aussage die
ses Theorems ist, daß bei denjenigen stationären stochastischen Vorgängen, die die
Eigenschaft der Erg 0 d i z i t ä t besitzen, zeitliche Mittelung und statistische Mit
telung zum gleichen Ergebnis führen. Für ergodische Prozesse gilt also
grxy =E[g(x)J. (2 .3-46)
52 2. Signale und Spektren
Es ist hier nicht möglich, auf den Ergodizitätsbegriff detaillierter einzugehen (siehe
z.B. [2.8J). Die Frage, ob Ergodizität vorliegt oder nicht, ist auch bei vielen prak
tischen Problemen schwer zu beantworten, zumal eine echte Ensemble-Mittelung
praktisch selten durchführbar ist. Man setzt dann bei stationären Vorgängen in der
Regel die Ergodizität voraus, wenn nicht zwingende physikalische Gründe dagegen
sprechen. Nur unter dieser Voraussetzung ist es möglich, aus der Beobachtung ei
nes einzigen stochastischen Signals auf die statistischen Eigenschaften des zugrunde
liegenden Prozesses zu schließen.
Ein Thema, mit dem wir uns hier ausführlicher zu beschäftigen haben, ist die S p e k
tralanalyse stochastischer Signale. Wir müssen davon ausgehen, daß für
ein stochastisches Signal keine eindeutig umkehrbare Darstellung im Frequenzbereich
existiert, da es im allgemeinen keine Fourier-Transformierte besitzt. Es ist aber
sicher sinnvoll zu fragen, wie die voraussetzungsgemäß endliche Signalleistung über
den Frequenzbereich verteilt ist. Dazu erinnern wir uns an den Zusammenhang
{2.3-31} zwischen spektraler Leistungsdichte und Autokorrelationsfunktion bei den
periodischen Signalen und d e f in i er e n hier zunächst formal die s p e k t ra I e Lei
s tun g s die h t e eines stochastischen Signals x{ t ) als Fourier-Transformierte
=Sx (f) I n
x(T) e -j2rrfTd-r
-=der durch (2.3-29) erklärten Autokorrelationsfunktion
n (T) =x(t)x(t + T) •x
(2.3-47)
(2.3-48)
Weiter unten werden wir sehen, daß diese als Wiener-Khinchin-Beziehung bekannte
Definition physikalisch sinnvoll ist. In jedem Fall muß die Integration über die ge
samte spektrale Leistungsdichte auf die mittlere Leistung des Signals
(2.3-49)
führen. Das ist hier schon erkennbar, wenn wir in der Umkehrung von (2.3-47)
=tiX{T) I ~x{f)ej2rrfTdf
-=die Verschiebung T gleich Null setzen:
cc
nx{O) =x2 = I ~x{f)df.
-=
(2.3-50)
{2.3-51}
2.3 Signale endlicher Leistung 53
Oben wurde die Autokorrelationsfunktion als zeitlicher Mittelwert erklärt. Bei sto
chastischen Vorgängen haben wir andererseits die Möglichkeit, über den Prozeß zu
mitteln. Wir können die Autokorrelationsfunktion daher auch als Erwartungswert
E[x1x2]
definieren, wobei die Variablen x1 = x(t1) und x2 = x(t2) alle möglichen
Signalwerte des Ensembles zu den Zeitpunkten t 1 und t2 = t1 + ,. repräsentieren.
Dieser Erwartungswert ist durch
er co
E[x1x2] f J x1x2P(x1,x2)dx1dx2
-= -er
(2.3-52)
gegeben, worin P(x1,x2) die Verbundwahrscheinlichkeitsdichtefunk-
ti 0 n der beiden Variablen x1 und x2 sein soll. Sie ist erklärt als gemischte zweite
partielle Ableitung
(2.3-53)
der Verbundwahrscheinlichkeitsverteilungsfunktion P(X1, X2), die ihrerseits durch
die Verbundwahrscheinlichkeit definiert ist, daß die Signalwerte x1 und x2
die je
weils beliebig vorgebbaren Schranken X1
bzw. X2
nicht überschreiten:
(2 .3-54)
Wenn die Signalwerte x1 und x2
voneinander statistisch unabhängig sind,
was für genügend großen Abstand ,. der Fall sein wird, so gilt
(2.3-55)
wobei P1 und P2 die eindimensionalen Wahrscheinlichkeitsdichtefunktionen der
Variablen x1 und x2 sind. Bei stationären Vorgängen muß P1 =P2 sein.
Da die statistische Mittelung über alle Signalfunktionen des Ensembles erfolgt, nen
nen wir zur Unterscheidung von der Definition (2.3-48) den Erwartungswert
(2.3-56)
die Autokorrelationsfunktion des stochastischen Prozesses. Sie
hängt im allgemeinen von der Lage der Zeitpunkte t1
und t2
ab, durch die die Signal
werte x1 und x2
definiert sind. Wenn der betrachtete Prozeß stationär ist, so spielt
die Wahl des Zeitnullpunktes keine Rolle mehr, und die Autokorrelationsfunktion des
54 2. Signale und Spektren
Prozesses hängt nur noch vom Abstand T =t2 - t 1 ab. Es gibt aber auch nichtstatio
näre V orgänge , bei denen Rx auch nur eine Funktion von T ist :
(2.3-57)
Prozesse mit dieser Eigenschaft nennen wir allgemein s tat ion ä r im w e i t er e n
Si n n e. Sie schließen offensichtlich auch alle stationären Prozesse mit ein. Für alle
stochastischen Prozesse, die mindestens im weiteren Sinne stationär sind, läßt sich
die s p e k t ra I e Lei s tun g s di c h te als Fourier-Transformierte der Autokorrela
tionsfunktion definieren :
(2.3-58)
Für erg 0 dis c h e Pro z e s s e gilt wegen der Äquivalenz von zeitlicher und sta
tistischer Mittelung R (T) =-n {T} und S (f) =S" (r).x x x x
Wir geben nun noch einige wichtige Eigenschaften der Autokorrelationsfunktionen an.
Es gilt offensichtlich die Symmetrie
(2.3-59)
die für Prozesse, die mindestens im weiteren Sinne stationär sind, in
(2 .3-60)
übergeht. Durch einfache Substitution der Integrationsvariablen in (2. 3-29) erhält
man die entsprechende Beziehung auch für die Autokorrelationsfunktion des einzel
nen Signals x ( t ) :
(2.3-61)
Die Autokorrelationsfunktionen sind reell und symmetrisch. Nach (2.1-42) müssen
also die spektralen Leistungsdichten ebenfalls reell und symmetrisch sein :
S" (e) =S" (- f), S (r) =S {- f}, reell.x x x x (2.3-62)
Die Be s c h r ä n k t h e i t der Autokorrelationsfunktionen ergibt sich durch Anwen
dung der Schwarzsehen Ungleichung
(2.3-63)
2.3 Signale endlicher Leistung
Für Prozesse, die mindestens im weiteren Sinne stationär sind, folgt hieraus
55
(2.3-64)
Ebenfalls durch Anwendung der Schwarzsehen Ungleichung läßt sich die Gültigkeit
von
(2.3-65 )
zeigen.
Das Verhalten der Autokorrelationsfunktionen für große Werte von T wird dadurch
bestimmt, daß die Signalwerte x t =x(tt) und x2 =x(t2) statistisch voneinander un
abhängig werden :
(2.3 -66)
Es gilt dann
(2.3-67)
woraus bei stationären Prozessen
(2.3-68)
folgt. Für Rx
( T) läßt sich ein entsprechendes asymptotisches Verhalten generell
nicht herleiten. Man kann daher nur für ergodisehe Prozesse folgern, daß
gilt.
lim RX(T) = liTt) 12T'" ±=
(2.3-69)
Wir betrachten zur Veranschaulichung der Ergebnisse einfache Beispiele stochasti
scher Prozesse, bei denen wir die Autokorrelationsfunktion und die spektrale Lei
stungsdichte geschlossen berechnen können :
a) Binäre stochastische Pulsfolge
Das in Bild 2 .19 dargestellte Signal xf t ) soll in jedem Zeitintervall to + \18 <t < 'o + (\I + t )8, \I ganzzahlig, den Wert + Xo oder - Xo mit gleicher Wahrschein
lichkeit annehmen können,
(2.3-70)
56 2. Signale und Spektren
x,--@-
- I--- Xo ,.....---
"'10-2@ 10 lo+@ 1'-1 0+ 3@ 1
- -I'-xo
Bild 2. 19. Binäre stochastische Pulsfolge
und die Signale in verschiedenen Zeitintervallen seien voneinander statistisch unab
hängig. Die Verschiebung 'o des Zeitrasters gegen den Ursprung ist eine statisti
sche Variable, die über das Intervall 0 ~ to ~ e gleichverteilt ist :
(2.3-71)
Der betrachtete Prozeß ist offensichtlich stationär. Die folgenden Mittelwerte las
sen sich unmittelbar angeben:
m = E[x] = x= 0,
2 2" 2E [x ] =x =X o '
2 2 2 2" -2 20x = E[x ] - m = x - x = xO•
(2.3-72)
(2.3-73)
(2.3-74)
Die Autokorrelationsfunktion RX(T) =E[x1x2] des Prozesses läßt sich folgender
maßen bestimmen. Für 1,.1 > @) können xl und x2 nicht im gleichen Intervall liegen
und müssen daher voneinander statistisch unabhängig sein:
(2.3-75)
Für IT I ~ e hängt es von to
ab, ob xl und x2 im gleichen Intervall liegen oder
nicht. Im ersteren Fall gilt E[x1x2] =x~, im letzteren E[x1x2] =O. Da RX(T)
eine gerade Funktion ist, können wir uns auf die Betrachtung des Falles 0 ~ T ~ @)
beschränken. Wegen der Stationarität können wir außerdem t 1 =0 und t2 = T set
zen. Für,. < 'o ~ @) liegen die Werte xl und x2 dann im gleichen Intervall (Bild2.20).
Der Wert E[x1x2] =x~ wird mit der Wahrscheinlichkeit WO' daß diese Bedingung
für 'o erfüllt ist, angenommen. Es gilt also Rx (0 ~ T ~ e) =Wox~ mit
2.3 Signale endlicher Leistung
S r S
= J PO(tO}dto - J PO(tO}dtO =~JdtO =1 - 1'jS
_= -= l'
57
(2.3-76)
Bild 2.20. Zur Berechnung der Autokorrelationsfunktion
Xo -------..,I II II II I
I eI 10II____.J
-xo
Die Autokorrelationsfunktion des Prozesses ist damit durch
für
für
(2.3-77)
gegeben (Bild 2.21) .
Bild 2.21. Autokorrelationsfunktion der binären stochastischen Pulsfolge
Durch zeitliche Mittelung über eine einzelne Pulsfolge gelangen wir zum gleichen
Ergebnis: Verschieben wir die Pulsfolge von Bild 2.19 um l' >0, so ist das Pro-
dukt x(t}x(t + 1') als Folge von Pulsen der Breiten S -( r Irnod Sund (1') mod ® dar
stellbar. Für l' > ® haben beide Pulsarten jede für sich mit gleicher. Wahrscheinlich
keit die Pulshöhen + x~ und - x~. Die zeitliche Mittelung führt also auf Rx (1' > S) =O.
Für T';; ® haben die Pulse der Breite S - T immer den Wert + x~, während die Pulse
der Breite r die Werte + x~ und - x~ mit gleicher Wahrscheinl ichkeit besitzen. Im
zeitlichen Mittel wirken sich daher nur die ersteren aus, und wir erhalten
58 2. Signale und Spektren
R (0 ~ T ,.;e) :: 1 - T/e, woraus R (T) :: R (T) folgt. Der Prozeß ist offensichtlichx . x xergodisch. Durch Fourier-Transformation der Autokorrelationsfunktion erhalten wir
die spektrale Leistungsdichte
S 'f ) :: S (f) :: ex2 {SinTTfe}2 •x t x 0 TTfe (2.3-78)
Wir können die betrachtete Pulsfolge um einen beliebigen Gleichanteil E[x] :: X::m :f 0 anheben, beispielsweise, um eine binäre Pulsfolge mit den Werten 2xO und 0
zu erzeugen. Die Autokorrelationsfunktion wird dann um die Konstante m 2 angeho
ben, und die spektrale Leistungsdichte erhält zusätzlich eine Spektrallinie bei f :: 0
mit dem Gewicht m2.
b) Pulsfolge mit beliebigen Pulshöhen
Die in Bild 2 .22 dargestellte stochastische Pulsfolge unterscheidet sich von der oben
betrachteten binären Folge dadurch, daß nun Pulse verschiedener Höhe zugelassen
sind. Die Wahrscheinlichkeitsdichtefunktion pl x ) kann dabei kontinuierlich oder
diskontinuierlich sein.
x(I)
o
Bild 2.22. Stochastische Pulsfolge mit Pulsen verschiedener Höhe
Wir haben nun im wesentlichen wieder die gleichen Betrachtungen anzustellen wie im
Fall der binären Pulsfolge. Wenn der Gleichanteil E[x] :: 0 ist, verschwindet für
ITI ~ e die Autokorrelationsfunktion wegen der statistischen Unabhängigkeit der Im
pulse in verschiedenen Intervallen. Für 0 ,.; T ,.; e ergibt sich bei der Mittelung
E[x1x2J hier der quadratische Mittelwert E[x2J :: cr~ mit der Wahrscheinlichkeit
WO. Insgesamt folgt also
R (T)x 10
(1 - ITl/iEl)cr~ für
für
(2.3-79)
2.3 Signale endlicher Leistung 59
und
c ) Weiß es Rauschen
S (f) = Gl 0 2 / sin TIf@) I2x x TIfGl • (2.3-80)
Als "weißes Rauschen" bezeichnet man einen stochastischen Prozeß, dessen spek
trale Leistungsdichte für alle Frequenzen einen konstanten Wert hat :
(2.3-81)
Für die Signalfunktionen eines solchen Prozesses trifft die oben gemachte Voraus
setzung der endlichen mittleren Leistung nicht zu. Der Prozeß ist in dieser Form
auch nicht realisierbar. Technisch realisieren lassen sich hingegen immer B r e i t
ban d si g na I e, deren spektrale Leistungsdichte über einen hinreichend großen
Frequenzbereich konstant ist. Die mathematische Abstraktion solcher Prozesse
führt dann auf das weiße Rauschen, das bei den stochastischen Signalen eine ähnlich
wichtige Rolle spielt, wie die Impulsfunktion ö(t) bei den deterministischen. In der
Tat führt die inverse Fourier-Transformation von (2.3-81) auf die Autokorrelations
funktion
(2.3-82)
Eine sehr interessante Anwendung solcher Breitbandsignale ist die statistische Sy
stemanalyse, auf die wir jedoch erst nach Einführung der Kreuzkorrelationsfunktio
nen und Kreuzleistungsspektren eingehen können.
Wir betrachten zwei stochastische Prozesse mit den reellen Signalfunktionen x( t )
bzw, y(t), die wir durch Kreuzkorrelation miteinander verknüpfen wollen. Durch
zeitliche Mittelung erhalten wir die Kr eu z kor r el at ion s fu n k ti 0 ne n zweier
reeller Signale xf t ) und y(t):
R (T)=X(t)y(t+T),xy
~ (T) = y(t)x(t + T)yx
Es gilt, wie man leicht zeigen kann,
(2.3-83)
(2.3-84)
(2.3-85)
Die entsprechenden Kreuzkorrelationsfunktionen der Pro z es s e ergeben sich durch
statistische Mittelung. Dabei seien t 1 und t2 = t 1 + T die beiden betrachteten Zeit-
60 2 . Signale und Spektren
punkte und xl =x(t l), x2 =x(t2), Yl =y(t l) und Y2 =y(t2) die zugehörigen Signal
werte. Es gilt dann
und
CD CD
Rxy(t l,t2) = E[xl Y2] f f xlY2P(xl'Y2)dxldY2_ CD _ CD
CD CD
Ryx (t l , t2 ) =E[ylx2] = f f Ylx2P(x2'Yl)dx2dYl'_ CD _ CD
(2.3-86)
2.3-87)
wobei die Verbundwahrscheinlichkeitsdichten analog zu (2.3-53) definiert sind.
Durch Anwendung der Schwarzsehen Ungleichung kann man leicht zeigen, daß auch
die Kreuzkorrelationsfunktionen beschränkt sind:
Entsprechende Beziehungen gelten für die Kreuzkorrelationsfunktionen Rxy
( T) und
R ( T), wobei die jeweiligen zeitlichen Mittelwerte einzusetzen sind.xY
Bei Prozessen, die mindestens im weiteren Sinne verbundweise stati
o n ä r sind, hängen die Kreuzkorrelationsfunktionen nur noch von T =t2
- t1
ab.
Dabei gilt R ( T) =R (- T) . Für T -> ± cx: folgt aus der statistischen Unabhängig-xy yxkeit der beteiligten Signalwerte das asymptotische Verhalten
(2.3-88)
(2.3-89)
Eine entsprechende Beziehung für die durch zeitliche Mittelung gewonnenen Kreuz
korrelationsfunktionen existiert nur bei verbundweise ergodisehen Prozessen, wo
alle zeitlichen Mittelwerte gleich den entsprechenden statistischen Mittelwerten sind:
lim R ( T) = lim l'i ( T) = Xy.T->± CD yx T-+±CD yx
(2.3-90)
Die verschiedenen Kr e u z lei s t u ng s s p e k t ren sind als Fouriertransformierte
der entsprechenden Kreuzkorrelationsfunktionen definiert, wobei im Falle der durch
Ensemble-Mittelung gewonnenen Kreuzkorrelationsfunktionen vorausgesetzt werden
muß, daß die Prozesse mindestens im weiteren Sinne verbundweise stationär sein
2.3 Signale endlicher Leistung
müssen:
R (,.)~ S (r), R (,.)~ S (f),xy xy yx yx
61
(2.3-91)
Da die Kreuzkorrelationsfunktionen in sich selbst nicht symmetrisch sein müssen,
sind die zugehörigen Kreuzleistungsspektren im allgemeinen komplexe Funktionen
der Frequenz, jedoch mit geraden Realteilen und ungeraden Imaginärteilen wegen
der vorausgesetzten Reellität der Signale und damit auch ihrer Kreuzkorrelations
funktionen. Die Kreuzleistungsspektren enthalten also Phaseninformationen, die zu
interessanten systemtheoretischen Beziehungen führen, von denen im
folgenden die wichtigsten erörtert werden sollen.
Wir betrachten ein lineares zeitinvariantes System, das durch seine Impulsantwort
h l t ) bzw. seine Ubertragungsfunktion H(f) beschrieben sei (Bild 2.23). Für ein
beschränktes stochastisches Eingangssignal xl t ) gilt die Eingangs-Ausgangs-Rela
tion nach (2.2-36)
x(t)
yf t ) =hf t ) l ' xf t )=f h(cr)x(t - cr)dcr,
-=y y(tl =x(lh h(I)
(2.3-92)
h (t )
H(t)f---_-O
Bild 2.23. Lineares zeitinvariantes System mit stochastischen Eingangs- und Ausgangssignalen
sofern die Impulsantwort endliche Energie besitzt, was wir voraussetzen. Wir bil
den nun die Kreuzkorrelation zwischen Eingangs- und Ausgangssignal, setzen das
Faltungsintegral ein und vertauschen die Reihenfolge der Operationen :
-&
R (,.) =x(t)y{t + ,.) = lim 21-& f x(t)y(t + ,.)dt
xy -& -'0::--&
1-& Jx(t)x(t + ,. - o)dt )dO.
--&
-&
= lim 1-& f xl t )-&-.= --&
= =f h(O)/lim-& ...=-=
co
f h(o)x(t + ,. - cr)dodt
-=
62 2. Signale und Spektren
Der in geschweiften Klammern stehende Ausdruck entspricht der um 0 verschobenen
Autokorrelationsfunktion des Eingangssignals. Hieraus folgt, daß sich die Kreuzkorre
lationsfunktion von Eingangs- und Ausgangssignal aus der Faltung der Autokorrelati
onsfunktion des Eingangssignals mit der Impulsantwort des Systems ergibt :
00
n (,.) f h(o)n (,. - o)do =: h(") lf-n (,.).~ x x
_00
(2.3-93)
Diese Beziehung ermöglicht ein wichtiges Verfahren zur S y s te man a 1y s e , Man
gibt auf den Eingang des zu analysierenden Systems ein genügend breitbandiges Ge
räusch xl t}, das innerhalb der Systembandbreite näherungsweise als weißes Rau
schen aufgefaßt werden kann. Seine Autokorrelationsfunktion strebt dann nach (2.3-82)
gegen 1\(,.) =: So 6( "), und die Impulsantwort des Systems
(2.3-94)
läßt sich somit durch Kreuzkorrelation von Eingangs- und Ausgangssignal ermitteln.
Wendet man auf (2.3-93) die Fourier-Transformation an, so ergibt sich die ent
sprechende Verknüpfung im Spektralbereich :
s (f) =:H(f)~ (f).xy x (2.3-95)
Es soll nun noch gezeigt werden, wie die spektralen Leistungsdichten S (r) und S (r)x y
miteinander verknüpft sind. Dazu gehen wir aus von der Autokorrelationsfunktion des
Ausgangssignals und setzen das Faltungsintegral (2.3-92) ein :
1=: lim R
-& .... 00
ef y(t)y(t + ,.)dt
--& .
-& 00
f y (t ) f h ( e) x (t + ,. - 0) dedt_-& _ 00
7h(O)!lim b j y(t)x(t + ,. - O)dtjdo_ 00 -& ....00 _-&
00
=: f h(o)R (,. - o)do =: h(") lf-R (,.).yx yx_ 00
(2.3-96)
2.3 Signale endlicher Lei stung
Durch Fourier-Transformation erhalten wir hieraus
8 (r) =H(f)8 (f).y yx
Wegen (2.3-85) und (2.3-95) gilt aber
8 (r) =8* (f) = H*(f)8 (f),yx xy x
6 3
(2.3-97)
(2.3-98)
(2.3-99)
und Einsetzen in (2.3-97) ergibt schließlich den gesuchten Zusammenhang für die
Verknüpfung der spektralen Leistungsdichten von Eingangs- und Ausgangssignal :
5 (f) = IH(f) 12 5 (f).
y x
Wegen dieser Beziehung nennt man IH (f) 12 die Leistungsübertragungs
funktion des Systems.
Aus (2.3-99) folgt nachträglich eine physikalische Rechtfertigung für die Definition
(2.3 -47) der spektralen Leistungsdichte eines stochastischen Signals : Wir betrach
ten dazu eine geeignete Meßapparatur (Bild 2.24), die aus einem Bandpaßfilter und
x(t )O------i Bandpassfiltery(I)
Wattmeter 1-----0 ?Tti
Bild 2.24. Zur Messung der spektralen Leistungsdichte
einem nachgeschalteten Wattmeter besteht. Das Bandpaßfilter habe die (idealisierte)
Leistungsübertragungsfunktion
2 j1 für fO - M/2 ~ Ifl ,;;;; fO + M/2
/HBP(f) I =o sonst
(2.3-100)
(2. 3-101)
mit sehr schmalem Durchlaßbereich (M« fO)
in der Umgebung der Frequenz fO'
für die wir den Wert der spektralen Leistungsdichte ermitteln wollen. Das Wattme
ter bestimmt die mittlere Leistung des an seinem Eingang anliegenden Signals y{t).
Für diese gilt mit (2.3-99) und (2.3-51)
co co fO+M/ 2
f 8y(f)df = f IHBP { f ) /2 5x (f) df = 2 f 5x{f)df/_CC _co f
O- M/ 2
64 2. Signale und Spektren
woraus sich für lIf ... 0 die gesuchte spektrale Leistungsdichte bei der Frequenz fO
ergibt:
(2.3-102)
Der hierin auftretende Faktor 2 ist darauf zurückzuführen, daß die spektrale Lei
stungsdichte, so wie sie hier definiert wurde, eine symmetrische Funktion der Fre
quenz ist. Läßt man keine negativen Frequenzen zu, so ergibt sich eine andere De
finition, die sich von Sx(f) nur um den Faktor 2 unterscheidet.
In Kapitel 7 wird die Bestimmung von Leistungsspektren stochastischer Signale aus
führlich behandelt.
2.4 Diskontinuierliche Signale
2.4.1 Definition und systemtheoretische Bedeutung
Die Verarbeitung von Signalen wird seit der Entwicklung der digitalen Filtertechnik
und der Verfügbarkeit leistungsfähiger Digitalrechner in Verbindung mit besonders
effektiven Algorithmen wie der schnellen Fourier-Transformation in ständig zuneh
mendem Maße auf digitale Weise ausgeführt [2.9-2. 11J. Das Schema einer solchen
Signalverarbeitung ergibt sich aus Bild 2.25 : Dem zu verarbeitenden Signal uf t )
werden durch Abtastung äquidistante Werte u( vr ) entnommen, die über einen Ana
log/Digital-Wandler in eine für das digitale System geeignete Form gebracht werden.
Dieses System liefert dann digitale Ausgangswerte, die durch einen Digital/Analog
Wandler in die analoge Signalform zurückgewandelt werden. Die eigentliche Verar
beitung erfolgt nach einern festgelegten Algorithmus, mit dem aus der Wertefolge
lu( vr ) I die Folge Iy( vr) I errechnet wird.
u(t) o--------t~---
Abtastung~AID Digitales System
Wandlung Verarbeitung
~ DIA ~y(t)Rückwandlung
Bild 2.25. Schema einer digitalen Signalverarbeitung nach [2. 9J
Die Wirkungsweise des digitalen Systems läßt sich prinzipiell ohne die Verwendung
der Begriffe Zeit und Frequenz beschreiben. Denkt man beispielsweise an den Ein
satz eines Digitalrechners, der in Feldern angeordnete Zahlen verarbeitet, so fehlt
auch zunächst eine Motivation für die Einführung dieser Begriffe. Vorn systemtheo
retischen Standpunkt aus jedoch ist es wünschenswert, ein geschlossenes mathema-
2.4 Diskontinuierliche Signale 65
tisches Modell der digitalen Verarbeitung analoger Signale zu haben, bei dem der
Signalfluß die Grenzen zwischen analogen und digitalen Teilsystemen passieren kann,
wobei sich nur die Signalform ändert . Zu diesem Zweck definiert man diskonti
nu i er I ich e Si g na 1e, die aus kontinuierlichen Signalen durch eine idealisierte
Abtastung, d, h, Multiplikation mit einem Impulskamm hervorgehen :
<X)
u*(t) : =u(t)T L\1= - <X)
<X)
s (t - vr) = T L u ( \lT) ö(t - vr).
\1= - <X)
(2.4-1)
Das diskontinuierliche Signal u*(t) ist so durch die Abtastwerte u( \lT) des konti
nuierlichen Signals u( t) vollständig bestimmt. Wir gehen zunächst von der Hypo
these aus, daß umgekehrt auch das Signal uf t ) durch die Abtastwerte u( \lT) ein
deutig festgelegt wird. Diese Annahme gilt sicher dann, wenn u( t ) eine Interpola
tionsfunktion darstellt, welche die Werte u( vr) nach einem bekannten Gesetz inter
poliert. Zwei Fälle sind in diesem Zusammenhang von besonderem Interesse : Die
Spline-Interpolation, auf die wir im Kapitel 6 näher eingehen werden, und die Shan
non-Interpolation, mit der wir uns hier befassen wollen.
Die S h a n non - I nt e r pol at ion ist in technischer Hinsicht außerordentlich wich
tig, weil sie einer Bandbegrenzung entspricht, die man bei vielen zu verarbeiten
den Signalen zumindest näherungsweise als gegeben voraussetzen bzw, leicht her
stellen und kontrollieren kann. Zu ihrer Darstellung betrachten wir ein bandbegrenz
tes Signal uf t ) mit einem Amplitudenspektrum utr), das außerhalb des Bandes
lr] ~f identisch verschwindet (Bild 2.26). Tastet man uf t ) mit der Frequenzg
(2.4-2)
Bild 2.26. Periodisierung eines begrenzten Spektrums
ab, so ist damit nach (2.3-25) eine Periodisierung im Frequenzbereich verbunden,
die in diesem Fall aber einer periodischen Fortsetzung von U(f) außerhalb des
66 2. Signale und Spektren
Bandes 'f I ~ fg mit der Periode fA entspricht (Bild 2.26) :
co
UW= L U(f-kfA)..-ou*(t).
k=-co
(2.4-3)
Offensichtlich läßt sich U(f) aus U(f) mit Hilfe der Ubertragungsfunktion HO(f)
des idealisierten Tiefpaßsystems nach (2.2-37) ausblenden :
(2.4-4)
Das Signal uf t ) ergibt sich dann aus u*(t) durch Faltung mit der zugehörigen Im
pulsantwort hO(t) nach (2.2-38), und man erhält die Shannonsche Int erpola
tionsformel :co
uf t ) = hO(t) * u~(t) = " u(\lT) sin TI(t - \lT)/T~ ~ TI( t - \lT)/T
\1=-co
(2.4-5)
Wandlung und Rückwandlung können im mathematischen Modell der digitalen Signal
verarbeitung demnach durch einen idealisierten Abtaster, der das analoge Signal mit
einem Impulskamm multipliziert, und durch einen idealisierten Tiefpaß erfolgen
(Bild 2 .27) . Zwischen diesen beiden Wandlern liegt das Signal in diskontinuierlicher
Form vor, und hier ist zur Vervollständigung des Modells das digitale System einzu
fügen (Bild 2.28). Wir vernachlässigen dabei die nichtlinearen Effekte, die sich in
u(t) idealer ull-I I} = idealer Tielposs
Ablosterahne
=11: u(v1)olt-vl) Verzögerung"
11: ött-vl )v
uIt)
Bild 2.27. Wandlung und Rückwandlung eines bandbegrenzten Signals u( t )
ull} idealer ull-(t) { U (k)} Yll-It) idealer lielposs Y10--
Ablosler ahneU(fl Ü(fl -+ {y(kl} Y(fl Verzögerung Y(
diskontinuierlichesSyslem
t)
f)
utt)
UII}
h (I)
H(f I
y(I)= h(tlll-u(t)1-_-0
Ylfl=H(fl U(II
konlinuierliches Syslem
Bild 2.28. Lineare Modelle der analogen und digitalen Signalverarbeitung
2.4 Diskontinuierliche Signale 67
realen digitalen Systemen als Folge der endlichen Wortlänge ergeben [2. 9J, und
nehmen an, daß die Wertefolge Iy{ vr) I aus der Folge lu{ vr) I durch eine lineare
Abbildung hervorgeht. Dieses System nennen wir dis k 0 nt i nu i er I ich [2. 2J. Um
eine mögliche Beschreibung seiner Wirkungsweise zu finden, ziehen wir zum Ver
gleich ein analoges System heran, welches hinsichtlich der betrachteten Signale das
Gleiche leisten möge {Bild 2. 28}. Für das bandbegrenzte Signal u( t ) ist nur der Ver
lauf der Ubertragungsfunktion H{f) im Band Ifl ~f relevant. Wenn wir diesen Teilg
ausblenden, so erhalten wir ein bandbegrenztes System mit der Ubertragungsfunk-
tion
IH {f} für 1f I ~ fg
H (f) =wo für [r] > f
g
{2.4-6}
die ebenfalls die gewünschte Eingangs-Ausgangs-Beziehung
Y{f} = H (f)U{f)w {2.4-7}
herstellt . Wenn wir nun H (f) periodisch fortsetzenw
CD
Hw{f} I: Hw(f + kfA},k=-co
{2.4-8}
und auch die Signalspektren periodisieren, so gilt offensichtlich
Y{f) =H (f)U{f).w {2.4-9}
Damit haben wir eine Beschreibung des diskontinuierlichen Systems im Frequenz
bereich gefunden. Hieraus folgt für den Zeitbereich die Verknüpfung der entspre
chenden diskontinuierlichen Signale durch die Faltung
CD
y*{t} = T \' y{nT}ö{t - nT} = h (t ) * u*{t}c: w*n=-o:>
ce
I: hw{ vT}u{~T}ö{t - -r - ~T}v=- CD~=-CD
~ IT ,~'" hw(,T),(t - 'T)) ·1T.~CX' u(.T),(t - .T))ce
=T2 I:
n=-OO {2.4-10}
68 2. Signale und Spektren
Wir sehen, daß die Abtastwerte des Ausgangssignals mit denen des Eingangssignals
und der zu H (f) gehörigen Impulsantwort h (t) durch die d i s k r e t e Fa 1tun gw w
co
y(nT) =T Lv=-=
h (vT)u( nT - v'I')w
(2.4-11)
verknüpft sind. Formal erhält man die gleiche Beziehung, wenn man auf das Fal
tungsi ntegral
co
y(t) =hw(t) '"" uf t ) I hw(.,.)u(t - .,.)d.,.
-=die Rechteckformel der numerischen Integration anwendet.
