Sie sind auf Seite 1von 185

Digitale Signalverarbeitung

Wolfgang Schroer

Vorlesung im SS 14
fur Studierende der Elektrotechnik im 4. Semester
Vorlesungsmanuskript
6. korrigierte Auflage: 24. September 2013

Inhaltsverzeichnis
1. Einf
uhrung: Signale und Signalverarbeitung
2. Signal-Abtastung und -Rekonstruktion
2.1. Analoge Eingabe . . . . . . . . . . . . . . . . . .
2.1.1. Modell der Abtastung . . . . . . . . . . .
2.1.2. Spektren abgetasteter Signale . . . . . . .
2.1.3. Digitalisierung . . . . . . . . . . . . . . .
2.2. Abtast-Theoreme . . . . . . . . . . . . . . . . . .
2.2.1. Tiefpass-Signale . . . . . . . . . . . . . .
2.2.2. Bandpass-Signale . . . . . . . . . . . . . .
2.3. Signal-Rekonstruktion . . . . . . . . . . . . . . .
2.3.1. Tiefpass-Rekonstruktion . . . . . . . . . .
2.3.2. Rekonstruktion mit einem Halteglied . . .
2.3.3. Rekonstruktion von Bandpass-Signalen .
2.4. Quadratur-Signalverarbeitung . . . . . . . . . . .
2.4.1. Komplexe Signale, Hilbert-Transformation
2.4.2. Digitaler Empf
anger . . . . . . . . . . . .

5
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

8
8
8
13
18
19
19
24
29
29
31
32
34
34
42

3. Spektralanalyse
3.1. Zeitsignal und Spektrum . . . . . . . . . . . . . . . . .
3.1.1. Fourierreihe . . . . . . . . . . . . . . . . . . . .
3.1.2. Fourier-Transformation kontinuierlicher Signale
3.1.3. Diskrete Fouriertransformation DFT . . . . . .
3.1.4. Anwendung der DFT bei periodischen Signalen
3.1.5. Fensterung . . . . . . . . . . . . . . . . . . . .
3.2. Rauschsignale . . . . . . . . . . . . . . . . . . . . . . .
3.2.1. Station
are und ergodische Prozesse . . . . . . .
3.2.2. Wahrscheinlichkeitsdichte . . . . . . . . . . . .
3.2.3. Mittelwerte . . . . . . . . . . . . . . . . . . . .
3.2.4. Korrelation . . . . . . . . . . . . . . . . . . . .
3.2.5. Spektrale Eigenschaften . . . . . . . . . . . . .

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

45
45
45
47
56
70
71
75
76
77
77
82
84

4. FIR-Filter
4.1. Einleitung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2. Simulation mit Matlab (1) . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.3. Einfache Beispiele . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

93
93
98
102

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

4.4.

4.5.

4.6.

4.7.
4.8.
4.9.

4.3.1. Filter erster Ordnung . . . . . . . . . . . . . . . . . .


4.3.2. Filter zweiter Ordnung . . . . . . . . . . . . . . . . . .
FIR-Filter mit linearem Phasengang . . . . . . . . . . . . . .
4.4.1. Symmetrische Filter . . . . . . . . . . . . . . . . . . .
4.4.2. Antisymmetrische Filter . . . . . . . . . . . . . . . . .
4.4.3. Nachweis der Linearphasigkeit auf Grund der Lage der
Filter-Typen . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.5.1. Typ 1 . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.5.2. Typ 2 . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.5.3. Typ 3 . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.5.4. Typ 4 . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.5.5. Anwendungen . . . . . . . . . . . . . . . . . . . . . . .
Filterentwurf . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.6.1. Fourier-Approximation (Fenster-Verfahren) . . . . . .
4.6.2. Ordnung des Filters . . . . . . . . . . . . . . . . . . .
4.6.3. Fenster-Funktionen . . . . . . . . . . . . . . . . . . . .
Simulation mit Matlab(2) . . . . . . . . . . . . . . . . . . . .
Hilbert-Transformator . . . . . . . . . . . . . . . . . . . . . .
Hochpass-Transformation . . . . . . . . . . . . . . . . . . . .

5. IIR-Filter
5.1. z-Transformation . . . . . . . . . . . . . . . . .
5.2. Gleichung des IIR-Filters . . . . . . . . . . . .
5.3. Stabilit
at . . . . . . . . . . . . . . . . . . . . .
5.4. Entwurfsverfahren . . . . . . . . . . . . . . . .
5.4.1. Impulsinvariante Transformation . . . .
5.4.2. Rechteck-Integration . . . . . . . . . . .
5.4.3. Trapez-Regel: Bilineare Transformation
5.5. Kanonische Formen . . . . . . . . . . . . . . . .
5.5.1. Allgemeine kanonische Formen . . . . .
5.5.2. Kaskaden-Strukturen . . . . . . . . . . .
5.6. Entwurf analoger Filter . . . . . . . . . . . . .
5.6.1. Toleranzschema . . . . . . . . . . . . . .
5.6.2. Entwurf im s-Bereich . . . . . . . . . .
5.6.3. Beispiel nach [6] . . . . . . . . . . . . .

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
Nullstellen
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

102
109
111
112
114
115
118
118
121
123
126
128
128
128
133
135
139
140
143

145
. 145
. 146
. 148
. 150
. 150
. 152
. 157
. 162
. 162
. 166
. 169
. 169
. 173
. 178

A. Herleitung der DFT

182

Literaturverzeichnis

185

Vorwort
Das vorliegende Skript deckt die Inhalte einer Vorlesung f
ur Studenten im 4. Semester
der Fakult
at Elektrotechnik an der Hochschule Ulm ab. Die Vorlesung hat zum Ziel, die
Grundlagen der Digitalen Signalverarbeitung - Abtastung, Filterung, Spektralanalyse
- zu vermitteln. Am Ende der Vorlesung sollen die Studierenden in die Lage versetzt
werden, Anwendungen in ihren Fachgebieten mit diesen Grundlagen zu realisieren. Das
Skript ersetzt nicht die Lekt
ure der Literatur zur digitalen Signalverarbeitung. Insbesondere wird auf [4] [11] [1] [6] verwiesen, wobei diese Empfehlungen nur eine Auswahl des
sehr umfangreichen Literaturangebots darstellen. Zur Wiederholung der Systemtheorie
wird [7] und [8] empfohlen.
Den Studierenden des Wintersemesters 2009/10 danke ich f
ur ihre aktive Mithilfe bei
der Korrektur des Manuskripts.

1. Einfu
hrung: Signale und
Signalverarbeitung
Aufgabe der digitalen Signalverarbeitung ist es, analoge Signale aus unserer Umwelt
zu empfangen, in eine digitale Form zu wandeln und mittels Algorithmen die in diesen
Signalen steckende Information zu verwerten. Aus digital verf
ugbaren Informationen
konnen Signale erzeugt werden, die nach analoger Wandlung in der Umwelt wirksam
werden.
Signale sind immer beschrieben u
ber der unabhangigen Variablen Zeit. Das gesamte
Gebiet der Bildverarbeitung wird in diesem Manuskript nicht behandelt.
Signale stellen die physikalische Reprasentation von Information dar. Signale konnen
beliebige Erscheinungsformen haben, u.a.
optische Anzeigen
Druck (Schalldruck)
Beschleunigung oder Geschwindigkeit
Weg, Lage, Entfernung
Spannung
Strom
Strom und Spannung als Signalformen sind unmittelbar f
ur die Auswertung in einem
digitalen Signalverarbeitungsproze geeignet. Andere physikalische Erscheinungsformen
m
ussen u
ber eine geeignete Sensorik zunachst der digitalen Verarbeitung erschlossen
werden.
Die Signale sind nach ihrem Zeitverhalten einteilbar in
periodische (Beispiel: Netzbrumm, EKG)

Signal

Strom- oder
Spannungssignal
Sensor

Wandlung

Abbildung 1.1.: Sensorik am Anfang der Signalverarbeitungskette

stochastische (Beipiel: Sprache, EEG)


transiente (Beispiel: Erdbeben-Druckwellen, Einschaltvorgange),
die jeweils unterschiedliche Verarbeitungsmethoden erfordern. Die Signale werden nach
der Wandlung in ein elektrisches analoges Signal abgetastet und digital gewandelt. Sie
stehen f
ur die digitale Auswertung zur Verf
ugung. Die digitale Verarbeitung erfolgt durch
Algorithmen, die auf einem Signalprozessor oder Rechner laufen. Der Vorteil der digitalen
gegen
uber einer analogen Signalverarbeitung besteht vor allem in der Bandbreite der
Moglichkeiten und der Flexibilit
at bei der Anpassung von Algorithmen an wechselnde
Anforderungen.
Es konnen auch Signale digital erzeugt werden (z.B. auf dem Speichermedium AudioCD). Oder Signale werden im Rechner erzeugt und online u
ber eine digital-analoge

Wandlung z.B. als Audiosignale u


ber einen Lautsprecher ausgegeben. Abb. 1.2 zeigt die
gesamte Signalverarbeitungskette .
Sensor
und
Umformer

SignalQuelle

Prozessor

D
A

Algorithmen

Abbildung 1.2.: Signalverarbeitungs-Kette

Themen der Signalverarbeitung sind u.a.


Bearbeiten von Signalen
Filterung
Spektralanalyse
Demodulation
Signalsch
atzung

analoges
elektr.
Signal

Erzeugen von Signalen


Modulation
DTO
Zufallsgeneratoren
Auswerten von Signalen
Identifizierung
Klassifizierung
Decodierung

2. Signal-Abtastung und -Rekonstruktion


2.1. Analoge Eingabe
2.1.1. Modell der Abtastung
In diesem Abschnitt wird ein mathematisches Modell des Abtastvorgangs und der Digitalisierung in einem A/D-Wandler abgeleitet. Es ist ein mathematisches Modell, in
dem nicht die Technologie des A/D-Wandlers nachgebildet wird, sondern die Verarbeitungsschritte des Abtastens und Wandelns phanomenologisch nachvollzogen werden. Mit
diesem Modell lassen sich Verfahren der Signalverarbeitung, die eine Signaleingabe benotigen nachbilden, simulieren und beurteilen.
In Abb. 2.1 sind die drei wesentlichen Schritte der A/D-Wandlung dargestellt. Man
unterscheidet
u(t), das kontinuierliche analoge Signal
u (t), das abgetastete Signal u(t). Die Abtastwerte konnen noch immer als analoge
Signale interpretiert werden
u(t), ein Interpolationssignal der Abtastwerte (Interpolation nullter Ordnung): die
Abtastwerte werden gehalten

{uk }, die Zahlenfolge (k=0,1,...) der Abtastwerte


Der Prozess des Abtastens ( sample) erfolgt im Zeitraster T . Im folgenden sei immer

ein zeitlich
aquidistantes Abtasten gemeint (T = const). Der Zwischenschritt des Hal
tens wird aus technologischen Gr
unden immer realisiert ( sample and hold) um f
ur die

digitale Wandlung ausreichend Zeit zu haben. Er ist f


ur die mathematische Beschreibung
nicht notwendig und wird erst sp
ater im Kontext der D/A-Wandlung erlautert.
Das Ergebnis des Abtastens zeigt Abb. 2.2. Zu aquidistanten Zeiten steht ein Wert der
Funktion u(t) zur Verf
ugung. Die Menge aller Werte u(mT ) bilden die zeitdiskrete

u(t)

u*(t)

u(t)

{uk}

A
D

nicht
prinzipiell
notwendig

Abbildung 2.1.: Eingabe analoger Signale

Funktion u (t). Das Abtasten stellt eine Probenentnahme aus der kontinuierlichen

Funktion u(t) dar.

u(t)

u*(t)

t/T

Abbildung 2.2.: Kontinuierliche Funktion u(t) und Abtastwerte u (t)

In Hinblick auf die Realisierung dieser Probenentnahme bedarf es einer Eranzung. Die

Probe wird dargestellt als momentaner Spannungswert, also als Impuls (Abb. 2.3). Die
Dauer des Impulses wird als Apertur bezeichnet. Wahrend der Probenentnahmezeit
wird der Signalquelle Energie entzogen.
Man verwendet zur Beschreibung des Abtastvorgangs den Einheits-Impuls rect(t/ ) nach
Abb. 2.4. Man ordnet diesem zur Abtastung verwendeten Impuls zweckmaigerweise die
Flache T zu. Dann wird bei einem Signal der Amplitude 1 pro Zeiteinheit T die
Flache T als Abtastwert erzeugt. Der Abtastwert f
ur u(t) an der Stelle t = mT lat

u(t)
u(mT)

Abbildung 2.3.: Darstellung eines Abtastwertes als Spannungsimpuls endlicher Dauer

rect(t/T)

Flche
T

/2

- /2

Abbildung 2.4.: Abtast-Impuls rect(t/ )

10

sich schreiben als


t mT

u(mT ) rect(
)
|
{z
} T

(2.1)

Amplitude T /

{z

Amplitude 1

Der Vorgang nach Abb. 2.3 ist jedoch nicht-kausal, da bereits /2 vor der Abtastung der
Wert als bekannt vorausgesetzt wurde. Tatsachlich beginnt der Vorgang des Abtastens
erst mit dem Zeitpunkt mT , wobei die Energie kontinuierlich aus der Signalquelle entzogen wird(Abb. 2.5). Als gesampelter Wert wird der Mittelwert wahrend der Aperturzeit

Z
1 mT +

u (mT ) =
u(t)dt
mT
angegeben. Dies stellt jedoch eine nichtlineare Operation dar und ist f
ur eine einfache
Beschreibung des Abtastens ungeeignet.

u(t)
u(mT)

mT

Abbildung 2.5.: Reale Darstellung des Abtastens mit endlicher Dauer


Das Kausalit
atsproblem umgeht man, wenn man eine unendlich kurze Apertur unterstellt:
0
Dies entspricht einem Schalter, der sich im Abstand T mit verschwindend kleiner
Schliezeit (Abb. 2.6) schliet und wieder offnet.
Dann wird bei konstanter Fl
ache die Amplitude des Abtast-Impulses immer hoher (Abb.2.7)
und im Grenzfall entsteht ein Dirac-Impuls(Abb. 2.8). Die Information u
ber den Abtastwert liegt nunmehr in der Fl
ache des Abtast-Impulses. Zur graphischen Darstellung des
Dirac-Impulses wird die Fl
ache als Impulshohe dargestellt.

11

Abtaster
u(t)

u*(t)
T

Abbildung 2.6.: Idealer Abtast-Vorgang

rect(t/)
T

Abbildung 2.7.: Grenz


ubergang 0

12

(t)

Flche = T

Abbildung 2.8.: Symbolische Darstellung des Dirac-Impulses

Der Abtastvorgang der Funktion u(t) lat sich somit beschreiben als
u (t) =

+
X

m=

u(t) (t mT ) =

+
X

m=

u(mT ) (t mT )

(2.2)

Dies entspricht der Modulation eines zeitlich unendlich ausgedehnten Dirac-Kamms


durch die kontinuierliche Zeitfunktion u(t), wie sie in Abb. 2.9 dargestellt ist.
Man hat damit ein Modell der idealen Abtastung gefunden. Abgetastet werden momentane (Augenblicks-)Werte mit eine verschwindenden Apertur. Die Information u
ber den
Abtastwert zum Zeitpunkt T liegt in der Fache des einzelnen Impulses u(mT )(m
T ) Anmerkung: Um die Aperturzeit moglichst klein zu halten (kleiner als die Digitalisierungszeit), verwendet man in der technischen Realisierung ein Halteglied, das den
Augenblickswert erfat und f
ur die Dauer eines Abtasttaktes halt. Dadurch verringert
sich ein m
oglicher Aperturfehler mit nichtlinearer Auswirkung.

2.1.2. Spektren abgetasteter Signale


Dirac-Impuls
Das Spektrum eines einzelnen Dirac-Impulses lat sich schreiben als
Z
(t mT ) ej2f t dt
F ((t mT )) =

13

(2.3)

u(t)

u(t)

u*(t)

(t-iT)

(t-iT)

t/T
u(t)

u*(t)
1

Abbildung 2.9.: Idealer Abtastvorgang

14

t/T

Der Integrand existiert nur an der Stelle t=mT . Gleichung 2.3 kann daher geschrieben
werden als
Z mT +
(t mT ) ej2f t dt
F ((t mT )) = lim
0 mT

= ej2mT f
=

T
|{z}

mT +

mT

F laeche von (t)

(2.4)

(t mT ) dt
j2mT f
|e {z }

P hase durch Zeitverschiebung

Dirac-Kamm
P

(t mT ) ist als periodisches Signal durch eine Fourier-Reihe

(t mT ) =

Der Dirac-Kamm
darstellbar:
IIIT (t) =

2
mit : ak =
T

X
k=0

ak cos(k 2

1
t)
T

1
IIIT (t) cos(2k
t)dt
T

(2.5)

Es gilt f
ur a k :
2
ak = lim
0 T

IIIT (t) = 2

(t)cos(2

k
t) dt = 2
T

also:
cos(2

k=0

+
X
k
ej 2
t) =
T

k
T

(2.6)

k=

Mit der Fouriertransformation


ej2f0 t

s (f f0 )

folgt (vgl. Abb. 2.10):


F {IIIT (t)} =

+
X

k=

(f

k
)
T

(2.7)

Abb. 2.11 aus [1] verdeutlicht das Entstehen eines Dirac-Kamms aus einem breiter

werdenden Dirac-Spektrum.

15

Flche 1

Flche T

1/T

Abbildung 2.10.: Fourier-Transformation des Dirac-Kamms

Abbildung 2.11.: Anschauliche Herleitung der Beziehung


zeitfunktion und -Spektrum (nach [1])

16

von

Dirac-Kamm-

Modulierte Impulsreihe
Die modulierte Impulsreihe wird im Zeitbereich beschrieben durch
u (t) = u(t) IIIT (t)

(2.8)

u(t)

u*(t)

IIIT(t)
Abbildung 2.12.: Erzeugung einer modulierten Impulsreihe
Der Multiplikation im Zeitbereich entspricht bei einer Fouriertransformation eine Faltung
U (f ) = U (f ) III1/T (f ) = U (f )
U (f ) =

k=

k=

k
U (f
)
T

(f

k
)
T
(2.9)

U*(f)

U(f)
T

-1/T

1/T

2/T
f

Abbildung 2.13.: Periodische Wiederholung des Spektrums bei Abtastung der Zeitfunktion

Wird das Zeitsignal u(t) abgetastet, so ergibt sich nach Gleichung 2.10 eine mit 1/T
periodische Wiederholung des Spektrums U(f).

17

2.1.3. Digitalisierung
Das Signal u(t = mT ) wird reprasentiert durch einen Dirac-Impuls
u(mT ) (t mT )

u(t)

Flche u(mT)*T

mT
Abbildung 2.14.: Abtastwert

Die Wandlung des noch analog zu denkenden Signals u (t = mT ) in eine Zahl u(m) =
um entspricht der Berechnung der Flache des Impulses und Division durch T ) Der
A/D-Wandler wandelt das Signal u (t) in eine Zahlenfolge {um }.

u*(t)

{um}

A
D

Abbildung 2.15.: Digitalisierung

Die ideale Digitalisierung , die in dieser Vorlesung zunachst angewendet wird entspricht
der geraden Kennlinie in Abb. 2.16. Eine Quantisierung, die in jeder realen Applikation
auftritt, wird durch die Treppen-Kennlinie dargestellt. Quantisierungseffekte sind das
Thema des Abschnitts ??.

18

Zahl u(m)

ideale Digitalisierung
Quantisierungskennlinie

Flche /T

Abbildung 2.16.: Digitalisierungskennlinie mit und ohne Quantisierung

2.2. Abtast-Theoreme
2.2.1. Tiefpass-Signale
Tiefpass-Signale sind Signale, die die Frequenz f=0 einschlieen und auf einen Bereich
0 f fg begrenzt sind. F
ur diese Signale gilt die folgende von Shannon entwickelte
Vorschrift f
ur eine korrekte Abtastung [10].
x(t)

s X(f )

Bei x(t) handelt es sich um ein kontinuierliches Signal. X(f) ist ein bandbegrenztes
Spektrum f fg . Das Signal wird mit T , d.h. mit der Abtastfrequenz fT = 1/T
abgetastet:
x (t)

s X (f )

X (f ) ist, wie im vorigen Abschnitt gezeigt wurde, ein periodisch sich wiederholendes
Spektrum X(f). Die Wiederholung erfolgt mit der Abtastfrequenz fT .
Das urspr
ungliche Tiefpass-Signal kann mit einem Rekonstruktionsfilter der Bandbreite
1
f
wieder
hergestellt werden unter folgenden Voraussetzungen
2 T
das Spektrum X(f) ist =0 f
ur f > fg
fg < fT fg , d.h. fT =

1
T

> 2fg

19

Die Frequenz
fT > 2fg

(2.10)

wird auch als Nyquist-Grenze bezeichnet. Wird sie nicht eingehalten, so u


berlappen
sich die periodischen Wiederholungen des Tiefpass-Spektrums, und eine Rekontruktion
ist nicht mehr m
oglich. Man bezeichnet diesen Fall als Alias oder Aliasing (Abb. 2.17
unten).

U*(f)
Rekonstruktionsfilter

-fT

fT

2fT

fT -fg

fg
*fT
U*(f)

fT

-fT
fg

fT -fg

2fT
f

Abbildung 2.17.: Spektren nach Abtastung; oben ohne Alias, unten mit Alias (
uberlappende Spektren)

In der Praxis w
ahlt man, um keine unnotig steilen Flanken beim Rekonstruktionsfilter
realisieren zu m
ussen, eine Abtastfrequenz deutlich groer als die Nyquistgrenze 2 fg .
Das allm
ahliche Entstehen eines Aliasfehlers ist den folgenden Abbildungen 2.18 bis 2.20
nach [1] zu entnehmen.

20

Abbildung 2.18.: Aliasfreie Abtastung (nach [1])

21

Abbildung 2.19.: Abtastung an der Aliasgranze(nach [1])

22

Abbildung 2.20.: Abtastung mit Alias(nach [1])

23

Beispiel: Ein Sinus-Signal der Frequenz f=10 Hz wird abgetastet. Welche Frequenz ist
mindestens erforderlich? Welche Frequenz wird mit einem Rekonstruktionsfilter erfasst,
wenn die Abtastung mit 8 Hz erfolgt?

-fT= -30

-20

-10

10

20

fT=30

40

f/Hz

Abbildung 2.21.: Aliasfreie Abtastung des Sinus-Signals (10Hz)

Antwort: Wenn man das Signal als Tiefpass-Signal betrachtet (was es streng gnommen
nicht ist), so ist eine Abtastfrequenz von mehr als 20 Hz erforderlich. Abb. 2.21 zeigt
eine Abtastung mit 30 Hz. Es tauchen neben den Original-Linien bei 10Hz Linien
bei 30Hz 10Hz, 60Hz 10Hz... und 30Hz 10Hz ... auf. Eine Rekonstruktion ist
moglich.
Eine Abtastung mit 8 Hz f
uhrt zu Alias, es wird eine Frequenz von 2 Hz rekonstruiert
(Abbildung 2.22).
1. Wiederholung +8 10

Original- Spektrum

-10

-2

10

-fT= -8

1. Wiederholung - 8 10

18

fT=8

f/Hz

Rekonstruktionsfilter 4 Hz

Abbildung 2.22.: Unterabtastung des 10Hz-Sinus

2.2.2. Bandpass-Signale
Bandpass-Signale sind Signale, die in einem Frequenzband angesiedelt sind, dass die Frequenz f=0 nicht einschliet. Bandpass-Signale entstehen durch Modulation eines Tragers
mit einem Tiefpass-Signal, z.B. durch Amplitudenmodulation (AM) oder Frequenzmodulation (FM) oder Phasenmodulation (PM). Abb. 2.23 zeigt ein amplitudenmoduliertes
Signal. Das Tiefpass-Signal u0 (t) wird bandbegrenzt und als Signal u(t) mit dem Trager
multipliziert (Abb.2.24).