2.4.2 Probleme der Signaldarstellung durch Abtastwerte
(2.4-12)
Die bisherigen Betrachtungen erfolgten unter der Voraussetzung der Bandbe
grenzung. Ist diese nicht gegeben, so bewirkt die Abtastung des Signals eine
Uberlagerung im Frequenzbereich nach (2.4-3), die das Spektrum verfälscht
(Bild 2.30). Wenn man zusätzliche Informationen über den Verlauf der Signale zwi
schen den Abtastpunkten hat oder von geeigneten Hypothesen hierüber ausgeht , läßt
sich der Uberlagerungseffekt in gewissen Fällen geschlossen eliminieren (vgl. Ka
pitel 6). Im allgemeinen aber muß man, wenn das Signal uf t ) am Eingang des Sy
stems nicht bandbegrenzt ist, einen Uberlagerungsfehler (englisch: aliasing) inner
halb des Bandes If I :!G; fg hinnehmen, der durch den Tiefpaß am Ausgang des Systems
nicht mehr unterdrückt werden kann. Als vorbeugende Maßnahme dagegen läßt sich
in vielen Fällen eine entsprechende Bandbegrenzung des Signals u (t ) vor der Ab
tastung vornehmen, wenn der relevante Frequenzbereich bekannt ist, und wenn die
durch die Tiefpaßfilterung verursachte Signalveränderung (Bandbegrenzung , Lauf
zeitverzerrung) toleriert werden kann. Wenn das nicht möglich ist, muß die Abtast
frequenz fA so hoch angesetzt werden, daß der Uberlagerungsfehler innerhalb je
weils festzusetzender Schranken bleibt. Praktisch läßt sich das so durchführen, daß
man fA schrittweise erhöht bzw, erniedrigt und feststellt, ob und wie sich die Spek
tralfunktion dabei ändert.
Wir betrachten dazu zwei einfache Beispiele, bei denen die Spektralfunktionen ge
schlossen berechnet werden können. Die in Bild 2.29 dargestellte symmetrische
Signalfunktion u( t ) =exp( - It l ) hat die Fourier-Transformierte
u(f) (2.4-13)
2.4 Diskontinuierliche Signale 69
-2,5 -2,0 -1,5 -1,0 -0,5 o 0,5 1,0=1
1,5 2,0 2,5
Bild 2.29. Signalstützwerte für die numerische Fourier-Transformation
Wir tasten ul t ) mit der Frequenz fA = 1/T ab und bilden das diskontinuerliche
Signal u , (t), wie in (2.4-1) definiert . Die zugehörige Spektralfunktion
=u(f) =T L u(\lT}e-j2TTf\lT
\1=-=
(2.4-14)
ist mit u(f} durch den Uberlagerungssatz (2.4-3) verknüpft (Bild 2.30). Ein Ver
gleich von (2.4-13) und (2.4-14) zeigt, daß U(f) formal auch als numerische Ap-
"-....::=:z::::=--:-----
-.1-= 12r
U(f)Ü(I)
o
r~
'Y--_---,.__=-=-~-;:;o:;...-
Bild 2.30. Fourier-Transformierte des Signals von Bild 2.29 und seine Periodisierung
proximation von U( r) interpretiert werden kann, die durch Anwendung der Recht
eckformel der numerischen Integration auf das Fourier-Integral entsteht. Wir kön
nen D'(r} mit Hilfe der geometrischen Summenformel leicht berechnen :
70 2. Signale und Spektren
U(f) = 2T Rel f: e-(1+j2TTf)\lT J- T
\1=0
= 2T Re { 1. } T1 - exp( - (1 + J2TTOT) -
-2T_ T 1 - e _ T sinh T- 1 _ 2e-Tcos 2TTfT + e-2T - cosh T - cos 2TTfT •
(2.4-15)
Bild 2.30 zeigt einen Vergleich von U(f) und U<f) für T = 0,5. Der Approximations
bereich ist das Band [r I ~ 1/(2T). Für kleine Werte von T läßt sich der Approxima
tionsfehler durch Taylor-Entwicklung der transzendenten Funktionen in (2.4-15) leicht
ermitteln:
U(f) =U(f)(1 + T2/6) + Glieder mit höheren Potenzen von T (2.4-16)
Daß dieser Fehler quadratisch und nicht linear mit T verschwindet, wie man das
eigentlich bei der Rechteckformel erwartet, liegt dar-an, daß für das gewählte spe
zielle Beispiel U(f) auch der Anwendung der Trapezformel auf das Fourier-Inte
gral (2.4-13) entspricht: Rechteckformel und Trapezformel unterscheiden sich nur
hinsichtlich der Bewertung der beiden Randordinaten des Integrationsbereiches; die
se liegen aber hier im Unendlichen und verschwinden.
Im allgemeinen jedoch verschwindet die Differenz zwischen uÜ) und utr) im Band
[r] ~1/(2T) nur linear mit T wie bei dem folgenden Beispiel mit derSignalfunk
tion (Bild 2.31)
1,0
0,6
0,4
0,2
°1 21 31
I-t
u( t ) = ofür t -;;. 0
für t < 0
N1
(2.4-17)
Bild 2.31. Abschneiden und Diskretisieren einer Signalfunktion für die numerischeBestimmung des Spektrums
2.4 Diskontinuierliche Signale
Hier erhält man
71
und
U(f) 11 + j2TTf (2.4-18)
T
1 -( 1+j2TTOT '- e
und die Taylor-Entwicklung für kleine T liefert mit
+ • • •
(2.4-19)
(2.4-20)
einen proportional zu T verschwindenden Approximationsfehler.
Bei den betrachteten Beispielen konnte U(f) geschlossen berechnet werden. Im all
gemeinen aber läßt sich die Formel (2.4-14) nur numerisch auswerten, dvh, es
kann nur eine endliche Anzahl von Abtastwerten berücksichtigt werden. Hieraus re
sultier.t zusätzlich ein Fehler, der durch das Ab s c h n eid e n der Signalfunktion,
bei dem zuletzt betrachteten Beispiel etwa an der Stelle t =NT entsteht (Bild 2 .31).
Dieser Fehler muß mit wachsendem Wert des Produktes NT abnehmen. Reduziert
man nun den Diskretisierungsfehler durch Verkleinern von T, ohne das Produkt NT
zu verändern , so nähert sich der aus Diskretisierungsfehler und Abschneidefehler
bestehende Gesamtfehler der numerischen Fourier-Transformation asymptotisch
dem konstanten Wert des Abschneidefehlers, und eine weitere Reduzierung von T
ist sinnlos. Man muß daher gleichzeitig auch das Produkt NT vergrößern. Ein all
gemeines Verfahren hierzu ergibt sich aus der folgenden Betrachtung.
Die Verfügbarkeit schneller Algorithmen zur numerischen Fourier-Transformation
(Kapitel 4 und 6) stellt es uns weitgehend frei, die Signale wahlweise im Zeitbereich
oder im Frequenzbereich darzustellen und bei der Signalverarbeitung aus dem
einen in den anderen Bereich überzugehen. Ein typisches Beispiel hierfür ist
die Simulation von umfangreichen Systemen. Es ist dabei grundsätzlich anzustreben,
daß die Signale im Zeitbereich und im Frequenzbereich m öglichst gleich gut durch
die entsprechenden diskreten Werte repräsentiert werden. Gehen wir von dem all
gemeinen Fall aus, daß die Signale zeitlich und spektral nur näherungsweise be
grenzt sind, so entstehen Abschneide- und Diskretisierungsfehler. Uber die Ab
schneidefehler können wir nur von Fall zu Fall Aussagen machen. Von den Diskre
tisierungsfehlern aber wissen wir, daß sie proportional zum jeweiligen Abtastinter
vall im Zeit- bzw. im Frequenzbereich verschwinden. Wenn T das Abtastintervall
im Zeitbereich ist, so hat nach dem Uberlagerungssatz die ermittelte Spektralfunk
tion die Periode 1/T. Wir setzen voraus , daß eine solche Periode das wahre Spek
trum weitgehend richtig wiedergibt. Man wird dann auch von diesem Bereich aus-
72 2. Signale und Spektren
gehen, um die inverse Fourier-Transformierte der Spektralfunktion numerisch zu
bestimmen. Verwendet man hier ebenfalls N Stützwerte, die äquidistant über den
Bereich r/r verteilt sind, so ergibt sich das Abtastintervall im Frequenzbereich
zu
Q = l/(NT) • (2.4-21)
Somit verschwindet der Diskretisierungsfehler bei der Transformation aus dem Zeit-
in den Frequenzbereich proportional zu T und der bei der umgekehrten Transfor
mation proportional zu l/(NT). Sollen sich beide Fehler in gleichem Maße verän
dern, so ist T ~ l/(NT) zu wählen; wobei die Proportionalitätskonstante, die wir a 2
nennen wollen, von dem jeweiligen Problem abhängt. Die gesuchte Relation zwischen
T und N ist dann
T = a/ VN , a > 0, reell, konstant. (2.4-22)
Zu dem gleichen Ergebnis gelangt man auch, wenn der mittlere quadratische Gesamt
fehler beider Approximationen zu einem Minimum gemacht wird. Für das Abtastin
tervall im Frequenzbereich folgt aus (2.4-21) und (2.4-22)
Q=l/(aVN). (2.4-23)
Die Diskretisierungsfehler im Zeit- und im Frequenzbereich lassen sich nun durch
Vergrößerung von N in gleichem Maße reduzieren. Darüber hinaus werden wegen
NT = aVN und NQ = VN/a auch die Abschneidefehler in beiden Bereichen verkleinert.
Der jeweilige Optimalwert der Konstanten a läßt sich entweder aus Abschätzungen
der Abschneide- und Diskretisierungsfehler oder durch numerische Untersuchungen
mit variablem a ermitteln. Als grobe Abschätzungen kann man beispielsweise
a = VelB verwenden, wobei e und B Signaldauer bzw. Bandbreite sind, oder a so
bestimmten, daß die Signalenergien innerhalb des Frequenzintervalls NQ = r/r ei
nerseits und des Zeitintervalls NT andererseits gleich sind.
2.4.3 Diskontinuierliche Signale und diskrete Fourier-Transformation
Die Repräsentation von Signalen und Spektren durch jeweils endlich viele Abtastwerte
ist für die digitale Verarbeitung von fundamentaler Bedeutung. Die bisherigen Be
trachtungen waren insofern nicht ganz befriedigend, als noch keine eindeutig umkehr
baren Beziehungen zwischen endlich vielen Signalwerten und endlich vielen Spektral
werten gefunden werden konnten. Wir haben festgestellt, daß ein diskontinuierliches
Signal u*( t ) das periodisierte Spektrum U( r) hat. Entsprechend besitzt das diskre
tisierte Spektrum U*(f) nach (2.3-22) als inverse Fourier-Transformierte das pe
riodisierte Signal ~(t). Diese Beziehungen entsprechen im wesentlichen den Fourier
reihendarsteIlungen der periodischen Funktionen ~(t ) und lJ< f) : Die Periode von
~(t) ist NT und die von U(f) ist r/r. Es gilt dann, wie man aus (2.3-22) leicht er-
2.4 Diskontinuierliche Signale 73
sehen kann,
~( t )=L
k=- =
1uf t - kNT) =NT
coL U ( ~) ej2nkt/(NT)
k=- =
(2.4-24)
und aus einer ähnlichen Betrachtung folgt
= coL ut r - k/T) = T L u(kT)e-j2nkfT.
k=- = k=- =
(2.4-25)
Um nun zu e iner Signaldarstellung mit jeweils endlich vielen Abtastwerten im Zeit
bereich und im Frequenzbereich zu gelangen, ändern wir die Problemstellung der
harmonischen Analyse (2. 3-3), als deren Ergebnis ja die Beziehungen (2. 4-24) und
(2.4-25) aufzufassen sind, im Sinne einer diskreten Approximation ab :
Die N Abtastwerte einer Periode von ~(t) sollen durch e ine Linearkombination von
N entsprechend diskretisierten harmonischen Funktionen im Sinne eines minimalen
mittleren quadratischen Fehlers angenähert werden:
N-1
Q= Lv=O
N-1
~( vT) - L11=0
_ j2nl1v/ N 2! .c e =Mi n,
11(2.4-26)
Wie bei der harmonischen Analyse können wir nach den Koeffizienten c oder den. ~* mkonjugiert-komplexen Werten c
mdifferenzieren und die notwendigen Bedingungen
für das Minimisierungsproblem aufstellen. Beide Wege führen zum gleichen Ergeb-~*
nis , Im Falle der Differentiation nach c m erhalten wir das lineare Gleichungssystem
N-1 I~ ~( vT)
das sich auch in der Form
N-1
-L11=0
~ j2nI1V/N) -j2 nm v/ N - 0cl1e
e - ,
N-1 N-1 N-1
L ~( T) -j2nm v/N L ~ L j2n(l1-m)v/Nu ve = c e11
v=O 11=0 v=O
(2.4-27)
schreiben läßt. Die innere Summe auf der rechten Seite kann man nach der geome
trischen Summenformel leicht berechnen. Das Ergebnis
N-1\' ej2n( l1-m) v/N _ eX~{j2n( l1- m»- 1i: -expj2n( l1- m)!N)-1v=O
(2.4-28)
74 2. Signale und Spektren
entspricht der- S u m m e no r t h 0 gon al i t ä t der diskreten harmonischen Funktionen:
N-1 { 1~ L ej2n(~-m)'J/N = 0
v=O
für ~ - m = kN, k ganz
sonst(2.4-29)
Der Wertevorrat von ~ und m umfaßt jeweils die ganzen Zahlen von 0 bis N - 1
Die Bedingung für Nichtverschwinden der Summe ist also nur für k = 0 gegeben.
Hiermit folgt aus (2.4-27)
N-1
cm
= ~ L ;;( vT) e- j2nmv/ N.
v=O
(2.4-30)
Um festzustellen, ob wir mit dieser Lösung tatsächlich ein Minimum von Q gefun
den haben, setzen wir sie in (2.4-26) ein und erhalten bei Berücksichtigung von
(2.4-29)
N-1~ ~ J'2n~v/N 1i: c ~e = N~=O
N-1 N-1L ;;( nT) L ej2n~( v- n ) /N = ;;( vr).
n=O ~=O
(2.4-31)
Hieraus folgt Q = 0, d.h. das Approximationsproblem (2.4-26) wird durch eine In
terpolation gelöst. Man spricht deshalb in diesem Zusammenhang von tri g o n 0 me
trischer Interpolation [2.12J. Wir setzen nun die Beziehung (2.4-24) in
(2.4-30) ein und erhalten
1= ifT
N-1 =L L U (~T) ej2n(k-m)v/N
v=O k=- == N-1L U (~) L e j2n(k-m)'J/N •
k=- = v =O
(2.4-32)
Nichtverschwinden dieses Ausdrucks ergibt sich wegen der Summenorthogonalität
(2.4-29) für k = m+nN mit ganzzahligem n, Hieraus folgt
=c m = ~T L U (mN;N) = ~T u( ~)
n=- =
(2.4-33)
2.5 Literatur
und mit (2.4-30)
N-1u( m) = T ~ ~(vT}e-j2TTmv/N,
NT i....Jv=O
Die Umkehrung hiervon ergibt sich aus (2.4-31) :
m=0,1, .•• N-1.
75
(2.4-34)
~(vT) =J.rN-1
Lm=O
~U ( .!!!... ) j2TTmv/NNT e , v=0,1, ••• N-1. (2.4-35)
Die Beziehungen (2.4-34) und (2. 4-35) stellen den gesuchten eindeutig umkehr
baren Zusammenhang zwischen jeweils N Abtastwerten im Zeitbereich und im Fre
quenzbereich dar. Sie entsprechen der dis k re te n F 0 u r i e r - T r ans f 0 r m a-
ti 0 n, mit der wir uns im folgenden Kapitel eingehend befassen werden.
Festgehalten werden sollte noch, daß für T ~ 1/\,fN die periodisierten Funktionen
~(vT) und U(m/(NT}} mit wachsendem N gegen die Signalfunktion uf t ) bzw, das
Spektrum U(f) streben. Es existiert also immer ein genügend großer Wert von N
derart , daß die Abbildung von Signalen uf t ) auf ihre Spektralfunktionen U(f) und
umgekehrt durch die diskrete Fourier-Transformation in jeder gewünschten Genau
igkeit vorgenommen werden kann.
Hinsichtlich solcher Konvergenzbetrachtungen ist noch eine Bemerkung notwendig.
Die Approximationsbereiche wurden hier, so wie es allgemein üblich ist, durch
o .,;: t .,;: NT und 0 .,;: f .,;: 1/T festgelegt. Wegen der Periodizität der approximieren
den Funktionen ~(t) und U( f) bedeutet diese Wahl keine Beschränkung auf positive
Zeiten und Frequenzen. Man findet beispielsweise die Spektralfunktion U(-1 /(2T} ~
f ~ 0 im Intervall 1/ (2T) ~ f ~ 1/T. Für N ... =aber verschiebt sich das letztere In-~
tervall ebenfalls ins Unendliche. Zum Konvergenznachweis U ... U muß man daher
von dem Intervall Ifl ~ 1/(2T} ausgehen. Entsprechendes gilt für die Signalfunk
tion u( t) •
2.5 Literatur
2.1 Papoulis, A.: The Fourier Integral and Its Applications. New York, London,Toronto: McGraw-Hill 1962.
2.2 Unbehauen, R. : Systemtheorie. München, Wien: Oldenbourg 1971.
2 .3 Abramowitz, M.; Stegun, I.A. (Hrsg.): Handbook of Mathematical Functions ,New York: Dover Publications 1965.
2.4 Doetsch, G.: Funktionaltransformationen; in: Mathematische Hilfsmittel desIngenieurs, 1. Teil; Hrsg.: R. Sauer und I. Szabo, Berlin, Heidelberg, NewYork: Springer 1967.
76 2. Signale und Spektren
2. 5 Lighthill, M.J.: Einführung in die Theorie der Fourier-Analysis und der verallgemeinerten Funktionen. Mannheim, Wien, Zürich : Bibliogr. Institut 1966.
2.6 Giloi, W.: Simulation und Analyse stochastischer Vorgänge, 2 . Aufl. Münc he n , Wien: Oldenbourg 1970.
2.7 Davenport, W.B.; Root, W.L. : Random Signals und Noise. NewYork, Toronto, London : McGraw-Hill 1958.
2.8 Doob, J.L. : Stochastic Processes. New York: Wiley 1953.
2.9 Schüßler, H. W. : Digitale Systeme zur Si gnalverarbeitung. Berlin, Heidelberg,New York : Springer 1973.
2.10 Oppenheim, A. V.; Schafer, R. W.: Digital Signal Processing. EnglewoodCliffs, N.J. : Prentice-Hall1975.
2.11 Rabiner, L. R.; Gold, B.: Theory and Application of Digital Signal Processing.Englewood Cliffs, N.J. : Prentice Hall 1975.
2.12 Zurmühl, R .: Praktische Mathematik für Ingenieure und Physiker, 5. Aufl ,Berlin, Heidelberg, New York: Springer 1965.
2.13 Bauer, F .L.; Stetter, H. J .: Zur numerischen Fourier-Transformation.Numer. Math , 1 (1959) 208-220.
3 Die diskrete Fourier-Transformation
3.1 Definition und Darstellung
Die diskrete Fourier-Transformation muß nicht notwendig als Approximation der
Fourier-Transformation kontinuierlicher Funktionen angesehen werden. Sie stellt
eine völlig eigenständige lineare Transformation dar, die eine Folge von N kom
plexen Zahlen lx v I = lxo' x l ' •.. ' xN_ 1 1 vermöge der Beziehung
~= 0 , 1 , ••• ,N-1 (3 .1-1)
eindeutig umkehrbar auf di e Folge !y~ I = !yo' y1"" 'YN-1 1 abbildet. Die Trans
format ionskonstante T soll reell und positiv, im übrigen aber beliebig definierbar
sein. Die Eindeutigkeit de r Umkehrtransformation
folgt aus der Summenorthogonalität (2.4-29)
v = 0 , 1 , ••• ,N-1 (3. 1-2)
N-1 N-11 L ej2TT ~V/N TL -j2TT\.1n/Nx v = NT x en
\.1=0 n=O
N-1 N-11 L L j2TT~( v- n )/ N
=N x e = x •n vn=O ~=O
(3.1-3)
Wir nennen (3.1-1) die dis krete Fourier-Transformation (DFT) und
(3.1-2) die inverse diskrete Fourier-Transformation (IDFT).
Häufig gebrauchte allgemeine i: astlegungen der Transformationskonstanten sind
T = 1 und T = l /N. Zweckmäßig is t besonders auch die Definition T = 1/'/N, nicht
nur wegen der im Abschnitt 2.4 diskutierten Zusammenhänge, sondern auch, weil
die DFT dann eine uni t ä r e Transformation ist , wie unten noch näher erläutert
78 3. Die diskrete Fourier-Transformation
wi r d . Bezüglich der Wahl von T wird hier keine generelle Festlegung getroffen, da
immer di e Möglichkeit gegeben sein soll, T durch ein Abtastintervall zu spezifizieren
( vgl , Abschnitt 2.4). Lediglich im Kapitel 4, wo es um die Algorithmen zur numeri
schen Ausführung der DFT geht , werden wir zur Vereinfachung der Schreibweise
T = 1 setzen.
Wir verwenden im folgenden wahl weis e verschiedene Darstellungen bzw. Symbole
fü r die diskrete Fourier-Transformation und ihre Umkehrung , die alle im Sinne der
Gleichungen (3.1-1) bzw. (3.1-2) zu ve r s t ehen s ind :
Iy I = DFT [x l , [x I = IDFT!y I,IJ. v v IJ.
[x I 0---" ly I, ly \,,---0 [x I.v IJ. IJ. v
(3.1-4)
(3.1-5)
Wenn man die Zahlenfolgen [x I und !y I als Spaltenvektoren x bzw. v darstellt,v ~ - ~
lassen sich die Transformationen auch in der Form
:L = ':!!.~,-1
(3.1-6)~ = W :L
schreiben, wo die Matrix W der DFT und ihre Inverse vrl wie folgt definiert sind:
1 1 1 1
12 N-lw w w
W = T 1 2 4 2(N-1) => W für T => t/'fNw w w -0(3.1-7)
1 N-l (N_1)2w w
1 1 1 1
1 -1 -2 -(N-l)w w w
-1 1 -2 -4 -2(N-l) => W- l für T => l/mW =NT 1 w w w -0(3.1-8)
-(N-l)2
1-(N-l)
w w
Dabei wurde zur Ab kürzung die Größe
-J02TT/Nw =e (3.1-9)
e ingeführt. Setzen wir speziell T = l/m, so ne nne n wir die Matrizen ~ bzw. ~1,
wi e oben angedeutet ist . Diese Mat r iz e n haben eine Reihe besonderer E igenschaften,
3.1 Definition und Darstellung
di e i m folgenden erörtert werden : Si e s ind s y m m e t r i sc h
Wo =W_O"
W-1 - ( W - 1 ) I- 0 - - 0 '
79
( 3.1-1O)
wobei d ie transponierte Matrix durch eine n Str ich geke nnz eich ne t wurde , und auß er
dem zueinander k 0 n j u g i er t - kom p lex:
-1 *~O =~O·
- 1 +Somit ist ~O auch die zu ~ a dj u ng i er te Ma trix '!!.O :
-1 +~O =~O •
{3.1-11 }
{3.1-1Z}
Ma trizen mit dieser Eigenschaft nennt man un i t ä r (z , B. [ 3. 1] }. Sie vermi tteln
e ine un itäre Transformation.
Für den allgemeinen Fall mit e i ne r beliebigen Tr a nsfor ma ti onskonsta nte n T ergibt
s ich entsprechend
{3.1 -13}
Die Umrechnungsbeziehungen zwischen ~ und Wo sind
{3.1-14}
Führen wir den Spaltenvektor
1 1
k -j2nk /Nw e
Zk -j2nZk/Nw e
~k . - =
(N-t)k -j2n(N-1 }k/N.w e
{3.1-15}
ein, so lassen sich die Beziehungen (3.1-6) auch folgendermaßen darstellen:
N-1
1. = ~!. = T L xk~k'k=O
(3.1-16 )
- 1 1!. =~ l. =NT
N- 1
Lk=O
{3.1-17 }
80 3. Die diskrete Fourier-Transformation
Im folgenden ist W immer als DFT-Matrix für die Transformation von N Werten auf
zufassen. Wenn die Anzahl der zu transformierenden Elemente n * N ist, so erhält
die zugehörige DFT -Matrix den Index n,
3.2 Abbildungsgesetze
Bei der vektoriellen Darstellung Gar diskreten Fourier-Transformation (3.1-6) sind
.! und y.. Vektoren in einem N-dimensionalen komplexen Punktraum IRN• Wir gehen
zunächst kurz auf die Metrik dieses Raumes ein.
Das in ne r e Pro du k t zweier Vektoren ~ E IRN und.! E IRN ist durch
*u xn n (3.2-1)
erklärt. Eine Vertauschung in der Reihenfolge der Vektoren führt auf den konjugiert
komplexen Zahlenwert
N-1
= x+u = \'-- Ln=O
* *x u = (u , x) •n n --
(3.2-2)
Die No r m eines Vektors .! E IRN ist erklärt durch
In IRN gelten die Schwarzsehe Ungleichung
I(u,x) I ~ I I~III~II,
die D r eie c k s u n g lei c h u n g
II~ + .!II~ II!!II + I~II
(3.2-3)
(3.2-4)
(3.2-5)
3.2 Abbildungsgesetze
und die Par a 11 e log ra m m g 1e ich u n g
Beweise für diese Beziehungen findet man z. B. in [ 3 . 2J .
81
(3.2-6)
Das inne r e Produkt zweier Vektoren aus RN is t invariant gegen unitäre Transfor
mationen, also auch gegen die DFT mit der Matrix WO : Sei ~ =W~ und y.. =W~ ,
so gilt wegen (3.1-12)
(3.2-7)
Insbesondere folgt hieraus, daß die Norm eines Vektors bei der Transformation mit
Jio erhalten bleibt:
(3.2-8)
Die Beziehung (3.2-7) ist e in diskretes Analogon der Parsevalschen Gleichung,
aus der die Gleichheit der Signalenergie im Zeit- und im Frequenzbereich folgt. Es
ist daher zweckmäßig, die Energie der diskontinuierlichen Signale so zu definieren,
daß sie gegen die entsprechenden Integralausdrücke in (2.1-35) konvergiert, wenn
wir die Abtastintervalle T und 1/(NT) gegen 0 gehen lassen, also durch T(~,~)"bzw.
(y",y")/(NT). Genau dann ist die Signalenergie invariant gegen die DFT, was sich bei
Beachtung von (3.1-13) leicht zeigen läßt :
(3.2-9)
Wir betrachten eine Reihe von weiteren Abbildungseigenschaften der DFT.
Die Li ne ar i t ä t der Transformation entspricht der Gültigkeit des Superpositions
prinzips. Die DFT einer Linearkombination von Vektoren ~\i ist danach gleich der
entsprechenden Linearkombination von WX\i:
W j\' c x I=\' c Wx- '-:: \i - v '-:: v -- \i '
c skalar.v (3.2-10)
Bei m ehr f ach e r A n wen dun g der DFT gelten Regeln, die genau denen der
mehrfachen Anwendung der Fourier-Transformation entsprechen (vgl. Abschnitt
2.1. 1). Wir betrachten zunächst die zweifache Anwendung und berechnen dazu die
82 3. Die diskrete Fourier-Transformation
Matrix Y{~, die die Elemente a ik haben möge. Diese Elemente ergeben sich bei Be
rücksichtigung der Summenorthogonalität (2.4-29) zu
N-l 11 für i = k = 01 vi vk .. ,
a ik =N L w w = 1 fur 1 + k =N
v=O 0 sonst
(3.2-11)
d, h, die Elemente aOO
und a. N . für i = 1,2, •.• ,N - 1 sind gleich 1, während1, -1
alle übrigen Elemente verschwinden. Für N =4 gilt beispielsweise
W2
= 1 r~-0 '4 1
1
1
-j
-1
1
-1
1
-1
_~ J2 r~-J l0
ooo1
oo1
o
(3.2-12)
Y{~ ist also eine Permutationsmatrix, die lediglich die Reihenfolge der Elemente
xo' Xl"'" xN_1 eines Spaltenvektors, auf den sie angewendet wird, in xo' xN_1'xN_2' ••• ,xl umkehrt. Das Element Xo übernimmt gewissermaßen s tellvertretend
die Rolle des (in der Zahlenfolge nicht auftretenden) Elementes xN' das nach (3. 1-2)
den gleichen Wert hätte. So ist auch hier eine volle Analogie zu der entsprechenden
Beziehung (2.1-18) bei der Fourier-Transformation gegeben. Da Y{~ eine symme
trische Permutationsmatrix ist, muß ihr Quadrat gleich der Einheitsmatrix .!. sein,
d s h, y{0 ist wie der Fourier-Operator (Abschnitt 2.1.1) zyklisch vom vierten Grade:
4WO =.!. ·
Hieraus folgt
3 -1 '*y{0 = y{0 = y{0
und
Die zu W konjugiert-komplexe Matrix läßt sich dann durch
* '* 3 2y{ =T'fN Y{O =TYN'!!.O ='!!.O '!!.
darstellen.
(3.2-13)
(3.2-14)
(3.2-15)
(3.2-16)
3.2 Abbildungsgesetze 83
Wegen (3.2-13) kann ~O genau wie der Fourier-Operator nur die vier Eigen
wer te ±1 und ±j besitzen. Hinsichtlich der Ei gen v e k tor e n von ~O besteht
auch eine enge Verbindung zu den Eigenfunktionen der Fourier-Transformation. Zu
nächst sei festgestellt, daß ~O als unitäre Matrix stets diagonalisierbar sein muß
(z , B. [3.1]). Da ~ und ~O sich gegebenenfalls nur um einen konstanten Faktor
unterscheiden, gilt das auch für die Matrix W. Eine entsprechende Äquivalenztrans
formation
(3.2-17)
wo M die Eigenvektormatrix und ~ die aus den Eigenwerten von ~ gebildete Dia
gonalmatrix sein soll, ist bisher noch nicht angegeben worden. Es läßt sich auch
nicht von vornherein sagen, ob eine solche Darstellung Anwendungen in der Signal
verarbeitung finden würde. Die Möglichkeit, daß die Ausführung der DFT
(3.2-18)
über die rechts stehenden Operationen bei geeigneter Wahl von ~ numerisch effek
tiver sein könnte, als die schnelle Fourier-Transformation, ist nicht ohne weiteres
auszuschließen [3.3 J •
Wir gehen im folgenden kurz auf die Eigenvektorbestimmung nach [3.4J ein. Dazu
betrachten wir hier noch einmal die Beziehung (2. 1-77)
nach der die Hermiteschen Funktionen Eigenfunktionen der Fourier-Transformation
sind. Nach (2.4-34) muß nun
=(_j}n L 'l1 n ( \f2iT( IJ. + k N) ~T}
k=-=
'l1 (\f2iT ( v + kN) T}e -j2TTIJ.v/N
nv=O k=-=
(3.2-19)
gelten. Setzen wir hierin T = 1/VN, so sind die periodisierten Hermiteschen Funk
tionen auf beiden Seiten zahlenmäßig gleich. Die Größen
=L v = 0 , 1 , ••• ,N-1 (3.2-20)
84 3. Die diskrete Fourier-Transformation
bilden daher die Elemente von Eigenvektoren
p =n
der diskreten Fourier-Transformation
(3.2-21)
(3.2-22)
Das gilt für jede Ordnungszahl n =0,1,2, ••. der Hermiteschen Funktionen. Natür
lich können nur N linear unabhängige Eigenvektoren auftreten. Bei einem für N = 8
ausgerechneten Beispiel [3 . 4J entsprechen diese offenbar den Ordnungszahlen n = 0,
1, ••• ,7. Für diesen Fall sind die Elemente der Eigenvektoren EO bis E,3 in Bild 3.1
im Vergleich mit den entsprechenden Hermiteschen Funktionen dargestellt. Orthogo
nalität besteht nur für Eigenvektoren, die zu verschiedenen Eigenwerten gehören.
Beispielsweise sind EO und E4' die beide zum Eigenwert 1 gehören, nicht zueinan
der orthogonal, während für alle Paarungen der dargestellten Vektoren Orthogo
nalität besteht. Numerisch ist die Berechnung der Eigenvektoren nach (3.2-20)
unproblematisch, da die Hermiteschen Funktionen jenseits des letzten Wendepunktes,
dessen Abszisse sich aus der Differentialgleichung (2.1-63) zu x =~ ergibt,w
wie exp( _x2/2) verschwinden. Die Anzahl der zu berücksichtigenden Summenglieder
ist dann von der Größenordnung 2 '{2n.