24

Exakt lautet die Gleichung f


ur AM bei einem Modulationsgrad m
uBP (t) = (1 + m u(t)) cos(2f0 t)
In Abb. 2.23 wurde ein Modulationsgrad m=0.6 gewahlt, d.h. die H
ullkurve des modulierten Signals schwankt zwischen 0.4 und 1.6.
2

1.5

0.5

-0.5

-1

-1.5

-2
0

10

20

30

40

50

60

70

80

90

100

Abbildung 2.23.: AM-Signal

u0(t)

u(t)
TP

BP-Signal u(t)* cos(2f0t)

Trger cos(2f0t)
Abbildung 2.24.: Signalfluss-Diagramm der AM (Prinzip)

u(t)

sU (f )

cos(2f0 t)

sT (f ) = 1 ((f + f0 ) + (f f0 ))

uBP (t) = u(t) cos(2f0 t)

sUBP (f ) = U (f ) T (f ) = 1 (U (f + f0 ) + U (f f0 ))

(2.11)

25

U(f), T(f)

-f0

f0

f0

UBP(f)

-f0

Abbildung 2.25.: Spektren von BP-Signalen

Abb. 2.25 zeigt die Spektren der beteiligten Signale.


Bei Unterabtastung von BP-Signalen durchdringen sich die Spektren, aber die Bander
(oberes und unters Seitenband und die periodischen Wiederholungen) u
berlappen sich
nicht notwendigerweise.
Beispiel:
BP-Signal f0 =30 kHz, Bandbreite 5 kHz
Abtastfrequenz fT =24 kHz
Die Abtastung ist in Abb. 2.26 dargestellt. Es wechseln sich u
ber der Frequenzachse obere
und untere Seitenb
ander ab. Die B
ander wiederholen sich in der Frequenzlage i24kHz
30kHz. Die B
ander des urspr
unglichen Signals sind grau hinterlegt. Die einzelnen Bander
u
ungleich Bandpassberlappen sich nicht. Durch ein Rekonstruktionsfilter kann das urspr
Signal bzw. das dieses erzeugende Tiefpass-Signal, allerdings in anderer Frequenzlage,
wiederhergestellt werden.
Spektrum
uS

oS

uS

oS

uS

oS

-1 1
11 13 18 23

25

+30
-6
-fT=-24

54

35 -30

+30

-30

fT=24

2fT=48

Abbildung 2.26.: Spektrum des abgetasteten BP-Signals

26

Im folgenden soll die Bedingung f


ur ein u
berlappungsfreies Spektrum abgeleitet werden.
Das urspr
ungliche BP-Spektrum besteht aus dem oberen und unteren Seitenband (Abb.
2.27). Die B
ander liegen zwischen f1 und f2 bzw. f1 und f2 .

XBP(f)
uS

- f2

oS

- f1

f1

f2
f

Abbildung 2.27.: Spektrum eines BP-Signals

Durch die Abtastung mit fT wiederholen sich die Bander jeweils um k fT verschoben,
< k <
verschiebe das Band < f2 , f1 > um fT

Keine Uberlappung
entsteht mit < f2 , f1 >, wenn gilt
f1 + fT < +f1
verschiebe das Band um ( + 1) fT

Wiederum entsteht keine Uberlappung,


wenn gilt
f2 + ( + 1) fT > f2
Aus beiden Bedingungen ergibt sich durch Differenzbildung

f1 + fT < +f1

f2 + ( + 1) fT > f2

(2.12)

fT > 2(f2 f1 )

Dies ist die (notwendige, noch nicht hinreichende) Bedingung f


ur die Abtastung von

27

BP-Signalen nach Kohlenberg [13]. Aus den Ungleichungen 2.12 oben erhalt man
2f1

2f2
>
+1

fT <
fT

(2.13)

und damit die Dreiecks-Ungleichung


2f2
2f1
< fT <
+1

(2.14)

Daraus folgt unmittelbar


2f2 = 2f1 ( + 1)

bzw.

(2.15)

f1
<
f2 f1

Da nur ganzzahlig sinnvoll ist, lautet die hinreichende Bedingung u


berlappungsfreien
Abtastens


f1
max =
(2.16)
f2 f1
max ist die Zahl der zwischen f1 und f1 platzierbaren Bander durch aufwarts-Wiederholen

des unteren Seitenbandes. Die gleiche Zahl an Bandern ergibt sich durch das abwarts
Wiederholen vom oberen Seitenband. D.h. im Intervall < f1 , f1 > liegen insgesamt
2max B
ander, ohne dass sie sich u
berlappen, wenn die Bedingung der Dreiecksungleichung 2.14 eingehalten wird.
Beispiel:
Ein Bandpass-Signal f1 = 50 kHz, f2 = 56 kHz soll moglicht niederfrequent abgetastet
werden.


50
max =
= [8.33] = 8
56 50
Insgesamt k
onnen maximal 2*8=16 Bander zwischen den urspr
unglichen Bandern des
Bandpass-Signals liegen. Durch Ber
ucksichtigung der Dreiecksungleichung 2.14 werden

Abtast-Frequenzbereiche unterhalb der Nyquistgrenze definiert, die nicht zu einer Uberlagerung dieser B
ander f
uhren. Sie sind in Tabelle 2.1 aufgef
uhrt. Der gesondert aufgef
uhrte Fall = 0, d.h. kein Band liegt zwischen den Originalbandern, entspricht dem
Fall der Tiefpass-Abtastung: die Minimal-Frequenz entspricht der doppelten hochsten
Bandpass-Frequenz.
Wahlt man ungerade, so erscheinen die untersten Bander in der sog. Kehrlage (siehe
Abb. 2.28), gerade Werte von erzeugen die sog. Regellage. Eine Verschiebung auf

28


0
1
2
3
...
8

2f2
+1
112
56
37.5
28
...
12.44

2f1

100
50
33.3
...
12.5

Tabelle 2.1.: Erlaubte Frequenzbereich der Abtastung


die Frequenz Null ist nicht m
oglich, weil sich dann ein oberes und unteres Seitenband
u
urden. F
ur groe Werte von wird der erlaubte Frequenzbereich der
berschneiden w
Abtastung immer enger und mu genau eingehalten werden, da die Packungsdichte der

Bander gr
oer wird.

X*BP(f)
oS

uS

f
Abbildung 2.28.: Kehrlage eines abgetasteten BP-Signals

2.3. Signal-Rekonstruktion
2.3.1. Tiefpass-Rekonstruktion
Es wird die Frage untersucht, wie sich aus einem abgetasteten Tiefpass-Signal u (t) das
urspr
ungliche Signal u(t) rekonstruieren lat.
Bei Einhaltung des Abtastkriteriums erscheint das Tiefpass-Signal mit spektraler periodischer Wiederholung 1/T ohne Aliasing. Mit einem Rechteckfenster FW (f ), wie in
Abb. 2.29 dargestellt, l
at sich das Spektrum des urspr
unglichen Signals u(t) selektieren.
Das Fenster stellt einen idealen Tiefpass dar mit der Grenzfrequenz

29

FW (f ) = rect(

1
f
) mit fg =
2fg
2T

Es gilt

U(f)

Abtastung mit T
FW(f)

U*(f)

-1/T

1/T

2T

2T

2/T

Abbildung 2.29.: Rekonstruktion mit idealem Tiefpass

U (f ) = U (f ) FW (f ) s u(t) = u (t) 2fg si(2fg t)

1 X
t
u(t) =
)
u(mT ) (t mT ) si(
T m=
T }
{z
|
t mT
)
si(
T

(2.17)

Damit erh
alt man die sog. Kardinal-Reihe von si-Funktionen; die Rekonstruktion ist
auch als Whittaker-Rekonstruktion bekannt:
u(t) =

m=

u(mT ) si(

t mT
)
T

30

(2.18)

Abb. 2.30 zeigt das Prinzip der Whittaker-Rekonstruktion nach [7] f


ur ein Signal s(t).
Zu den Abtastzeitpunkten mT ist nur jeweils eine si-Funktion der Reihe ungleich null
und identisch mit s(t = mT ). Zwischen den Abtatstzeitpunkten ist der Wert der kontinuierlichen Funktion aus der Summe aller si-Funktionen der Reihe berechenbar. Da die
Kardinalreihe nur schlecht konvergiert, also eine groe Anzahl vorausgehender und nachfolgender Abtastwerte zu ber
ucksichtigen sind, ist die Whittaker-Rekonstruktion eher
von theoretischer Bedeutung. Sie zeigt, dass ein Signal aus seinen Abtatstwerten fehlerfrei rekonstuiert werden kann, wenn die Nyquistgrenze der Abtastung eingehalten wurde.

Abbildung 2.30.: Whittaker-Rekonstruktion aus[7]

2.3.2. Rekonstruktion mit einem Halteglied


Aufgabe eines Haltegliedes ist es, einen Abtastwert f
ur die Dauer jeweils einer Abtastperiode zu halten. Auf diese Weise rekonstruiert das Halteglied die urspr
unglich konti-

31

nuierliche Funktion u(t) durch eine Interpolation nullter Ordnung der Abtastwerte. Das
Signalfluss-Diagramm zeigt Abb. 2.31. Der Frequenzgang
x*(t)=x*(mT)

x(t)
1/T

Verzgerung
um T

1/T

Abbildung 2.31.: Halteglied

FH (j) =

1 ejT
jT

(2.19)

zeigt eine Integration der Abtastimpulse (Impulsantwort des Integrators = Sprung) und
eine R
uckintegration nach T . Der Frequenzgang lat sich umschreiben als

FH (j) =

sin(f T ) jf T
e+jT /2 ejT /2
ejT /2 =
e
jT
f T

Damit hat der Frequenzgang die Form


FH (f ) = si(f T ) ejf T

(2.20)

Abb. 2.32 zeigt den spektralen Verlauf. Da die periodischen Wiederholungen mit Nullstellen des Haltegliedes zusammenfallen wird im wesentlichen das Grundspektrum selektiert
und bei hinreichend hoher Abtastung ohne Verzerrungen rekonstruiert.

2.3.3. Rekonstruktion von Bandpass-Signalen


Bandpass-Signale entstehen durch Modulation eines Tiefpass-Signals auf eine Tragerschwingung. Die Information steckt im Tiefpass-Signal, der Trager selbst ist irrelevant.
Durch geeignete Demodulation mu das Tiefpass-Signal vom Trager abgetrennt werden.
Die Rekonstruktion wird am Beispiel einer AM-Demodulation (Produkt-Demodulation)
analysiert1 .
1

Eine Whittaker-Rekonstruktion ist theoretisch denkbar, wegen des hohen Rechenaufwandes aber f
ur
Bandpass-Signale bedeutungslos

32

1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
-30

-20

-10

10

20

30

Abbildung 2.32.: Frequenzgang (Betrag) des Haltegliedes und Spektrum eines abgetasteten Signals (T =0.1 sec)

Das amplitudenmodulierte Signal ist


xBP (t) = a(t) cos(2f0 t + )

a(t):TP-Signal

f0 : Tr
agerfrequenz

(2.21)

Abtastung:
xBP (m) = a(m) cos(2f0 mT + )
Die Multiplikation von xBP (m) des abgetasteten Signals mit einem komplexen Hilfstrager h(m)
h(m) = ej2fr T m = cos(2fr T m) jsin(2fr T m)

(2.22)

liefert nach Trennung in einen Real- und Imaginarteil r(m)-j*i(m)


r(m) = a(m) cos(2f0 mT + ) cos(2fr T m)

i(m) = a(m) cos(2f0 mT + ) sin(2fr T m)

Nach den Multiplikationsregeln f


ur trigonometrische Funktionen
1
cos cos = [cos( ) + cos( + )]
2
1
cos sin = [sin( + ) sin( )]
2

33

(2.23)

erhalt man
1
r(m) = a(m)[cos(2(f0 fr )mT + ) + cos(2(f0 + fr )mT + )]
{z
}
|
2
T ief pass

1
i(m) = a(m)[sin(2(f0 + fr )mT + ) sin(2(f0 fr )mT + )]
{z
}
|
2

(2.24)

T ief pass

Die markierte Summen-Frequenz-Anteile werden durch einen Tiepass unterdr


uckt. Nach
Betragsbildung erh
alt man
1
r2 (m) + i2 (m) = a(m)2 [cos2 () + sin2 ()]
{z
}
|
4
=1

(2.25)

1
|x|2 = a(m)2
4p
2 + i2
|am | = 2 rm
m

Stellt man einen Modulationsgrad <1 sicher (Amplitude des modulierenden Signals
ist kleiner als die Tr
ageramplitude), dann ist a(t)>0, d.h. |ak | = ak . Die Schaltung
zur Produkt-Demodulation ist in Abb. 2.33 dargestellt und hat die f
ur die QuadraturSignalverarbeitung typische Teilung in einen Real- und Imaginar-Signal-Pfad.
2

am
cos(rT*m)
xBP(m)
2

sin(rT*m)

Abbildung 2.33.: Produkt-Demodulation

2.4. Quadratur-Signalverarbeitung
2.4.1. Komplexe Signale, Hilbert-Transformation
In der realen Welt existieren nur reelle Signale. Man kann nur reelle Werte messen,
empfangen, senden. In einem Signalverarbeitungsprozess lassen sich aber komplexe Signale, bestehend aus einem Realteil und einem Imaginarteil, darstellen. Der Prozess

34

komplexes
Signal

reelles Signal

Abbildung 2.34.: Ubergang


von reellen auf komplexe Signale (dargestellt durch Doppelpfeil)

muss dann Real- und Imagin


arteil separat berechnen und speichern. Der Ubergang
auf
komplexe Signale hat in der Signalverarbeitung viele Vorteile. Man kann viele Probleme

nur bzw. u
auf reelle Signale
bersichtlicher mit komplexer Rechnung losen. Der Ubergang
bei der Ausgabe am Ausgang des Signalverarbeitungs-Prozesses erfolgt durch Betragsoder meist durch Realteil-Bildung (Abb. 2.35).

komplexes
Signal ~xm

reelles Signal
xm

komplexer
DSV-Prozess

Abbildung 2.35.: Ubergang


von komplexe Signale auf reelle Signale

Beispiel: Bei der Abtastung von Bandpass-Signalen ist nach dem Kohlenberg-Kriterium
daf
ur Sorge zu tragen, dass sich positive und negative Frequenzbander nicht u
berschneiden. Hierzu ist die Abtastfrequenz genau einzuhalten. Wenn es gelingt, die negativen
Frequenzen zu vernichten, w
are die Abtastung erheblich einfacher: die Abtastfrequenz

mu dann gr
oer als die einfache Bandbreite sein (Abb.2.36).

Die Beseitigung der negativen Frequenzen ist zwangslaufig mit einem Ubergang
von
reellen auf komplexe Signale verbunden:
cos(2f0 t)
sin(2f0 t)

s 1 [(f f0 ) + (f + f0 )]

2|

{z

f >0

{z

f <0

s 1 [(f f0 ) (f + f0 )]

2j |

{z

f >0

{z

f <0

Ubergang
auf ein komplexes Signal

cos(2f0 t) + j sin(2f0 t) = ej2f0 t


Man spricht von einem analytischen Signal.

35

(2.26)

s (f f0 )

{z

f >0

- 2fT

- fT
f1

fT f1
f1

f1

f2

f1

Abbildung 2.36.: Abtastung analytischer Signale


j 2f 0t

0
0

j* Im

j
0
nur positive Frequenz

Re

Abbildung 2.37.: Erzeugung eines analytischen Signals

Man mache sich in diesem Zusammenhang klar


gerade Signale (cos) haben ein gerades, reelles Spektrum (Gleichung 2.26)
ungerade Signale (sin) haben ein imaginares, ungerades Spektrum

Der Ubergang
von einem reellen auf ein analytisches Signal erfolgt, indem durch eine
geeignete Transformation die Spektralanteile f
ur f<0 in den Bereich f>0 verschoben
werden: War das urspr
ungliche Signal
x(t)

sX(f )

so erhalt man als analytisches Signal


x+ (t)

sX + (f )

36

X+(f)

X(f)

Abbildung 2.38.: Erzeugung eines analytischen Signals (spektrale Interpretation)

Mit der Signum-Funktion

f >0
1
sgn(f ) = 1 f < 0

0
f =0

(2.27)

folgt

2X(f )
+
X (f ) = X(f ) + X(f ) sgn(f ) = 0

X(f )

f >0
f <0
f =0

(2.28)

X + (f ) ist ein analytisches Spektrum, d.h. es hat keine Spektralanteile f


ur f<0. Im Zeitbereich gilt
x+ (t)

X + (f )

x(t)

ju(t)

(2.29)

= X(f ) + jU (f )

Der Vergleich von Gl.2.28 und 2.29 ergibt


jU (f ) = X(f ) sgn(f )

(2.30)

U (f ) = j sgn(f ) X(f )
Daraus erh
alt man den Frequenzgang
H(f ) =

U (f )
= j sgn(f )
X(f )

(2.31)

der Hilbert-Tansformator genannt wird 2 . Das Signalfluss-Diagramm zur Erzeugung

eines analytischen Signals zeigt Abb. 2.39. Die Realisierung eines Hilbert-Transformators
durch ein digitales Filter wird im Kapitel FIR diskutiert.

37

x(t)
x+(t)
u(t)

Abbildung 2.39.: Erzeugung eines analytischen Signals (Signalfluss-Diagramm)

| H(f) |

f
H(f)
/2

f
-/2

Abbildung 2.40.: Frequenzgang des Hilbert-Transformators

38

Der Frequenzgang des Hilbert-Transformators nach Betrag und Phase ist in Abb. 2.40
dargestellt. Es stellt einen breitbandigen 90 -Phasenschieber dar.
Wenn zwei Signale x(t) (Realteil) und u(t) (Imaginarteil) ein sog. Hilbert-Paar bilden,
so besitzt das Signal
x+ (t) = x(t) + j u(t)
ein positiv finites Spektrum.

x(t)

x+(t)

j*u(t)
Abbildung 2.41.: Hilbert-Paar

Beispiel
x(t) = x
cos (2f0 t)
Gesucht wird die Hilbert-Transformierte u(t). Anschaulich mu es sich um ein SinusSignal handeln, weil nach Abb. 2.40 die Hilbert-Transformation eine Phasenverschiebung
um /2 erzeugt.
Rechnung:
1
x(t) = x
(ej2f0 t + ej2f0 t )
2
1
((f f0 ) + (f + f0 ))
X(f ) = x
2 | {z } | {z }
sgn(f )=+1

sgn(f )=1

Damit wird

1
(+(f f0 ) (f + f0 ))
U (f ) = j sgn(f ) X(f ) = j x
2
1
(+(f f0 ) (f + f0 ))
jU (f ) = x
2
X(f ) + jU (f ) = X + (f ) = x
(f f0 )
Das analytische Zeit-Signal ist
x+ (t) = x
ej2f0 t = x(t) + j u(t)
2

nach David Hilbert, Dt.Mathematiker (1862-1943)

39

Daraus erh
alt man
1
j u(t) = x
ej2f0 t x
(ej2f0 t + ej2f0 t )
2
bzw.
u(t) =

1
x
(ej2f0 t ej2f0 t ) = x
sin (2f0 t)
2j

Man mache sich den Ablauf der Rechnung noch einmal an dem Zeigerdiagramm Abb.
2.42 klar.

j*Im

U*
f<0
X
*
H(f)
*j
Re
H(f)
*j
X
f>0

X+

Abbildung 2.42.: Hilbert-Transformation eines harmonischen Signals

Einseitenband-Modulation
Bei der Modulation eines Basis-Bandes auf einen Trager f0 entstehen zwei Bander bei
f0 (Abb. 2.43)

40

X(f)

AMModulation

XBP(f)

-f0

f0

Abbildung 2.43.: Erzeugen eines Bandpass-Signals durch Modulation

Die Informationsdarstellung ben


otigt jedoch nur die halbe Bandbreite. Bei der sog.
Einseitenband-Modulation (ESB) moduliert man den Trager mit dem Basisband so,
dass die obere H
alfte (positive Frequenzen) des Basisbandes als Spektrum nur oberhalb des Tr
agers und die negativen unterhalb des Tragers erscheinen. Der Ablauf der
ESB-Modulation ist in Abb. 2.44 gezeigt. Zunachst wird durch Hilbert-Transformation
aus dem Basisband ein analytisches Spektrum erzeugt. Durch Multiplikation mit einem
komplexen Hilfstr
ager wird das Band auf den Trager f0 verschoben. Durch Bildung des
Realteils wird daraus das gew
unschte Spektrum oberhalb von +f0 und unterhalb von
f0 .
X+(f)

X+(f-f0)

X(f)
HilbertTransformation

AufwrtsMischen

f0

RealteilBildung

XESB(f)

-f0

f0

Abbildung 2.44.: ESB-Modulation

Das analytische Signal hat die Form


x+ (t) = x(t) + j u(t)
mit
u(t) = H(x(t))
Der komplexe Hilfstr
ager kann geschrieben werden als
ej2f0 t = cos(2f0 t) + j sin(2f0 t)

41

Die Realteilbildung ist dann darstellbar als


xESB (t) = Re([x(t) + j u(t)] [cos(2f0 t) + j sin(2f0 t)])

(2.32)

= x(t) cos(2f0 t) u(t) sin(2f0 t)

Die Realisierung entspricht der bereits fr


uher gezeigten Abb. ??.

2.4.2. Digitaler Empf


anger

D
HF
88-108 MHz

fT
Q

cos

Tiefpass
und
Dezimation

Demodulation

D
A

sin

Dig. Oszillator

Abbildung 2.45.: Architektur des Digitalen Empfangers

Die Architektur eines digitalen UKW-Empfangers ist in Abb. 2.45 dargestellt. Der Sinn
des digitalen Empf
angers ist, das HF-Signal direkt abzutasten und damit analoge Schaltkreise einzusparen und durch Algorithmen zu ersetzen. Das HF-Signal 88-108 MHz wird
durch einen Vorverst
arker verst
arkt und in der Bandbreite selektiert. Dies ist erforderlich,
um durch Unterabtasten unter Beachtung des Kohlenberg-Kriteriums das UKW-Band
zu niedrigen Frequenzen zu verschieben.
Bei einer Bandbreite von 20 MHz berechnet man nach Gleichung 2.15

 

f1
88
max =
=
=4
f2 f1
108 88
F
ur die Abtastfrequenz gilt dann bei Wahl = 4 nach Gleichung 2.14
2 88
2 108
fT
4+1
4
43.2M Hz fT 44M Hz
Wahlt man fT = 43.2, so entsteht ein periodisches Abbild des urspr
unglichen UKWBandes zwischen 1.6 und 21.6 MHz. Aus diesem Band ist jetzt ein beliebiger Sender

42

auszuw
ahlen. Durch eine Abw
artsmischung wird dieser Sender in das Basisband verschoben. Bei einer Bandbreite des Senders von ca.100 kHz kann das Basisband durch ein
digitales Filter eingegrenzt werden. Es entsteht (da auch die Filter, ahnlich wie die abgetasteten Signale, mit der Abtastfrequenz fT periodische Spektren haben, nach der
Filterung ein periodisches Spektrum des selektierten Senders. Da die Bandbreite nunmehr aber wesentlich kleiner ist als die urspr
ungliche UKW-Bandbreite, ist eine Dezimation zweckm
aig, um Datenm
ull zu vermeiden und die Rechenleistung zu minimieren.

Bei der Dezimation ist das Abtast-Kriterium f


ur Tiefpass-Signale zu beachten um ei
ne Uberlappung
der Frequenzb
ander zu vermeiden (Abb.2.46). Bei einer urspr
unglichen
Abtastfrequenz von 43.2 MHz ist eine Dezimation um den Faktor 64 moglich. Bei einer
Abtastfrequenz von 675 kHz entsteht kein Alias.
Das ins Basisband verschobene Signal wird demoduliert und erneut D/A-gewandelt und
u
ber Lautsprecher ausgegeben.

43

Abtastung
mit
43.2 MHz

88

108

gewnschter Sender

f/MHz

1.6

21.6

Quadratur-Abmischen

f/MHz

Tiefpass-Filterung

Tiefpass-Filter

Dezimation 64

43.2

f/MHz

1:64

675 f/kHz

Abbildung 2.46.: Spektren im Digitalen Empfanger

44

f/MHz

3. Spektralanalyse
3.1. Zeitsignal und Spektrum
In diesem Abschnitt werden wesentliche Erkenntnisse aus der Vorlesung Systemtheorie
wiederholt.