Wir betrachten nun Symmetrien der Abbildung durchdieDFT. Dazubenut
zen wir die Eigenschaft der Matrix ~~, die Reihenfolge der Elemente eines Vektors,
auf den sie angewendet wird, in der geschilderten Weise zu invertieren, und definie
ren einen Vektor x als "gerade", wenn!. =~~ ist, und als "ungerade", wenn
!. =-~~ gilt. Wir können dann jeden Vektor!. mit
2!.g = (!. + ~o!.) /2 ,
!.U = (!. - ~~) / 2
(3.2-23)
(3.2-24)
in einen geraden und einen ungeraden Anteil zerlegen. Bei der DFT mit Y.. =Wx wird
x auf den geraden und x auf den ungeraden Anteil von v abgebildet. Das läßt sich-g -u "-leicht zeigen, wenn man beachtet, daß ~ und ~O' die sich gegebenenfalls nur um
3.2 A bbil dungsgesetze
n = 0 0,31 \ 'l'o/f8'
10.2 .>/ \
/ 0,1 \
I /11 't, I
o 1 2 3 5 6 7 B v
0,3
n =1 0,2\ 1j', !YB'
I V-I
\0,1 II \
..... 5 6 7
, , 0 2 3 4 B v\ I\
I\ I\ I
n =2 0,3'-
I
\ 0 , 1 B v\ I\ I, I
\ I
0,3
85
n=3
\\~
0,2 "\ 'I'/ t8'1", ~
\ 01 I\ ' I
1 I
I 2\ I\ I\,
v
Bild 3. 1. Element e von E igenvektoren der DFT für N = 8 nach [3 . 4J
86 3. Die diskrete Fourier-Transformation
einen konstanten skalaren Faktor unterscheiden, vertauschbar sind :
(3.2-25 )
(3.2-26)
Wir zerlegen nun x und x sowie y _ und 1.. in Realteile (Index r-) und Imaginär--g -u -g uteile (Index t ) und untersuchen die entsprechende Abbildung durch die DFT. Da
nach (3.2-16) y!.* =y!'~y!. gilt und ein gerader Vektor invariant gegen Multiplika
tion mit y!.~ ist, während ein ungerader Vektor bei dieser Operation nur im Vor
zeichen geändert wird, erhalten wir
1 * 1 ** 1 *v =-2 (v + L) =-2 (Wx + W x ) =-2 W(x + x ) =Wx ,....gr ....g -g --g - -g - -g -g --gr
1 * 1 ** 1 *v , =-2' (v - v ) =-2' (Wx - W x ) =-2' W(x - x ) =WXg1' ,....gl J "'"g ....g J --g - -g J - -g -g --
1 * 1 ** 1 *v =-2 (v + v ) =-2 (Wx + W x ) =-2 W(x - x ) =jWx , ,....ur ....u ....u --u - -u - -u -u --Ul
1 * 1 ** 1 *v , =-2' (v - v ) =-2' (Wx - W x ) =-2' W(x + x ) =-jWx •....Ul J ....u "-U J --u - -u J - -u -u --ur
Die Zusammenfassung dieser Ergebnisse führt auf eine vollständige Analogie zu
der entsprechenden Beziehung (2. 1-42) der Fourier-Transformation:
x =x + x + jx , + jx ,- -gr -ur -gl -Ul
9 9 Q 9 _0: 1.. .:>
I i ....... ...- . -...1.. = 1..gr + 1..ur + j1..gi + j1..ui
(3.2-27)
Eine spezielle Folgerung hieraus. die in entsprechender Weise auch für die Fourier
Transformation gilt. ist: Wenn ~ und 1.. beide reell sind, dann müssen sie auch ge
rade sein und umgekehrt.
Ein Analogon zum Faltungssatz (2.1-25) der Fourier-Transformation läßt sich all
gemein nur für die sogenannte zyklische diskrete Faltung angeben. Diese
Faltungsoperation verknüpft zwei Zahlenfolgen lco. c 1 • • • • • c N_ 1 1 und IbO' b1 , ••• ,
3.2 Abbildungsgesetze
bN_1 ! zu der Zahlenfolge laO,a1 , ••• ,aN_ 1 ! in der folgenden Weise
87
ao Co cN
_1
cN
_2 cl bO
a 1 cl Co cN
_1 c 2
b1
a2 = T c2 cl Co c 3
b2
(3.2-28)
aN
_1
cN
_1
cN
_2 cl Co b
N_
1
Bezeichnen wir den links stehenden Spaltenvektor mit~, den rechts stehenden mit
~ und die Matrix mit C, so ergibt sich die vektorielle Darstellung der zyklischen
diskreten Faltung
a=TCb. (3. 2-2 9)
Die Matrix C ist eine sogenannte Z ir k u la nt e. Sie hat auf allen Diagonalen je
weils gleiche Elemente. Darüber hinaus geht jede ihrer Spalten durch zyklische
Vertauschung der Elemente aus der vorhergehenden hervor . Die zyklische Vertau
schung der Elemente der letzten Spalte führt wieder auf die erste Spalte. Die Matrix
läßt sich also durch "Zirkulation" der Elemente der ersten Spalte aufbauen und ist
damit durch den Spaltenvektor
c = (3.2-30)
eindeutig festgelegt. Wir können dementsprechend die zyklische diskrete Faltung
auch als Operation zwischen den Vektoren E. und ~ definieren und folgendermaßen
symbolisieren:
a =Tc '"' b (3.2-31)
Die Konstante T wurde in die zyklische Faltung einbezogen, weil sie auch in der dis
kreten Faltung (2. 4-11) auftritt. Sie läßt sich als Abtastintervall interpretieren und
entspricht der Transformationskonstanten der DFT in (3. 1-1) •
88 3. Die diskrete Fourier-Transformation
Zirkulante Matrizen sind stets diagonalisierbar. Ein vollständiger Satz von orthogo
nalen Eigenvektoren sind die konjugiert-komplexen Werte der in (3.1-15) eingeführ
ten Spaltenvektoren ~ k :
Für die Eigenwerte "k gilt
k=O,l, ••. ,N-1. (3.2-32)
N-1
A - ~k - L
v=O
kvc wv
(3.2-33)
sie entsprechen also im wesentlichen der DFT des Vektors Q .
Die Gültigkeit von (3.2-32) läßt sich zeilenweise leicht nachprüfen. Für die (IJ,+ 1)
te Zeile gilt
IJ,
(clJ.,clJ._1,···,cO,cN_1,cN_2,···,clJ.+1)~: = Lv=O
N-1
L
-vkc w +IJ.- V
N-1
Lv=IJ.+1
-(N+IJ.- v)kc wv
*Die Eigenvektormatrix wird spaltenweise aus den normierten Eigenvektoren ~k/'{N
für die das innere Produkt gleich 1 ist, gebildet. Die zu C gehörige Eigenvektor
matrix ist also ~; = ~Ö1, und die Äquivalenztransformation lautet
Ebenso gilt natürlich auch
-1 . ( )~~~ =Diag \ '
(3.2-34)
(3.2-35 )
-1 -1da die Proportionalitätskonstanten sich wegen ~O~O = ~ W =.!.. aufheben müs-
sen. Die Umkehrung von (3.2-35) ist
(3.2-36)
3.2 Abbildungsgesetze
und die zyklische Faltung kann in der folgenden Form dargestellt werden :
89
(3.2-37)
Die Elemente TAk der Diagonalmatrix hierin entstehen nach (3.2-33) durch DFT der
Zahlenfolge [c I:\!
(3.2-38)
Um den Zusammenhang etwas deutlicher hervorzuheben, führen wir nun die M u 1
tiplikation zweier Folgen als Vektor-Operation ein:
ao bO aO bO
a 1b1 a 1 b1
a 0 b : = (3.2-39)
aN_1
bN_1
aN_1
bN_1
Die Gleichung (3.2-37) läßt sich dann folgendermaßen darstellen:
(3.2-40)
Multiplizieren wir von links mit Y:!., so ergibt sich ein Analogon zum Faltungssatz
der Fourier-Transformation:
(3.2-41)
Die zyklische Faltung wird also durch die DFT auf die Multiplikation im Sinne von
(3.2-39) abgebildet. Ebenso läßt sich zeigen, daß die Multiplikation zweier
F 0 I gen durch die DFT auf die zyklische Faltung abgebildet wird :
(3.2-42)
90 3. Die diskrete Fourier-Transformation
Diese Beziehung stellt ein Analogon zum Multiplikationssatz (2.1-32) der Fourier
Transformation dar. Als Beispiel hierzu betrachten wir die beiden N-zeiligen Vek
toren
(3.2 -43)
welche die Rollen der Einheitselemente bei der Multiplikation bzw, bei der zykli
schen Faltung spielen. Bei Anwendung auf einen N-zeiligen Spaltenvektor ~ gilt
nämlich
w 0a=T6 *a=Ia=a,-0 - -=0 - - - - (3.2-44)
da die den Operationen entsprechenden Matrizen gleich der Einheitsmatrix ...!. sind.
Insofern stellen die Vektoren ~ und:fYO Analoga zur Deltadistribution bzw. zu der
Konstanten 1 bei den kontinuierlichen Signalen dar. Entsprechend zu 6(t)~ 1
sind ~ und :fYO durch die DFT miteinander verknüpft :
Umgekehrt gilt
2WWO=NT6,-- -0
(3.2-45)
(3.2-46)
wie man durch Anwendung der Summenorthogonalität (2.4-29) leicht zeigen kann.
Ein Test für den Multiplikationssatz (3.2-42) ist die Identität
(3.2-47)
Wir betrachten nun noch einige Eigenschaften der zyklischen Faltung und der Mul
tiplikation von Folgen. Beide Operationen sind als Produkte von Matrizen mit Spal-
3.2 Abbildungsgesetze
tenvektoren erklärt und somit linear. Daher gilt die Dis tri bu t i v i t ä t
91
'.([ob) L 0' (a 0 b ) , (3.2-48)- v-v v - -v
V v
~.(;; ",~} ;; 0' (a * b ) • (3.2-49)v - v
Hierin sind die ~v sowie ~ Spaltenvektoren und die O'v Skalare. Die zyklische Fal
tung und die Multiplikation von Folgen sind außerdem für sich jeweils kom mut a
t i v
und ass 0 z i a t i v
~ * ~ =~ * ~, a 0 b =b v u (3.2-50)
(3.2-51)
Diese Eigenschaften sind anhand der entsprechenden Matrizendarstellungen leicht
zu erkennen. Die gemischten Operationen sind i , a, nicht assoziativ :
(~ 0 ~) * c '" a 0 (~*.!2.).
Wir betrachten schließlich noch Analoga zu den Ver schi e bu n g s sät zen (2.1-11)
und (2.1-12) der Fourier-Transformation. Dazu definieren wir die N-zeiligen Spal
tenvektoren
~k=(l/T) (ö vk)' Zeilenindex v=0,1, ••• ,N-1, (3.2-52)
die aus ~O durch k-fache zyklische Vertauschung der Elemente hervorgehen (ö vk =
Kronecker-Symbol: ökk
= 1, övk = 0 für v*, k}, So wie sich die Verschiebung eines
kontinuierlichen Signals uf t ) um to als Faltung von uf t ) mit ö(t - tO
) schreiben
läßt, so können wir nun die k-fache zyklische Vertauschung der Elemente eines Vek
tors x durch zyklische Faltung mit ~ darstellen. Beispielsweise gilt für N = 4 und
k =2
92 3. Die diskrete Fourier-Transformation
0 0 1 0 Xo x2
0 0 0 1 xl x3T~2 *~ = (3.2-53)
1 0 0 0 x2Xo
0 1 0 0 x3 xl
Wie man aus (3.1-16) bzw. (3.1-17) unmittelbar ersehen kann, sind DFT und
IDFT von ~k durch
(3.2-54)
gegeben. Nach (3. 2-41) wird die zyklische Verschiebung durch die DFT folgender
maßen abgebildet :
(3.2-55)
Dabei ist 1. =~~. Die Verwandtschaft zum Verschiebungssatz (2. 1-11) ist leicht
zu erkennen, wenn man die Komponente y des Vektors 1. betrachtet: Sie wird mit~
dem Phasenfaktor exp( - j2lT~k/N) multipliziert, wenn die Elemente des Vektors ~
k-mal zyklisch vertauscht werden.
Dem Verschiebungssatz (2.1-12) entspricht die Abbildung der k-fachen zyklischen
Vertauschung der Elemente von 1. durch die IDFT:
(3.2-56)
Bei Multiplikation eines Vektors ~ mit 4: gilt
(3.2-57)
wobei xk
das {k+l)-te Element von ~ ist. Die Abbildung dieser Operation durch
die DFT führt auf
(3.2-58)
Abschließend geben wir noch einige einfache Multiplikations- und Faltungsbeziehun
gen der Vektoren ~k und ~k an, die unmittelbar einzusehen sind:
w 0 w = w-k -m -k+m' (3.2-59)
3.3 De z i m ie r u ng und Segmentierung von Folgen
1~k für k = m
T~k o~m=
o für k '*' m , 0 =Nullvektor
93
(3 .2-60)
(3 .2 -61)
für k = m
für k '*' m
(3.2 -62)
3.3 Dezimierung und Segmentierung von Folgen
Die Dez im ie r ung und die Segm e nt ie r ung vo n F ol ge n spielen wichtige Rolle n bei der
numerischen Ausführung der DFT durch die schnelle Fourier- Transformation (vgl.
Kapitel 4) .
Wir dez i m i er e n eine Folge von N Elementen dadurch, daß wir jedes n-te Ele
ment herausgreifen und die dazwischen liegenden Elemente durch Nullen ersetzen.
Durch Weglassen der Nullen können wir aus dieser Folge dann auch eine entspre
chend verkürzte Folge bilden. Von praktischer Bedeutung ist der Fall, wo n ein Tei
ler von N ist. Genau dann läßt sich die Dezimierung als zyklische Operation definie
ren. Wir setzen daher in diesem Abschnitt
N = nm mit n, m > 1, ganz (3.3-1)
voraus . Ein N-zeiliger Vektor ~ läßt sich dann auf mindestens zwei verschiedene
Weisen durch dezimierte Folgen darstellen :
n-1 m -1
=TL Lk=O 1-1 =0
(3.3-2)
m-1 n-1
= T L Lk=O \)=0
m-1 n-1
= T L L xk+\)m ~k+ \)mk =O \)=0
(3.3-3 )
94 3. Die diskrete Fourier-Transformation
Die Gültigkeit dieser Beziehungen ersieht man daraus, daß die in geschweiften Klam
mern stehenden Doppelsummen genau den Einheitsvektor :y!O darstellen. Zur Verein
fachung der Schreibweise definieren wir den Dezimierungs-Operator
Ö-k+iJ,n' k=O,l, ••• ,n-l, (3.3-4)
der ein Analogon zum Impulskamm darstellt, mit dessen Hilfe wir die Diskretisierung
kontinuierlicher Signale im Abschnitt 2.4 mathematisch beschreiben konnten. Dieser
Operator greift aus einem (N = nm ) -zeiligen Vektor ~ - begi nnend beim EIern ent xkjedes n-te Element heraus und erzeugt so einen N-zeiligen Vektor mit m nicht allge
mein verschwindenden Elementen. Den Beziehungen (3.3-2) und (3.3-3) entsprechen
dann Zerlegungen, die unter Verwendung des Dezimierungs-Operators folgendermas
sen geschrieben werden können:
x ° d(k)-n,m
m-l\' x ° d(k) •L -m,nk=O
(3.3-5)
Für N = 6 mit n = 2 und m = 3 gilt danach beispielsweise
Xo 0
0 Xl
X=XO d(O) +XO d(l)x2 0
+- - -2,3 - -2,3 0 x3
x4 0
0x 5
und
Xo 0 0
0 Xl 0
x = x ° d(O) + x ° d(l) +xod(2) ° 0 x2
+ +- - -3,2 - -3,2 - -3,2 x3 0 0
0 x4 0
0 0 x5
3.3 Dezimierung und Segmentierung von Folgen 95
Se g me nt i er e n läßt sich eine Folge von N = nm Werten ebenfalls auf zwei ver
schiedene Arten, die sich aus (3.3-2) einerseits und (3.3-3) andererseits ergeben,
wenn wir die Reihenfolge der Summationen vertauschen und den Se g m e nt i er u n g s
Operator
einführen :
n-ls(~):=T~ö-m,n L ..:::.t<+~n'
k=O
~=O,l, .•• ,m-l (3.3-6)
m-l
x = L~=O
n-lxos(~) =~- -m,n L
\1=0
( \I)X 0 s
-n,m (3.3-7)
Für das Beispiel mit N = 6 gilt danach für n = 2 und m = 3
Xo 0 0
xl 0 0
x e x s s(O) +xo s(l) +x o s(2)0 x2 0
+ +- - -3,2 - -3,2 - -3,20 x3 0
0 0 x4
0 0 x5
und
Xo 0
xl 0
x =x ° s(O) + x 0(1) x2 0
- - -2,3 - ~2,3 +
0 x3
0 x4
0 x5
Hinsichtlich der Bezeichnungsweise ist festzuhalten: Bei beiden Operatoren d( \I)( ) -n,m
und s \I bestimmt der erste Index n die Anzahl der erzeugten Folgen, der zweite-n,mIndex m die Anzahl der nichtverschwindenden Elemente pro Folge und der hochge-
stellte Index \I die laufende Nummer der erzeugten Folgen.
Zur Bestimmung der Abbildungen von Dezimierung und Segmentierung durch die
DFT müssen wir zunächst die diskreten Fourier-Transformierten der entsprechen
den Operatoren berechnen. Hier genügt es, die Fälle k = 0 bzw. ~ = 0 zu betrach
ten und dann den Verschiebungssatz (3.2-55) anzuwenden. Zur Vereinfachung der
96 3. Die diskrete Fourier-Transformation
Schreibweise lassen wir die hochgestellten Indizes weg, wenn sie gleich 0 sind. Es
gilt also: d (O) "= d und s (O) "= s • Für den letzteren Operator folgt aus-n,m -n,m -m,n -m,n
(3.3-6) und (3.2-54) sofort
n-1
Ws = T '\' ~k .--m,n ~
k=O
Die Anwendung von (3.2-55) liefert dann allgemein
In-1 )Ws (J.l.) = W(Tö * s ) = w ° T '\' w
k•
--m,n - -J.l. -m,n -J.l. ~ -k=O
(3.3 -8)
(3.3-9)
Das (i+ 1 ) - te EIern ent von W d ergibt sich nach der Sum m enorthogonal it ät--n,m(2.4-29) zu
m-1 m-1
e-j2TTi\l /m = {mT für i = km, k=0,1, ••• , n- 1
T L e-j2TTi\ln/N = T L 0 sonst\1 =0 \1=0 (3.3-10)
Es gilt also speziell
Wd =mTd--n,m -m ,n
und allgemein nach (3.2-55)
Wd{k) =W{Tö *d )=mTwkod •- - n , m - -=-k - n , m - -m, n
(3.3-11)
(3.3-12)
Die Beziehung (3.3-11) stellt ein Analogon zu (2.3-24) dar, wonach die Fourier
Transformation e ines Impulskammes im Zeitbereich auf e inen Impulskamm im Fre
quenzbereich führt.
Die multiplikative Anwendung von d auf einen Vektor x läßt sich als "Abtastung"-n,m -der aus den Elementen von ~ gebildeten Zahlenfolge interpretieren. Ihr entspricht
nach dem Multiplikationssatz (3.2-42) die zyklische Faltung von d mit 1. = Wx :-m,n --
(3.3 -13)
Diese Beziehung ist ein Spezialfall des sogenannten U be r 1ag e run g s s atz e s der
DFT [3.5J, der sich allgemein ebenfalls unmittelbar aus (3.2-42) ergibt:
(3.3-14)
3.3 Dezimierung und Segmentierung von Folgen 97
Die rechts in (3.3-13) stehende Faltungsoperation ist der Periodisierung nach (2.4-3)
vergleichbar: Sie verursacht eine Überlagerung der Elemente von :L derart. daß nur
die ersten m Zeilen von (3.3-13) linear unabhängigen Gleichungen entsprechen. Die
übrigen N-m Zeilen ergeben sich dann durch (n-l) -fache Wiederholung der ersten m
Zeilen. Das läßt sich genauer zeigen. wenn wir (3.3-13) unter Anwendung von(3.3-4)
in der folgenden Form schreiben:
g:= ~(~ 0 ~n.m) = T(m/N)
n-l
Lv=O
v "'" ö •L - vm (3.3-1S)
Die (k+l) -te Zeile dieser Vektorgleichung ergibt sich demnach zu
n-l
qk = (m/N) L Y(k+vm)mod N = q(k+im)mod N'v=O
i ganz. k = O. 1••••• N - 1.
Für N = 6 mit n = 3 und m = 2 gilt dann beispielsweise:
qo Xo YO + Y2 + Y4
ql 0 Y1+Y3+YS
q2 0 1 Y2 + Y4 + Yo=W "3
q3 x3 Y3+YS+Y1
q4 0 Y4+YO+Y2
qs 0 YS+Y1+Y3
Der Vektor g läßt sich daher auch folgendermaßen darstellen:
(3.3-16)
(3.3-17)
rr-d (rr os(v)).:.. - -m n {' .:.. -n m •. . v=O.l ••••• n-l • (3.3-18)
Hierin ist v aus dem angegebenen Wertevorrat beliebig wählbar. Das bedeutet fol
gendes: Wir können die m relevanten Elemente von g wahlweise in die Plätze mit
den Indizes O.l •.••• m - 1 oder m j m + 1••••• 2m - 1 oder 2m.2m + 1••••• 3m - 1.
usw. eines N-zeiligen Vektors einschreiben und die übrigen Zeilen dieses Vektors
mit Nullen auffüllen. Durch zyklische Faltung mit ~m n gelangt man in jedem Fall•
zum Vektor g. Diese Operation ist hinsichtlich der Speicherplatz-Ökonomie bei der
numerischen Ausführung der DFT von Bedeutung. wie im folgenden Kapitel gezeigt
wird.
98
3.4 Literatur
3. Die diskrete Fourier-Transformation
3.1 Zurmühl, R. : Matrizen und ihre technischen Anwendungen, 4. Aufl. Berlin,Göttingen, Heidelberg : Springer 1964.
3.2 Collatz, L. : Funktionalanalysis und numerische Mathematik. Berlin, Göttingen,Heidelberg: Springer 1964.
3.3 McClellan, J .H.; Parks, T. W. : Eigenvalue and Eigenvector Decomposition ofthe Discrete Fourier Transform, IEEE Trans . on Audio and ElectroacousticsAU-20 (1972) 66-74.
3.4 Achilles, D.: Uber die diskrete Fourier-Transformation und ihre Anwendungenauf lineare zeitinvariante Systeme, Ausgewählte Arbeiten über Nachrichtensysteme, Nr. 15, herausgegeben von W. Schüßler. Universität Erlangen-Nürnberg 1971.
3.5 Achilles, D. : Der Uberlagerungssatz der diskreten Fourier-Transformation undseine Anwendung auf die schnelle Fourier-Transformation. Arch, Elektr. Ubertr.25 (1971) 251-254.
4 Die numerische Ausführung der diskretenFourier-Transformation
4.1 Vorbemerkungen
Im fo lgenden werden Prinzipien und Methoden zur numeri schen Ausführung der DFT
e rör ter t. Vereinfachend set zen wir in di esem Kapitel die Transformationskonstante
T = 1. Di e Aufgabenstellung besteht darin, aus N gegebenen (La. komplexen) Z ah
len xO,x1, · •• ,xN_ 1 die Z ahlen YO' Yl " " 'YN-l nach der F ormel
Y~
N-l
LV=O
-j2n~ v/Nx ev (4.1-1)
mit möglichst geringem Rechenaufwand zu bestimmen . Zunächst ist zu bemerken,
daß die in (4.1-1) auftretenden Koeffi zi enten insgesamt nur di e N verschiedenen
Werte exp(-j2nk/N) für k = O,l, •.• , N - 1 annehmen. Wir s etzen voraus, daß die
s e Wert e zu r Verfügung s t ehen - entweder durch Abruf von ein er vorher e rste ll ten
Datenli s t e od e r a ls Ergebni s einer Subr outine. Im wesentlichen s ind dann nur noch
Multiplikationen und Additionen bz w , Subtraktionen komple xer Zahlen auszufü h r en .
Die komplexe Mult iplikat ion entspr icht vier r eellen Multipli kationen und zw ei r e e l
l en Addit ion en und ist s omit e ine im Vergleich zur Addit ion seh r a ufwendige a r it h
m etis che Operation.
Man kann deshalb davon ausgehen, daß di e für die gesamt e Transformation benötigte
Rechenz eit bei Verwendung e ines Allzweck-Digitalrechners et wa der Anzahl M der
insge samt e r fo r de r lichen komplexen Multiplikationen proportional ist. Diese Zahl M
s tellt s omit auc h ein geeig netes Maß für die Lei stungsfähigke it von Algorithmen zur
num eris chen Ausführung der DFT dar. Wird in diesem Zusammenhang im folgenden
vo n Mult iplikationen gesprochen , so v erstehen wir dar unter di e Bildung der Produkte
jewei ls z weier komplexer Zahl en.
Prinzipiell läßt sich di e Anzahl der e r fo r de r lic hen Mult iplikationen durch
a ) weitgehende Ausnutzung der Symmetrien in den harm onischen Funktion en
exp(- j2 nk/N) un d
b ) geeignete Zusamm en fas sung von Teilsummen, die m it dem gleic hen F aktor mul
t ipli z iert werden,
100 4. Die numerische Ausführung der diskreten Fourier-Transformation
Auf dem Prinzip a basieren die meisten klassischen Methoden zur Ausführung der
DFT (z.B. [4.1]). Für relativ kurze Zahlenfolgen (z.B. N =32) sind diese Metho
den noch recht effektiv. Bei wesentlich längeren Zahlenfolgen , die früher jedoch
ohne Digitalrechner sowieso nicht verarbeitet werden konnten, s ind diese klassi
schen Methoden ungeeignet, weil bei ihnen dann die Anzahl der auszuführenden Mul
tiplikationen im wesentlichen proportional zu N2
ansteigt. Das gilt beispielsweise
für die Rungesche Faltung (z.B. [4.2]), die zur DFT einer Folge von N = 4m re
ellen Zahlen etwa N2/ 4 reelle Multiplikationen erfordert.
Das Prinzip b ist der Kern der schnellen Fourier-Transformation (en
glisch : Fast Fourier Transform =FFT), sowie sie beispielsweise von Cooley und
Tukey angegeben worden ist [4.3]. Hier steigt die Anzahl der erforderlichen Mul
tiplikationen im wesentlichen proportional zu N log N an. Für großen Wert von N
(z , B. N = 1024) wird somit die Anzahl der erforderlichen Multiplikationen um Grös
senordnungen gegenüber den klassischen Verfahren reduziert. Das Prinzip der FFT
ist nur anwendbar, wenn N keine Primzahl ist. Hohe Effektivität erreicht man für
Werte von N, die in sehr viele Primfaktoren zerlegbar sind (z.B. Zweierpotenzen) •
Es gibt sowohl klassische als auch moderne Verfahren zur numerischen Ausführung
der DFT , die beide Prinzipien a und b ausnutzen. Der Grundgedanke der FFT ist
also nicht neu, sondern schon vor Cooley und Tukey - allerdings in jeweils spezi
eller Form bei klassischen Verfahren ausgenutzt worden [4.4-4. 7J. Moderne Ver
fahren, die das FFT-Prinzip mit der Ausnutzung von Symmetrien der harmonischen
Funktionen koppeln , sind insbesondere Algorithmen der Basis 4, Basis 8 und Basis
16, sowie gemischter Basis [4.8-4.11].
Im folgenden werden einige wichtige Prinzipien der schnellen Fourier-Transforma
tion erörtert. Es ist hier nicht möglich, auf die vielen Methoden zur FFT ausführ
lich einzugehen. Detaillierte Darstellungen findet man in [4.12-4. 14J. Umfang
reiche Literaturangaben sind in [4.14-4.16J enthalten.
4.2 Prinzip der schnellen Fourier-Transformation
4.2.1 Der Cooley-Tukey-Algorithmus
(4.2-1)W(x 0 d(k) )- - -n,m
n-l
1.=Y!.~=Lk=O
Wenn N nach (3.3-1) in mindestens zwei ganzzahlige Faktoren n und m zerlegbar
ist, die größer als 1 s ind , so läßt sich der zu transformierende Vektor ~ nach
(3.3-5) dezimieren. Wegen der Linearität der DFT ergibt 1. sich dann als Summe
der diskreten Fourier-Transformierten der durch die Dezimierung entstandenen
Teilvektoren
4.2 Prinzip der s chnellen F ou rier-Transform ation
Nach e infacher Um rechnung folgt hi e r aus für T = 1 di e Beziehung
n-l m-l
Y.. = L L xk+\/n ~k+\/n 'k=O \/=0
101
(4.2-2)
deren Gültigkeit auch unmittelbar aus (3.1-16) z u e r sehen ist. Nach (3.2- 59) gilt
aber ~k+ \/n = ~k 0 ~ vn ' und wir erha lten
Xk w I·+\/n - \/n (4 . 2- 3)
Das Prinzip de r von Cool ey un d Tukey in [4. 3J angegebe nen Methode zur FFT be
s teht nun darin, zuerst di e n Teilvektoren
m-l
9.k = L xk+ \/n ~ vn'\/=0
k =O,l, • • • ,n-l (4.2-4)
a us z urec hnen und dann in eine m zweiten Schritt Y.. nach
n-l
Y.. = L ~k 0 9.kk =O
(4.2-5)
zu b estimmen. Die Bestimmung der Vektoren 9.k entspr icht im Aufwand - ge mes
sen an der An zahl der erforderlichen a r it hmetisc hen Operationen - de r Ausführung
der DF T vo n n F o lge n z u je m Ele m enten: Di e e r s ten m E le m ente vo n 9.k e rgeben
sich nach (4.2-4) a us
m -l
L\/=0
- j2n~ \//mxk+\/n e , ~=O,l, ••• ,m-l, (4.2-6)
wäh rend m an die übrigen N -rn Ele mente offe ns icht li c h durch periodische Forts et
zung e r hält:
r=1,2, ••• , n - l . (4.2-7)
Wir gehen zunächst vo n der Ann ahme aus , da ß a uch die Multiplikationen mit dem
Faktor W O = 1 ausgeführt werden. Zur Bestimmung der n Vektoren 9.k sind dann
nm 2 = mN Multiplika ti on en notwendi g. Dazu kommen nN Multiplikationen für die
102 4. Die numerische Ausführung der diskreten Fourier-Transformation
Ausführung der Operation (4. 2-5). Der Gesamtaufwand zur Transformation y.. = Y!.. ~entspricht somit Nf n- m ) Multiplikationen.
Wenn N noch weiter faktorisierbar ist, so läßt sich das geschilderte Prinzip wie
derholt anwenden. Beispielsweise sei m = rp mit r,p > 1, ganzzahlig. Die n dis
kreten Fourier-Transformationen , die nach (4.2-4) auszuführen sind, lassen sich
dann ihrerseits in je p (bzw , r) diskrete Fourier-Transformationen von jeweils
r (bzw , p ) Elementen unterteilen, wobei jede dieser Transformationen m (p-r )
Multiplikationen erfordert . Der Gesamtaufwand bei der DFT einer Folge von N =npr
komplexen Zahlen entspricht dann der Ausführung von Nn + nrnf p-r-) = N{n+p+r)
Multiplikationen. Es ist leicht einzusehen , daß die DFT von
n
N =n Pk'k=1
komplexen Zahlen einen Aufwand von
ganzzahlig (4.2-8)
n
M =N L Pkk=1
(4.2-9)
Multiplikationen erfordert. Im Falle gleicher Faktoren Pk = P ist N = pn und M =
Nnp = pN 10gpN.
Die Anzahl der erforderlichen Multiplikationen läßt sich noch weiter reduzieren
durch Nichtausführung von Multiplikationen mit dem Faktor wO, durch Anwendung
des Uberlagerungssatzes der DFT (Abschnitt 4.3) und durch Ausnutzung von Sym
metrien in den harmonischen Funktionen (Abschnitt 4.4) •
4.2.2 Bestimmung von FFT-Signalflußgraphen
Zunächst stellen wir einige Uberlegungen zur S p ei c her p l atz - Öko n 0 m i e an.
Würde man alle Elemente der nach (4. 2-4) berechneten Vektoren g k speichern,
so wären hierfür insgesamt nN Speicherplätze erforderlich. Da jeder Vektor
<I.k jedoch nur m relevante Elemente enthält, die durch (4. 2-6) definiert sind, wäh
rend die übrigen sich durch periodische Fortsetzung nach (4. 2-7) ergeben , ist es
plausibel, daß man auch mit nm = N Speicherplätzen auskommen kann. Wir bilden
dazu aus den n Vektoren gk einen N-zeiligen Vektor ~ derart, daß die ersten m
Elemente von ~ den relevanten Elementen von go' die nächsten m Elemente von
~ denen von g l' usw. entsprechen. Der Vektor ~ ist also durch
n-1
~=Lk=O
(4.2-10)
4.2 Prinzip der schnellen Fourier-Transformation
gegeben. Umgekehrt erhalten wir die Vektoren ~k aus ~ durch Ausblenden der
entsprechenden Elemente von ~ und periodische Fortsetzung
103
n =(z os{k) )*d.::J.k - -n,m -m,n (4.2-11)
Es muß nun gezeigt werden, wie wir einerseits von ~ zu z und andererseits von
~ zu y... gelangen. Nach (4. 2-6) gilt
0 0 0 0qk,O w w w w xk
0 n 2n {m-1)nqk,l w w w w xk+n
0 2n 4n 2{m-1)nqk,2 w w w w xk+ 2n (4.2-12)= .
. • 20 (m-1)n (m-1) n
Qk,m-1 w w w xk+{m-1)n
Die Matr-ix hierin, die wir ~m nennen, entspricht der DFT-Matrix für m Elemente.
Dabei ist wie bisher w = exp{ - j2TT/N). Um die Teiloperationen (4. 2-12) in der Ma
trixdarstellung der gesamten DFT separieren zu können, nehmen wir nun eine Per
mut at ion der Elemente x vor, indem wir die durch Dezimierung entstandenen
N-zeiligen Vektoren x ° d{k)" zuerst durch Weglassen der Nullelemente auf m-- --fl,mzeilige Vektoren, die wir ~k nennen wollen, komprimieren und dann aus diesen Teil-
vektoren einen neuen Vektor nach
~O
~1
~n-1
=Px (4.2-13)
bilden. Dabei sei P die Matrix, die diese Permutation beschreibt. Es gilt dann
z =
W-m
W-m
W-m
~O
~1
~n-1
(4.2-14)
wobei 9 1 die Matrix ist, die durch diagonale Anordnung der n DFT-Matrizen Y! m
entsteht.