3.1.1. Fourierreihe
Gegeben sei ein in T periodisches Signal x(t)=x(t+T). Dieses Signal lat sich durch eine
Fourier-Reihe darstellen
x(t) = x0 +

xk cos(k0 t + k )

(3.1)

k=1

Das Signal besteht aus einem Gleichsignal x0 und einer unendlichen Reihe von harmonischen Signalen der Frequenzen k0 mit
k0 = k

2
T

Gleichung 3.1 l
at sich in eine cos- und eine sin-Reihe zerlegen. Aus
cos(a + b) = cos(a)cos(b) sin(a)sin(b)
folgt
x(t) = x0 +

ak cos(k0 t) +

k=1

ak = xk cos(k )

bk sin(k0 t)

k=1

(3.2)

bk = xk sin(k )

45

Jedes periodische Signal besteht also grundsatzlich aus zwei orthogonalen Signalformen.
Die Amplituden sind
Z
2
x(t) cos(k0 t) dt
ak =
T T
Z
2
(3.3)
x(t) sin(k0 t) dt
bk =
T T
Das Integral erstreckt sich u
ur ungerade Funktiober eine Periode. ak ist stets gleich Null f
nen1 und bk ist gleich Null f
ur gerade Funktionen. ak und bk reprasentieren die spektralen
Anteile des Signals x(t) bei der Kreisfrequenz k0 .

Uber
die Eulerschen S
atze l
at sich Gleichung 3.2 durch e-Funktionen komplexer Variabler ausdr
ucken:

x(t) = x0 +

X
ak
k=1

(ejk0 t + ejk0 t ) +

X
bk jk0 t
(e
ejk0 t )
2j

(3.4)

k=1

bzw.
x(t) = x0 +

X
X
ak
ak
bk
bk
( j )ejk0 t +
( + j )ejk0 t
2
2
2
2
k=1

(3.5)

k=1

j b2k bzw. a2k + j b2k sind konjugiert komplexe Spektralanteile des Signals x bei den
Kreisfreqenzen 0 . Mit der Abk
urzung
ak
2

k>0: x
k = ak jbk

k<0: x
k = ak + jbk , d.h. x
k = x
k

(3.6)

k=0: x
k = 2x0
erhalt Gleichung 3.5 die Form
x(t) =

1 X
x
k ejk0 t
2

(3.7)

k=

Ist x(t) eine gerade Funktion (d.h. bk = 0), so hat x(t) ein reelles Spektrum.
Ist x(t) eine ungerade Funktion (d.h. ak = 0), so hat x(t) ein imaginares Spektrum.
1

cos ist eine gerade Funktion

46

Ist x(t) weder eine gerade noch ungerade Funktion, so hat x(t) ein komplexes
Spektrum.
Aus Gleichung 3.3 erh
alt man bei komplexer Schreibweise

2
x
k = ak jbk =
T

x
k =

2
T

x(t) [cos(k0 t) j sin(k0 t)] dt


(3.8)

x(t)ejk0 t dt
T

3.1.2. Fourier-Transformation kontinuierlicher Signale


Verallgemeinerung der Fourier-Reihe
In Abb. 3.1 ist ein beliebiges transientes und damit instationares Signal x(t) dargestellt.
F
ur dieses Signal gelten die bisher gewonnenen Erkenntnisse zur Fourier-Reihe nicht.
Man erg
anzt das Signal mit einer beliebigen Periodendauer T (siehe unteren Teil der
Abbildung). Man erh
alt das periodische, stationare Signal xp (t). F
ur dieses Signal ist
x(t)

t
xp(t)

Abbildung 3.1.: Periodische Wiederholung des Spektrums durch Abtastung

47

eine Darstellung als Fourier-Reihe moglich:


xp (t) = x0 +

1 X
x
pk ejk0 t
2
k=

2
0 =
T
Z
2 T /2
x
pk =
xp (t)ejk0 t dt
T T /2

(3.9)

Man definiert auf diese Weise ein Transformationspaar

s{
xpk }, 0

xp (t)

xp (t) ist gleichwertig darstellbar durch seine Fourier-Koeffizienten x


pk und die Grundfrequenz 0 .
Nimmt man einen Grenz
ubergang T vor, so entfallt die periodische Wiederholung
und man erh
alt die spektrale Darstellung des transienten Signals: xp (t) x(t).
Bei dem Grenz
ubergang geht die Grundfrequenz u
ber in eine infinitesimal kleine Frequenz d. Die als Vielfaches der Grundfrequenz 0 auftretenden Frequenzen k 0 gehen
u
ber in eine kontinuierliche Frequenz
0 d
k 0
Wegen
x
pk =

2
T

T /2

xp (t)ejk0 t dt

T /2

erhalt man
lim (
xp k

T
)=
2

x(t) ejt dt = X(j)

(3.10)

Gleichung 3.10 definiert die sog. Fouriertransformation des Zeitsignals x(t):


x(t)

(3.11)

sX(j)

X(j) wird als Fouriertransformierte des Signals x(t) oder auch kurz als Spektrum von
x(t) bezeichnet. Es beschreibt die spektralen Eigenschaften von x(t). Die Transformation
ist eindeutig, d.h. es exisitiert auch eine eindeutige inverse Transformation von X(j)
nach x(t).

48

Hierzu schreibt man zun


achst das periodische Signal xp (t) als

1 X
x
pk ejk0 t
xp (t) = x0 +
2

(3.12)

k=

und ersetzt den Zeiger x


pk entsprechend der Definiton der Fourierreihe, so erhalt man

Z

2
1 X
jk0 t
xp (t)e
dt ejk0 t
xp (t) =
2
T T
k=

Z

X
0
jk0 t
xp (t) =
xp (t)e
dt ejk0 t
2
T

(3.13)

k=

Nimmt man jetzt den Grenz


ubergang T vor, so erhalt man
Z
Z
1
x(t)ejt dt ejt
d
lim xp (t) = x(t) =
T
2

|
{z
}
X(j)

x(t) =

1
2

(3.14)

X(j)ejt d

Gleichung 3.14 beschreibt die inverse Fouriertransformation, d.h. die Darstellung des
Zeitsignals x(t) aus seinem Spektrum X(j).
Wahrend man f
ur ein station
ares, periodisches Signal x(t) = x(t+T ) ein Linienspektrum
erhalt, weist Gleichung 3.10 ein kontinuierliches Spektrum f
ur ein allgemeines nichtperiodisches Signal aus.
Beispiel:
Gesucht ist das Spektrum eines Rechtecksignals nach Abb. 3.2 oben.
Z
Z t1
X(j) =
x(t) ejt dt = A
(cos(t) j sin(t))dt

t1

sin(t1 )
2A
sin(t1 ) = 2At1
X(j) =

t1
X(j) = F si(t1 )

(3.15)

Eigenschaften der Fourier-Transformation


Im folgenden werden einige wichtige Eigenschaften der Fourier-Transformation aufgelistet.

49

Flche F=1sec
A

- t1

t1

0.8

0.6

0.4

0.2

-0.2

-/t1
-0.4
-20

/t1 2/t1
0

20

Abbildung 3.2.: Rechtecksignal (oben) und Spektrum (unten)

Linearit
at
gegeben: x(t) s X(j) und y(t) s Y (j)
dann:
1. x(t) + y(t) sX(j) + Y (j)
2. a x(t) sa X(j)
Die Linearit
atseigenschaften werden in Abb. 3.3 dargestellt.
Frequenzverschiebung
x(t) ej0 t sX(j) ( 0 ) = X[j( 0 )]
Frequenzverschiebung wird in Abb. 3.4 dargestellt.
Zeitverschiebung
x(t) (t t0 ) = x(t t0 ) sX(j) ejt0
Die Auswirkung der Zeitverschiebung wird in Abb. 3.5 dargestellt.
Zeitskalierung
1
x(kt) s|k|
X( fk )
Unterschiedliche Zeitskalierungen zeigt Abb. 3.6.
Mit Gleichung 3.8 lassen sich Aussagen u
ber die Symmetrieeigenschaften von Signalen
und Spektren treffen.

50

Abbildung 3.3.: Linearitat der Fouriertransformation (aus [1])

51

Abbildung 3.4.: Frequenzverschiebung und Fouriertransformation (aus [1])

52

Abbildung 3.5.: Zeitverschiebung und Fouriertransformation (aus [1])

53

Abbildung 3.6.: Zeitskalierung und Fouriertransformation (aus [1])

54

Gerade reellwertige Signale haben gerade reellwertige Spektren. Beispiel: Cosinus (Abb.
3.7)
1
1
(3.16)
cos(0 t) = (ej0 t + ej0 t ) s (( 0 ) + ( + 0 ))
2
2
Ungerade reellwertige Signale haben ein ungerades imaginares Spektrum. Beispiel: Sinus

1/2
(+0)

(-0)

- 0

Abbildung 3.7.: Reelles Spektrum eines Cosinus-Signals


(Abb. 3.8)
sin(0 t) = j

1 j0 t
(e
ej0 t )
2

sj 1 (( 0 ) + ( + 0 ))

1/2

(3.17)

imaginr
Phase 90

(+0)

- 0
- (-0)

1/2

Abbildung 3.8.: Imaginares Spektrum eines Sinus-Signals

Aus diesen beiden Grundtypen lassen sich andere Signale und ihre Spektren ableiten. Z.B
hat ein imagin
ares gerades Signal ein imaginares und gerades Spektrum; ein imaginares

55

ungerades Signal hat ein reelles ungerades Spektrum.

3.1.3. Diskrete Fouriertransformation DFT


Aufgabe der diskreten Fouriertransformation ist es, das Spektrum eines Signals nicht
analytisch durch einen geschlossenen Algorithmus nach Gleichung 3.8, sondern empirisch durch numerische Auswertung von Abtastwerten zu berechnen. Ausgehend von
der Fourier-Transformation diskreter Signale wird die Methode der DFT abgeleitet. Die
FFT wird in diesem Skript nicht behandelt. Sie stellt lediglich einen effektiven Algorithmus zur Berechnung der DFT zur Verf
ugung. Das wesentliche Augenmerk liegt darauf,
die Unterschiede zwischen Fourier-Transformation und DFT zu verdeutlichen und auf
Einschrankungen bei der Anwendung der DFT hinzuweisen.
Im folgenden wird durchg
angig der Buchstabe m als Zeitindex und k als
Frequenzindex verwendet.

Fourier-Transformation eines diskreten Zeitsignals


Mit Hilfe eines idealen Abtasters, der als Schalter mit unendlich kleiner Aperturzeit gedacht werden kann (Abb. 3.9) und mathematisch durch einen Dirac-Abtaster beschrieben
werden kann (Abb. 3.10) wird aus einem kontinuierlichen Signal x(t) ein zeitdiskretes
Signal x (t) gemacht mit den Abtastwerten x(mT ) = x(m).

Abtaster
x(t)

x*(t)
T

Abbildung 3.9.: Idealer Abtaster

Man erh
alt aus dem kontinuierlichen Signal x(t) die diskrete Funktion
X
X
x (t) = x(t)
(t mT ) =
x(mT )(t mT )
m

56

x(t)

x*(t)

(t-mT)
Abbildung 3.10.: Dirac-Abtaster

Die Fourier-Transformation ist


Z

x (t)ej2f t dt
X (f ) =

Daraus wird
X (f ) =

x(mT )(t mT )ej2f mT dt

Durch Umstellen von Integration und Summation wird daraus

X (f ) =

+
X

x(mT )

m=

(t mT )
{z
}
|

ej2f mT dt

(3.18)

bei t=T : Fl
acheT

Damit wird die Fourier-Transformation einer diskreten Zeitfunktion

X (f ) = T

+
X

x(mT ) ej2f mT

(3.19)

m=

Will man das Spektrum von x (t) berechnen, so mu ein unendliches Zeitintervall (Index
m) ber
ucksichtigt werden, was f
ur praktische Realisierungen offensichtlich nicht moglich
ist. F
ur zeitbegrenzte Signale ist im Einzelfall eine geschlossenen Losung moglich, die
den Vergleich kontinuierlicher und diskreter Signale im Spektralbereich erlaubt.
Beispiel: Abgetasteter Rechteckimpuls der Lange T0 nach Abb. 3.11. Abtastintervall
T
T0 = N T

57

x(t)
m=0 m=1

m=N

T0

Abbildung 3.11.: Abgetasteter Rechteck-Impuls

Das kontinuierliche Signal wird beschrieben durch x(t) = 1 f


ur 0 t T0 . Die Fouriertransformierte von x(t) ist demnach
Z T0
sin(f T0 ) j2f T0 /2
e
= T0 si(f T0 )ej2f T0 /2 (3.20)
X(f ) =
ej2f t dt = T0
f
t
0
0
Das diskrete Signal wird beschrieben durch x (mT ) = 1 f
ur 0 m N 1. Die
Fouriertransformierte dieses Signals ist demnach
X (f ) = T (1 + ej2f T + ej2f 2T + ... + ej2f (N 1)T )

(3.21)

Diese endliche Reihe l


at sich auch schreiben als
X (f ) = T

sin(f N T ) jf (N 1)T
e
sin(f T )

(3.22)

Zum Vergleich kontinuierlich - diskret erweitert man den Betrag in Gleichung 3.22 mit
N und ersetzt unter der Randbedingung f << 1/T den Sinus im Nenner durch sein
Argument:
X (f ) = N T

sin(f N T )
sin(f T0 )
T0
T0 si(f T0 ) = X(f )
sin(f T ) N
N (f T )

(3.23)

Beschrankt man sich in Auswertung und Anwendung von Gleichung 3.23 auf hinreichend

kleine Frequenzen, so ergibt sich eine weitgehende Ubereinstimmung


der Spektren von

58

kontinuierlichem und diskretem Signal. Der Unterschied bei hoheren Frequenzen ist jedoch zwangsl
aufig. Zum einen ist das Spektrum des abgetasteten Signals periodisch, zu
anderen ist ein zeitbegrenztes Signal niemals bandbegrenzt, weswegen sich die in Abb.
3.12 sichtbaren Alias-Fehler ergeben.