104 4 . Di e numerische Ausführung der di skreten Fourier-Transformation
Die entsprechende Abbildung von ~ a uf 1. ergibt sich durch Einsetzen von (4.2-11)
in (4.2-5)
(4.2-15)w o[d * (s(k) oz}].-k -m,n -n,m -
n-1
1. =Lk =O
Wir betrachten nun die Matrizendarstellung dieser Operationen. S(k} und Qk( ) -n m -
seien di e aus den Elementen der Vektoren s k bzw , wk gebildete~ Diagonal --n,m -m atrizen und D die aus derzeugte Zirkulante. Es gilt dann-m,n -m,n
n-1
1. =Lk=O
Q D S(k} z.-k-m,n-n,m - (4.2-16)
Die Matrizen hierin lassen sich ausmultiplizieren und summieren. Das Ergebnis
ist eine N - z e ilige quadratische Matrix
n-1G := \' Q D S(k}-2 L -k-m,n-n,m '
k=O
(4.2-17)
di e eine m at h e m at i s c heB e s c h r e i b u n g des S i g n al f I u ß g rap h e n der
Abbildung von ~ auf 1. darstellt. Insgesamt gilt dann
(4.2-18)
Es ist nicht zweckmäßig, hierin das Matrizenprodukt 9 1!: auszumultiplizieren,
da wir durch Schachtelung das b eschriebene Prinzip nach Belieben fortsetzen, d.h.
jede der DFT-Matrizen ~m in 9 1 ebenfalls durch eine (4.2-18) entsprechende
Darstellung ersetzen können m öchten. So nehmen wir zuerst die Permutation ~~
vor. Die Matrix 9 1 beschreibt dann den Signalflußgraphen , nach welchem die Ab
bildung des Vektors ~~ auf den Vektor ~ zu erfolgen hat.
Als einfaches Beispiel betrachten wir den Fall N = 6, zunächst mit m = 3 und n = 2.
Die Permutation (4.2-13) hat hier die Form
Xo 1 0 0 0 0 0 Xox2 0 0 1 0 0 0 xi
x4 0 0 0 0 1 0 x2Px = (4.2-19)xi 0 1 0 0 0 0 x 3
x3 0 0 0 1 0 0 x4
x5 0 0 0 0 0 1 x 5
4 .2 Prinzip der s c hne ll en Fourier-Transformation 105
F ür die Matrix 9 1 gilt
0 0 0w w w
0 2 4w w w
0 4 8w w w
9 1 0 0 0 {4.2-20}w w w
0 2 4w w w
0 4 8w w w
und die Matrix 9 2 lautet
00 0 0 0 0w w
0 0 0 01
0w w
0 00
0 02
w w9 2 = 0 3
{4 . 2-21}w 0 0 w 0 0
00
0 0 4 0w w
0 0 0 0 0 5w w
Der zugehörige Signalflußgraph ist in Bild 4.1 mit einer von rechts nach links lau-
fenden Flußrichtung dargestellt , so wi e es der Anwendungsreihenfolge der Matrizen
2.1 und 92
entspricht. Wir erkennen drei Knotenebenen , die den Ergebnissen der
jewe i li gen Teilschritte entsprechen: Rechts stehen die Elemente des permutierten
wOYo Xo
Y, Xl
Yl X4
YJ Xl
Y4 Xl
Bild 4.1. Signalflußgraph für FFTvon N =6 Werten beim =3 und n =2 Ys Xs
106 4. Die numerische Ausführung der diskreten Fourier-Transformation
Vektors ~!.' in der Mitte die Elemente Zv des Vektors ~ =91~~ und links die
Elemente des Vektors 1. =92~. Den Signalflußgraphen gewinnt man aus den Ma
trizen 9 1 und 9 2 auf folgende Weise : Ist das jeweilige Matrixelement in der i -ten
Zeile und k-ten Spalte von Null verschieden, so zieht man einen Pfeil vom k-ten
Punkt derjenigen Knotenebene , die dem Vektor entspricht, auf welchen die Matrix
anzuwenden ist , zu dem i-ten Knotenpunkt der links benachbarten Knotenebene und
bewertet den Pfeil mit dem Matrixelement • Die Bewertungsfaktoren sind in Bild 4 .1
mit dem nach wn =w(n)mod 6 kleinstmöglichen Exponenten angegeben .
Setzen wir nun n =3 und m =2, so ergibt sich der folgende Zusammenhang,
00
0 0 0 0 ] 0 0Yo w w w w w Xo
00 0
10
2 0 3Y1 w w w w w x
30 0
2 0 4 00 0
Y2 w w w w w xl
0 0 0 3 06 0 3
Y3 w w w w w x4
0 0 4 08
00 0
Y4 w w w w w x2
00
0 s0
10 0 3Ys w w w w w Xs
(4 .2-22)
wo 9 1 durch die rechte und 9 2 durch die linke Matrix gegeben ist. Der zugehörige
Signa lfl ußgr a ph ist in Bild 4.2 dargestellt. Die für diese Form der Dezimierung er
forderliche Permutation ist bereits ausgeführt. Die Permutationsmatrix ist nicht ge
sondert angegeben .
wO Zo wOYo Xo
Y, Xl
Yz Xl
Yl X4
XzBild 4.2. Signalflußgraph für FFT
Y4 von N =6 Werten beim =2 und n =3
Ys Xsw4
Die Matrizen 91
und 92
lassen sich ohne Schwierigkeiten für beliebige Werte von
n und m bestimmen. Es ist somit möglich , die Entwicklung der zugehörigen Si
gnalflußgraphen für beliebige Faktorisierungen von N zu programmieren.
4.3 Anw endung des Überlagerungs s atzes 107
Di e in di e s em Abschnitt be s chri eben e Methode zur schne llen Fourier-Transforma
tion basiert auf einer Dezimierung des zu transformierenden Vekto rs ~. Man spricht
deshalb von "Dezimierung i m Z eitbereich" • Auf ähnliche Weis e läßt sich ein anderer,
hinsichtlich des Rechen aufwandes äqui va l ent e r Algorithmus e nt wicke ln , der von Gent
leman und Sande angegeben wurde und auf einer " Dez i m i e r ung im Frequenzbereich",
d s h , Dezimierung des Vektors 1. beruht [4.17J. Auf eine entsprechende Darstellung
dieses Prinzips wi r d hi er verzichtet.
4.3 Anwendung des Überlagerungssatzes
Die Anw endung des Überlagerungssatzes der OFT in der speziellen Form (3. 3-13)
ermöglicht eine vorteilhafte Modifikation der oben b eschriebenen Methode zur FFT
[ 4 . 18J. Im Abs chnitt 3. 3 wurde bereits gezeigt, d aß di e Elem ente Y des gesuchtenI.J.
Vektors 1. und die e r s t en m Elemente Zv = q v des Vektors ~, der nach Ausführung
von (4.2-14) a ls Zwi schenergebnis bekannt ist, durch das lineare Gl eichungssystem
( 3.3-16) verknüpft s ind , das aus füh r lich geschrieben folgendermaßen lautet :
n za =Ya + Ym + Y2m + + Y(n-1)m
n z1 =Y1 + Ym+ 1 + Y2m+ 1 + + Y(n-1)m+1(4. 3-1)
n z m-1 =Ym-1 + Y2m - 1 + Y3m - 1 + + Ynm-1
In diesen m linear unabhängigen Gl eichungen kommt jedes Element des Vekto r s il.
gena u ein m a l vor. Somit lassen sich m dieser Elemente - b eispielsweise die Werte
Ym 'Ym+ 1 ' Ym+2"" ' Y2m-1 - ohne Multiplikation bestimmten, wenn di e übrigen Ele
mente Yv und die Elemente Zv bek annt sind .
Zur Veranschaulichung di eser Methode betrachten wir wieder das Beispiel N = 6,
zunächst mit der Aufspaltung m = 3 und n = 2. Das Gleichungs system (4. 3-1) lautet
dann
(4.3-2)
Wir gehen nun folgendermaßen vor: Zuerst werden a ll e Elemente za' z1 ' •.. ,zs be
s tim m t , s o wie e s dem e r s t en Teil des Signalflußgraphen von Bild 4.1 entspricht.
Aus di esen werden dann di e Wert e Ya ' Y1 und Y2 nach
(4.3-3)
108 4. Die numerische Ausführung der diskreten Fourier-Transformation
berechnet. Die Elemente Y3'Y4 und Y5 hingegen ermitteln wir aus (4 .3-2):
Y3 =2 zo - Y0 =zo - z 3 '
Y4 =2 zl - Yl =zl - w z4 '
2Y5 =2 z2 - Y2 =z2 - w z5 •
(4 .3-4)
wobei zu beachten ist, daß die rechts stehenden P r odukte schon in (4.3 - 3 ) auftre
ten und mithin bekannt sind. Hieraus folgt eine Modifikation des Signalfiußgraphen
von Bil d 4 .1, die in Bild 4.3 dargestellt ist . Dabei haben wir diesmal alle Gewichts
faktoren wO durch 1 ersetzt.
E ine entsprechende Modifikation des Signalfl ußgraphen von Bild 4.2 erhalten wir ,
wenn der Überlagerungssatz mit der Aufspaltung m =2 und n =3 angewendet wird.
Das Gleichungssystem (4 .3-1) hat hier die Form
3 zo = Y0 + Y2 + Y4 ' 3 z 1 = Y1 + Y3 + Y5
Wir berechnen beispielsweise nun zunächst YO' Yl' Y4 und Y5 direkt nach
(4 .3-5)
Y0 =Zo + z2 + z 4
4 2Y4 =Zo + w z2 + w z4 '
(4.3-6)
di e Werte Y2
und Y3 hingegen ohne weitere Multiplikation aus
Y2 = 3z0 - Y0 - Y4 =Zo - z2 - z4 (4 .3-7)
Ein möglicher Signalflußgraph hierfür ist in Bild 4 .4 dargestellt .
(4 .3-8 )
Wir berechnen nun a llgemein die Anzahl der erforderlichen Multiplikationen für den
modifizierten FFT-Algorithmus. Dabei nehmen wir außerdem an, daß die Multipli
kationen mit dem Faktor wO nicht ausgeführt werden . Be i der Faktorisierung N =mn
entspricht die Berechnung der Elemente des Vektors z der Ausführung der DFT von
n Folgen zu je m Werten, wobei nun nl m - 1)2 MUltiplikationen notwendig sind .
N - m der Elemente y müssen direkt nach (4.2-5) bestimmt werden. Unter diesen~
sollte sich das Element YO befinden, da seine Berechnung ohnehin keine Multiplika-
tionen erfordert. Für diesen zweiten Schritt ergibt sich dann ein Aufwand von
(N - m - 1) (n - 1) Multiplikationen , da die übrigen m Elemente von 1. ohne weitere
4.3 Anwendung des Überlagerungssatzes 109
Multiplikationen durch Anwendung des Überlagerungssatzes gewonnen werden . De r
Gesamtaufwand für die Aufspaltung N =nm beträgt dann beim abgewandelten Algo
rithmus n(m - 1) 2 + (N - m - 1)(n - 1 ) =N(m + n - 4) + m + 1 Multiplikationen .
Wenn n und m nicht gleich groß sind, hängt der Aufwand von der Art der Aufspal
tung ab, wobei der Fall m < n günstiger ist als der Fall n < rn , Wie man anhand
der Signalflußgraphen in den Bildern 4 .3 und 4 .4 nachprüfen kann, erfordert die
AUfspaltung m =3 und n =2 die Ausführung von 10 Multiplikationen, während für
m = 2 und n = 3 nur 9 Multiplikationen notwendig sind .
Yo~-----------,p----<lO::->--.,....-----__",Q Xo
Y, ~-----''-<------,-r------,P---~=---''''-~~--'''::::;;IO X Z
Yz~-----:~-----:~----..,p---$:::"""'>:-------='O x4
Yl <5-_----:~-____:~-----'o-_-~---i>-------__",Q Xl
Ys <5-_----------'0-_-$:::.......>:-------='0 Xs
Bild 4.3 . Modifikation des Signalflußgraphen von Bild 4.1 bei Anwendung des Uberlagerungssatzes der DFT
ZoYo Xo
Y, Xl
Yl Xl
Yl X4
Y4 Xz
Ys XsWl
Bil d 4 . 4 . Modifikation des Signalflußgraphen von Bild 4 .2 bei Anwendung des Uberlagerungssatzes der DFT
110 4. Die numerische Ausführung der diskreten Fourier-Transformation
Läßt sich m weiter in die Faktoren p und raufspalten, so ist das gleiche Prinzip
auch auf die DFT der n Folgen zu je m = pr Werten anwendbar, und man muß für
diese dann nur noch n [m(p + r - 4)+ P + l)J Multiplikationen ausführen, was ins
gesamt zu einem Aufwand von N (n + p + r - 6 + l/n + l/r) Multiplikationen führt.
Dabei ist es für verschieden große Faktoren n,p und r wiederum am günstigsten,
die Aufspaltung so zu wählen, daß p der kleinste der drei Faktoren ist.
Die fortgesetzte Anwendung dieses Prinzips führt bei einer nach (4.2-8) zerleg
baren Zahl N auf die Ausführung von
(4.3-9)
Multiplikationen. Bei verschieden großen Faktoren Pi sind die günstigen Gruppie
rungen für p ~Pk gegeben. Im Falle gleicher Faktoren p. =p folgt aus (4.3-9):n 1
M(N = pn) = Nn(p - 2) + N(n - l)/p + 1 (4.3-10)
Für verschiedene Werte der Basis p ist die Anzahl der erforderlichen Multiplika
tionen in Abhängigkeit von n in Bild 4.5 dargestellt. Der OptimalfaU liegt hiernach
bei der Basis p = 2, wo
M(N = 2n) = (N/2)(n - 1)+ 1 "" (N/2)(n - 1) = (N/2)ld(N/2)
Multiplikationen ausgeführt werden müssen.
(4.3-11)
0=20= 30=50=7
Bild 4.5. Anzahl M der erforderlichenMultiplikationen bei der FFTfür N = a n nach [ 3 . 19J
4.4 Schnelle Fourier-Transformation bei Zweierpotenzen 111
Der Bereich zwischen den Faktorisierungen N = Zn und N = 3n wird weitgehend
durch Faktorisierungen der Form N = 3m Zn-rn bzw. N = Sm Zn-rn ausgefüllt. Ei
nige Beispiele dieser Art s ind in Bild 4.6 dargestellt.
M"
104
Bild 4.6. Anzahl M der erforderlichen Multiplikationen beider FFT für N =3" Zn-"und N =Sj.Zn- j. nach [3.19J
-- 3"---- 32 • Z"-1- .- 3·Z"-1•.......... 5·Z"-1-- Z"
4.4 Schnelle Fourier-Transformation bei Zweierpotenzen
Die Faktorisierung N = Zn ist besonders vorteilhaft für die schnelle Fourier-Trans
formation : Einmal ist die erforderliche Rechenzeit minimal, wie man aus den Bil
dern 4. Sund 4.6 entnehmen kann. Sodann lassen sich für diesen Spezialfall FFT
Programme von sehr einfacher Struktur entwic keln . Schließlich bestehen - da N
durch 4 teilbar ist - Möglichkeiten, die Quadrantsymmetrien der Sinus- und der
Cosinusfunktion auszunutzen.
4.4.1 FFT-Signalflußgraphen
Betrachten wir zunächst das einfachste Beispiel N =4. Die Permutation der Ele
mente des zu transformierenden Vektors!. führt auf die Folge lxO,x z,xl ,x3 1. Die
Mat rizen 91
und 9z des Signalflußgraphen ergeben sich zu
(4.4-1)
112
und
4. Die numerische Ausführung der diskreten Fourier-Transformation
1 0 1 0
10 1 0 1
9 2 = L g k Q2 2§.~kk =w
2 {4.4-2}, , 1 0 w 0k=O
0 1 03
w
Der zugehörige Signalflußgraph ist in Bild 4.7 dargestellt. Durch Anwendung des
Uberlagerungssatzes {3. 3 -13} • der hier zu den Beziehungen
2 zo = YO + Y2, {4.4-3}
ZoYo ~.......--------p=-_-----"",?.o Xo
Y, c.:--.........--*----?J'=-_-----....:::'O x2
Y2~-----"*---~o:::-----------:::::.o x,
Y3CI!'---"-------'l:lo=-_--------:::'O x3
Bild 4.7. Signalflußgraph für FFTvon N = 4 Werten
führt, läßt s ich die Anzahl der Multiplikationen noch reduzieren, indem man Y2 und
Y3 aus
Y2 = 2z0 - Y0 = Zo - z2' Y3 = 2z1 - Y1 = z 1 - wZ3{4.4-4}
ermittelt, während YO und Y1 wie vorher nach YO = Zo + z2 und Y1 = z1 + wz 3 be
rechnet werden. Das hierbei auftretende Produkt wz 3 wird natürlich nur einmal
ausgerechnet. Der entsprechende modifizierte Signalflußgraph ist in Bild 4.8 darge-
Zo 1 ZoYo Xo
Y, x2
Y2 x,
Y3 X3
Bild 4.8. Modifikation des Signalflußgraphen von Bild 4.7 nach Anwendung des Uber lagerungssatzes der DFT
4.4 Schnelle Fourier-Transformation bei Zweierpotenzen 113
stellt. Die eingeführte Zwischenebene beschreibt die Abbildung des Vektors ~ auf
einen Vektor ~'. Nur bei dieser Abbildung treten noch Multiplikationen auf, während
die Abbildungen von ~ auf ~ und von ~ I auf i!... multiplikationsfrei erfolgen , wobei
nur noch die Summen und Differenzen jeweils zweier Elemente gebildet werden. Die
se Grundoperation, die bei allen FFT-Algorithmen für Zweierpotenzen immer wieder
auftritt, wird im englischen Sprachgebrauch als "Butterfly" bezeichnet. Bild 4.9
zeigt die Butterfly-Operationen für das Beispiel N = 4. Zu bemerken ist noch, daß
in Bild 4.8 der Pfeil von z2 nach z2 mit dem Faktor wO bewertet ist, weil diese
Multiplikation bei dem unten angegebenen einfachen FFT-Programm tatsächlich aus
geführt wird.
Bild 4.9. "Butterfly"-Operationen
Die Signalflußgraphen für höhere Zweierpotenzen lassen sich nach dem Schachte
lungsprinzip sehr leicht aufbauen. Die Schlüsseloperation hierzu ist die Bestimmung
der Matrix 22 für jeden Teilschritt der FFT und ihre Modifikation durch Anwendung
des Uberlagerungssatzes. Die zugehörige Lösung läßt sich allgemein angeben. Zu
nächst gilt für die Faktorisierung N =2 (N/2), wenn man in (4.2-17) n =2 und
m = N/2 setzt
(4 .4-5)
Man sieht leicht e in, daß sich hieraus eine N-reihige quadratische Matrix ergibt,
die in vier (N/2)-reihige Diagonalmatrizen aufgeteilt werden kann :
1
1
1
1
1
1
ow
N/2w
1w
N/2+1w
N/2-1w
N-1w
(4.4-6)
114 4. Die numerische Ausführung der diskreten Fourier-Transformation
Die Elemente der Teilmatrix im rechten unteren Quadranten sind wegen wN/2 =- 1
ersetzbar durch - wO, - w1, ••• ,- wN/2- 1
• Das ist hier gleichbedeutend mit der An
wendung des Überlagerungssatzes, wie man leicht einsieht. Zur Vereinfachung der
Schreibweise führen wir nun die (N/2) -reihige Diagonalmatrix
ow1
w
Q= 2w (4.4-7)
N/2-1w
ein. Dann ist (4.4-6) darstellbar als
(4.4-8)
wobei.!. und Q die Einheitsmatrix bzw. die Nullmatrix der Reihenzahl N/2 sein sol
len. Das Matrizenprodukt rechts in (4.4-8) gibt den Signalflußgraphen an: die Dia
gonalmatrix ganz rechts die Abbildung von ~ auf ~' und die links davon stehende die
Butterfly-Operationen.
Für N = 4 gilt beispielsweise (Bild 4.8)
= [;- - - ; J-~---~1[;---~-~-~---~-11 0: -1 0 0 0 , wO 0
I '1o 1 I 0 -1 0 0: 0 w
(4.4-9)
Für N = 8 erhalten wir
1 1 1
1 -1
1 -1
1
1_______ _ _ 1 _
I 0,wI w1
1
2w
o
o
1
-1
1
1
1 1
1
1
1 -13
w
(4.4-10)
4.4 Schnelle Fourier-Transformation bei Z weierpotenzen 115
Der hierzugehörige Signalflußgraph ist in Bild 4.10 dargestellt. Er ist nach rechts
hin zu ergänzen durch zwei übereinander angeordnete Signalflußgraphen für je N = 4.
Dann ergibt sich der vollständige Signalflußgraph für N = 8 , wie in Bild 4.11 darge-
Zo
Z,
Zl
Zl
Z4
Zs
Z6
Z7
Xo
X4
Xl
X6
Xl
Xs
Xl
Zu
Zz
Z,
Yo ~+--------P---_--<l
YoQ-+-'--------p----o<:"""""o----------:'P------<>.::::,.-.-------::;:;>'O
Yl ct--+-*-*---*--p:......._-----<l
Yl Q-~~-*"""-*"--p--........-~-----------=:>O-_--<JC.~--------=:::,;,
Y4 6----*"""-*-*--4>----oc-"o-----------;;'P------<>.::::::+--------:-;::?J
Y7O---------4>-_-----<l
Bild 4.10. Teil des Signalflußgraphen fürdie FFT von N = 8 Elementen,welcher der Matrix 22 entspricht
~ ~
Vollständiger Signalflußgraph für die FFT von N = 8 Elementen bei Dezimierung im Zeitbereich und Permutation der Eingangselemente
Y7 0-......-------~_--4-_-------~_--<F'=__.,l__------"'O X7
Bild 4.11.
116 4. Die nu me r i s c he Au sführung der diskreten Fourier-Transformatio n
s te llt . Die Elemente x \) s ind s c hon in pe r mutie r te r Form a ngeor dnet . Die Kons t ruk
tion von Signalflußgraphen läßt s ich auf diese We ise mit Hilfe der Matrizen 22
für
beliebige Z we ierpotenzen mühelos vornehmen.
4.4.2 E infaches FFT-Programm
E in einfaches FORTRAN-Programm nach Cooley, Welch und Le wis [4.12,4.13 , 4 .19J ,
das die FFT für N = 2n nach di e s e m Prinzip ausführt , is t in Bild 4.12 angegeben.
SUBROUTINE FFT (X, P, M)CC FFT FOR COMPLEX DATAC PARAMETERS:C X COMPLEX ARRAY OF INPUT VALUESC P NUMBER OF STAGES (M = 2**P)C M LENGTH OF INPUT ARRAY (HAS TO BE APOWER OF TWO)C
COMPLEX X(M) , WR, W, VMV2 M/2MM1 = M-1J = 1DO 3 I = 1, MM 1IF (I .GE . J) GOTO 1V X(J)X(J) X(I)X( I ) V
1 K MV22 IF(K .GE. J) GOTO 3
J J - KK K/ 2GOTO 2
3 J J + KC
binäre i nv e r s i on
C
C
C
PI
DO 20 LLELEI~IR
W
DO 20 R
4.*ATAN(1.)
1, P~ stufenzähler2**LLE/2(1.0,0.)CMPLX(COS(PI/LE1), - SI N(PI / LE1) )
1 , LE1
DO 10 IQ= R, M, LEIP IQ + LEI dft für eine stufeV X( IP)*WRX( IP) X(IQ) - V
10 X(IQ) X( IQ) + VC20 WR I~R *W
RETURNEND
Bild 4 . 12 . FORTRAN-Programm für die FFT von N =2n
Elementen m i t Dezimier ung i m Zeitbereich und Permutation der Eingangselemente nach Cooley ,Welch und Lewis [ 4 .12 , 4 . 13. 4.19 J
4 .4 Schnelle Fourier-Transformation bei Zweierpotenzen 117
Hier werden die im Signalflußgraphen (Bild 4.11) mit wO angegebenen Gewichtsfak
tor en auch tatsächlich ausgeführt. Dieser relativ geringe Mehraufwand an Multipli
kationen ermöglicht die besonders einfache Struktur des angegebenen Programms .
Pro FFT-Stufe sind nunmehr N/2 Multiplikationen notwendig. Bei N = 2n gibt es n
Stufen und somit insgesamt einen Aufwand von
M = (N/2)n = (N/2) ld N (4 .4 -11)
oMultiplikationen . Würde man die Ausführung der Multiplikation mit w im Programm
vermeiden, so wären in der ersten Stufe N/4, in der zweiten Stufe N/8, in der drit
ten N/16 Multiplikation usw, einzusparen. In der vorletzten Stufe fielen zwei und in
der letzten schließlich noch eine Multiplikation weg. Das würde insgesamt eine Er
sparni s von N/2-1 Multiplikationen ausmachen, und man wäre dann wieder bei der
in (4 .3-11) a ngegebenen Minimalzahl von Multiplikationen.
Für di e bei N = 2n
vorzunehmende P e rmuta ti on der E lemente x gibt es e ine ein-v
fache Regel: Wir schreiben den Index \) eines jeden E lementes als Biriärzahl , Diese
Binärzahl wird an ihrer Symmetrieachse gespiegelt und entspricht danach dem Index
desjenigen Elementes, mit dem x\) bei der Permutation den Platz tauscht. Elemente
mit Indizes , denen symmetrische Binärzahlen entsprechen , bleiben an ihrem Platz .
F ü r N = 8 ergibt sich beispielsweise die in Tabelle 4 .1 angegebene P e r muta ti on.
Das ge s childerte Verfahren läßt sich leicht begründen, wenn man die bei der Ent
wicklung des Signalflußgraphen erforderlichen Dezimierungen betrachtet: Bei der
Dezimierung mit ~2,N/2 und ~~1,~/2 werden zuerst d ie Elemente mit geraden In
dizes (letztes Bit: 0) auf die ersten N/2 Plätze (erstes Bit: 0) und dann die Ele
mente mit ungeraden Indizes (letztes Bit : 1) auf die P l ä tz e von N/2 bis N - 1 (er
stes Bit: 1) gesetzt. Be i der zweiten Dezimierung der beiden Teilfolgen von je N/2
Werten mit ~2,N/4 und ~~1,~/4 we r de n dann da s vorletzte Bit und das zweite Bit
miteinander vertauscht usw; , so daß insgesamt schließlich eine vollständige Spiege
lung der binären Indizes zustande kommt.
Tabelle 4 . 1. Permutation für N = 8 durchSpie ge lung der bi nären Indizes
Index Index Index Indexdezimal binär binär , dezimal,
gespiegelt permutiert
0 o 0 0 000 0
1 o 0 1 1 0 0 4
2 o 1 0 010 2
3 o 1 1 1 1 0 6
4 1 o 0 o 0 1 1
5 1 o 1 1 0 1 5
6 1 1 0 o 1 1 3
7 1 1 1 1 1 1 7
118 4. Die numerische Ausführung der diskreten Fourier-Transformation
4.4.3 Algorithmen höherer Basis, reelle Zahlenfolgen
Bei Ausnutzung der Symmetrien in den harmonischen Funktionen ergeben
sich Möglichkeiten zu einer weiteren Reduzierung der Anzahl der erforderlichen Mul
tiplikationen. Der beschriebene FFT-Algorithmus würde für den Fall N = 4 nach Bild
4.8 ein oder zwei Multiplikationen erfordern, je nachdem, ob man die eine Multiplika
tion mit wO ausführt oder nicht. Nun ist aber für eine DFT von N = 4 Zahlen offen
sichtlich überhaupt keine Multiplikation erforderlich, wenn man sie entsprechend der
zugehörigen Matrix
1
-j
-1
1
-1
1
-1-~ J-J
(4.4-12)
direkt ausführen würde. Ähnlich ist es beim Fall N = 8, für den die FFT nach Bild
4.11 fünf bzw. acht Multiplikationen erfordert. Die zugehörige DFT-Matrix hat mit
w = exp{- jn/4) = (1 - j)/\f2 die Form
1 1 1 1 1 1 1 1
1 w -j -w* -1 -w j w*
1 -j -1 1 -j -1
W8 = 1 -w* j w -1 w* -j -w
1 -1 1 -1 1 -1 1 -1(4.4-13)
1 -w -j w* -1 w j -w*
1 -1 -j 1 j -1 -j
1 w* -w -1 -w* -j w
Zerlegen wir nun die zu transformierende Folge mit Xv = Civ
+ jßv
in Real- und Ima
ginärteile, so sind lediglich die Summenausdrücke (Ci 1 - Ci3 - Ci5
+ Ci7 ) , (Ci 1 + Ci2
-
Ci5 - Ci7 ) , (ß 1 - ß3 - ß5 + ß7) und (ß 1 + ß3 - ß5 - ß7) jeweils mit dem Faktor 1/'/2
zu multiplizieren, alle übrigen Operationen bestehen aus Sortieren, Vorzeichenände
rungen und Summationen. Insgesamt sind für N =8 also 4 reelle Multiplikationen
bei komplexen Folgen oder 2 reelle Multiplikationen bei reellen Folgen auszuführen.
Diese Verhältnisse werden bei den "Basis-4"- und "Basis-8"-FFT-Algorithmen aus
genutzt, wo man die Folge [x I nicht vollständig in Zweiergruppen aufteilt, sondernv
jeweils Gruppen von 4 bzw, 8 Elementen als Block der DFT unterwirft [4. 8-4.11J.
Hierdurch kann der Aufwand an Multiplikationen nochmals um 30 bis 40 %reduziert
werden [4. 15J. Die Programme sind allerdings wesentlich umfangreicher als das
oben angegebene.
Abschließend betrachten wir noch den häufig auftretenden Fall, daß die zu transfor
mierende Zahlenfolge [x Ire e 11 ist. Ohne hierauf abzielende spezielle Maßnahv
4.4 Schnelle Fourier-Transformation bei Zweierpotenzen 119
men würden die beschriebenen FFT-Verfahren zum gleichen Aufwand wie bei komple
xen Zahlenfolgen führen. Die Redundanz hierin läßt sich jedoch auf verhältnismäßig
einfache Weise zu einer Aufwandsreduzierung ausnutzen : Die Folge [x I wird zu-\I
nächst in die beiden Teilfolgen !x2n I und Ix2n+ 11 von je N/2 Elementen (n = 0,1, ••• ,
N/2-1) aufgespalten. Dem entspricht die Darstellung eines diskontinuierlichen Si
gnals als Superposition zweier Signale der halben Abtastfrequenz:
N-1
x*(t) =T L\1=0
x Ö(t - \lT)\I
(4.4-14)
N/2-1
=T Ln=O
N/2-1
x2n ö(t - 2nT) + T L x2n+ 1 ö(t - (2n + 1}T)
n=O
Für die zugehörige Fourier-Transformierte gilt dann
N/2-1__ T '\' -j2nf2nT T -j2nfTL x2ne + e
n=O
N/2-1
Ln=O
-j2nf2nTx 2n+ 1 e • (4.4-15)
Wird nun die Frequenz mit f -+ f = IJ./(NT) diskretisiert, so ergeben sich die zugeIJ.
hörigen relevanten Spektralwerte im wesentlichen durch Ausführung zweier diskre-
ter Fourier-Transformationen von je N/2 Elementen :
N/2-1 N/2-1X(f ) - T '\' -j2nlJ.n/(N/2) T -j2n lJ./ N '\'
IJ. - L x2ne + e Lne O n=O
-j2n lJ.n/(N/2)x2n+ 1 e •
(4.4 -16)
Die beiden reellen Teilfolgen IX2n 1 und !x 2n+ 1 1 werden nun zu der komplexen Folge
IX2n + jx2n+ 11 zusammengefaßt, dann wird für die letztere die DFT ausgeführt. An
hand der Zuordnung (3.2-27) lassen sich die Folgen DFT !x 2n I und DFT !x 2n+1 1
leicht aus der Folge DFT IX2n + jX2n+1 1 separieren.
Der Gesamtaufwand an Multiplikationen wird durch das geschilderte Verfahren etwa
auf die Hälfte reduziert. Verwenden wir beispielsweise das in Bild 4.12 angegebene
Programm, so sind für die FFT von N/2 komplexen Zahlen nach (4.4-11) (N/4) Id(N/2)
Multiplikationen auszuführen. Hinzukommen N/2 Multiplikationen mit den in (4.4-16)
auftretenden Phasenfaktoren.
Spezielle Programme für die FFT von reellen Zahlenfolgen findet man z , B. in
[4.9,4.11,4.14J.
120
4.5 Literatur
4. 5 Li teratur
4.1 Willers, F.A.: Methoden der praktischen Analysis, Berlin: de Gruyter 1971.
4.2 Zurmühl, R.: Praktische Mathematik für Ingenieure und Physiker, 5. Aufl ,Berlin, Heidelberg, New York: Springer 1965.
4.3 Cooley, J. W.; Tukey, J. W. : An Algorithm for the Machine Calculation ofComplex Fourier Series. Math. Computation 19 (1965) 297-301
4.4 Pollak , L. W.: Zur harmonischen Analyse empirischer, durch eine große Zahlgegebener Ordinaten definierter Funktionen. Ann , Hydrograph. u , Maritim.Meterorologie (1926) 311-315, 344-349, 378-384.
4.5 Runge, C.; König, H.: Vorlesungen über Numerisches Rechnen, Bd , II. Berlin: Springer 1924.
4.6 Danielson, G.C.; Lanczos, C.: Some Improvements in Practical Fourier Analysis and their Application to X-ray Scattering from Liquids , J. Franklin Inst ,233 (1942) 365-380, 435-452.
4.7 Cooley, J. W.; Lewis, P. A. W.; Welche, P.D.: Historical Notes on the FastFourier Transform. IEEE Transact. on Audio and Electroacoustics AU-15(1967) 76-79.
4.8 Bergland, G.D.: A Fast Fourier Transform Using Base 8 Iterations. Math ,Computation 22 (1968) 275-279.
4.9 Bergland, G.D.: A Radix-Eight Fast Fourier Transform Subroutine for Realvalued Series. IEEE Transact. on Audio and Electroacoustics AU-17 (1969)138-140.
4.10 Singleton, R.C.: An Algorithm for Computing the Mixed Radix Fast FourierTransform. IEEE Transact. on Audio and Electroacoustics AU-17 (1969) 93103.
4.11 Brenner, N. M.: Three FORTRAN Programs that Perform the Cooley-TukeyFourier Transform. MIT Lincoln Lab; , Lexington/Mass., Techn. Note 1967-2,July 1967.
4.12 Oppenheim, A.V.; Schafer, R.W.: Digital Signal Pr-oceaaing, EnglewoodCliffs, N.J.: Prentice-Hall 1975.
4.13 Rabiner, L.R.; Gold, B.: Theory and Application of Digital Signal Processing.Englewood Cliffs, N. J.: Prentice-Hall 1975.
4.14 Brigham, E .0.: The Fast Fourier Transform. Englewood Cliffs, N.J.: Prentice-Hall 1974.
4.15 Bergland, G.D.: A Guided Tour of the Fast Fourier Transform. IEEE Spectrum, July 1969, 41-52.
4.16 Singleton, R.C.: A Short Bibliography on the Fast Fourier Transform. IEEETransact. on Audio and Electroacoustics AU-17 {1969} 166-169.
4.17 Gentleman, W.M.; Sande, G.: F'aatF'our-ier- Transforms - for Fun and Profit.Fall Joint Computer Conference 1966, AFIPS Proc. 29 (1966) 563-578.
4.18 Achilles, D.: Der Uberlagerungssatz der diskreten Fourier-Transformationund seine Anwendung auf die schnelle Fourier-Transformation. Arch. elektr.Ubertr. 25 {1971} 251-254.
4.19 Schüßler, H. W. : Digitale Signalverarbeitung. Universität Erlangen-Nürnberg1976.
5 Schnelle Faltung und Korrelation
Im Abschnitt 2.4 wurde die diskrete Faltung als eine mögliche Form der Beschrei
bung diskontinuierlicher Systeme eingeführt . Ihre numeris c he Ausführung mittels
eines Digitalrechners stellt darüber hinaus ein Verfahren zur Real is ie rung solcher
Sys te me dar, das insbesondere bei nichtrekursiven digitalen Filter n, d . h . diskon
ti nuierlichen Syste men mit end lich la nger Impul s ant wor t wegen der dabei erzielba
ren Ve r a r be i tun gs ge s c hwin digk e i t gr oße Bedeutung besitzt . Ande r e r s e its s tellt die
diskrete Faltung auch e ine numerische Approximation des F a ltungs inte gr a l s dar und
ermöglicht so die Si m ula tion von kontinuierlichen linearen Systemen .
Die im Abschnitt 2 .1 definierten Korrelationsfunktionen von Signalen endlicher Ener
gie besitzen im wesentlichen die Form des Faltungsintegrals . Ihre Diskretisierung
füh rt daher auf Operationen, die nu meri s ch genauso wie die diskrete F altung ausge
führt werden können. Di e Methoden hi e r zu wer den im folgenden behande lt. Das grund
le gende P r in z ip besteht dar in, die diskrete F altung a ls zykli s c he Operation darzuste l
len und un te r Anwe ndun g der schnellen Four ier- Transfor mation auszuführen. Diese s
Verfahren, welches man allgemein a ls s c h n e 11 e F a lt u n g bezeichnet , hat weit
gehende Anwendungen in der digitalen Signalverarbeitung gefunden [ 5 . 1-5 . 7 J .
5.1 Diskrete Faltung und Korrelation als zyklische Operationen
Wir gehen von der diskreten F altung ( 2. 4-11) a us , beschränken un s aber zunächst
auf Zahlenfol gen e nd lic her Länge, etwa [u (O) , u (T) , •.• , u (( L - i rr) I e inerseits
und Ig(O) ,g(T) , ••• ,g ( ( K - i rr ) I a nde r e r s e its . Für die diskrete Faltung dieser
beiden Folgen gilt dann
K- l
y ( nT) = T I g ( \lT) u( NT - vr) ,
\1=0
( 5 .1-1)
122
wobei nur für die
5. Schnelle Faltung und Korrelation
N=K+L-1 (5.1-2)
Werte y(O) ,y(T), ••• ,y«N - 1)T) der Ausgangsfolge nichtverschwindende Ergeb
nisse auftreten können.
Die Konstante T wird in den meisten Definitionen der diskreten Faltung gleich 1 ge
setzt. Wir führen sie aber hier mit, weil sie in der Beschreibung diskontinuierlicher
Systeme nach (2.4-11) auftritt und außerdem bei der numerischen Approximation des
Faltungsintegrals notwendig ist. Allerdings wollen wir zur Vereinfachung der Schreib
weise y(nT) =,y(n), g("T) =,g(,,) und u(~T) =,u(~) setzen.
Als e infaches Beispiel betrachten wir zunächst die diskrete Faltung zweier Zahlen
folgen der Längen K = 3 und L = 4, die nach der Darstellung in Bild 5.1 als Abtast
folgen interpretiert werden können. Die durch die Faltung erzeugte Folge ly(n) I hat
N = 6 Werte, die sich wie folgt ergeben :
y(O) = T(g(O)u(O»,
y( 1) = T(g(O)u( 1) + g( 1)u(O»,
y(2) = T(g(O)u(2) + g( 1)u( 1) + g(2)u(O»,
y(3) = T(g(O)u(3) + g(1)u(2) + g(2)u(1»,
y(4) = T(g(1)u(3) + g(2)u(2»,
y(5) = T(g(2)u(3».
.... -.<u1I 1 ",- .... 911 1-- '" ',<- , ,// ..
'" u(3l u(2l u(1 ) u101 9(0) 9(1 "-- 9(2) ....,
3T 2T T 0 0 T 2T
Bild 5. 1. Zur diskreten F'altung zweier Zahlenfolgen
In der Matrixdarstellung lauten diese Gleichungen
(5.1-3)
y(O)
y( 1)
y(2)
y(3)
y(4)
y(5)
=T
g(O)
g(1)
g(2)
ooo
og(O)
g(1)
g(2)
oo
oo
g(O)
g(1)
g(2)
o
ooo
g(O)
g(1)
g(2)
~u(O) ~u( 1)
u(2)
u(3)(5.1-4)
5.1 Diskrete Faltung und Korrelation als zyklische Operationen 123
Die Faltungsmatrix hierin ist eine Rechteckmatrix , bei der auf jeder Diagonalen je
weils gleiche Elemente stehen. Die Nullen im oberen rechten und im unteren linken
Dreieck sind erforderlich, um - bildlich ausgedrückt - das Ineinander- und Ausein
anderlaufen der zu faltenden Folgen zu ermöglichen.
Wir erweitern nun die Operation (5.1-4) zu einer zyklischen Faltung, um den Fal
tungssatz der DFT anwenden zu können. Dazu verlängern wir den Spaltenvektor auf
der rechten Seite um K - 1 = 2 Nullelemente und ergänzen die Faltungsmatrix zu
einer 6-reihigen quadratischen Matrix. Dabei werden an die Matrix zwei Spalten an
gehängt, deren Elemente wegen der am rechten Spaltenvektor hinzugefügten Nullen
völlig frei wählbar sind, ohne daß das Gleichungssystem verändert wird. Wir wäh
len nun diese Elemente so, daß eine Zirkulante entsteht:
y(O) g(O) 0 0 0 g(2) g( 1) u(O)
y(1) g( 1) g(O) 0 0 0 g(2) u(l)
y(2) g(2) g(l) g(O) 0 0 0 u(2)= T (5.1-5)
y(3) 0 g(2) g( 1) g(O) 0 0 u(3)
y(4) 0 0 g(2) g(l) g(O) 0 0
y(5) 0 0 0 g(2) g(l) g(O) 0
Für den allgemeinen Fall der diskreten Faltung (5.1-1) würde das entsprechende
Schema folgendermaßen aussehen:
y(O) g(O) 0 0 0 g(K-1) ••• g(l) u(O)
y(l) g( 1) g(O) 0 g(2) u(1)
y(2) g(2) g(1) g(O)
g(K-l)
= Tg(K-l) u(L-l)0
{:0 {~y(N-l) 0 g(K-1) g(l) g(O)
L-l Nullen K-l Nullen
(5.1-6)
124 5. Schnelle Faltung und Korrelation
Vektoriell lautet diese Beziehung, wenn wir den links stehenden Spaltenvektor mit 1.,den rechts stehenden mi t u und die zirkulante Matrix mit G bzeichnen
y.. = T 9..!:! • (5 .1-7)
Definieren wir den Vektor ß. durch die erste Spalte von G, s o läßt sich dieser Zu
sammenhang auch in der symbolischen Form der zyklischen Faltung schreiben :
Aus dem Faltungssatz (3.2 -40) folgt dann
s. =Tß. * .!:! =~ -1 I(~ß.) 0 (~.!:!) I .
(5.1-8)
(5.1-9)
Somit läßt s ic h d ie diskrete Faltung über die rechts stehenden Operationen , d , h,
i m wesentlichen zwei OFT und eine lOFT mit Hilfe der schnellen Fourier-Transfor
mation numerisch ausführen (schnelle Faltung). In diesem Zusammenhang sei dar
auf hingewiesen, daß die Anzahlen L - 1 und K - 1 der an die Zahlenfolgen Ig( \I) Ibzw. lU(\I) I angehängten Nullelemente nur Mindestanzahlen darstellen , die notwen
dig sind, um die diskrete Faltung als zyklische Faltung auszudrücken. Man kann
darüber hinaus die Längen beider Folgen in gleichem Maße durch Anhängen weiterer
Nullen vergrößern , ohne das Ergebni s zu verändern. Es ergibt sich dann nur eine
um entsprechend viele Nullelemente verlängerte Ergebnisfolge \y( \I) I. Auf diese
Weise kann man Werte von N erhalten, die für die FFT günstig sind (z.B. Zweier
potenzen) •
Die diskreten Korrelationsoperationen lassen sich ebenfalls nach dem Prinzip der
schnellen Faltung numerisch ausführen. Betrachten wir zunächst die d i s k r e t e
Kreuzkorrelation zweier reeller Folgen endlicher Länge !g(O) ,g(1) , ••• ,g(K-1) Iund !x(O) ,x(1), • •• ,x(L-1)}. Die beiden möglichen Operationen, die der Diskreti
sierung der Kreuzkorrelationsfunktionen (2.1-26) bzw, (2.1-27) entsprechen, sind
folgendermaßen definiert:
K-1
p(nT) == p(n) = T L g(\I)x(n + \I),
\1=0
L-1
cp(nT) == cp(n) =TL g(\I + nIxf v ) •
\1=0
(5.1-10)
(5.1-11)
5.1 Diskrete Faltung und Korrelation als zyklische Operationen 125
Wir wählen die Matrizendarstellungen dieser Operationen so, daß wir wieder die
zirkulante Matrix g, die in (5.1-6) dargestellt ist, verwenden können. Dazu defi
nieren wir die folgenden Spaltenvektoren:
P(L-l)
P(L-2)
P = P(0)
P(-1)
p ( - K + l )
x(L-l)
x(L-2)
x= x(O) (5.1-12)
~) K-lNullen
Man überzeugt s ich leicht, daß nun die diskreten Kreuzkorrelationsoperationen
(5.1-10) und (5.1-11) in gleicher Weise durch
vektoriell darstellbar s ind, wobei von der Beziehung
p ( n ) = cp( - n},
(5. 1-13 )
(5.1-14)
die sich unmittelbar aus (5.1 -10) und (5.1-11) ergibt, Gebrauch gemacht wird.
Die sc h ne 11 e Kor re 1a t ion entspricht dann der Ausführung der Operationen
(5.1-15)
mit Hilfe der schnellen Fourier-Transformation.
Betrachten wir nun die dis k r e t e Au t 0 kor re 1at ion einer reellen Folge
19( v) I von K = L Werten:
K-l
r(nT) =: r(n) = T L g( v)g(n + v) •
v=O
(5.1-16)
Sie läßt sich als zyklische Operation unter Verwendung der zirkulanten Matrix 9darstellen:
126 5. Schnelle Faltung und Korrelation
r(O)
r( 1)
r(K-1)
r(-K+1)
r(-1)
=T
g(O)g(1)
g(2)
g(K-1)
o
o
og(O)g(1)
o
oo
g(O)
g(K-1)
o g(K-1)
g(1)
g(1)
g(2)
g(K-1)
o
og(O)
g~O) 1.) K-1~ Nullen
g(K-1)
g(1)
(5 .1-17)
Der rechts stehende Spaltenvektor ist durch ~~~ darstellbar , den links stehenden
nennen wir E.' Es gilt dann
2 2 -1 I 2 IE. = T S!~ 0 ~ = T.ß: * (~O~) = ~ (~~) 0 (~~O~) •
Nach (3.2-16) ist wegen der vorausgesetzten Reellität von ~
und hieraus folgt, daß r s ich mi t
(5.1-18)
(5.1-19)
(5.1-20)
als 10FT eines Spaltenvektors ergibt, dessen Elemente gleich den Absolutquadra
ten der Elemente von ~~ sind.
Somit sind hier zwei reelle Vektoren durch die DFT miteinander verknüpft. Beide
Vektoren müssen daher nach (3.2 -27) symmetrisch im Sinne von E. = ~~E. sein.
Wir vergleichen nun den Aufwand, den die zyklischen Operationen bei Anwendung
der FFT erfordern würden, mi t dem, welcher bei der direkten Ausführung der dis
kreten Faltungs- und Korrelationsoperationen zu leisten wäre.
Zunächst wird die diskrete Faltung komplexer Folgen betrachtet: Bei der schnellen
Faltung wären nach (5.1-9) zwei DFT, eine 10FT und die Multiplikation zweier
komplexer Folgen zu je N Elementen auszuführen. Gehen wir davon aus, daß N = 2n
ist und eine FFT mit dem in Bild 4.12 angegebenen Programm nN/2 Multiplikatio
nen erfordert , so sind für die schnelle Faltung insgesamt N(3n/2 + 1) Multiplika
tionen auszuführen. Auf der anderen Seite müßte bei direkter Ausführung der diskre
ten Faltung jedes Element der Folge \u( \I) I mit jedem Element der Folge jg( \I) I
5.1 Diskrete Faltung und Korrelation al s zyklische Operationen 127
multipliziert werden, was insgesamt einen Aufwand von KL Multiplikationen erfor
dern würde. Bild 5.2 zeigt einen Vergleich der beiden Verfahren für den F all L=K=N/2.
Bild 5.2. Aufwandsvergleich zwischender schnellen und der direkten Ausführung der diskretenFaltung zweier komplexerFolgen von je N/2 Elementen(bei reellen Folgen verschiebtsich das Verhältnis um etwaeinen Faktor 2 zugunsten derdirekten Ausführung) •
/
Etwas anders liegt der Fall der diskreten Faltung bzw. Kreuzkorrelation zweier
re e 11 er Zahlenfolgen. Hier wären bei der direkten Ausführung dieser Operatio
nen KL reelle Multiplikationen nötig. Diesen stünden 4N(3n/2 + 1) reelle Multi
plikationen bei der schnellen Faltung gegenüber, wenn man die reellen Folgen als
komplexe Folgen mit verschwindendem Imaginärteil verarbeiten würde. Bei Anwen
dung spezieller Algorithmen für die FFT von reellen Folgen lassen sich die a us zu
führenden Multiplikationen etwa a uf die Hälfe reduzieren.
Bei der diskreten Autokorrelation einer Folge von N/2 reellen Zahlen wäre nach
(5.1-20) eine DFT und eine IDFT von je N reellen Zahlen, sowie die Bildung der
Absolutquadrate von N komplexen Zahlen vorzunehmen. Führen wir d ie beiden Trans
formationen jeweils als FFT von N/2 komplexen Zahlen aus (vgl , Abschnitt 4.4),
so wäre insgesamt ein Aufwand von 2nN reellen Multiplikationen zu leisten, dem
(N/2 - 1}N/4 reelle Multiplikationen bei der direkten Ausführung der diskreten Au
tokorrelation gegenüber stünden. Bild 5.3 zeigt einen entsprechenden Aufwandsver
gleich.
Bei dem in Bild 5.2 dargestell ten Vergleich zwischen der schnellen und der direkten
Ausführung der diskreten Faltung wurde die erstere insofern begünstigt, als der Fall
L = K = N/2 einen Optimalfall darstellt. Je mehr L und K voneinander abweichen,
umso stärker verschiebt sich das Aufwandsverhältnis zugunsten der direkten Aus
führung. Dieser Effekt läßt sich folgendermaßen plausibel machen : Für K« L, d s h ,
auch K «N sind die nichtverschwindenden E lemente der Zirkulanten in (5.1-6) im
128 5. Schnelle Faltung und Korrelation
wesentlichen auf einen relativ schmalen Bereich um die Hauptdiagonale konzentriert.
Infolgedessen kann die Diagonalisierung nur noch einen verhältnismäßig geringen Ge
winn bringen, dem e in gleichbleibender Aufwand für die Transformationen gegenüber
steht. Im folgenden Abschnitt wird gezeigt, daß dieser Effekt durch e ine segmentierte
Ausführung der schnellen Faltung umgangen werden kann.
~
I I§~~ 1/I f!' ;;::.-c:J
& -.<P~ !"' L'I
2i ~~ §S~ "i'
QJ #.~ ~"tS <,"
/
L'I'
/// /
Bild 5.3. Aufwandsvergleich zwischender schnellen und der direktenAusführung der diskreten Autokorrelation einer Folge von N/2reellen Zahlen.
5.2 Segmentierung bei langen Datenfolgen
Bei einer Reihe von wichtigen Anwendungen liegt der Fall vor, daß eine der beiden
zu faltenden bzw, zu korrelierenden Folgen endliche Länge besitzt , während die an
dere unendlich bzw, sehr lang im Vergleich zur ersten ist. Das gilt beispielsweise
für die Verarbeitung von seismischen, oiomedizini schen und radioastronomischen
Signalen , von Sprache und von Radarsignalen. Hier entspricht etwa die Folge! g( 0) ,
g( 1), .•• ,g(K - 1) I z.B. der Impulsantwort eines nichtrekursiven digitalen Filters,
einem Wanderfenster oder e inem Mustersignal, während die andere Folge lu(o),
ut t ) ,u(2), .•• 1 das zu verarbeitende Signal darstellt , welches z..B, gefiltert , ge
glättet oder mit einem Mustersignal korreliert werden soll. Wir wollen die erstere
Folge als Fenster und die letztere als Eingangssignal bezeichnen . Das Ergebnis der
Faltung oder Korrelation, die Folge !y(O) , y ( 1) ,y(2), .•• I, nennen wir Ausgangs
stgnal ,
Man kennt zwei Methoden zur segmentierten Ausführung der schnellen F'altung , Bei
beiden lassen sich die elementaren Block-Operationen als Anwendung einer N-reihi-
5.2 Segmentierung bei langen Datenfolgen 129
gen zirkulanten Matrix 2 von der in (5.1-6) angegebenen Form auf N-zeilige Spal
tenvektoren, welche aus Segmenten der Eingangsfolge gebildet werden, darstellen.
Bei der sogenannten 0 ver l a p - A d d - Met h 0 d e , die auf Stockharn [5. 1J zurück
geht, werden der Eingangsfolge lu{ \I) I aneinandergrenzende Segmente von je
L = N - K + 1 > K Werten entnommen. Diese L Werte und K - 1 angehängte Nullen
bilden jeweils die Elemente eines N-zeiligen Spaltenvektors , auf den die Matrix 2angewendet wird. Der p-te Block bei der Verarbeitung hat dann die Form
"p(O) g{O) 0 0 g{K-1) g{l) u{ p)
"p{l) g{ 1) g{O) u(p+1)
g(K-1)
"p (K-1)= T g{K-1) g(l) g(O) 0 0 u(p+L-1)
0 0]0 • K-1
"p (N-1) 0 0 g(K-1) g(O)Ö Nullen
(5.2-1)
Das Ergebnis dieser Operation, ein N-zeiliger Vektor mit den Elementen "p(\I)
stimmt nur in seinem mittleren Teil mit den gesuchten Elementen y( \I) der Aus
gangsfolge überein :
"p(\I)=y(PN+\I) für \I=K-1,K,K+1, ••• ,L-1, (5.2-2)
während die ersten K - 1 und die letzten K - 1 Elemente unvollständig sind. Be
nachbarte Blöcke ergänzen sich jedoch bezüglich dieser unvollständigen Elemente:
"p -1 (N - \I) + "p ( \I) = y (p N + \I) ,
" (N - \I) +" 1(\1) = y«p + 1)N + \I)p p+
\I=0,1, ••• ,K-2 (5.2-3)
Zur Veranschaulichung dieser Methode betrachten wir ein einfaches Beispiel: Das
Eingangssignal habe die Elemente ut v) = \I + 1 für \I = 0,1,2, ••• und sei zu falten
mit dem aus K = 3 Elementen bestehenden Fenster g( 0) = g(1) = g( 2) = 1. Das
Abtastintervall sei T = 1. Wir wählen die Segmentlänge N = 6. Daraus ergibt sich
L = N - K + 1 = 4. Die Matrixdarstellung (5.2-4) zeigt die Bildung der ersten drei
Segmente bei der Overlap-Add-Methode.
Man erkennt die Uberlappung der Segmente im Ausgangssignal. Die nach (5.2-3)
zu addierenden Elemente sind hierin als Summen dargestellt. Die letzten beiden
Elemente sind noch unvollständig, da die zugehörigen Komplemente erst im vierten
130 5. Schnelle F altung und Korrelation
Segment gebildet werden. Die z irkulante Ma tr ix 2 tritt drei ma l in d iesem Sc hema
auf, wobei sic h jeweils K - 1 = 2 Zeilen übe r lappen .
1 1 000 1 1 1
3 1 1 o 0 0 1 21.S.
6 1 1 1 0 o 0 3
9 o 1 1 1 o 0 4 1. S .
r 7+5 001 1 1 0 1 0 0 0 1 1 0
4+11 000 1 1 1 1 1 000 1 0
18 1 1 1 000 52.S. 21 = 0 1 1 1 0 0 6
L 15+9 0 o 1 1 1 0 100 0 1 1 7
8+19 0 o 0 1 1 1 110001 82.S .
30 1 1 1 0 0 0 0
3.S. 33 011100 0
23+ •• 001110 9
12 +• • 000 1 1 1 10
11 3.S.
12
0
0
(5.2-4)
Bei der s oge na nnte n 0 v e r I a p - S ave - Met h 0 d e , die unabhängig von Stockham
[5.3J und Helms [ 5 . 2 J entwickelt wurde, überlappen s ich die Segmente in de r
E ingangsfolge um jeweils K - 1 E lemente. Das erste Segmen t enthä lt K - 1 Nul
len und d ie Werte uf O) bis u(L - 1). Im z we iten Segment befinden sich die Ele
mente u(L - K + 1) b is u(2L - 1), im dritten d ie Elemente u(2L - K + 1) bis
u(3L - 1), usw, Der p-te Block hat dann die folgende Form:
{: u( ( P-1)L-K+1)
u( ( P-1)L-K+2)K-1 nicht zu
y ( ( p-1)L)ve rwertendeElemente
y ( ( P-1)L+1) (5.2-5)= T G
u( pL-2 )
y ( pL- 1) u( pL-1)
5.2 Segmentierung bei langen Datenfolgen 131
D ie zirkulante Matrix .9 hierin is t die gleiche wie in (5.2-1) . Die ersten K - 1 E le
mente i m links stehe nden Spa ltenvektor s ind nicht zu verwerten und we r d en ignoriert .
D ie übr ige n L Elemente s te llen den Beitrag des p -ten Blockes zur Au sgangsfolgedar .
Zur Verans chaulichung der Overlap-Save-Methode ziehen wir wieder das oben gewähl
te Beispiel heran. Hier s ieht das Matrix s chema folgendermaßen aus:
~1 000 1 1 0
1 1 0 0 0 1 0
1 1 1 1 000 11.S.
3 0 1 1 100 2 1.S.
6 o 0 1 1 1 0 3 l9 o 0 0 1 1 1 4
~1 000 1 1 5 2 . S .1 1 000 1 6
12 = 1 1 1 000 7 (5.2-6)2.S.
15 o 1 1 100 8
18 o 0 1 110 9
21 000 111 10 3.S.
~1 000 1 1 11
1 1 o 0 0 1 12
24 1 1 1 0 o 03.S.
27 o 1 1 1 o 0
30 o 0 1 1 1 0
33 000 1 1 1
Wegen der Überlappung der Segmente in der Eingangsfolge um jewe ils K - 1 = 2
Elemente sind zwei Elemente in jedem Segment der Ausgangsfolge falsch und zu
ignorieren , wie in ( 5.2-6) angedeutet is t . Pro Block ergeben s ich L = N - K + 1 = 4
richtige Werte der Ausgangsfolge . Die zirkulanten Matrizen in (5 .2-6) übe r la ppe n
sich u m jeweils K - 1 = 2 Spalten.
Beide Me thoden zur segmentierten schnellen Faltung sind hinsichtlich des Aufwandes
praktisch gleichwertig. Die DFT der e rsten Spalte in der Zirkulanten .9 wird vorab
gebildet. Dann sind pro Segment no ch eine DFT und e ine IDFT von je N Elementen
und zus ätzlich N Multiplikationen a uszuführ e n. Gehen wir davon a us , daß N =2n
ist, so ergibt s ich bei An we ndung des in Bild 4.12 angegebenen FFT-Programms,
welches nN/2 Multiplikationen erfordert, bei ins ge s a mt R Segmenten der Aufwa nd
von
M =nN/2 + R nN + RN =nN/2 + RN(n + 1) (5.2-7)
132 5. Schnelle Faltung und Korrelation
Multiplikationen. Bei einer großen Anzahl R von Segmenten fällt der einmalige Auf
wand von nN/2 Multiplikationen nicht mehr ins Gewicht, und man hat dann e t wa pro
Block N(n + 1) Multiplikationen auszuführen. Dabei werden L =N - K + 1 Elemente
der Ausgangsfolge geliefert . Der im Mittel pro Element y erforderliche Aufwand~
ist somit
A = N(n + 1)N-K+1
n + 11 - (K - 15/N
n + 1
1 - (K - 1)2-n (5 .2-8)
Dieser Aufwand l äß t sich durch Wahl der Segmentlänge N beeinflussen . Zur Ab
schätzung des Optimalwertes von N bestimmen wir das Maximum von N bezüglich
einer kontinuierlich veränderbaren Variablen n. Man erhält dann die transzendente
Gleichung
2n = (K - 1) (1 + (n + 1) In 2) , ( 5 . 2-9 )
die für positives n und K ~ 2 genau eine Lös ung besitzt, welche auf ein Minimum
von A führt. Da der für n in Frage kommende Wertebereich wesentlich kleiner ist
als der für K, bestimmt man aus (5.2 -9) zweckmäßigerweise den jeweils günstigsten
ganzzahligen Wert von K für die interessierenden ganzzahligen Werte von n , Tabelle
5.1 zeigt diese Werte und den jeweils zugehörigen mittleren Aufwand A .
Tabelle 5. 1. Optimalwerte von K fürverschiedene Segmentlän-gen N
n N K A
3 8 3 5,33
4 16 5 6,67
5 32 7 7,38
6 64 12 8,45
7 128 20 9 ,39
8 256 36 10,43
9 512 66 11 ,45
10 1 024 120 12,45
11 2 048 221 13,44
12 4 096 410 14 ,44
13 8 192 766 15,44
14 16 384 1 439 16,44
15 32 768 2 711 17,44
5 .2 Segmentierung bei langen Datenfolgen 133
Der Minimalwert des Aufwandes Amin' der sich allerdings i ;a , für nichtganzzahlige
Werte von K ergibt, folgt aus (5.2-8), wenn man (5.2-9) einsetzt:
A . = n + 1 + 1/ln2mm(5.2-10)
Bild 5.4 zeigt für verschiedene Segmentlängen N = 2n den Aufwand A als Funktion
von K. Hieraus kann man für einen vorgegebenen Wert von K die jeweils günstigste
Segmentlänge entnehmen.
Wenn man andere FFT-Programme für die schnelle Faltung verwendet, die mehr
oder weniger als (N/2)ldN Multiplikationen erfordern, so läßt sich die optimale
Segmentlänge auf ähnliche Weise leicht ermitteln. In [5.7J wurde der Fall betrach
tet, daß die schnelle Fourier-Transformation (N/2)ld(N/2) Multiplikationen er
fordert. Dabei ergeben sich nur geringfügige Unterschiede hinsichtlich der optima
len Segmentlänge. Grundsätzlich i s t jedoch zu beachten, daß es sich hier nur um
Abschätzungen handelt. Bei häufig wiederkehrenden Signalverarbeitungsaufgaben ,
die mit einem bestimmten Programm auf einem bestimmten Digitalrechner durch
geführt werden sollen, empfiehlt es sich, einen echten Rechenzeitvergleich mit ver
schiedenen Segmentlängen vorzunehmen.
Wir untersuchen nun den Aufwandsgewinn , den die segmentierte schnelle Faltung
gegenüber der direkten Ausführung der diskreten Faltung bringen kann. Dabei gehen
wir davon aus, daß die Segmentlänge optimal und die Anzahl der Segmente R» 1
sei. Die direkte Ausführung erfordert K Multiplikationen pro Ausgangswert, wäh
rend man für die schnelle Faltung bei optimaler Segmentierung in guter Näherung,
wie Bild 5.4 zeigt, den minimalen Aufwand einsetzen kann. Das führt bei komplexen
Folgen zu einem Aufwandsverhältnis A . /K von schneller zu direkter Faltung,mmdas in Bild 5.5 als Funktion der Fensterlänge K dargestellt ist. Der Regelfall in
der Anwendung wird jedoch die Faltung bzw. Korrelation reeller Folgen sein.
Hier wären bei der direkten Ausführung nur K reelle Multiplikationen pro Aus
gangswert vorzunehmen, denen bei der schnellen F altung 4 A . /K reelle Multi-mm
plikationen gegenüberstünden, wenn man das reelle Eingangssignal als komplexe
Folge mit verschwindendem Imaginärteil verarbeiten würde. Man kann jedoch die
sen Aufwand um einen Faktor 2 reduzieren, indem man nach Stockham [5. 1J folgen
dermaßen vorgeht : Jeweils zwei a ufe ina nde r folge nde Elemente der Eingangsfolge
werden zu einer komplexen Zahl zusammengefaßt , so daß eine komplexe Folge ent
steht. Faltet man diese komplexe Folge mit der reellen Fensterfunktion , so ergibt
sich wegen der Linearität der Faltungsoperation eine Folge von komplexen Zahlen ,
deren Realteile und Imaginärteile jeweils zwei aufeinanderfolgenden Elementen des
reellen Ausgangssignals entsprechen. Für je zwei Ausgangswerte ist somit etwa
134 5. Schnelle Faltung und Korrelation
der Aufwand A . zu leisten. Das Aufwandsverhältnis bei der diskreten Faltungminreeller Signale i s t daher ungefähr durch 2A . /K gege be n, wie in Bild 5.5 dargemmstellt.
22
20
18
16
14
~
<i 12
10
8
In=15
13 ~ /~P,~
1 ? ~
1'9 ...,?yJ
V~V
6/ /n=j Vp~ .>
1/I:?'"
4 6 B 103
K-
B 104
Bild 5.4. Mittlerer Aufwand A pro Element der diskreten Faltung in Abhängigkeitvon der Länge K der Fensterfunktion für verschiedene Segmentlängen.
"-
'", i' 2A/ Ki' '"1
'".AlK " r-,
t', r-,I"-
,3
Bild 5.5. Aufwandsvergleich zwischens chne ller und direkter Fal-tung bei optimaler Segmentierung (komplexe Folgen : Am1n/K ,reelle Folgen : 2 Am1n/K).
104
5 .3 Literatur
5.3 Literatur
135
5.1 Stockham jr. , T.G. : High-Speed Convolution and Correlation. Spring JointComputer Conference 1966, AFIPS Proc. 28 (1966) 229-233.
5.2 Helms, H.D . : Fast Fourier Transform Method of Computing Difference Equations and Simulating Filters. IEEE Transact. on Audio and ElectroacousticsAU-15 (1967) 85-90.
5.3 Stockham [r-, , T.G. : High-speed Convolution and Correlation with Applicationsto Digital Filtering. In : Gold, B.; Rader, C. M. : Digital Processing of Signals.New York, Toronto, London : McGraw-Hill 1969.
5.4 Achilles, D. : Uber die diskrete Fourier-Transformation und ihre Anwendungauf lineare zeitinvariante Systeme. Ausgew. Arb. über Nachrichtensysteme,Nr , 15, herausgegeben von W. Schüßler , Universität Erlangen-Nürnberg 1971.
5.5 Oppenheim, A. V.; Schafer, R. W. : Digital Signal Processing. Englewood Cliffs,New Jersey : Prentice Hall 1975.
5.6 Rabiner, L.R.; Gold, B. : Theory and Application of Digital Signal Processing.Englewood Cliffs, New Jersey: Prentice-Hall1975.
5.7 Achilles, D. : Die diskrete Fourier-Transformation und ihre Anwendungen.In : H. W. Schüßler, Digitale Systeme zur Signalverarbeitung. Berlin , Heidelberg, New York: Springer 1973.