1
0.9
0.8
0.7
0.6

diskret
0.5

kontinuierlich

0.4
0.3
0.2
0.1
0
0

10

12

14

16

18

20

Abbildung 3.12.: Spektrum eines Rechteck-Impulses Breite T0 = 1sec; kontinuierlich


und mit fT = 10 Hz abgestastet

Man hat hier also ein grunds


atzliches Problem:
zeitbegrenzte Signale sind nicht bandbegrenzt; die diskrete Berechnung der FourierTransformation f
uhrt damit immer zu Alias-Fehlern
bandbegrenze Signale sind hingegen nicht zeitbegrenzt was einer praktischen Realisierung entgegensteht; man mu die Signal durch Abk
urzen endlich machen,

59

DFT
F
ur die praktische Realisierung nimmt man eine Zeitbegrenzung des zu analysierenden
Signals x(t) vor: 0 t T .
Dies entspricht einer Multiplikation des unendlich ausgedehnten Signals x(t) mit einem
Rechteck-Fenster fR (t):


1 T
2 <t<T
fR (t tv ) =
0
sonst

T
2

fR(t)

(3.24)

t=(N-1)T

t=1T

t=0T

t=2T

x(t)

tV

-T

Abbildung 3.13.: Zeitbegrenzung der Fuktion x(t) durch Fenstern


Die zeitbegrenzte Funktion xbegr (t) kann man schreiben als

xbegr (t)

xbegr (t) =

N
1
X

x(mT )(t mT )

m=0

m=

(3.25)

x(mT )(t mT ) fR (t tv )

Das Spektrum dieser Funktion ist, weil x(t) zeitlich begrenzt ist, unendlich ausgedehnt
und kontinuierlich:

Xbegr
(f ) = X(f ) III1/T (f ) si(f T ) ej2f tv

60

(3.26)

Hierbei ist III1/T (f ) die spektrale Kamm-Funktion als Fouriertransformierte der zeitlichen Kammfunktion
X
(t mT ) = IIIT s III1/T (f )

(f ) werden an den St
Vom Spektrum Xbegr
utzstellen k 1/T Werte berechnet. Dies entspricht einer Abtastung in der Frequenzdomane mit k 1/T :

{X(f ) III(f ) si(f T )}

+
X

k=

1
(f k )
T

(3.27)

{x(t) IIIT (t) fR (t)} IIIT (t)


Das Spektrum, das berechnet wurde entspricht wegen der Faltung mit dem Dirac-Kamm
IIIT also einem mit T periodischen Zeitsignal: das Signal im Fenster fR (t) wird periodisch wiederholt, das Spektrum ist das eines periodischen Signals: ein Linienspektrum.

x(t)

kontinuierliches Signal

x*(t)

diskretes Signal, x(t) mit T abgetastet

x*begr(t)

mit fR(t) im Intervall T begrenztes Signal

x*periodisch(t)

durch Frequenzabtastung periodisch


wiederholtes Signal

Abbildung 3.14.: Signalmanipulation bei der DFT

F
ur die Spektren der Signale gilt:

61

Fourier-Transformation des diskreten Signals x (t):


X (f ) = T

+
X

x(mT )ej2f mT

(3.28)

m=

Abbruch nach N Werten : 0 m N 1

Xbegr
(f ) = T

N
1
X

x(mT )ej2f mT

(3.29)

m=0

Abtasten mit f (Linienspektrum berechnen)

Xbegr
(f ) = T

N
1
X

x(mT )ej2kf mT

(3.30)

m=0

Wahlt man
f =

1
1
=
T
N T

so bedeutet dies eine periodische Wiederholung des Zeitsignals ohne L


ucke und Uberschneidung (Abtastung im Frequenzbereich mit f bedeutet Faltung im Zeitbereich mit
einem Dirac-Kamm mit dem zeitlichen Abstand 1/f ).
Die DFT berechnet das Spektrum nicht des unbegrenzten Signals x(t), sondern des periodischen Signals, bestehend aus einer ausgeschnittenen Probe

von x(t) der L


ange T .
Aus
1
km
j2kmf T = j2km T = j2
T
N
erhalt man die Definition der DFT

1
) = X (k) = T Xk
T
N
1
X
km
x(mT )ej2 N
DF T : Xk =
X (k

(3.31)

m=0

In Anhang A ist die formale Ableitung der DFT noch einmal in kompakter Form dargestellt.

62

Die DFT berechnet die Spektrallinien einer periodisch (gedachten) Funktion, d.h. es
gibt einen Zusammenhang zwischen der DFT und der Fourierreihe als spektraler Darstellung periodischer Signale. Ein periodisches Signal xp (t) wird durch die komplexen
Fourierkoeffizienten ck beschrieben
+
X

xp (t) =

ck ejk0 t

(3.32)

k=

Tastet man das Signal xp (t) N-mal pro Periode ab (T = T /N ), so ist die Darstellung
xp (m)

+
X

ck ejk0 mT

k=

zur Wahrung des Nyquistkriteriums zu korrigieren: Es mu sich bei dem abgetasteten


Signal um ein bandbegrenztes handeln, d.h. die Summation erfolgt lediglich im FrequenzIntervall N/2 k +N/2:
+N/2

xp (m) =

ck ejk0 mT

(3.33)

k=N/2

Es fordert das Nyquist-Kriterium


2
2
> 2kmax 0 = 2kmax
T
T
Also
kmax =

T
N
1 2

=
2 T 2
2

Damit wird das Zeitsignal xp (m)

+N/2

+N/2

xp (t)

ck e

jk0 mT

k=N/2

ck ej2

km
N

k=N/2

Setzt man x (mT ) in die DFT Gleichung 3.31 ein, so erhalt man
Xk =

N
1
X

xp (m)ejk0 mT

m=0

63

(3.34)

Xk =

N/2
X

N
1
X

im

ci ej2 N ej2

km
N

m=0 i=N/2

Xk =

N/2
X

i=N/2

ci

N
1
X

(3.35)

ej N m(ik)

}
|m=0 {z
= 0 i 6= k
=N i=k

d.h.
i = k : Xk = ck N

(3.36)

DFT und Fourier-Reihe sind bis auf den Faktor N (Anzahl der Summanden
der DFT) identisch. Dieser Zusammenhang gilt nur, wenn das periodisch
gedachte Signal bandbegrenzt ist, d.h. ci 0 fu
r i > N/2. Sonst entsteht Alias
und die DFT berechnet ein falsches Spektrum.
Zur DFT existiert auch eine inverse Rechenvorschrift, die IDFT:

x(mT ) =

N 1
km
1 X
1
X(k )e+j2 N
N
T

(3.37)

k=0

Beweis: Einsetzen der DFT in Gleichung 3.37 f


uhrt aus eine Identitat.

N
1
N 1
X
rm
km
1 X
r
k
[
X( )e+j2 N ] ej2 N
X( ) =
T
N
T

1
N

m=0
N
1
X
r=0

r=0
N
1
X

r
X( )
T

ej2

rmkm
N

(3.38)

}
|m=0 {z
=N r=k
= 0 r 6= k

r=k:
k
1
k
X( ) = X( ) N
T
N
T

q.e.d.

64

Zusammenfassung
Diskrete Fourier-Transformation
(Berechnung des Spektrums eines abgetasteten Zeitsignals)
X
Xk
x (t) s X (f ) = T
k

mit DFT:

Xk =

N
1
X

x(mT )ej2

km
N

m=0

N Abtastwerte, Messintervall N*T = T


m Zeitindex : t=0,...,mT ,...,(N 1)T
k Frequenzindex : f=0,...,k T1 ,...,(N 1) T1
Inverse Diskrete Fourier-Transformation

N 1
km
1 X
1
x(mT ) =
X(k )e+j2 N
N
T
k=0

(Rekonstruktion eines Zeitsignals aus dem Spektrum)


Die Frequenzaufl
osung der DFT ist

1
T
und wird ausschlielich durch die Lange des Messfensters bestimmt.
f =

(3.39)

Daraus ergibt sich die Unscharfe-Relation der DFT: Will man ein berechnetes
Spektrum einem Zeitpunkt zuordnen, so muss man ein moglichst kurzes Messintervall T w
ahlen. Dann ist die Frequenzauflosung aber schlecht. Das Produkt von
Frequenzaufl
osung und Zeitauflosung ist konstant:
f T = 1

Die Anzahl der Frequenzlinien ist gleich der Anzahl der Abtastwerte N. Die Fre1
T1 . Die dann nachsthohere Frequenz
quenzen reichen von f = 0, f , bis T
1
T ist die Abtastfrequenz und entspricht exakt wieder, wegen der periodischen
Wiederholung von Spektren abgetasteter Signale der Frequenz f=0 (Abb.3.16).
Die oberen Linien entsprechen dem unteren Seitenband. Auswertbar sind nur N/2
Linien, die das Spektrum eines reellen Signals reprasentieren. Die Werte des Spektrums sind komplexwertig und enhalten die Betrags- und die Phaseninformation.

65

T
Abbildung 3.15.: Zur Unscharfe-Relation der DFT

Linien-Nr.
1

Achtung! Alias!