6 Fourier-Transformation und Spline-Interpolationin der Signalverarbeitung
6.1 Vorbemerkungen zur Signalverarbeitung
Im folgenden betrachten wir Methoden der digitalen Signalverarbeitung [6.6-6. 8J,
welche auf der Annahme beruhen, daß der Signalverlauf zwischen den Abtastwerten
durch Spline-Funktionen beschreibbar ist. Diese Hypothese liegt nicht so fern, wenn
man beachtet, daß Spline-Interpolationen La. sehr gute Approximationseigenschaf
ten besitzen und überdies auch die Shannon-Interpolation als Spline-Interpolation
unendlich hoher Ordnung interpretierbar ist. Diese letztere Aussage wird plausibel,
wenn man die Operationen im Zeit- und im Frequenzbereich vergleicht, durch wel
che kontinuierliche und diskontinuierliche Signale jeweils verknüpft sind: Bei der
Shannon-Interpolation sind das einerseits die Faltung des diskontinuierlichen Signals
mit a= (t) = (sin nt/T) / (rrt ) und andererseits die Multiplikation des periodisierten
Spektrums mit der Rechteckbewertungsfunktion A= (f), die für [r] > 1/(2T) iden
tisch verschwindet (Bild 6.1). Die entsprechenden Funktionen der Spline-Interpola
tion - in Bild 6.1 sind sie für die Polygon-Interpolation (Spline 1. Ordnung), die
kubische Spline-Interpolation und die Interpolation mit Spline-Funktionen 7. Ordnung
dargestell t - tendieren mit wachsender Ordnung der interpolierenden Polynome
gegen a= (t) bzw, A= (f).
Zweifellos ist die Shannon-Interpolation in dieser Reihe von herausragender Bedeu
tung für die Signalverarbeitung. Obwohl der Begriff des bandbegrenzten Signals eben
falls eine mathematische Abstraktion darstellt - denn Kausalität und Bandbegrenzung
sind streng genommen nicht vereinbar, wie die Shannonsche Interpolationsformel
(2.4-5) zeigt - so ist auf der anderen Seite doch die Voraussetzung der Bandbegren
zung approximativ immer durch Erhöhung der Abtastfrequenz bzw. durch Tiefpaßfil
terung des zu verarbeitenden Signals mit hinreichender Genauigkeit zu erfüllen und
technisch verhältnismäßig leicht zu überprüfen. Besonders wichtig ist hier auch die
Erhaltung der Signalklasse bei linearen Abbildungen: Bandbegrenzte Eingangssignale
führen bei linearen Systemen auf bandbegrenzte Ausgangssignale gleicher bzw. gerin
gerer Bandbreite.
Bei Spline-Interpolationen endlicher Ordnung ist die Approximationsgüte technisch
nicht so leicht überprüfbar, infolgedessen besteht eine gewisse Unsicherheit hin
sichtlich der Genauigkeit der Signalverarbeitung. Uberdies bleibt die Signalklasse
6.1 Vorbemerkungen zur Signalverarbeitung 137
1T
1T
1TI
o
1,0
1.0
1,0
1 1 0 1 1-1 -TI TI T
1,0
vÄoo(f )
1 0 1-TI TI
1,0
-T 0 T
Bild 6.1. Operationen im Zeit- und im Frequenzbereich bei verschiedenen SplineInterpolationen bzw, bei der Shannon-Interpolation
auch bei der Verarbeitung durch lineare Systeme i. a , nicht erhalten: Die Faltung
zweier kubischer Spline-Funktionen führt beispielsweise auf eine Spline-Funktion
7. Ordnung. Andererseits bestehen hier keine Probleme bei der Darstellung kau
saler Signale, und auch Unstetigkeiten in den Signalfunktionen und ihren Ableitungen
lassen sich durch Spline-Funktionen ohne prinzipielle Schwierigkeiten approximie
ren , wohingegen bandbegrenzte Signalfunktionen unendlich oft differenzierbar sein
müssen.
Im nächsten Abschnitt wird gezeigt, daß die Fourier-Transformierten bestimmter
Spline-Funktionen aus den periodischen Spektren der zugeordneten diskontinuierlichen
138 6. Fourier-Transformation und Spline-Interpolation in der Signalverarbeitung
Signale durch multiplikative Bewertung mit einfachen Gewichtsfunktionen, von denen
einige in Bild 6.1 bereits dargestellt sind. gewonnen werden können. Das hat die weit
reichende Konsequenz , daß die Spektren solcher Spline-Signale mit Hilfe der diskreten
Fourier-Transformation ex akt bestimmt werden können.
6.2 Spline-Signale und ihre Spektren
Die Spline-Interpolation (z.B. [6 .1 , 6.2J ist dadurch gekennzeichnet. daß der Funk
tionsverlauf zwischen den zu interpolierenden Abtastwerten durch Polynome gegeben
ist. deren Koeffizienten durch Stetigkeitsforderungen und durch Rand- bzw. Anfangs
bedingungen festgelegt werden. Betrachten wir zur Veranschaulichung die Interpola
tion von N Abtastwerten "o -u1 • • • • •uN-1 durch kubische Spline-Funktionen (Bild 6.2) ,
y(1)
Yo (I)
/II UN-3
/Ol--..l.-_-L.-_.....L-~--T-----~---J'----..l.--...l...-__
Bild 6.2. Zur kubischen Spline-Interpolation
Hier ist die inte r poli e r ende Funktion y(t) zusammengesetzt aus Polynomen dritten
Grades y (t}, welche intervallweise verschieden sind:\I
y(t) = Yn(t) für nT~t~ (n + i rr , n = O,l , ••. •N - 2,
Yn(t) = an + bn(t - nT) + cn(t - nT)2 + dn(t - nT)3 • (6.2-1)
Insgesamt sind hier 4 (N - 1) frei wählbare Koeffizienten a • b , c und d vor-n n n nhanden , für deren Festlegung die folgenden Stetigkeitsforderungen erhoben werden :
y(nT) =u,y«n+1)T)=u l' n=O .1 •.•• •N-2,n n n n-
y~-l (nT) = y~(nT), y~-l (nT) = y~(nT), n = 1,2 ••• •• N - 2.
(6.2-2)
(6.2-3)
6.2 Spline-Signale und ihre Spektren 139
Das sind insgesamt 4 (N - 1)- 2 Bedingungen. Die beiden restlichen Freiheitsgrade
können durch Rand- oder Anfangsbedingungen abgedeckt werden. Bei den sogenann-
ten "natürlichen Splines" fordert man YÖ(O) = YN_2«N - 1)T) =0, wodurch die Krüm
mung der Gesamtfunktion minimal wird wie bei einem dünnen elastischen Kurvenlineal ,
das im Englischen als "spline" bezeichnet wird und dieser Interpolationsart den Na
men gegeben hat.
Für die Signalverarbeitung ist es aus Kausali tätsgründen zweckmäßiger, anstelle der
obigen Randbedingungen geeignete An fan g sb e d i n gun gen aufzustellen, also bei
spielsweise die Werte yÜ(O) = bO und yÖ(O) = 2cO vorzugeben. Die Fourier-Trans
formierten solcher Spline-Funktionen lassen sich leicht durch Bewertung der aus den
Abtastwerten u\l gebildeten diskreten Fourier-Transformierten mit bestimmten, all
gemein angebbaren Gewichtsfaktoren - den sogenannten "Abminderungsfaktoren"
[6.3-6.5] - und Hinzufügen einfacher Zusatzglieder, welche den Anfangsbedingungen
Rechnung tragen [6.6], ermitteln .
Wir gehen hier zunächst von dem wichtigen Sonderfall aus, daß die kubische Spline
Funktion nebst ihrer ersten und zweiten Ableitung bei t = 0 verschwinden soll:
(6.2-4)
Außerdem nehmen wir vorerst an, daß das durch Spline-Interpolation zu approximie
rende Signal nach einer gewissen Zeit wieder genügend stark abklingt, um mit hin
reichender Genauigkei t
y ( (N - 1) T) = YI ( (N - 1) T) = y" ( (N - 1) T) = 0 (6.2-5)
setzen zu können. Diese einschränkenden Bedingungen werden im Abschnitt 6.4 wie
der aufgehoben. Die hier betrachteten Spline-Funktionen sind von der in Bild 6.3 dar
gestellten Art: Die zweite Ableitung ist ein Polygonzug und die dritte eine Stufenfunk
tion , deren Derivation eine Folge von bewerteten Delta-Distributionen ergibt.
Die Verallgemeinerung solcher Funktionen führt auf die folgende Definition der Klasse
S von Spline-Signalen m-ter Ordnung:m
Wir nennen p (t) ES ein Spline-Signal der ordnung m e zk e t (k~O,ganz),m m
wenn die ersten m - 1 Ableitungen von p (t ) stetig sind, die rn-te Ableitung einem
Treppenfunktion mit äquidistanten Stufen in den Zeitpunkten t = \lT (\I ganzzahlig) mit
den Stufenhöhen q ist und das Fourier-Integral für p (t) und alle seine Ableitungen\I m
bis zur m-ten e inschließlich existiert. Die (rn + 1) -te Derivierte des Spline-Signals
hat dann die FormN-1
L\1=0
q &(t- \lT).v
(6.2-6)
140 6 . Fourier-Tra nsforma tion und Spline-Interpola tion in der Signalvera rbeitung
,~~......._--o 1
0 1 ~
0 1 V7
+[t:J-I--+--~f----
o 1
B il d 6 .3 . Bei s pi el für ein kubisches Spline-Sign a l und seine Derivierten
Die Definiti on l äß t s ich a uf Funktionen Pm (t) aus dehnen, die s ich über di e gesamte
Zeita chs e e rstr ecke n un d erst i m Unendlichen vers chwinden. Auch für die se gelten
die in diese m Abschnitt her zu le ite nde n Beziehungen si nngemäß [6 . 5J. In d er prak
ti s chen Anwendung wird man je do ch i m m er auf Zeita b s chnitte e ndliche r Länge zurück
gr e ife n , nötigenfalls durch Segmentier ung der zu verarbeitenden Signale. Dabei kann
man beliebige Signalauss chnitte über die R änder hinaus stetig i n p (t) und s einenm
beiden e rste n Ablei tungen fortsetzen, was zu maximal m zus ätzlichen Abtastwerten
a uf jeder Seite führt, di e durch die Ste tigkeitsbedingungen festgelegt sind (Abschnitt
6. 4) .
Wir betrac h ten zunächst den einfacher e n F all eines Spline-Signals erster Ordnung
P1(t) , a lso eines Polygonzuge s , der die Abtastwerte u\l linear interpoliert, wobei
Uo =uN_ 1 =0 gel te n muß:
( u 1 - u )( t - vr ) / T + U für v'I' ~ t ~ ( \I + 1) T.\1+ \I \I
(6.2-7)
6.2 Spline-Signale und ihre Spektren
Die e rste Ableitung ist dann di e Stufenfunktion
P(1 ) ( t ) = (u -u )!T für \lT~ t~ ( \I + 1)T,1 \1+1 \I
deren Derivation a uf d ie Impulsfolge
N-1
P ~ 2) ( t ) = L q\l6(t - \lT)
\1=0
141
(6.2-8)
( 6.2-9)
führt , wobei die Faktoren q\l der jeweiligen Stufenhöhe von Pi (t) a n den Stellen
t = \lT entsprechen:
q = (u 1 - 2u + U l)!T.\I \1+ \I \1 -
Die Fourier-Transformation von p~2) (t) führt a uf
(6.2-10)
N-1
p~2)(t) ~ L\1=0
( 6.2-11)
und hieraus folgt durc h Anwendung des Differentia tions s a tzes (2.1-13) die Fourie r
Transformierte von P i ( t) :
N-l
L\1=0
-j2nf\lTq e\I (6.2-12)
Se tzt man nun für q v die Werte U v nach (6.2-10) e in, so e r gi bt sich wegen
U o = uN
_1 =0
P (f) = -11 T(2nf)2
N-l
Lv=o
( )-j2nfvT
u 1 - 2u + U 1 ev+ \I \1 -
N-1-T \'
(2nfT)2 Lv=o
1-j2nf( \I- l ) T 2 -j2nfvT -j2nf( v+1) T I
u e - e +e\I
2T=------,:-(2 nfT) 2
N-1
(1 - cos2nfT) Lv=o
-j2nf\lTu e •\I ( 6. 2-13 )
142 6. Fourier-Transformation und Spline-Interpolation in der Signalverarbeitung
Nach Substitution von
ergibt sich
N-l
I\(f) = TL\J=O
u e -j2TTf\JT\J (6.2-14)
P (f) - Isin TTfT } 2 P (f)1 - TTfT l' (6.2-15)
Das periodische Spektrum Pl (r) kann punktweise durch DFT der Abtastwerte u\J
berechnet werden, und hieraus folgt das gesuchte Spektrum des Spline-Signals erster
Ordnung durch Bewertung mit der Gewichtsfunktion
die in Bild 6 .1 dargestellt ist.
( ) _ Isin TTfT 12
Al f - TTfT ' (6.2-16)
Wir betrachten als einfaches Testbeispiel hierzu das Spline-Signal ul t) nach Bild 6.4.
1,0
Bild 6.4. Einfaches Spline-Signal 1. Ordnung
Seine Abtastung mit der Frequenz l/T führt auf das diskontinuierliche Signal u* (t) =
n(t - T) mit dem Spektrum u(f) = T exp( - j2TTfT). Die Anwendung von (6.2-15) er
gibt das Spektrum von u( t ) exakt :
(6.2-17)
Die Beziehung (6.2-15) läßt sich auf Spline-Signale m-ter Ordnung verallgemeinern
[6.5J. Die Fourier-Transformation von (6.2-6) liefert für das Spektrum eines sol
chen SignalsN-l
(j2TTf)m+l P m(f) = L Q\Je- j2TTf\JT.
\J=O
(6.2-18)
6.2 Spline-Signale und ihre Spektren 143
Das aus den Abtastwerten Pm (\lT) gebildete diskontinuierliche Signal hat anderer
seits das Spektrum
N-1
Pm (f) = T L Pm (\lT) e -ja-rvr ,\1=0
welches mit P (r) durch den Uberlagerungssatz (2.3-25)m
00
P (f) = \' P (f - k/T)m i...J mk=-oo
(6.2-19)
(6.2-20)
verknüpft ist. Wir setzen nun (6.2-18) ein, wobei aber zunächst die Frequenzpunkte
f = IJ./T für ganzzahliges IJ. auszuschließen sind:
N~1 -j2n(f-k/T) -rL. q e
\1=0 \I
(j2n(f _ k/T)) m-1
N-1
=L\1=0
-j2nf\lTq e
\I
N-1
L\1=0
1
(j2n(f _ k/T))m+1
Erneutes Einsetzen von (6.2-18) liefert dann
k=-ro
1
(f - k/T)m+1 •(6.2-21)
Die Summe hierin läßt sich durch rn-fache Differentiation nach f
00
Lk=-oo
1
(f - k/T) m- I
:::0
Lk=-oo
1f-k/T (6.2-22)
auf die für m = 1 bereits gefundene Lösung zurückführen. Setzen wir nämlich in
(6.2-21) m = 1, so ergibt ein Vergleich mit (6.2-15) und (6.2-22)
:::0
(f _ k~T)2 = ISi:r;;fT }2 = - ~ gf k~oo f - ~7T •
144 6. Fourier-Transformation und Spline-Interpolation in der Signalverarbeitung
Da andererseits
I -rr j2 2d rrsin nfT = - nTf df cot fT
gilt , folgt aus (6.2-22)
co
Loder
1 _ nr (- 1)m dm
cot nrr(f_k/T)m+1- m! dfm
k=- =
(6.2-23)
co
fm+1 Lk=-=
(6.2-24)
Aus (6.2-21) ergib.t sich nun die gesuchte Beziehung
P (f) = A (f)p (f)m m m
mit
A (f) = (d/df) m( 1/f) •m nT(d/df)mcot nfT
(6.2-25)
(6.2-26)
Man kann leicht zeigen, daß dieser Zusammenhang auch für die ursprünglich ausge
schlossenen Frequenzpunkte f1/T gilt. Aus (6.2-26) folgt
und (6.2-18) geht über in
für
für
~ = 0
~=±1,±2 , ••• ,(6.2-27)
N-1
(j2n~/T)m+1Pm(~/T)= I: q\) = 0,
\)=0
(6.2-28)
wobei die Summe über alle Sprünge q verschwinden muß, weil für die Treppen
funktion p~m) (t) voraussetzungsgem~das Fourier-Integral existieren soll. Aus
(6.2-28) folgt dann
Pm(~/T)=O für ~=±1,±2, ••• , (6.2-29)
6.2 Spline-Signale und ihre Spektren 145
und die Gültigkeit von (6.2-25) für f = 0 ergibt sich aus (6.2-20) und (6.2-29):
P (k/T) = P (0).m m (6 .2-30)
Die Gewichtsfunktionen A (f) lassen sich aus (6.2-26) ermitteln. Es gilt beispielsm
weise
A3
( f ) 3 {Si~;fT} 4= 2 + cos 2nfT
und
= ----".----_3:.,.1:..;5:...-.__...-- ----".----_
17 + 180 cos2
nfT + 114 cos4
nrr + 4 cos6 rrrt
(6.2-31)
(6.2-32)
Diese und andere Gewichtsfunktionen sind in Bild 6.5 dargestellt.
1,00r-oo::::::::-----o:::::::::::---==:::::""':::::-=:::::-<:
0,75
0,50
0,25
o 1T
Bild 6.5. Gewichtsfunktionen A (f) = A (- f) für m = 1,3,5,7,9 ,19.m m
Die vorstehenden Betrachtungen lassen deutlich erkennen, daß die Fourier-Trans
formierten der Spline-Signale auf der gesamten Frequenzachse definiert und aus den
periodisierten Spektren P (f) ermittelt werden können. Der Überlagerungseffekt inm
(6.2-20) wird also durch die Bewertung mit A (f) vollständig kompensiert. Andem
rerseits wird bei der praktischen Berechnung von P (r) eine Diskretisierung derm
146 6. Fourier-Transformation und Spline-Interpolation in der Signalverarbeitung
Frequenzachse vorgenommen, die sich zunächst auf die Frequenzpunkte f = ~/(NT)~
mit ~ = 0,1, ••• ,N - 1 erstreckt. Die periodische Fortsetzung der Spektralwerte
p (~/{NT» führt dann jedoch auf eine vollständige Abdeckung der Frequenzachse,m
d.h.
p {~/ (NT» = A {~/{NT»P (~/ (NT»m m m (6.2-33)
kann für alle ganzzahligen Werte von ~ bestimmt werden, wobei eine DFT von N
Werten durchgeführt werden muß und zusätzlich noch jeweils eine Multiplikation
mit dem reellen Faktor A (~/{NT» pro Frequenzpunkt vorzunehmen ist. Die Symmmetrien des Spektrums P (f) bei reellen Signalen nach (2.1-42) bleiben be
mstehen, wenn der berücksichtigte Frequenzbereich symmetrisch zu f = 0 liegt.
6.3 Faltung, Korrelation und Deconvolution von Spline-Signalen
Die Fa I tun g zweier Spline-Signale der Ordnungen n und m führt auf ein Spline
Signal der Ordnung k = n + m + 1: Für u{ t) E Sund h{ t) E S gilt [6.7Jm n
u{t) * h{t) = y{t) E Sk' k=n+m+1. (6.3-1)
Zum Beweis betrachten wir die entsprechende Beziehung im Frequenzbereich
und multiplizieren mit {j2nf)k+ 1:
U(f)H(f) = Y{f) (6.3-2)
(6.3-3)
Die inverse Fourier-Transformation führt dann auf die Faltung der entsprechenden
Derivierten
Da nach (6. 2-6) die Darstellungen
(6.3-4)
K-1
u{m+1) (t) = L;t=O
(X ö{t-KT)K
(6.3-5)
6.3 Faltung, Korrelation und Deconvolution von Spline-Signalen
und
L-1
h (n+1}(t) -_ ~ Q L( T}~ f';l" v t - ;l"
;l,,=0
gelten, folgt aus (6.3-4) bei Anwendung von (2.2-23)
147
(6.3-6)
K-1 L-1
y<k+1} (t ) = L LK=O ;l,,=0
N-1
Q'Kß;l" ö(t - KT - xr) = Lv=O
q ö (t - vT) ,v
(6.3-7)
wobei N = L + K - 1 ist und die qv sich aus der diskreten Faltung der Q'K und ß;l"
ergeben:
K-1
qv = L Q'K ßV-K •K=O
(6.3-8)
Der Vergleich von (6.2-6) und (6.3-7) zeigt, daß y(t} ein Spline-Signal der Ord
nung k = n + m + 1 sein muß. Die Beziehung (6.3-2) läßt sich dann nach (6.2-25)
ersetzen durch
Ak(f)Y(f) = A (f}A (f)U(f}H(f) •m n (6.3-9)
Wenn man nun nach Y(f) auflöst und die Frequenzachse mit f ... f = IJ,/(NT} diskreIJ,
tisiert
(6.3-10)
so lassen sich die Abtastwerte von y(t} durch eine lOFT exakt bestimm.en [6.7]:
N-1
y(vT} = ~T L Y (NT) ej2TIIJ,vjN
IJ,=O
(6 .3-11)
Es ergibt sich so das folgende Verfahren zur numerischen Ausführung der Faltung
von Spline-Signalen : Die Abtastfolgen !u(O} ,u(T}, ••• ,u( (K - 1)T} I und Ih(O},
h(T}, ••• ,h( (L - 1)T} I werden durch Anhängen von Nullen auf Folgen von jeweils
N = K + L - 1 Elementen verlängert und dann der DFT unterworfen. Man erhält so
die Folgen !U(f } I und IH(f } I, welche miteinander zu multiplizieren und mit denIJ, IJ,
reellen Faktoren A (f}A (f }/Ak(f ) zu bewerten sind. Die lOFT führt dann aufm IJ, n IJ, IJ, .die Folge ly(vT}I.
148 6. Fourier-Transformation und Spline-Interpolation in der Signalverarbeitung
Dieses Verfahren erfordert nur einen geringfügigen Mehraufwand gegenüber der
schnellen Faltung : Es sind zusätzlich lediglich N Multiplikationen mit reellen Fak
toren auszuführen. Für Spline-Signale sind die Resultate exakt. Bei anderen Funk
tionen entspricht die Genauigkeit der Approximationsgüte der Spline-Interpolation.
Nehmen wir an, daß uf t ) und hf t ) kubische Spline-Signale sind oder durch solche
approximiert werden, so ergibt sich als Resultat der Faltung ein Spline-Signal der
Ordnung 7. Die Bewertungsfaktoren sind hier nach (6.2-31) und (6.2-32)
2 4 617 + 180 cos TIf.l:/N + 114 cos TIf.l:/N + 4 cos TIp./N
2 •35(2 + cos znu/N)
(6.3-12)
Die Zahlenwerte dieser Faktoren sind immer positiv , und die Periodizität, die nach
(6.3-10) bestehen muß, ist leicht zu erkennen. Das Prinzip dieser digitalen Verar
beitung von Spline-Signalen ist in Bild 6.6 dargestellt.
'" u(vTlu(I) 0--<> ~---l
y (vT)0------1 I---------l X }_-o OlLL.--_---'
Bild 6.6. Digitale Verarbeitung von kubischen Spline-Signalen: ut t) '"" hf t) = y(t}
Will man statt der Faltung die Kreuzkorrelationsfunktionen von uf t ) und
h l t ) bestimmen, so ist nach (2.1-28) bzw, (2.1-29) in (6 .3-10) DU } bzw. 'HU }f.l: f.l:
durch den konjugiert-komplexen Wert zu ersetzen.
Eine Deconvolution läßt sich ausführen, wenn man (6.3-1O) nach UU} bzw.
'HU} auflöst und davon die IDFT bildet. Eine mögliche Anwendung ist die System-
I den t i f i kat ion, wo die Impulsantwort h( t) eines linearen zeitinvarianten Systems
bei bekanntem Ausgangssignal y(t} zu bestimmen ist:
N-l
h(vT} = JT Lf.l:=0
(6.3-13)
6.3 Faltung, Korrelation und Deconvolution von Spline-Signalen
mit
149
(6.3-14)
Hierbei wird der Kehrwert von (6 .3-12) zur Bewertung verwendet. Will man die
Übertragungsfunktion H(f) bestimmen, so sind die Werte
H(f )~
(6.3-15)
105 (2 + cos 2TT~/N) { sin TT~/N 14
2 4 6 TT IN17 + 180cos TT~/N + 114cos TT~/N + 4cos TT~/N ~
zu bilden.
Das angegebene Verfahren ermöglicht die Bestimmung der Abtastwerte des gesuch
ten Spline-Signal s , welches somit eindeutig festgelegt ist. Die Zwischenwerte könn
ten dann durch Interpolation bestimmt werden.
Im folgenden betrachten wir eine andere Methode zur Verarbeitung von Spline-Si
gnalen , welche unmittelbar auf die an a log e Si g n a I f 0 r m des gesuchten Signals
führt [6.8J. Nehmen wir an. daß wieder das Spline-Signal y(t) gesucht sei. wel
ches sich nach (6.3-1) als Faltung zweier Spline-Signale uf t) und h(t) ergibt. Die
(k + l)-te Derivierte von y(t) ist nach (6.3-7) als diskontinuierliches Signal dar
stellbar. Bei bekannten Impulsstärken q muß sich y(t) durch (k + l)-fache Inte
gration aus /k+l) (t ) ergeben. Zur Bes~immUngder q transformieren wir (6.3-7)v
in den Frequenzbereich und erhalten mit (6.3-9)
N-l
Lv=O
-j2TTfvTq e
v
(6.3-16)
Diskretisieren wir nun die Frequenz mit f ... f = ~I (NT) so ergeben sich die gesuch~
ten N Werte qv durch eine lOFT
{~1k+l A (L) A (L) u(L) H(L) ej2TT~v/NNT m NT n NT NT NT •
(6.3-17)
Für den Fall, daß u( t ) und h( t) kubische Spline-Signale sind, schreiben wir dieses
Ergebnis in der Form
v=O ,l • • • •• N-l, (6 .3-18)
150 6. Fourier-Transformation und Spline-Interpolation in der Signalverarbeitung
worin U = U(~/(NT)) und H = H(~/(NT)) sein sollen. Da die Bewertungsfaktoren~ ~
R = T 91 (2/T) sin TT~/Nt~ \2 + cos 2TT~/N1
(6.3-19)
vorab berechnet werden können, besteht der numerische Mehraufwand gegenüber
der schnellen Faltung wiederum nur in den N Multiplikationen mit diesen reellen
Faktoren R •~
Die Rückwandlung in die analoge Signalform läßt sich mit Hilfe von acht Integrierern
vornehmen, wobei die Werte qv in den Zeitpunkten t = v'I' als Anfangsbedingungen
auf den ersten Integrierer gegeben werden. Das Schema dieser hybriden Signalver
arbeitung ist in Bild 6.7 dargestellt.
Bild 6.7. Hybride Verarbeitung von kubischen Spline-Signalen
Die beschriebenen Methoden wollen wir nun an einem einfachen Beispiel testen. Das
in Bild 6.4 dargestellte Spline-Signal erster Ordnung
It/T
u( t) = ~-t/T
für 0";; t ,,;; T
für T";; t,,;; 2T
sonst
(6.3-20)
soll mit sich selbst gefaltet (korreliert) werden. Zuerst betrachten wir das Ver
fahren, welches nach (6.3-11) auf die Abtastwerte von y(t) = uf t) * uf t) führt.
6.3 Faltung, Korrelation und Deconvolution von Spline-Signalen
Nach (6.3-10) und (6.2-17) gilt mit f = ~/(NT)~
Y(f } = u2 (f }A21
(f }/A3
(f } = (T2/3)(2+cos2n~/N}e-j2n~2/N~ ~ ~ ~
= (T2/6) 1e-j2n~/N + 4e-j2n~2/N + e-j2n~3/N 1'
151
(6.3-21)
und hieraus ergeben sich die Abtastwerte y(O} = O,y(T} = T/6, y(2T} = 2T/3 , y(3T} =
T/6 und y(4T} =O. Die Richtigkeit dieser Werte folgt aus dem Vergleich mit dem
analogen Signal y(t}, welches in (6.3-22) angegeben ist.
Für die hybride Methode ergibt sich aus (6.3-16) mit N =5, m =n = 1 und k = 3
4
T ~ -j2nWv/5 _ T(~) 4 A2 (L) u2 ( L )1...J q\l e - NT 1 NT NT\1=0
_ T3 (~) 41
sin n~/N 14 -j2n~2/N- NT n~7N e
= (1/T) (2sin n~/N)4 exp( -j2n~2/N}
1 \1 4 -j2n~/5 6 -j2n~2/5 4 -j2n~3/5 -j2n~4/5l='f - e + e - e +e
Durch Koeffizientenvergleich erhält man hieraus die Werte q\l' mit denen das dis
kontinuierliche Signal
y ( 4 ) ( t) = (1/T2) Iö ( t ) - 4 ö (t - T) + 6e(t - 2T) - 4 ö (t - 3T) + s(t - 4T) l
gebildet wird, und nach viermaliger Integration folgt hieraus
3 2yo (t) = t / (6T ) 0 ~ t ~ T
2 3 2Y1(t) = T/6+(t-T}/2+(t-T} /(2T}-(t-T) /(2T ) T ~ t ~ 2T
y(t} = Y2(t} = 2T/3_(t_2T}2/T+(t_2T}3/(2T2} 2T~t~3T.
Y3(t} = T/6-(t-3T}/2+(t-3T}2/(2T}-(t-3T}3/(6T2}
3T ~ t ~ 4T
o sonst
(6.3'-22 )
Dieses Signal ist mit seinen Ableitungen in Bild 6.8 dargestellt.
152 6 . Fourier-Transformation und Spline-Interpolation in der Signalverarbeitung
3
21
o-1
-2-3
T2y"'( t)/
T 2T 3T 141 t
O!L---++--+--f-I---""*--4T
-1
-2
04T
-1
t 1~t)
I0 T 2T 3T 4T
Bild 6.8. Beispiel für die Bestimmungeines kubischen Spline-Signals durch viermalige Integration
6.4 Berücksichtigung von Unstetigkeiten in den Spline-Signalen
Im folgenden wird erläutert, wie man die in den vorhergehenden Abschnitten beschriebe
nen Methoden auch auf solche Signale anwenden kann, deren Spline-Charakter stellen
weise gestört ist. Wir beschränken uns dabei auf den praktisch wichtigen Fall der
Interpolation durch ku bi sc h e Splines. Beispielsweise sei u{ t ) für t > 0 ein ku
bisches Spline-Signal, das für t < 0 identisch verschwinden möge, wobei für t = 0
die Unstetigkeiten
lim uf t) ="o: lim u '{t) =uo't~+O t-++O
lim u"{t) = Uöt-++O(6.4-1)
6.4 Berücksichtigung von Unstetigkeiten in den Spline-Signalen 153
vorliegen sollen (Bild 6.9). In [6.6J wurde gezeigt, wie man u(t} zu einem ku
bischen Spline-Signal vervollständigen kann, indem man das Signal und seine ersten
_""l~_o
-3T -21 -T 0
Bild 6.9. Kausales Signal mit Spline-Charakter für t > o. Die Ergänzung zum kubischen Spline-Signal ist für t < 0 angedeutet
beiden Ableitungen für t < 0 stetig fortsetzt. Der hinzugefügte Signalverlauf p( t}
erstreckt sich über maximal drei Abtastintervalle bis t = - 3T, wie in Bild 6.9 dar
gestellt ist. Die Gesamtfunktion u( t ) + p( t) ist dann ein kubisches Spline-Signal,
dessen Spektrum sich nach (6.2-25) durch Bewertung der DFT-Koeffizienten mit
den Gewichtsfaktoren A3 (r~) ergibt. Subtrahiert man von diesem Spektrum die
leicht zu ermittelnde Fourier-Transformierte von p( t) und die DFT-Terme der zu
sätzlichen Abtastwerte, so erhält man das gesuchte Spektrum von uf t) [6.6J. Zum
gleichen Ergebnis gelangt man auch über die Distributionstheorie , wie im folgenden
gezeigt wird.
Die vierte Derivierte von u ( t}, die nach (2.2-34) sofort angegeben werden kann,
unterscheidet sich von der des kubischen Spline-Signals in (6.2-6) durch drei zu
sätzliche Distributionen:
N-1
u(4}(t} =L q\l o(t - vr) + uöo(l}(t} + uOö(2}(t} + uOö(3}(t}.
\1=0
Hieraus folgt mit (2.2-8) die Fourier-Transformierte von uf t) zu
(6.4-2)
utr) 1N-1
L\1=0
(6.4-3)
154 6. Fourier-Transformation und Spline-Interpolation in der Signalverarbeitung
Um nun andererseits das periodisierte Spektrum V(r) berechnen zu können, muß man
zunächst definieren, auf welchen Wert die Abtastung von u( t) im Zeitpunkt t = 0 füh
ren soll. Wenn wir den rechtsseitigen Grenzwert uf O) = uo einsetzen, wie es der An
fangsbedingung entspricht, so ist zu beachten, daß die Fourier-Transformation nach
(2.1-5) nur für u(O) = uO/2 eindeutig ist. Wir definieren nun
N-1
u(f) = TuO
+ T L u(vT)e-j2nfvT
v=l
(6.4-4)
und müssen daher den Term uOT/2 beim Uberlagerungssatz wieder abziehen:
co
u(f) - uo T/2 = L urr - k/T)
k=-=
N-1
=Lv=O
1
(j2n(f - k/T»4
co co
+ uö L 1 + U I L 1
k=-=(j2n(f _ k/T»3 0
k=-=(j2n(f - k/T»2
co
L 1 (6.4-5)+ uo j2n(f - k!T) .k=-=
Hierin kann die Summe über v mit (6.4-3) substituiert werden. Außerdem lassen
sich die Summen über k nach (6.2-23) ausrechnen:
co
Lk=-=
1f _ k!T = rrr cot nfT , (6.4-6)
(6.4-7)
co
Lk=-=
1
(f - k/T)3 = I rrr }3sin nfT cos nfT , (6.4-8)
=L
k=-=
1 1
(f-k/T)4= f4A3(f)(6.4-9)
6.4 Berücksichtigung von Unstetigkeiten in den Spline-Signalen
Aus (6.4-5) folgt dann
~ {Uo uD Uö } 1u(f) - uOT/2 = u(f) -i2Tif - 2 - 3 x::m
J (j2TTf) (j2TTf) 3
u"o
uD ! TTT } 2 UoTTT+ . + . cot TTfT.