3
oS

N-1

uS

f=0 f=f f=2f

f=N/2 f
f=(N/2-1)f

f=f T-f
f=(N/2+1)f

f=f T

DFT

Abbildung 3.16.: Spektrallinien der DFT


Wichtig: Die DFT ist nur sinnvoll bei bandbegrenzten Signalen!
Im folgenden werden drei Parametervariationen durchgespielt:
Das Messfenster T sei konstant, die Abtastfrequenz fT wird erhoht
die Anzahl der Messpunkte steigt
der Rechenaufwand wird groer
die Frequenzaufl
osung f bleibt konstant!
ein m
oglicher Alias-Fehler nimmt ab
Die Zahl N der Abtastwerte sei konstant, die Abtastfrequenz fT wird erhoht

66

der Rechenaufwand bleibt konstant


wegen kleinerem T wird das Messfenster kleiner
die Frequenzaufl
osung f wird schlechter
ein m
oglicher Aliasfehler nimmt ab.
die Abtastfrequenz fT wird verringert, das Messfenster T bleibt konstant
die Frequenzaufl
osung bleibt konstant
die erlaubte Bandbreite des Signals wird geringer
der Rechenaufwand nimmt ab

DFT und Matlab


Unter Matlab wird die DFT mit dem Befehl spek=fft(signal)realisiert. spek ist das Ergebnis der DFT, ein komplexwertiger Vektor der Lange N. signal ist das zu analysierende
Signal, ebenfalls ein Vektor der Lange N. Der Befehlsname fft ist irref
uhrend. Hier

wird eine DFT berechnet, N mu keine 2er-Potenz sein, wie bei der FFT. F
ur weitere
Optionen des Befehls sei auf die help-Funktion unter Matlab verwiesen:
FFT Discrete Fourier transform.
FFT(X) is the discrete Fourier transform (DFT) of vector X. For
matrices, the FFT operation is applied to each column. For N-D
arrays, the FFT operation operates on the first non-singleton
dimension.
FFT(X,N) is the N-point FFT, padded with zeros if X has less
than N points and truncated if it has more.
FFT(X,[],DIM) or FFT(X,N,DIM) applies the FFT operation across the
dimension DIM.
For length N input vector x, the DFT is a length N vector X,
with elements
N
X(k) =
sum x(n)*exp(-j*2*pi*(k-1)*(n-1)/N), 1 <= k <= N.
n=1

67

The inverse DFT (computed by IFFT) is given by


N
x(n) = (1/N) sum X(k)*exp( j*2*pi*(k-1)*(n-1)/N), 1 <= n <= N.
k=1
Die IFFT wird durch den Befehl
signal=ifft(sspek)
realisiert
IFFT Inverse discrete Fourier transform.
FFT(X) is the inverse discrete Fourier transform of X.
IFFT(X,N) is the N-point inverse transform.
IFFT(X,[],DIM) or IFFT(X,N,DIM) is the inverse discrete Fourier
transform of X across the dimension DIM.
IFFT(...,
along the
conjugate
reference
symmetry.

symmetric) causes IFFT to treat X as conjugate symmetric


active dimension. This option is useful when X is not exactly
symmetric merely because of round-off error. See the
page for the specific mathematical definition of this

IFFT(..., nonsymmetric) causes IFFT to make no assumptions about the


symmetry of X.
Ein vollst
andiges Matlabprogramm lautet z.B.
% Demo von FFT und IFFT
%Abtastintervall
dT=0.1
%Messfensterl
ange
T=10
%Zahl der Abtastwerte
N=T/dT
%Zeitachse
t=[0:dT:T-dT]
%Freqzuenzachse
f=[0:1/T:1/dT-1/T]
%Sinus
s=sin(2*pi*1*t)

68

%gleichverteiltes Rauschen<-1,+1>
r=(rand(1,N)-0.5)*2
%Kombination
sr=s+r
figure(1)
plot(t,sr)
%DFT
spec=fft(sr)
figure(2)
subplot(2,1,1)
%Betrag
stem(f,abs(spec),.)
subplot(2,1,2)
%Phase
plot(f,angle(spec))
Die Abbildung 3.17 zeigt das verrauschte Sinus-Signal. Das Spektrum in Abb. 3.18 zeigt
die Linie bei 1 Hz aber auch bei 9 Hz, die die Linie des unteren Seitenbandes darstellt
(Die Abtastfrequenz ist 10 Hz).
2

1.5

0.5

0
-0.5

-1

-1.5

-2
0

Abbildung 3.17.: Zeitsignal

69

10

100
50
0
0

10

10

5
0
-5
Abbildung 3.18.: DFT: Betrag (oben) und Phase (unten)

3.1.4. Anwendung der DFT bei periodischen Signalen


Das Beobachtungsfenster T ist ein ganzzahliges Vielfaches der Signalperiode T0
Die DFT nimmt eine periodische Erganzungdes Siganlausschnitts vor, d.h. das Signal

wird mit der Fensterbreite periodisch. Da die Periode des Signals genau mit der Fensterbreite identisch ist bzw. vielfach genau in das Fenster passt, wird das Originalsignal
durch die DFT rekonstruiert. Die Spektralanalyse stimmt mit der Fourier-Reihe u
berein.
Abb. 3.19 zeigt ein Sinussignal, dessen Periode mit der Fensterbreite u
bereinstimmt. Als
Fenster fR(t)
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

Abbildung 3.19.: Signalausschnitt eines Sinusssignals (1Hz) f


ur die DFT: T = T0

Spektrum wird das spektrale Abbild des Rechteckfensters fR (t) an die Position der Spektrallinien 1/T0 und 1/T 1/T0 gefaltet. Bei allen Vielfachen der Spektrallinie erzeugt

70

das si-Spektrun eine Nullstelle. Es bleiben nur die beiden Linien des periodischen Signals
(siehe Abb. 3.20).
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0

fs
=1/T

2/T

10

1/T
1/T-fs

Abbildung 3.20.: Spektrum zum Signal von Abb. 3.19: Linien bei 1 und 9 Hz

Allgemeiner Fall T 6= i T0 : Leakage


Ist das Meintervall T nicht ein ganzzahliges Vielfaches der Signal-Periode T0 , so wird
bei der periodischen Erg
anzung immer ein Bruch am Endes des Intervalls entstehen, der
nicht dem wahren Signalverlauf entspricht (Abb. 3.21)
Als Wirkung stellen sich spektrale Linien neben der richtigen Linie ein. Man nennt dies

Leckeffekt oder engl. leakage.


Die zu den Abb. 3.19 und 3.20 analogen Abbildungen bei leakage zeigen die Abb. 3.22
und 3.23. Hier liegt die an die Signalfrequenz fs gefaltete si-Funktion eben nicht so, dass
andere Linien der FFT bei Vielfachen von 1/T auf eine si-Nullstelle treffen.

3.1.5. Fensterung
Periodische Signale
Bei periodischen Funktionen wendet man zur Vermeidung bzw. Minderung des leakageEffektes daher eine Fensterung an. Man verwendet die gleichen Fenstertypen, wie bei
der FIR-Filterung. Sinn der Fenster ist, die Randwerte der Samples abzusenken, um

71

Fenster fR(t)
x(t)

T T0
xperiodisch(t)

Abbildung 3.21.: Signalfensterung mit leakage

Fenster fR(t)
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

Abbildung 3.22.: Sinus-Signal mit leakage

72

0.9

4.5
4
3.5
3
2.5
2
1.5
1
0.5
0
0

1/T

10

2/T

1/T
1/T-1/T

fs 1/T

1/T-fs

Abbildung 3.23.: DFT-Spektrum des Sinus mit leakage

bei der periodischen Wiederholung durch die DFT Sprungestellen zu vermeiden. Spektral bedeutet die Fensterung mit Nicht-Rechteck-Fenstern, dass die Nebenzipfel der siFunktion entfallen (vgl. Abb. 3.23). Das Spektrum der Fenster hat keine oder wesentlich
geringere Nebenzipfel, soda keine zusatzlichen Spektrallinien auftreten. Daf
ur wird die
Frequenzaufl
osung i.a. schlechter. Die Fensterspektren sind breiter als das Hauptspektrum der si-Funktion, d.h. es treten z.T. wenige zusatzliche Linien groerer Amplitude
um die Grundfrequenz auf, nicht jedoch die zahlreichen f
ur leakage typischen Linien. Die
Frequenzaufl
osung kann durch Schwerpunktbildung der Hauptlinien verbessert werden.
Abb. 3.24 zeigt ein Sinus-Signal mit Rechteck- und Hammingfenster. Die periodische
Wiederholung des Hamming-gefensterten Signals hat keine Sprungstellen. Die spektralen Auswirkungen sind in Abb. 3.25 zu sehen.
Abb. 3.26 zeigt die mittels DFT berechneten Spektren eines Hamming-Fensters (oben)
und das si-Spektrum eines Rechteckfensters (unten). Beide Fenster haben eine Breite 64
bei 1024 Werten der DFT.

Transiente Signale
Bei transienten Signalen besteht keine Notwendigkeit zur Fensterung, wenn die Signale
am Anfang der Aufzeichnung und am Ende identisch Null sind. Man verwendet eine
Rechteckfensterung

73

1
0.5
0
-0.5
-1
0

10

12

10

12

1
0.5
0
-0.5
-1

Abbildung 3.24.: Sinussignal mit Rechteck-Fenster (oben) und Hamming-Fenster (unten)

Stochastische Signale
Als zufallige Signale k
onnen z.B. Audiosignale gelten. Sprache stellt einen Zufallsprozess
dar, der f
ur Zeitintervalle von 20-50 ms naherungsweise stationar ist. Eine Spektralanalyse erfolgt h
aufig mit Zeitausschnitten von dieser Lange. Auch hier ergibt sich die
Notwendigkeit einer Fensterung, um Sprungstellen zu vermeiden.

74

50
40
30
20
10
0
0

10

10

30

20

10

Abbildung 3.25.: Spektrum zu Abb. 3.24 mit Rechteck-Fenster (oben) und HammingFenster (unten)
40
30
20
10
0
0

10

20

30

40

50

60

10

20

30

40

50

60

80
60
40
20
0

Abbildung 3.26.: Spektrum eines Hamming-Fensters (oben) und des Rechteckfensters


(unten)

3.2. Rauschsignale
Nutzsignale und St
orsignale zuf
alliger Natur werden als stochastische Signale bezeichnet.
Sie werden beschrieben durch statistische Parameter, z.B. Erwartungswerte, Korrelati-

75

onseigenschaften oder spektrale Verteilungen.


Es ist zu unterscheiden zwischen dem
Stochastischen Prozess N(t): der Gesamtheit aller Realisierungen die sich in
Musterfunktionen zeigt und
Musterfunktionen n(t): Sie ermoglichen die Beobachtung eines stochastischen
Prozesses, sie sind anschaulich die zufalligen Messwerte des Prozesses .
Die stochastischen Eigenschaften werden dem Prozess zugeordnet; an Hand der Musterfunktionen werden sie experimentell bestimmt.

3.2.1. Station
are und ergodische Prozesse

Andert
sich die Statistik des Prozesses nicht mit der Zeit, spricht man von einem stationaren Prozess. Gegeben sei ein Schar von stochastischen Prozessen ,1 s(t),2 s(t), ...,N s(t),
die zeitgleich realisiert sind. Zu einem Zeitpunkt t1 lat sich der Mittelwert dieser Schar
berechnen (sog. Scharmittelwert)
N
1 Xk
]
s(t1 ) = lim
s(t1 )
N N

(3.40)

k=1

Ein Prozess ist station


ar, wenn sich der Scharmittelwert nicht andert:
]
^
s(t
1 ) = s(t1 + t0 )
2 k s(t) uber ein Exemplar
]
Ist der Scharmittelwert s(t

1 ) gleich dem zeitlichen Mittelwert


k der Schar, so spricht man von einem ergodischen Prozess (t1 , k beliebig):
k
]
s(t
1 ) = s(t) ergodischerP rozess

(3.41)

Ergodische Prozesse sind notwendig stationar, aber nicht jeder stationare Prozess ist
ergodisch [2]. Das Besondere an einem ergodischen Prozess ist, dass seine statistischen
Eigenschaften (Wahrscheinlichkeitsdichten, Erwartungswerte, Korrelationen) an Hand
einer einzelnen Musterfunktion bestimmbar sind.