(j2TTf) 2 sm TTfT j2i'i'1
155
(6 .4-10)
Wir lösen nach u(f) auf und erhalten nach e infacher Umrechnung die Beziehung
(6.4-11)
die sich von (6.2-25) nur durch das additive Ergänzungsglied
() .L { 3 ( sin TTfT) 3 jTTfT }BO f = 2TTf 2 + cos 2TTfT TTfT e - 1 Uo
j ! 3 sin 2TTfT 1}"- (2 TTf) 3 2 + cos 2TTfT· 2TTfT - Uo
unterscheidet. Dieses Ergebnis gilt auch für f = 0, wo wir
erhalten.
(6.4-12)
(6.4-13)
Der numerische Aufwand zur Bestimmung des Spektrums besteht nun in der Ermitt
lung von U(f) durch eine DFT, der Bewertung mit A3 (f) (2N reelle Multiplikationen)
und der Bestimmung der Zusatzglieder. Berücksichtigt man, daß der Faktor bei UDreell und der bei Uö rein imaginär ist, so müssen zur Berechnung von B
O(f) weitere
4N reelle Multiplikationen ausgeführt werden.
Das beschriebene Verfahren kann leicht auf beliebige Unstetigkeitsstellen erweitert
werden. Betrachten wir dazu das Signal u( - t} , das also für t < 0 ein kubisches
Spline-Signal ist, für t > 0 verschwindet und bei t = 0 die Unstetigkeiten "o- r: UDund Uö hat. Das hierzugehörige Ergänzungsglied ist im wesentlichen der konjugiert
komplexe Wert von BO(f), worin lediglich UD durch - UD ersetzt werden muß. Eine
156 6. Fourier-Transformation und Spline-Interpolation in der Signalverarbeitung
Kombination der beiden Zusatzglieder für Unstetigkeiten am Beginn und am Ende
eines Signals führt bei Berücksichtigung des Verschiebungssatzes (2.1-11) auf das
Korrekturglied B (f), durch welches Unstetigkeiten an einer beliebigen Stelle t = to(Bild 6.10) berücksichtigt werden können :
B(f) -L { 3 (sin nfT ) 3 jnfT= zrrr 2 + cos 2nfT TTfT e -
j { 3 sin 2nfT 1 11IUll .(zrrr) 3 2 + cos 2nfT 2nfT
10-3T 10-2T 10- T
(6.4-14)
(6.4-15)
Bild 6.10. Unstetigkeiten bei t = to' die den Spline-Charakter des Signals u( t )stören (nach [6.6J)
Dabei sind lIu, lIu' und lIu" die Sprunghöhen in u(t), u' (t) bzw. u"(t), wenn man
sich der SprungsteIle von links her nähert. In Bild 6.10 ist angedeutet, wie man
bei der Bestimmung von B(i) durch stetige Fortsetzung über die Stelle t = to hinaus
vorgehen würde [6.6J •
Ein einfaches Testbeispielläßt sich aus dem in (6.3-22) angegebenen Spline-Signal
konstruieren, indem man YO(t) == 0 setzt. Der Spline-Charakter ist dann bei t = T
gestört , und es gilt
"o =T/6, Uo= 1/2, Uö= l/T •
Nach (6.4-14) und (6.4-15) ergibt sich das Zusatzglied
(6.4-16)
(6.4-17)
6.4 Berücksichtigung von Unstetigkeiten in den Spline-Signalen 157
3 2welches genau dem negativen Wert der Fourier-Transformierten von YO(t) = t /(6T )
entspricht.
Das beschriebene Verfahren läßt sich auch zur nu m e r i sch en F ou r i er - Tr ans
f 0 r m a t i o n von Funktionen einsetzen, die nicht als Spline-Signale interpretierbar
sind. Wir betrachten dazu als einfaches Beispiel die Funktion
{
-t
u( t ) = :für
für
o ~ t
t < 0 •(6.4-18)
Sie hat nach (2.4-18) die Fourier-Transformierte u(f) = 1/(j2nf} und nach (2.4-19)
das periodisierte Spektrum 'D(f) =T/ 11 - exp( - (1 + j2nf)T} I. Die Unstetigkeiten
bei t = 0 sind "o = 1, Uo= - 1 und Uö= 1. Wenn man u( t) für t > 0 näherungs
weise als kubisches Spline-Signal auffaßt, ergibt sich für utr) die folgende Nähe
rungslösung:
.. rv .L { 3 ( sin -rr ) 3 1 }U(f) ... u(f} = U(f}A3(f} + 2nf 2 + cos 2nfT nfT -
1 { 3 ( sin nfT) 2 1 }- (2nf)2 2 + cos 2nfT nfT -
_ ........j ...... { 3 sin 2nfT - 1 I- (2nf) 3 2 + cos 2nfT 2nfT •
(6.4-19)
Eine Taylorentwicklung von U(f) für T« 1 zeigt, daß der Approximationsfehler
hier proportional zu T4 verschwindet:
U(f) - lj( f) rv T4U (f) + Glieder mit höheren Potenzen von T.
Die Differenz zwischen u(f} und 'D(f} verschwindet nach (2.4-20) dagegen nur li
near mit T. Die mittleren quadratischen Approximationsfehler
=f I u(f} - D(f} 12
dfI € 12 = ~O-=- _ (6.4-20)
(6.4-21)=f IU ( f} 12
dfo
1/(2T}J IU( f) - 'D(f} 1
2df
IEI2 = ---'0 _
und
158 6. Fourier-Transformation und Spline-Interpolation in der Signalverarbeitung
sind in Bild 6.11 dargestellt. Zu beachten ist, daß bei 1'81 2nur die Fehleranteile im
Bereich 0 ~ f ~ 1/(2T) berücksichtigt wurden. Für Ifl > 1(2T) stellt U(f) keine Ap
proximation an u(f) mehr dar (Bild 6.12).
10 0
10-1
10-1
10-3
10-4
10-5
10-6
10-7
10-8
10-9
10-1010'
10-1 10-1 10-3 T
Bild 6. 11. Beispiel für mi ttlere quadratische Fehler bei dernumerischen Fourier-Transformation durch die DFTund bei Anwendung der impliziten Spline-Interpolationnach [6. 6J
1,0
0,8
0,6
0,4
0,2
o
Bild 6.12. Zur Approximation des~
Spektrums u(f) durch u(f)und U(f) für T = 0,1 nach[6.6J
Die erläuterten Zusammenhänge lassen sich auch bei der F al tung von Spline
Signalen, die stellenweise durch Unstetigkei ten gestört sind, ausnutzen. Wir be
trachten dazu die Faltung zweier kausaler Signale u( t) und h( t}, die für t > 0 als
kubische Spline-Signale darstellbar sind, aber für t = 0 selbst und in ihren ersten
beiden Ableitungen nicht stetig sind. Mit den rechtsseitigen Grenzwerten uO'
uO'Uö und h
O' hO' hÖfolgt aus (6.4-2) für die vierten Derivierten der beiden Sig-nale
K-1
u(4)(t) = L Q'x.ö(t-x.T) +uöö(1)(t) +uoö(2)(t) +uoö(3)(t), (6.4-22)
x.=O
6.4 Berücksichtigung von Unstetigkeiten in den Spline-Signalen 159
(6.4-23)
In der achten Derivierten von y{t) = u{t) * h{t) treten nun gegenüber (6.3-7) noch
zusätzliche Terme auf, die auf die Unstetigkeiten bei t = 0 zurückzuführen sind:
N-1
y(8) (t ) = u(4) (t) * h(4) (t) = L\J=O
q 6(t - \JT)\J
+ uOlh0l6 (2) (t) + (uOlh'+ u ' h Ol ) 6(3) (t) + (uOlh + u 'h '+ u hOl) 6(4) (t)00 00 00 00 00 00
(6.4-24)
Hierin sind die q durch (6.3-8) definiert, und es gilt wieder N = L + K - 1. Bei\Jder Faltung der Distributionen wurde von (2.2-23) Gebrauch gemacht. Bestimmt
man in (6.4-24) die Werte q\J ' Q'l1. und ~\ explizit, so läßt sich das Verarbeitungs
schema von Bild 6.7 durch weitere Anfangsbedingungen ergänzen. Wir erläutern
zunächst die Bestimmung der Q'l1.' Die Werte ~\ ergeben sich dann entsprechend ,
und die q folgen aus der diskreten Faltung der Q' und 13, nach (6 .3-8). Um die\J l1. ~
schnelle Faltung anwenden zu können, verlängern wir die Folgen !Q'l1.1 und !ßAI
durch Anhängen von Nullen auf jeweils N Werte. Die Fourier-Transformation von
(6.4-22) führt dann auf
N-1
(j2nf) 4U(f) = L Q'l1. e -j2nfl1.T + uöj2nf + u6 (j2nf) 2 + Uo
(jzrrr) 3 •
l1.=0
(6.4-25)
(6.4-26)
Wir lösen nach der Summe über l1. auf und substituieren u(f) durch (6.4-11) :
N-lL Q'l1. e -j2nfl1.T = (jzrrr) 4U(f) - uöj2nf - u6 (j2nf) 2 - Uo
(j2nf) 3
= (j2nf)4U(f)A3(f) + 2+co~ 2nfT IUoj{2/T)3(sin nfT)3ejnfT
+ U6(2/T)2(sin nfT)2 -uÖ(j/T)sin 2nfT I.
160 6. Fourier-Transformation und Spline-Interpolation in der Signalverarbeitung
Wir diskretisieren nun d ie Frequenz f ... f = IJ./ (NT), IJ. = 0,1 , ••• , N - 1, und führenIJ.
die folgenden Bezeichnungen ein:_
N-1
a lJ. = TLl1.=0
4
GIJ. = T A3 ( m. )( ~t ) ,CIJ. = j(2/T)3(sin TTIJ./N)
3(2+cos 2TTIJ.J~)exp{jTTIJ./N) ,
C~ = (2/T)2(sin TTIJ./N)2
(2+co~T2TTf]./N) ,
C~ = - (j/T) (sin 2TTIJ./N) (2+C:: 2TTIJ./N)·
Aus (6.4-26) folgt damit
a = G U + u C + U I C' + u" C"IJ. IJ. IJ. OIJ. O f]. O IJ. '
(6.4-27)
(6.4-28)
(6.4-29)
(6.4-30)
(6.4-31)
(6.4-32)
wobei wieder D = DU ) gelten soll. Werden die Gewichtsfaktoren G , C , C' undIJ. IJ. IJ. IJ. IJ.
C" vorab bestimmt und gespeichert, so lassen s ich die a durch eine DFT, welcheIJ. ~ IJ.
auf d ie Werte U führt , und weitere 6N reelle Multiplikationen bestimmen. EntIJ.
s pr ec he nde s gilt für die DFT-Werte der ß A.
N-1
blJ. = T LA.=O
ß e-j2TTIJ. A./N = G H + h C + h'C' + h"C" •A. IJ.IJ. O IJ. O f]. OIJ.
(6.4-33)
Die gesuchten Werte C1'v' ßv und q v ergeben sich nun im wesentlichen durch drei
inverse diskrete Fourier-Transformationen
lCl'vl = lOFT lalJ.l, lß vl = lOFT IblJ.l, lq I = lOFT ja b Iv IJ. IJ.
(6.4-34)
und lassen sich danach gemäß (6.4-24) als Anfangsbedingungen bei der achtfachen
Integration verwenden. Das Prinzip dieser hybriden Signalverarbeitung ist in Bild
6.13 dargestellt. Es ergänzt das Schema von Bild 6.7 für den Fall, daß der Spline
Charakter der Signale u( t) und h( t) durch Unstetigkeiten bei t = 0 gestärt ist.
Der Gesamtaufwand umfaßt i m wesentlichen, wenn man die Ausrechnung der Ge
wichtsfaktoren nicht mitrechnet, eine schnelle Faltung und we ite r e zwei inverse
diskrete Fourier-Transformationen. Hinzu kommen 12 N reelle Multiplikationen
6.5 Literatur 161
bei der Bestimmung der a und b , sowie 6N reelle Multiplikationen mit jeweils~ ~
einem konstanten reellen Faktor für die Einstellung der Anfangsbedingungen in den
Integrierern.
y(t) (>.-0-<=u(t)* h(t)
bl1
Uo.U o.Uöho.ho,hö
uoho+Uoho uöho+uoho+uohö
t=o\ 1=0\
Arithmetische Operationen
Bild 6.13. Hybride Verarbeitung von kubischen Spline-Signalen mit Unstetigkeitenbei t = 0
Die Verarbeitung der Spline-Signale kann se gm en t wei se vorgenommen werden,
wenn man die Signalendwerte eines jeden Segmentes als Anfangswerte im folgenden
Segment verwendet. Die schnelle Faltung zur Bestimmung der q\) muß dabei auch
in segmentierter Form (Abschnitt 5.2) vorgenommen werden.
6.5 Literatur
6. 1 Ahlberg, J. H.; Nilson, E. N.; Wal sh , J. L.: The Theory of Splines and theirApplications. New York : Academic Press 1967.
6.2 Bulirsch, R.; Rutishauser, H.: Interpolation und genäherte Quadratur. In:Sauer, R.; Szabo , I.: Mathematische Hilfsmittel des Ingenieurs, Teil 1I1.Berlin , Heidelberg, New York : Springer 1968.
162 6.5 Literatur
6.3 Dällenbach, W.: Verschärftes rechnerisches Verfahren der harmonischenAnalyse. Arch. Elektrotechn. 10 (1922).
6.4 Quade, W.; Collatz, L.: Zur Interpolationstheorie der reellen periodischenFunktionen. Sitzungsberichte der preuß , Akad , der Wissenschaften, phys.math , Klasse 30 (1938).
6.5 Bauer, F. L.; Stetter, H. J. : Zur numerischen Fourier-Transformation. Numer.Math. 1 (1959) 208-220.
6.6 Achilles, D.: Pipeline Fourier Transform with Implicit Spline Interpolation.Arch. elektro Ubertr , 29 (1975) 74-80.
6.7 Achilles, D. : Convolution, Correlation , and Deconvolution of Spline FunctionsVia FFT. Nachrichtentechn. Zeitschr. 30 (1977) 654-656.
6.8 Achilles , D.: Digital Processing of Spline Signals. In Vorbereitung.
7 Digitale Methoden zur Spektralanalyse
Digitale Methoden zur Bestimmung von Leistungsspektren [7.1-7. 5J ergänzen bzw,
ersetzen in zunehmendem Maße die analoge Meßtechnik. Ihre Vorteile liegen uva,
in der höheren Flexibilität, der Möglichkeit zur Analyse von extrem niederfrequen
ten Vorgängen, wie sie beispielsweise in der Seismologie, in der Meteorologie und
in der biomedizinischen Technik auftreten, sowie auch von Signalen, die von vorn
herein in digitaler Form vorliegen. Darüber hinaus können im Anschluß an eine di
gitale Spektralanalyse weitere kompliziertere Verarbeitungsprozesse vorgenommen
werden, wie z s B; die Logarithmierung und eine erneute Fourier-Transformation bei
der Cepstrum-Analyse und allgemeinere nichtlineare Operationen bei der homomor
phen Signalverarbeitung [7. 4J.
Die Grundprinzipien der numerischen Spektralanalyse sind seit langem bekannt, und
man verwendet die klassischen Methoden im wesentlichen auch heute noch. Die Art
der numerischen Ausführung dieser Methoden hat sich allerdings nach Einführung
der FFT grundlegend geändert: In der modernen Technik führt man Korrelations
und Glättungsoperationen vorwiegend über die schnelle Faltung aus, wohingegen
früher diskrete Fourier-Transformationen nach Möglichkeit vermieden bzw. auf re
lativ kurze Zahlenfolgen beschränkt wurden.
7.1 Klassische Methoden
Die Per iod 0 g r a m m - A n a I y se diente vorwiegend zur Entdeckung verborgener
Periodizitäten in scheinbar regellosen Vorgängen, wie sie beispielsweise in der
Se ismologie oder in der Meteorologie auftreten. Man entnimmt hierzu dem zu ana
lysierenden Signal x( t) eine Probe endlicher Länge, etwa
für O~t~e
(7.1-1)sonst
164
und bildet das Per iod 0 g r a m m
7. Digitale Methoden zur Spektralanalyse
@
P@(f) = ~ f x@{t)e-j2TTftdt
2
o
durch numerische Auswertung seiner diskreten Version
(7.1-2)
N-1
L\)=0
(7.1-3)
Wenn die Probenlänge @= NT groß genug gegen die mutmaßliche Grundperiode des
gesuchten periodischen Vorgangs ist und überlagerte regellose Störungen nicht zu
stark ins Gewicht fallen, werden im Periodogramm ausgeprägte gleichabständige
Spitzen auftreten, die Hinweise auf die periodischen Signalanteile geben .
Ein einzelnes Periodogramm liefert jedoch höchst unzuverlässige Informationen über
das Leistungsspektrum eines s t 0 c ha s ti sc h e n Signals. Als Beispiel hierzu be
trachten wir weißes Rauschen mit der spektralen Leistungsdichte Sx{f) = 1.
DieVerteilungsdichtefunktion sei glockenförmig nach (2.3-43) mit m = 0 und CT~= 1.
Eine durch einen Pseudo-Zufallszahlen-Generator erzeugte Signalprobe ist in Bild 7.1
dargestellt. Bild 7.2 zeigt ein Periodogramm, das aus 1024 Abtastwerten dieses
x(t )
2
o~LJVIjWPIW~WV+iItA-A#tI\AM\JWW~
-2
-4
Bild 7.1. Signalprobe weißen Rauschens {normalverteilt, m = 0 , (J2 = 1)x
Signals hergestellt wurde. Das Mittel aller Periodogrammwerte liegt bei 0,9 und
kommt damit dem wahren Wert der spektralen Leistungsdichte verhältnismäßig nahe.
Die starken Schwankungen im Periodogramm (Varianz der Spektralwerte = 0,82)
können aber periodische Anteile im Signal maskieren bzw. vortäuschen. Der Schluß,
daß es sich bei dem analysierten Signal um weißes Rauschen handelt, läßt sich jeden
falls aus dem Periodogramm nicht ziehen.
7.1 Klassische Methoden 165
Das Periodogramm von Bild 7.2 ist typisch in seiner Erscheinung, wie allgemeinere
statistische Untersuchungen zeigen. Definiert man die Gesamtheit aller möglichen
6
5
3
2
o
Bild 7.2. Periodogramm des Rauschsignals von Bild 7.1. Wahrer Wert der spektralen Leistungsdichte : S (f) =1. Frequenzraster : f = ~/ (1024T)
x ~
Periodogramme eines stochastischen Prozesses als statistisches Ensemble (vgl ,
Abschnitt 2.3), so läßt sich für jede Frequenz f der Erwartungswert und die Varianz
des Periodogramms bilden. Im nächsten Abschnitt wird gezeigt , daß das Periodogramm
asymptotisch erwartungstreu ist, d s h , daß sein Erwartungswert für @J -+ 00 gegen den
wahren Wert der spektralen Leistungsdichte strebt :
lim E!P",,(f) 1=s (f) •ö . x
@J -+00(7.1-4)
Dieses Ergebnis der Mittelwertbildung sagt aber nichts darüber aus, welche Schwan
kungen das einzelne Periodogramm gegenüber S (f) aufweist. Das Periodogrammx
wäre erst dann ein k 0 n s ist e n t e r Schätzwert für die spektrale Leistungsdichte ,
wenn seine Varianz für @J -+00 verschwinden würde , und das ist im allgemeinen nicht
der Fall. Beispielsweise gilt für reelle normalverteilte stochastische Prozesse [7. 6J
(7.1-5)
Zur Verbesserung der Ergebnisse bieten sich zwei Möglichkeiten an: Die Mit t e
lu n g über eine größere Anzahl von Periodogrammen oder die GI ä t tun g des Pe
riodogramms durch Faltung mit einer geeigneten Fensterfunktion. Die klassischen
Verfahren konzentrieren sich auf die letztere Methode, da die Bildung einer größe
ren Anzahl von Periodogrammen ohne Anwendung der FFT zu einem erheblichen
Rechenaufwand führt.
166 7. Digitale Methoden zur Spektralanalyse
Die Glättungsoperation wäre einer Tiefpaßfilterung vergleichbar, wenn man sich das
Periodogramm als zeitlichen Vorgang vorstellt. Sie kann auch indirekt durch Bewer
tung der diskreten Autokorrelierten der Signalprobe mit einer geeigneten Gewichts
funktion vorgenommen werden, wie die folgenden Betrachtungen zeigen.
Wenn man die Definition (2.3-47) der spektralen Leistungsdichte von stochastischen
Signalen auch als Meßvorschrift auffaßt, so hätte man die Fourier-Transformierte
der Autokorrelationsfunktion des zu analysierenden Signals zu bestimmen. Es bietet
sich dann an, nach Abtastung der Signalprobe xe(t) mit der Frequenz r/r = N/e die
diskrete Autokorrelierte
N-1
R(nT) = ~ L xe( vT)xe(nT + vT) ,
v=o
- (N - 1) ~ n ~ N - 1 (7.1-6)
zu bilden und hierauf die DFT anzuwenden. Diese Operationen führen aber genau auf
das Periodogramm in der diskreten Form (7.1-3)
N-1'\' (T) -j2TTfvT 2Z: xe v ev=o
N-1 N-1
LLv=o iJ.=O
N-1
Ln=-(N-1)
N-1e-j2TTfnT L
v=O
(7.1-7)
N-1=T L R(nT)e-j2TTfnT.
n=-(N-1)
Vom Ergebnis her ist ein solches Verfahren also äquivalent zur Periodogramm
Analyse. Die verschiedenen Wege der Ausführung erlauben es aber, die Glättung
wahlweise als Faltung des Periodogramms mit einer Fensterfunktion oder als Be
wertung der Autokorrelierten mit einer Gewichtsfunktion vorzunehmen (Bild 7.3).
Betrachten wir zur Veranschaulichung die Autokorrelationsfunktion des Rauschsi
gnals (Bild 7.4) : Der relevante Anteil ist die Spitze bei T = 0, der gesamte übrige
Verlauf besteht dagegen nur aus zufälligen Schwankungen, die von Probe zu Probe
verschieden sind. Ein ähnlicher Effekt zeigt sich allgemein bei stochastischen Si
gnalen mit verschwindendem Mittelwert (vgl , Abschnitt 2.3), wenn auch nicht so
extrem wie beim weißen Rauschen. Ein Ausblenden des relevanten Anteils der Auto-
7.1 Klassische Methoden
Signalprobexe( t l
Autokorrelation
R(t)
Bewertung9(tl
R(t) g(
Fourier-e----- Iranstor-
mation
~I 1
2
Pe (f l
GlättungG(f l
tl
167
FourierTransformation
Pe(t)*G(fl
geglättetes Periodogromm
Bild 7.3. Klassische Methoden der numerischen Spektralanalyse
R(nT)
1,0
0,8
0,6
0,4
0,2
-0,2
Bild 7.4. Autokorrelationsfunktion des Rauschsignals von Bild 7.1
korrelationsfunktion der Signalprobe durch Bewertung mit einer geeigneten Gewichts
funktion g( T), welche für ITI> Tmax verschwindet, wird daher zu einem verbes
serten Schätzwert für die spektrale Leistungsdichte führen, sofern man apriori hin-
168 7. Digitale Methoden zur Spektralanalyse
reichende Informationen über das zu analysierende Signal hat. die eine vernünftige
Wahl von T gewährleisten. Die Autokorrelationsfunktion muß dann nur noch fürmax
o ~ nT ~ T max berechnet werden.
Die bevorzugte klassische Methode zur digitalen Spektralanalyse bestand darin. die
diskrete Autokorrelierte für verhältnismäßg kleine Werte der Verschiebung T (z.B.
5 % oder 10 %der Probenlänge e ) zu berechnen, mit einer Gewichtsfunktion zu be
werten und der diskreten Fourier-Transformation zu unterwerfen [7 .1J. Diese Art
der Glättung von Periodogrammen wird heute noch mit Erfolg verwendet, wobei
Algorithmen der schnellen Autokorrelation zur Anwendung kommen (Abschnitt 7.3).
Eine andere wichtige Technik, die erst durch die FFT ermöglicht wurde, ist die
Mittelung über Periodogramme bzw. modifizierte Periodogramme. Sie wird im fol
genden Abschnitt behandelt.
7.2 Mittelung über modifizierte Periodogramme
Es wird zunächst festgestellt, welche Bezrehung zwischen der spektralen Leistungs
dichte S (f) eines stochastischen Signals x( t) und dem Erwartungswert des Perioxdogramms P e(f) einer Signalprobe besteht. Die Signalprobe xe( t) läßt sich bei Ver-
wendung der Gewichtsfunktion
für O~t~e
(7.2-1)sonst
auch in der Form xe(t) = go(t)x(t) schreiben. Auf diese Weise tritt das stocha
stische Signal x( t) selbst im Periodogramm auf
=Pe(f) =~ f gO(t)x(t)e-j2TTftdt 2
-=(7.2-2)
1='8 f f-= -=
und ermöglicht so mit (2.3-56) die Ausrechnung des Erwartungswertes
=EIPe(f)I=~ J
(7.2-3)
7.2 Mittelung über modifizierte Periodogramme 169
Setzen wir voraus, daß x( t ) durch einen stochastischen Prozeß erzeugt wird , der
mindestens im weiteren Sinne stationär ist, so gilt nach (2.3-57) und (2.3-58) für
die Autokorrelationsfunktion die Beziehung
00
Rx(t1,t2) =Rx(t2 - t 1) = J-=
(7.2-4)
die in (7.2-3) eingesetzt werden kann. Außerdem führen wir die Fourier-J'ransfor
mierte
G (r) = ee -jTTfe s in TTfeo TTfe (7.2-5)
der Gewichtsfunktion go (t ) ein und können damit die Integrale über t1
und über t2
durch GO(cp- f) bzw. GO{f - cp) ersetzen. Wegen GO(cp - f ) =G;{f - cp) ergibt sich
dann schließlich
=E lpe {f ) I = ~ J
-=(7.2-6)
d.h. der Erwartungswert des Periodogramms entspricht der F'al tung der spektralen
Le istungsdichte mit dem sogenannten "natürlichen" Spektralfenster
Q (f) = 1. IG (f) 12 = e { sin TTfe } 2 •o e 0 TTfe (7.2-7)
Erst für e ...co entspricht E!Pe {f ) I dem wahren Wert der spektralen Leistungs
dichte.
Bei der praktischen Mittelung über Periodogramme führen insbesondere die Neben
maxi ma von QO(f) zu Fehlern : Hat Sx(f) z.B. bei f =fO eine stark ausgeprägte
Spitze , so hat der Erwartungswert des Periodogramms entsprechend verkleinerte
Abbilder dieser Spitze z , B. bei den Frequenzen fO
± 3/ (2 e). Eine Reduzierung die
ses Effektes ist möglich, wenn man anstelle von go (t ) andere Gewichtsfunktionen
verwendet, deren Fourier-Transformierte kleinere Nebenmaxima besitzen. Zur
Konstruktion solcher Gewichtsfunktionen kann man die Shannonsche Interpolations
formel (2.4-5) heranziehen und auf den Frequenzbere ich anwenden : Danach muß
eine auf das Intervall 0 ~ t ~ e beschränkte Funktion g( t) eine durch
co
G(f) = e-jTTfe Lk=- =
G(~) sin TT{fe-k)'CI TT (fe - k) (7.2-8)
170 7 . Digital e Me th oden z ur Spe k tralanalyse
darste ll bare Fourier-Tra nsformierte besitzen. Setzt man be is piel swei s e G(O) =e
un d G(k/e) = 0 für k *0, so ergibt sich GO(f). Durch Hin zunahme we iterer Glie
de r de r Summe in (7 .2-8) kann man Spek tr a lfenster mit kl e inere n Nebenma xima
kons truieren . Da s gesc hieht a lle r d ings a uf Kosten der spektralen Auflösung , denn
das Hauptrna x irn a von c rr) wird dabei br e iter . Die be kannte s ten Funktionen dieser
Art [ 7 . 1] sind das nach J. v , Hann bena nnte Ha n n i n g - F e n s t e r
(7 .2-9)
un d das nach R . W. Hamming benannte Ham ming -Fe ns te r
( 7. 2-10)
die in Bild 7 .5 darge stell t s ind . Die z ugehö rigen Gewichtsfunktione n sind
1,0
1 1 0-8 -2e -0,2
~ G I (f ) einte IHanning)
2e
1 1 0 1- 8 - 2e -0,2 2e -0,02
0,6 ~ G l I f) ein te (Barllett)
0,4
0,2
2 _1 0e e
Bild 7 .5 . Klassische F ens te r fun k ti on en
7.2 Mittelung über modifizierte Periodogramme
{
0,511 + cos 2TT(t/e-1/2) lg2 (t) =
o
und
für 0 ~ t ~ e
sonst
171
(7.2-11)
{
0,54+0,46 cos 2TT(t/e-1/2)g3 (t) =
o
für 0 ~ t ~ e
sonst(7.2-12)
Ein weiteres häufig verwendetes Spektralfenster (Bild 7.5)
G (f) _ ~ !sin TTfe/2j2 -jTTfe1 - 2 TTfEl!2 e (7.2-13)
wird nach M. S. Bartlett benannt [7. 1J. Es entspricht der dreiecksförmigen Ge
wichtsfunktion
12 t/e für 0 ~ t ~ e/2
g 1( t) = 2 ( 1-t/e ) für e/2 ~ t ~ e
o sonst.
(7.2-14)
Ersetzt man nun in (7 .2-2) die Rechteckfunktion gO(t) durch eine andere Gewichts
funktion g(t), so erhält man anstelle von Pe(f) ein sogenanntes modifiziertes
Periodogramm, das wir Pe(f) nennen wollen. Der Erwartungswert des modifi
zierten Periodogrammes ergibt sich zu
E !p",(f) 1= S (f) * Q(f) = S (f) * jG(f) 12
ö x x e
wobei G(f) die Fourier-Transformierte von g(t) ist.
(7.2-15)
Die beschriebenen klassischen Fensterfunktionen wurden zur Glättung verwendet.
Insofern interessierte primär die Form von G(f). Bei der Mittelung über modifi
fizierte Periodogramme kommt es aber auf den Verlauf von Q(f) = I G(f) 12/ e an.
Außerdem wirkt sich die Gewichtsfunktion g( t) nur an den Abtastpunkten t = v'I'\I
aus; zwischen diesen kann sie beliebige Werte annehmen. Diese Uberlegungen bil-
den den Ausgangspunkt zur Konstruktion eines 0 pt i ma 1fen s t e r s nach A. Eber
hard [7. 7J : Die Abtastung des zu analysierenden Signals x( t) wird hier durch Fal
tung mit einem bewerteten Impulskamm endlicher Länge
N-1
g*(t) L Y\Iö(t - \lT)
\1=0
(7.2-16)
172 7 . Digitale Methoden zur Spektralanalyse
vorgenommen. Die reellen, positiven Gewichtsfaktoren 'Iv sind dabei so zu wählen,
daß die spektrale Energieverteilung auf einen schmalen Bereich um f = 0 herum kon
zentriert ist :
Dabei ist
max , (7.2-17)
N-1
Lv=O
-j2nfvT'I ev
(7.2-18)
die Fourier-Transformierte des Impulskammes gi~(t). Man erhält:
1/8
f-1/8
N-1 N-1
leU) 12df = L L
v=O n=O
sin 2n( v - n)/NYvYn n( v-n)T (7.2-19)
1/ (2T)
f-1/(2T)
N-1
!e(!) 12
df =+L y~v=O
(7.2-20)
Die zu maximierende Größe ß läßt sich durch den Rayleigh-Quotienten [7. 8J
y ' Myß =-y'y-
einer quadratischen Matrix M mit den Elementen
(7 .2-21)
M vnsin 2n( v - n) /N
n( v - n) v , n= 0 , 1 , ••• , N - 1 (7.2-22)
darstellen , wobei y der aus den Elementen Yv gebildete Spaltenvektor und y ' der
transponierte Vekt;r ist. Da die Matrix M reell symmetrisch ist, liegt der-Werte
bereich des Rayleigh-Quotienten ß auf der reellen Zahlenachse , begrenzt von dem
größten und dem kleinsten Eigenwert von M. Der größte Eigenwert A s te Il t so-- max
mit den Maximalwert von ß dar. Er ergibt sich , wenn y gleich dem zugehörigen
Eigenvektor , d , h , M y = A Y ist. Die Bestimmung der Gewichtsfaktoren v ent--_ max_ ' vspricht damit der Ermittlung des zu Amax gehörigen Eigenvektors von M. Dieses
Problem kann numerisch mit Hilfe des Gauß-Seidel-Verfahrens gelöst werden.
Tabelle 7.1 gibt die Bewertungsfaktoren für N = 16, 32 , 64 und 128 an.
7.2 Mittelung über modifizierte Periodogramme 173
Tabelle 7.1; Bewertungsfaktoren y v für das Optimalfenster nach Eberhard [7. 7J.
Yv = 'IN- i - v ' v = Sn + k , (Berechnung nach [7 .1OJ)
N X 0 1 2 3 4 5 6 7
16 0 0.30050 0 .42685 0.55816 0 .68604 0.80173 0 .89698 0.96477 1.00000
32 0 0.26923 0.32964 0.39274 0.45760 0.52321 0.58852 0.65242 0 .713831 0.77166 0.82487 0.87248 0.91361 0.94749 0 .97349 0.99111 1.00000
64 0 0.25434 0.28370 0.31390 0.34482 0.37636 0.40840 0.44082 0 .473491 0.50629 0.53908 0.57172 0.60409 0.63604 0.66742 0.69813 0.728002 0.75691 0 .78473 0.81133 0.83659 0.86040 0.88263 0.90320 0.922003 0.93894 0.95395 0.96695 0.97788 0.98668 0.99333 0.99777 1.00000
128 0 0.24706 0.26151 0.27619 0.29109 0 .30619 0 .32147 0.33693 0.352551 0.36832 0.38422 0.40024 0.41636 0.43257 0 .44885 0.46519 0.481562 0.49796 0.51436 0.53075 0.54712 0.56344 0 .57970 0.59589 0.611973 0.62795 0.64379 0.65949 0.67502 0.69037 0.70552 0.72045 0.735164 0.74961 0.76380 0.77771 0.79132 0.80462 0.81760 0.83023 0.842505 0.85440 0 .86592 0.87704 0.88774 0.89803 0.90787 0.91727 0.926216 0.93469 0.94268 0 .95018 0.95719 0.96369 0.96967 0.97514 0.980077 0.98448 0 .98834 0 .99166 0.99443 0.99666 0.99833 0.99944 1.00000
Das Verfahren zur Spektralanalyse durch Mittelung über modifizierte Periodogram
me wurde von P.D. Welch [7 .9J angegeben : Man unterteilt dazu die Signalprobe in K
Abschnitte vonje M= N/K Werten und bestimmt für jeden dieser Abschnitte das mo
difizierte Periodogramm in der diskreten Form
M-lL x8
« k + v}T}g( vT } e-j2n~v/N 2,
v=O
f = ~/( MT) ,~
~ = O , l , ••• ,M-l, k=O,l, ••• ,K-1. (7.2-23)
E ine Mittelung über alle K modifizierten Programme liefert dann den Schätzwert
(7.2-24)
für die spektrale Leistungsdichte , dessen Varianz um den Faktor t/x gegenüber
der Varianz des einzelnen Periodogramms reduziert ist [7 .9J. Im folgenden werden
einige praktische Ergebnisse gezeigt , die mit dieser Methode in [7. 10] gewonnen
wurden.
Zuerst wird die Signalprobe weißen Rauschens von Bild 7 .1 analysiert. Dazu werden
insgesamt N = 1024 Signal werte x( »r ) verwendet. Diese unterteilen wir in 32 Signal
abschnitte zu je 32 Signal werten bzw, 16 Signalabschnitte zu je 64 Signalwerten und
174 7. Digitale Methoden zur Spektralanalyse
bilden die modifizierten Periodogramme. Die Ergebnisse sind für die Bewertungen
nach Bartlett , Hamming und Eberhard in Bild 7.6 dargestellt . Das arithmetische
t Hamming
:~~o B 16 24 32 40 48 56 64 J.1
,t Eberh~rd , t>"" .
1 :~~ .o 8 16 24 32 40 48 56 64 J.1
Bild 7.6. Ergebnisse der Spektralanalyse von weißem Rauschen nach Mittelung über32 modifizierte Periodogramme (---) zu je 32 Spektralwerten und über 16modifizierte Periodogramme (--) zu je 64 Spektralwerten. Frequenzraster : f =../ (64T)..
Mittel m s und die Varianz er; der Spektralwerte , sowie ihr mittlerer quadratischer
Fehler 8 ~ nach der Mittelung von 32 modifizierten Periodogrammen sind in Tabelle
7.2 dargestellt.
Tabelle 7.2. Mittelwert, Varianz und mittlerer quadratischer Fehler der Spektralwerte vonweißem Rauschen als Ergebnis der Mittelung über 32 modifizierte Periodogramme
Bewertung Mittel m Varianz er2 Fehler 8;s s
Bartlett 0,835 0 ,0275 0,0546
Hamming 0 ,908 0 ,0324 0,0409
Eberhard 0,898 0,0337 0,0442
Die Stärke der Bewertung nach Eberhard zeigt sich, wenn man dem weißen Rauschen
ein periodisches Signal überlagert. Ein solches Signal der Form
xl t ) =r'{t ) + 0,5 sin(nt/(8T) + c ) , (7.2-25)
7.2 Mittelung über modifizierte Periodogramme 175
worin r( t} weißes normalverteil tes Rauschen der spektralen Leistungsdichte S (f) =r
,i = 1 ist, zeigt Bild 7.7. Der periodische Anteil ist erst in der Autokorrelations-r
funktion nach Bild 7.8 erkennbar. Die durch Mittelung über 32 modifizierte Periodo-
xII)
2
O wmHJ.~9IM\P"\+HlJlli1ftj\f.Jt1ff'Mft~'YlHI/rfIYhPttiftrl"lk+llj-ßUImfHtftffl'tl\HtiiJHIM-M\Ht\tW~
-2
-4
Bild 7.7. Sinusförmiges Signal der Frequenz fO
= 1/(16T), das von weißem Rauschen überlagert ist
R(nTl
0,12
0,9
0,6
0,3
-0,3
-0,6
Bild 7.8. Autokorrelationsfunktion des Signals vom Bild 7.7
gramme bei Hamming- und Eberhard-Bewertung bestimmten Spektralfunktionen
sind in Bild 7.9 dargestell t. Man erkennt die wesentlich höhere Selektivität des Op
timalfensters nach Eberhard an den stark reduzierten Nachbarwerten der Spektral
linie des Sinussignals.
Als letztes Beispiel wird die stochastische Pulsfolge von Bild 7.10 analysiert, d ie
theoretisch schon im Abschnitt 2.3 behandelt wurde. Die Pulse haben die Breite 8T.
Ihre Varianz ist ,i =1/12 und ihr Mittelwert m =O. Nach (2.3-80) gilt für diex xspektrale Leistungsdichte
S (f) = 8T 02 Isin 8nfT 1
2
x x Brrf'I' • (7.2-26)
7. Digitale Methoden zur Spektralanalyse176
I MI f jL)
4dB
3
2
1
0
-1
-2
1MOll)
4dB3
2
1
0
-1
-2
32 11
32 11
Bild 7.9. E rgebnisse der Spektralanalyse des Signals von Bild 7.7 nach Mittelungübe r 32 modifizierte Periodogramme. Oben: Hamming-Bewertung; unten:Eberhard-Bewertung. Frequenzraster : f = ~/(32T). M = 32
~
x(t)0,5
0,4
0,3
0,2
0.1
0 i- 0,1
- 0,2
-0,3
- 0,4 -
B ild 7 . 10 . Stochastische Folge von Rechteckimpulsen der Breite 8T (x =0 , rl=1/12)x
Die entsprechenden E rgebnisse de r Mittelung über 32 modifizierte Periodogramme
bei Hamming- und bei Eberhard-Bewertung s ind in Bild 7.11 dargestellt.
-...I
N,
Hamm
ing\
0,6
~06
f-"-
\,
\~ ~
y5,
(f)
(1)
0,5r
0,5
~I
::lI
iTCl
I0,
41:
:0,
4r'
\.\
0'
(1)
\'1
0,3r
\\\
3\
0
~\
e:0,
21-
0,2\
...., N' (j)'
0,1r
v-,
/13
1lf
lL)
0,1r
\)
64(f
p.)
'1 ~ (1) '"0 (1)
°8
1624
32J.1
°8
1624
32J.1
'1 o' P- o iTCl
\Eb
erha
rd
~''1
0,6\
po0,
6r\
3I v
5,(f
)\.
,/5,
lf)
3 (1)
0,5t\.
\0,
5\
\ I0,
4r
\\0,
4\ I
0,3r
\\0,3
\ \
0,2r
~\0,
2
0 ,1r
(....-
-0,1
/1 3
1Ifp.
)
~
°8
1624
32J.1
°8
1624
32J.1
Bil
d7
.11
.E
rgeb
nis
sed
er
Sp
ek
tra
lan
aly
see
iner
sto
ch
as
tis
che
nP
uls
folg
en
ach
Bil
d7
.10
nac
hM
itte
lun
gü
ber
32m
od
ifiz
iert
eP
eri
od
og
ram
me
zuje
32Sp
ek
tralw
erte
n(l
ink
s)
un
düb
er
16m
odif
izie
rte
Pe
rio
do
gram
me
zu
je6
4S
pek
tralw
ert
en
....(r
ec
hts
).O
ben
:H
am
min
g-B
ew
er
tung
;u
nte
n:
Eb
erh
ard
-Bew
ertu
ng
.F
req
uen
zra
ste
r:
f::
~/(64T)
-...I
-...I
~
178 7. Di g itale Methoden zur Spe ktralanalyse
Di e beschriebene Methode hat den Vorteil, daß man über P eriod ogramme von ver
hältnismäßig kurzen Signalproben mittelt. Dadurch benöti g t man we nig Speicherplatz.
Außerdem besteht die Möglichkei t , Nichtstationaritäten in den Spektren zu e r ke nne n
und zu bes timmen. Ande rerseits erhält man bei etwa gleiche m Rechenaufwand we
s entlich we ni ge r Spektral werte al s be i der im fol genden betrachtete n Methode zur
Spektralanalyse, di e auf einer Glättung des Periodogramms bas iert.
7.3 Glättung von Periodogrammen
Die klassi sche Methode der Periodogrammglättung durch Bewertung der Autokorre
lationsfunktion (Bild 7.3) läßt s ich mit Hilfe der schnellen Autokorrelation
(KapitelS) auf sehr effektive Weise ausführen. Im Abschnitt 7.1 wurde bereits da
r auf hingewiesen, daß die Bewertungsfunktion g( T) für die Autokorrelierte relativ
schmal sein muß , wenn man einen starken Glättungseffekt erreichen möchte. Wir
nehmen daher an, daß g(T) für IT I > T vers chwindet , wobe i T =: MT kl e inmax maxgegen die Probenlänge 18 =: NT i s t . Bewertet man d ie diskrete Autokorrelationsfunk-
ti on von xe ( t ) mit dieser Funktion , so erhält man anste ll e von (7. 1-7) das g e
glätte te Periodogramm
M- l
IN(f) =: T L g(nT)R(nT) e - j2 TTfnT.
n=:-( M-l)
(7.3-1)
Zu s e ine r numerischen Bestimmung benötigen wir di e M Werte. R(O) , R ( T), ••• ,
R( (M - l)T). Das Matrix schema (5.1-17) für d ie schnelle Autokrrelation zeigt ,
daß an die Folge lx e( vr ) I dann nur noch M - 1 Nullelemente anzuhängen sind .
Mithin besteht die Gesamtfolge a us
L =: N + M (7. 3-2)
Werten. Die Gewichtsfunktion g ( T) muß symmetri sch zu T =: 0 sein , damit die Re
ellitä t des geglätteten Periodogramms ge währ lei stet i s t.
Es e r gibt s ich dann folgendes Verfahren zur Bestimmung des geglättete n Periodo
gr a m ms [ 7 . 4J : Man be stimmt zunächst die DFT der L- werti gen Folge !xe(O),
xe(T), ••• , x e( (N - l)T),O , 0 , ••• , 0 I , bildet di e Ab s olutquadrate de r L DFT-Werte
und wendet hierauf die IDFT an. Die e rste n M Werte der Ergebnisfolge e rgeben
dann die gesuchte n Werte R( O) , R (T), ••• , R ( ( M - l )T). Au s diesen bi ldet man di e
L-we r tige Folge !g( O) R ( O) ,g(T) R (T), •.• ,g ( ( M - 1)T)R( ( M - i rr) ,0,0, ••• ,0 ,
g( ( M - l)T)R( (M - l) T) , ••• , g ( 2T)R( 2T) , g(T)R( T) I, deren DFT a uf das geglättete
7.3 Glättung von Periodogrammen 179
Periodogramm führt, sofern L ~ 2M ist. Für sehr große Werte von L empfiehlt es
sich, die schnelle Autokorrelation segmentweise (vgl. Abschnitt 5.2) auszuführen
[7.4,7.11J.
Bei der Wahl von L sind verschiedene Gesichtspunkte zu beachten: Zunächst sollte
L» M sein, so daß die Autokorrelierte nur für Verschiebungen T berechnet wird,
wo sich xe(t) und Xe(t + T) noch größtenteils überlappen. Sodann muß L eine für
die FFT günstige Zahl, also möglichst eine Zweierpotenz sein. Schließlich bestimmt
L die Dichte der Spektrallinien, die im geglätteten Periodogramm bei den Frequenzen
f = ~/(LT) , ~ = 0,1, ••• ,L -1 liegen . Das spektrale Auflösungsvermögen wird da-~
gegen durch die Breite des Spektralfensters und damit durch M bestimmt.
Man verwendet die im vorigen Abschnitt beschriebenen klassischen Bewertungsfunk
tionen auch zur Glättung. Sie haben hier aber die Breite 2Tmax = 2MT und liegen
symmetrisch zu T = O. Die zugehörigen Spektralfenster sind dann reell. Beispiels
weise gilt für das Bartlett-Fenster anstelle von (7 .2-13) bzw, (7.2-14)
G (f) - MT {sin TIMfT} 21 - TIMfT ' (7.3-3)
für
für(7.3-4)
Der Glättungseffekt läßt sich durch die Reduzierung der Varianz des Periodogramms
beschreiben. Bei gaußschen Prozessen gilt näherungsweise für das Verhältnis der
Varianzen des Periodogramms vor und nach der Glättung [7.2, 7.4J
Für die Rechteckbewertung
M-1
L i(mT)m=-(M-1)
(7.3-5)
für
für(7.3-6)
erhält man beispielsweise V = (2M - 1)/N. Je kleiner M ist , desto stärker wird
die Varianz des Periodogramms reduziert, allerdings auf Kosten der spektralen
Auflösung : Verwendet man als Maß die Breite Q des Hauptmaximums der Fenster
funktion, gemessen zwischen den Nulldurchgängen beiderseits von f = 0, so gilt bei
spielsweise für die Rechteckbewertung Gd = 1/( MT). In Tabelle 7.3 sind die Werte
180 7. Digitale Methoden zur Spektralanalyse
von V und Q auch für andere Fenster angegeben. Hiernach kann man durch Wahl von
M die gewünschte spektrale Auflösung festlegen und dann N bzw. L =N + M so wäh
len, daß sich eine genügend starke Varianzreduktion ergibt.
Tabelle 7.3. Näherungswerte für Varianzreduktion undspektrale Auflösung (M» 1) •
Bewertung
Rechteck
Bartlett
Hanning
Hamming
Varianzreduktion V
2 M/N
2 M/(3N)
3 M/( 4N)
4 M/(5N)
spektrale Auflösung Q
l/(MT)
2/(MT)
3/(2MT)
3/(2MT)
Bei Rechteck-, Hanning- und Hamming-Bewertung können sich wegen der negativen
Nebenmaxima der zugehörigen Fenster für das geglättete Periodogramm. negative
Werte ergeben. Das muß nicht als Nachteil dieser Fenster angesehen werden, denn
man kann in diesem Fall den Fehler, der durch die Nebenmaxima - ob positiv oder
negativ - in jedem Fall verursacht wird, erkennen und eliminieren.
Im folgenden werden einige Beispiele zur Glättung von Periodogrammen durch Be
wertung der Autokorrelationsfunktionen gezeigt, die in [7.lOJ behandelt wurden.
Dabei gilt in allen Fällen N =960, M = 64 und somit L = 1024.
Bild 7. 12 zeigt die geglätteten Periodogramme von weißem Rauschen bei Bartlett
und Hamming-Bewertung und Tabelle 7.4 den Mittelwert,die Varianz und den mittle
ren quadratischen Fehler der Spektralwerte.
Tabelle 7.4. Mittelwert , Varianz und mittlerer quadratischer Fehler der Spektralwerte eines geglätteten Periodogramms von weißem Rauschen
Bewertung
Bartlett
Hamming
Mittel m s
0,961
0,968
Varianz ~2s
0,0471
0,0553
Fehler 82s
0,0486
0,0563
In Bild 7.13 ist das geglättete Periodogramm der stochastischen Pulsfolge von Bild
7 .10 bei Bartlett-Bewertung dargestellt.
Schließlich betrachten wir noch die Ergebnisse der Periodogrammglättung für das
verrauschte sinusförmige Signal nach (7.2-25) und Bild 7.7. In Bild 7.14 ist das
Bil
d7
.12
.G
eg
lätt
ete
Peri
od
og
ram
me
ein
es
wei
ßen
Rau
sch
sig
nals
mit
M=
64u
nd
N=
96
0.
Ob
en:
Ham
min
g-F
en
ster;
un
ten
:B
art
lett
-Fenste
r.F
req
uen
zra
ster
:f
=~/(1024T)
~
1===:~
oIN
(tl 2
-.J . VJ Q Pl: 0+ 2" ~ < g '1:l
<D ~. 8 ~ 'i Pl :3 :3 <D ::l
512
jl.44
838
432
025
619
212
864
00
0,7
..... CD .....
512
jl.
Fre
qu
en
z-
s,(t
l
0,4
\
0,5r\
/\\y
IN(f
)
\i\\
\/
0,6 0,20,3 o
6412
819
225
632
038
444
8
Bil
d7
.13
.M
itB
art
lett
-Fen
ster
geg
lätt
ete
sP
eri
od
og
ram
mein
er
sto
ch
ast
isch
en
Pu
lsfo
lge
nac
hB
ild
7.1
0.
raste
r:f
=~/
(10
24
T)
~
0,1
... (Xl
I\)
IJ.
i;TIi 6~
dB 5 , 3 2 1 oI....
:t;;
..r
i'
'1'••
_...
..,
I],
_u
!,
...'.
__..
'"•
z::__
c'~",,-.I
r!W
I'I..
.f
jiJt
L,.
Ji
••
-1 -2
Bil
d7
.14
.G
eglä
ttet
eP
eri
od
og
ram
me
des
verr
au
sch
ten
sin
usf
örm
igen
Sig
nal
sv
on
Bil
d7
.7.
Ob
en:
Ham
min
g-F
en
ster;
un
ten
:E
berh
ard
-Fen
ster.
Fre
qu
en
zra
ster
:f
=~/
(10
24
T)
~
IN(f
) 8 dB 7 6 5 3 2 °1"~
Wtlmr'l"l
'6~
V\
l''"
'Il'"11
"'tl
iI-r
ltl,tM~r:?
"'ll''
'''"
fol
t',
(''v
r-\
In,
'tj
-1 -2 -3
L
oo,J . tl ....' aq ..... S" -<D ==<D ... ~ :3 ~ '1 1: ... '1 a ~ a '< tIl <D
7. 4 Li te r a tu r 183
Re sulta t be i Hamming-Be wertung dargestellt . Da s Opti malfenster nach Eberhard
[ 7 .7] ist a n sich ni cht für d ie P er iodogrammglättung kon z i piert worden . Trotzdem
wurde versuchsweise e ine Bewertung der Autokorrela t ion s funkti on mit der Ebe rhard
Gewichtsfun ktion vor ge nommen. Da s in Bild 7 .14 dargeste llte E r ge bnis zeigt, daß
die Spektr all in ie de s s inusför migen Signals be s s e r aufgelöst wird a ls mit dem Ham
ming - Fenster . Der Gl ä t tungs e ff ek t ist hi er geri nger .
Zusammenfassend ist zu bemerken, daß be ide Methoden - d ie Mittelung über modi
fi zierte P eriodogramme e inerse i ts und die Glättung von Perio dogrammen durch Be
wertung der Autokorrelationsfunktion a nder e rsei ts - bei etwa gleic he n Rechenzeiten
( so wurden die Beispiele gewä hlt ) e t wa gleic h gute Ergebnisse zeigen.
De r Vorteil der Glättungsmethode liegt darin, daß m an ein wesentlich dichtere s
Ra s ter von Spektralwerten e r hält . Die Methode der Mittelung über modifizierte Pe
riodogramme erfordert dafür ge r inger e Speicherkapazität und bietet außerdem di e
Möglichkei t , nichtstation äre Vorgänge zu erkennen nnd zu a nalys ie r e n .
7.4 Literatur
7.1 Blackman , R.R.; Tukey , J . W. : The Me a surement of P o wer Spectra. NewYo rk : Dover Publi cations 1958.
7.2 J e nkins , G. M. ; Wa t ts , D. G. : Spectr a l Analys is a nd Its Applications San Francisco : Holden-Day 1968.
7. 3 Bin gh am, C. ; Godfre y , M. D .; Tukey, J. W.: Mod e r n Tec hni qu e s of PowerSpectrum Estimation. IEEE Tr ansact. on Au dio a nd Electroacousti c s AU-15(1 9 67) 56-66.
7 .4 Oppenhei m , A.V.; Schafer, R.W.: Digital Sig nal Proc e s sing. Engl ewoodCli ff s , N.J.: Prentic e Hall 1975.
7.5 Rabiner , L. R.; Gold , B.: Theory and Application of Digi tal Signa l Proc e s sing.Engl ewood Cliffs, N. J. : Prentice-Hall 1975.
7.6 Davenport, W.B.; Root , W.L.: Random Si gn al s and Nois e. NewYork, Toronto , London: McGraw-Hill 19 58.
7.7 Eberhard, A.: An Opti ma l Discrete Window fo r th e Calculation of PowerSpectra . IEEE Trans a ct. on Au di o a nd Electroacoustic s AU-21 (1973) 37 - 43 .
7. 8 Zurmühl, R.: Ma trizen und ihr e techni s chen Anwendungen , 4. Aufl , Berlin ,Gö ttingen , Heidelberg: Springer 1964.
7. 9 Welch , P.D . : The Us e of F F T for the E stimation of Power Spectra : a Me th odBa s ed on Time Avera ging Over Shor t, Modifi e d P e riodogramms. IEEE Transact . on Au dio a nd Ele c troacou s tics AU-15 (1967) 70 - 73 .
7 . 10 Weber, K.C.: E stimayao Di gi tal do E xpe c tro de Potenc ia de Sinais Al e a tbr ios ,Thesi s (M.Sc.), Rio de J ane ir o: Unive rsidade F ederal (COPPE) 1976.
7.11 Ra der , C. M.: An I mproved Algorith m for High-Spe ed Autoc or r e lation withApplication to Spec tr al E sti m a ti on. IEEE Trans a c t. on Audio and E l ec troacoustics AU-1 8 (1 970) 439-441.
Sachverzeichnis
Abbildungsgesetze der FourierTransformation 15 rr., 48
- der DFT 80 ff.
Abbildungssymmetrien der Fourier-Transformation 20
- der DFT 86
Abminderungsfaktoren 139 ff.
Abschneidefehler 71
Abtastfrequenz 65 , 136
Abtastung 46, 64 ff.
idealisierte 65, 66
von Zahlenfolgen 96
Abtastwerte65, 136, 138
aliasing 68
Amplitudenspektrum 14
Äquivalenztransformation 83, 88
Auflösung, spektrale 180
Autokorrelation , schnelle 125 ff.
Autokorrelationsfunktion 19, 47, 48,52 ff., 166 ff., 175, 178
- von Signalen endlicher Energie 19
- von Signalen endlicher Leistung 47
- von periodischen Signalen 47, 48
- von stochastischen Signalen 52
- von stochastischen Prozessen 53
Bandbegrenzung 65, 68, 136
Bandbreite 24, 25
Bandpaßfilter 63
Bartlett, M.S. 171
Bartlett-Fenster 170, 171, 174, 179 ff.
Basis-4-Algorithmen 118
Basis-8-Algorithmen 118
beschränkte Variation 13, 39
Breitbandsignal 59, 62
Butterfly-Operation 113
Cauchyscher Hauptwert 14
Cepstrum 163
clutter 44
Cooley , J. W. 100
Cooley-Tukey-Algorithmus 100 rr.
Deconvolution 148
Delta-Distribution 30 ff.
Derivation 32 rr., 36 , 37, 139, 140
Dezimierung von Folgen 93 ff.
im Frequenzbereich 107
- im Zeitbereich 107
Dezimierungs-Operator 94
DFT 75, 77 rr.Abbildungsgesetze der 80 ff ,
Eigenvektoren der 83 ff.
Eigenwerte der 83
Faltungssatz der 123
numerische Ausführung der 99 ff.
Uberlagerungssatz der 96, 107 ff.
Verschiebungssätze der 91 ff.
Differentiationssätze 16
digitale Signalverarbeitung 64 ff., 147 ff ,
digitale Spektralanalyse 163 ff.
Dirac, P. 30
diskontinuierliches Signal 64 ff.
Sachverzeichnis
diskontinuierliches Spektrum 41
diskontinuierliches System 67, 68
diskrete Faltung 68, 121 rr.diskrete Fourier-Transformation,
s , OFT
diskrete Korrelation 121 ff.
Diskretisierung 46
Diskretisierungsfehler 71
Distributionen 30 ff.
Doppler-Effekt 2, 44
Doppler-Frequenz 44
Dreiecksungleichung 80
Eberhard, A. 171
Eberhard-Fenster 171 ff.
Eigenfunktionen 7 ff., 27 ff., 37
- linearer zeitinvarianter Systeme7 «., 37
- der Fourier-Transformation 27 ff.
Eigenvektoren 83 ff., 88, 172
- der DFT 83
- zirkulanter Matrizen 88
Eigenvektormatrix 83. 88
Eigenwerte 9,17,83,88,172
der DFT 83
der Fourier-Transformati::>n 17
linearer zeitinvarianter Systeme 9
zirkulanter Matrizen 87, 88
Einheitsoperator 17
Eindeutigkeit der DFT 77
- der Fourier-Transformation 12 ff.
endliche Linienbreite 44
Energie 12, 19, 81
Energiedichte , spektrale 19
Energiekriterien 25
Ensemble-Mittelung 50
Ergodentheorem 51
ergodische Prozesse 51, 54
Ergodizität 51
Erwartungswert 50, 51, 168
185
Faltung7, 17, 18, 34, 35
diskrete 121
schnelle 121 ff.
zyklische 86 ff.
Faltungsintegral 17, 121
Faltungsmatrix 123
Faltungssatz 18, 86 ff.
Fensterfunktionen 170 ff.
Festzeichenlöschung 44
FFT 100 rr,- bei reellen Zahlenfolgen 118, 119
- bei Zweierpotenzen 111 ff.
- , FORTRAN-Programm zur 116
FFT-Signalflußgraphen 102 ff., 108, 109,111 rr.
- , mathematische Beschreibung der104, 113
Folgen 89 rr.Abtastung von 96
Dezimierung von 93 ff.
Multiplikation von 89 ff ,
Segmentierung von 95 ff.
Fourier-Integral 10, 13 ff.
Fourier-Koeffizienten 41 ff ,
Fourier-Plancherel-Transformation 23
Fourier-Reihe 41 rr.Fourier-Transformation, diskrete,
s , DFT
numerische 68 ff., 157 ff.
schnelle, s , FFT
Überlagerungssatz der 143
- von Distributionen 30 ff.
- von Spline-Funktionen 137 ff ,
Frequenzverschiebung 16
Funktionenfolgen 30 ff.
Gaußverteilung 51
Gaußsche Glockenfunktion 26, 30 ff.
Gentleman, W.M. 107
geometrische Summenformel 69, 73
Gibbssches Phänomen 21 ff., 43
186
Gl ättung von Periodogrammen 178 ff.
Gleichverteilung 49
Grundfrequenz 39
Hamming, R. W. 170
Hamming-Fenster 170
Hann, J .v , 170
Hanning-Fenster 170
harmonische Analyse 39 ff.
harmonische Exponentielle 9, 37,39 ff.
harmonische Frequenzen 39
Helms, H.D. 130
Hermitesche Funktionen 26 ff ., 83
- , periodisierte 83, 84
Hermitesche Polynome 26 ff.
homomorphe Signalverarbeitung 163
idealer Tiefpaß 38, 39
Impulsantwort 37, 38, 62, 148
Impulskamm 46, 65, 94, 171
inneres Produkt 80
Integralsinus 21, 22
Interpolationsformel , Shannonsche 66
Kausalität 38, 136, 137, 139
Knotenebenen der FFT 105 ff.
Konvergenz im Mittel 23
Korrelation 18, 121 ff., 146 ff.
- , schnelle 121 ff.
Kreuzkorrelation , diskrete 124
- von Spline-Signalen 148
Kreuzkorrelationsfunktion 18, 59
Kreuzleistungsspektrum 60 ff.
Leistung, mittlere 39, 52
Leistungsspektrum , s , spektraleLeistungsdichte
Leistungsübertragungsfunktion 63
Linearität 8
Sachverzeichnis
Linienspektrum 41
Maßstabsänderung 16, 33
Matrix , unitäre 79
- , zirkulante 87
modifiziertes Periodogramm 168 ff ,
moving target indication 44
Multiplikation von Folgen 89 ff ,
Multiplikationssatz 19, 35 , 90
natürlicher Spline 139
nicht rekursive digitale Filter 112
Normalverteilung 51
numerische Fourier-Transformation69 ff., 157 ff.
Operator, zyklischer 17, 82
- der Fourier-Transformation 12
Optimalfenster 171
Orthogonalität 27, 40, 82 , 84
Orthogonalsystem , vollständiges 7, 27
Overlap-Add-Methode 129 ff ,
Overlap-Save-Methode 130 ff.
Parallelogrammgleichung 81
Parsevaische Gleichung 19, 81
Periode 39
periodische Signale 39 ff.
Periodisierung 45 ff., 65, 83
Periodogramm 164, 165, 168, 178,180 , 181
- , modifiziertes 168 ff.
Periodogramm-Analyse 163 ff.
Periodogrammglättung 178 ff.
Permutation bei der FFT 103 ff. , 117
Permutationsmatrix 82 , 103
Polygon-Interpolation 136, 137
Polygonzug 140
Prozeß, ergodischer 51, 54
- , normalverteilter 165, 179
Sachverzeichnis
Prozeß, stochastischer 50
Pulsfolge , periodische 42 ff.
- , s t oc has t is c he 55 ff.
Radar-Astonomie 1 ff .
Ra yle igh - Quot ient 172
Sande, G . 107
schnelle Faltung 121 ff.
schnelle Fourier-Transformation,s , FFT
schnelle Korrelation 121 ff .
Schwarzsehe Ungleic hung 25, 55, 60,80
Schwellenkr iterium 24
Segmentlänge, Opt i m a lwe r t der 132
Segmentierung 95 ff., 128 ff.
- von Folgen 95 ff.
- bei der schnellen Faltung 128 ff.
Segmentierungs-Operator 95
Shannon-Interpolation 65, 136, 137,169
Signal 7 ff.
bandbegrenztes 65, 136
diskontinuierliches 64 ff., 81
periodisches 39 ff.
schnell abnehmendes 26 ff.
stochastisches 48 ff.
Signaldauer 24, 25
Signalenergie 12 , 19, 81
Signalfußgraph , s , FFT-Signalflußgraph
Si nussignal , verrauschtes 175, 180, 182
Speicherplatz-Ökonomie oei der FFT97, 100 ff.
Spektralanalyse 2, 52, 163 rr.spektrale Auflösung 180
spektrale Energiedichte 19
spektrale Leistungsdichte 46 rr., 52, 63
- • diskontinuierliche 47
- von periodischen Signalen 46 ff.
- von stochastischen Signalen 52, 63
187
Spektralfenster 169 ff.
Spektralli nie 2, 34, 44
Spline-Interpolation 65, 136 ff.
Spline-Signal 138 ff.
Sprungfunktion 21, 36
Stationarität im weiteren Sinn 54
statistische Signalbeschreibung 48 ff .
stochastischer Prozeß 50
stochastische Pulsfolge 55 ff. , 175 ff.
Stockham, T.G . 129 , 130
St r euung , s . Varianz
Summenorthogonalität 74, 77, 82 , 90, 96
Su pe r pos itions int eg r al 37
Su pe r pos it ions prinz ip 8 , 8 1
Sys t e m . lineares zeitinvariantes 7 ff ., 6 1
- , diskontinuierliches 67
Systemanalyse, statistische 62
Sys t e m ident ifi ka t ion 148
Sys t e m s i m ula t ion 121
Tiefpaß, idealer 38, 39
Tiefpaßsysteme , idealisierte 38, 39, 66
Trapezformel 70
trigonometris che Interpolation 74
Tukey, J . W. 100
Überlagerungssatz der Fourier-Trans-formation 46, 69 , 143
- der DFT 107 ff .
Übertragungsfunktio n 10 , 37
unit ä r e Matrix 83
unitäre Transformation 77, 79
Unschärferelation 25, 26
Varianz 51, 179, 180
Vektornorm 80
verallgemeinerte Funktion. s , Distri bution
Verschiebungssätze 16, 91 ff.
188
Wahrscheinlichkeitsdichtefunktion 49,53
Wahrscheinlichkeitsverteilungsfunktion 48, 53
weißes Rauschen 59, 62, 164 ff ,., 180,181
Welch, P.D. 173
Wiener-Khinchin-Beziehung 52
Sachverzeichnis
Zahlenfolgen, s , Folgen
Zeitinvarianz 8
zeitliche Verschiebung 16
Zirkulante 87,123
zyklische diskrete Faltung 86 ff., 123
zyklischer Operator 17, 82
zyklische Verschiebung 91