Zur Definition des zeitlichen Mittelwertes siehe 3.2.3

76

3.2.2. Wahrscheinlichkeitsdichte
Die Wahrscheinlichkeit P , dass ein stationarer Prozess N den Wert n < N < n + n
annimmt, f
uhrt auf die Definition der Wahrscheinlichkeitsdichte pN (n)
1
P {n < N < n + n}
n0 n

pN (n) = lim

(3.42)

Die Wahrscheinlichkeit P eines Ereignisses n < n0 ist das Integral u


ber die Wahrscheinlichkeitsdichte
Z n0
P (n < n0 ) =
pN (n) dn
(3.43)

Da die Wahrscheinlichkeit, dass irgend ein Ereignis eintritt = 1 ist gilt:


Z
pN (n) dn = 1

(3.44)

Abb. 3.27 zeigt die Wahrscheinlichkeitsdichte pN (n) eines im Intervall < n1 , n2 > gleichverteilten Rauschprozesses N und die Wahrscheinlichkeit PN (n < n0 ).
Eine experimentell bestimmte Wahrscheinlichkeitsdichte des Prozesses S wird als Histogramm dargestellt, bei der die auf die Gesamtzahl normierten Ereignisse der Musterfunktion s: ni < s < ni + n innerhalb der Klasse i durch Balken dargesellt werden. Abb.
3.28 zeigt die Musterfunktion eines gleichverteilten Prozesses und die experimentell bestimmte Wahrscheinlichkeitsdichte.
Als Verbundprozesse werden statistische Prozesse N mehrerer Variabler Ni bezeichnet.
Es gilt f
ur Verbundprozesse N = {N1 , N2 }
pN1 N2 (n1 , n2 ) = lim P {n1 < N1 < n1 + n, n2 < N2 < n2 + n)}
n

(3.45)

F
ur statistisch unabh
angige Prozesse, z.B. die Kombination der Augenzahlen beim Wurf
mit zwei W
urfeln, gilt
pN1 N2 (n1 , n2 ) = pN1 (n1 ) pN2 (n2 )

(3.46)

3.2.3. Mittelwerte
Mit Hilfe der Wahrscheinlichkteitsdichtefunktion pN (n) konnen die Erwartungswerte
E(N i ), die sog. Momente der Ordnung i, bestimmt werden. Man bezeichnet
Z
E(N ) = n =
n pN (n)dn
(3.47)

77

pN(n)

1/(n2-n1)

n1

n2
n

PN(n<n0)
1

n
Abbildung 3.27.: Gleichverteilung: WahrscheinlichkeitsdichtepN (n) und Wahrscheinlichkeit PN (n < n0 )

78

1
0.8
0.6
0.4
0.2
0
0

100

200

300

400

500

600

700

800

900

1000

150

100

50

0
-0.2

0.2

0.4

0.6

0.8

1.2

Abbildung 3.28.: Muster eines gleichverteilten statistischen Prozesses des Umfangs


1000 und experimentelle Wahrscheinlichkeitsdichte, dargestellt als
Histogramm der Klassenbreite 0.1

79

als Mittelwert oder Moment 1. Ordnung des Prozesses N. Musterfunktion n mit den
Elementen ni , i = 1, ..., m nehmen diesen Wert im Mittel an

m
1 X
lim
ni = n = E(N )
m m
i=1

bzw.
1
T 2T

E(N ) = n(t) = lim

(3.48)

n(t)dt
T

Bei einem stochastischen oder periodischen Spannungssignal entspricht E(N) dem Gleichanteil.
Der quadratische Mittelwert 2. Ordnung ist definiert als
Z
E(N 2 ) = n2 (t) =
n2 pN (n)dn

(3.49)

bzw.
1
E(N ) = lim
T 2T
2

n2 (t)dt

(3.50)

Der quadratische Erwartungswert E(N 2 ) entspricht der normierten mittleren Leistung


eines periodischen oder stochastischen Prozesses N. Bei einem Spannungssignal n(t) entsprache E(N 2 ) der Leistung von n an 1. Subtrahiert man von dieser Gesamtleistung n2
die Leistung des Gleichanteils (n)2 , so erhalt man die Wechselleistung 2 , auch Varianz
genannt.
2 = n2 (n)2

(3.51)

wird als Streung bezeichnet.


In Abb. 3.29 sind Wahrscheinlichkeitsdichte und Wahrscheinlichkeit eines normalverteilten Prozesses dargestellt. Die Normalverteilung hat in der Praxis groe Bedeutung, da
viele physikalischen Prozesse normalverteilt sind. Der Zentrale Grenzwertsatz zeigt die
Bedeutung der Normalverteilung: Die Summe einer groen Zahl statistisch unabhangiger
Prozesse mit beliebiger gleicher Dichtefunktion ergibt asymptotisch eine Normalverteilung.
pN (n) =

1
2
2
e(nn) /(2N )
2N

(3.52)

Die Streung oder Standardabweichung umfat bei der Normalverteilung etwa 68 %


der Werte.

80

pN(n)

n
PN(n<n0)
1

n
Abbildung 3.29.: Wahrscheinlichkeitsdichte und Wahrscheinlichkeit eines normalverteilten Prozesses

81

3.2.4. Korrelation
Die Autokorrelation ist anschaulich das Gedachtnis eines Zufallsprozesses. Die Autokorrelationsfunktion (AKF) N N (t1 , t2 ) ist definiert als
N N (t1 , t2 ) = E(N (t1 ) N (t2 ))

(3.53)

Prozesse, deren Momente erster und zweiter Ordnung unabhangig vom absoluten Messzeitpunkt sind, bezeichnet man als schwach station
ar. Dann gilt mit = t2 t1 :
N N ( ) = E[N (t)N (t + )]

(3.54)

Die Autokovarianz-Funktion cN N ( ) erhalt man, wenn man N(t) von seinem Mittelwert
befreit
cN N ( ) = E[(N (t) n)(N (t + ) n) = N N ( ) (n)2

(3.55)

Aus einem Zeitsignal n(t) (Musterfunktion) berechnet man N N ( ) gema


1
N N ( ) = lim
T 2T

n(t)n(t + )dt

(3.56)

Die AKF ist also der Mittelwert einer Funktion n(t) multipliziert mit seinen um zur
uckliegenden Werten. Die AKF stellt eine Verallgemeinerung des quadratischen Mittelwertes
dar mit dem Sonderfall
N N ( = 0) = n2 (t)

(3.57)

Der Mehrwege-Kanal (Multipath-Kanal) stellt ein Beispiel f


ur die Anwendung der AKF
dar (Abb. 3.30). Das direkte Signal gelangt in der Laufzeit T vom Sender zum Empfanger. Die an Hindernissen reflektierten Signale laufen auf einem Umweg und gelangen
mit einer Verz
ogerung i gegen
uber dem direkten Signal zum Empfanger. Mit Hilfe der
Autokorrelationsfunktion lassen sich die Umweglaufzeiten bestimmen. Hier hat die AKF
Maxima.

Die Ahnlichkeit
zweier Signale n1 (t) und n2 (t) lat sich mit Hilfe der Kreuzkorrelationsfunktion (KKF) feststellen. Analog zu Gleichung 3.56 gilt:

1
T 2T

N1 N2 ( ) = lim

n1 (t)n2 (t + )dt

(3.58)

Beispiel (Abb. 3.31): Fahrzeugfolgen mit zufallig verteilten Abstanden lassen sich mit
einem ber
uhrungslosen Sensor erfassen. Die Fahrzeugfolge lat sich an einem weiter entfernten Punkt der Strasse wiedererkennen (und damit die Reisezeit ermitteln), obwohl

82

T+1
T
T+2
AKF

Abbildung 3.30.: Mehrwege-Funkkanal als Beispiel f


ur eine Funktion mit charakteristischer AKF

Abbildung 3.31.: Verkehrsmessung als Beispiel f


ur die Anwendung der KKF

83


dazwischen durch Uberholen
und Beschleunigen die Fahrzeugfolge etwas verandert wurde, wenn man die Kreuzkorrelation u
ber ein hinreichend langes Intervall erstreckt und
der Strassenverkehr hinreichend stationar ist.
Bei GPS senden die Satelliten Pseudozufalls-Signale aus. CDMA3 ist moglich, weil die
Zufallsfolge im Empf
anger bekannt ist und durch Kreuzkorrelation des empfangenen
und aller bekannten Zufallsmuster entschieden werden kann, von welchem Satellit das
empfangene Signal stammt. Dies ist vor allem moglich, weil der bei GPS verwendete
Gold-Code ein extrem hohe AKF besitzt (wenn das hinterlegte und empfangene Signal
identisch sind) und eine sehr niedrige KKF (wenn empfangenes und hinterlegtes Muster
nicht u
bereinstimmen).

3.2.5. Spektrale Eigenschaften


Die mittlere Leistung eines real existierenden statistischen oder periodischen Signals
n(t) mu endlich sein. Ihre Berechnung kann durch das sog. Leistungsdichtespektrum
nn (f ) im Frequenzbereich oder durch zeitliche Mittelung der augenblicklichen Leistung
erfolgen.
Die spektrale Leistungsdichte ist definiert als mittlere Leistung pro 1 Hz Bandbreite an
einer Last von 1. nn (f ) df ist also die mittlere Leistung im Frequenzbereich df [2].
Ein stochastisches Signal werde auf das Intervall <-T,T> begrenzt. Die Beziehung der
Fouriertransformation
n(t)

s N ()

wird im folgenden genutzt:


Z
1
N ()ejt d
n(t) =
2
Die Leistung im Intervall T ist
Z T
Z T
Z
1
1
1
2
n (t)dt =
n(t) [
N ()ejt d] dt
2T T
2T T
2
Da n(t) zeitbegrenzt ist, lassen sich nach Umstellen der Integrale die Integrationsgrenzen
erweitern:
Z
Z T
Z
1
1
2
(3.59)
n(t)ejt dt d
n (t)dt =
N ()
2T T
4T

Code Division Multiple Access

84

Mit
Z

n(t)ejt dt = N ()

lat sich Gleichung 3.59 schreiben als


Z T
Z
1
|N ()|2
1
n2 (t)dt =
d
2T T
2 2T

(3.60)

Erweitert man die Signalgrenzen T gegen unendlich, so erhalt man die mittlere Leistung
Z
Z
1
|N ()|2
1
(3.61)
P = lim
nn () d
d =
T 2
2T
2
Damit erh
alt man die spektrale Leistungsdichte
|N ()|2
T
2T

(3.62)

nn () = lim

Im folgenden wird der Zusammenhang des Leistungsdichte-Spektrums mit der Autokorrelationsfunktion untersucht. Die Formulierung der AKF
Z T
1
n(t)n(t + )dt
nn ( ) = lim
T 2T T

zeigt Ahnlichkeit
mit dem Faltungsintegral. Mit der Substitution t=- erhalt man
Z T
1
nn ( ) = lim
n()n( )(d)
T 2T T
R
uckvertauschen der Integrationsgrenzen f
uhrt auf
Z T
1
nn ( ) = lim
n()n( )d
T 2T T
Der Vergleich mit dem Faltungsintegral
Z T
1
s(t) s(t) = lim
s( )s(t )d
T 2T T
erlaubt die Schreibweise f
ur die AKF
1
n( ) n( )
T 2T

(3.63)

nn ( ) = lim

85

Anwendung der Fourier-Transformation auf Gleichung 3.63 u


uhrt die Faltung in die
berf
Multiplikation
s N (f )

n( )
n( )

s N (f )

nn ( )

s nn (f )

(3.64)

|N (f )|2
1
(N (f ) N (f )) = lim
T
T 2T
2T

nn (f ) = lim

Die Aussage dieses als Wiener-Kintchine-Satz bezeichneten Ergebnisses ist: das Leistungsdichtespektrum ist die Fouriertransformierte der AKF:
nn ( )

(3.65)

s nn (f )

Auf den Unterschied zwischen einem Energie-Signal und einem Leistungssignal ist
noch hinzuweisen. Energiesignale haben eine endliche Energie E, das Integral u
ber die
Energie konvergiert daher. Bei Leistungssignalen ist die Energie unendlich; daher wird
die Zeitnormierung erforderlich, d.h. es lat sich die Signalleistung berechnen:
Energie-Signal: Energie E
Z
s2 (t) dt <
E=
(3.66)

Leistungssignal: Leistung P
Z T
1
s2 (t) dt <
P = lim
T 2T T

(3.67)

F
ur Energiesignale existiert auch das Energiedichtespektrum. Im Folgenden wird das
Parsevalsche Theorem f
ur Energiesignale abgeleitet. Die gleiche Ableitung gilt nat
urlich mit der etwas umst
andlicheren Schreibweise auch f
ur Leistungssignale.
Wendet man die inverse Fouriertransformation auf das Energiedichte- (bzw. bei Leistungssignalem das Leistungsdichte-) Spektrum an, so erhalt man wiederum die AKF:
Z
|N (f )|2 ej2f df
nn ( ) =
(3.68)

F
ur =0 erh
alt man mit (0) die Signal-Energie von n:

=0:
=0:

nn (0) =
nn (0) =

|N (f )|2 df

(3.69)

n (t) dt

86

Damit wurde das Parsevalsche Theorem hergeleitet:


Z
Z
n2 (t)dt
|N (f )|2 df =

(3.70)

Die Bedeutung des Parsevalschen Theorems: um die gesamte Energie/Leistung eines


Signal n(t) zu berechnen, kann man entweder u
ber das Leistung-/Energiedichtespektrum
integrieren oder im Zeitbereich die Leistung bzw. Energie aus n(t) berechnen.
Beispiel: Man zeige die G
ultigkeit des Parsevalschen Theorems am Beispiel eines RechteckSignals. Es gilt (vgl. Abb. 3.32)4

y(t)
1

-T/2

T/2

Abbildung 3.32.: Rechtecksignal

y(t) =

T
t
rect( )
1sec
T

Fourier-Transformation:
Y (f ) = T si(f T )
|Y (f )|2 = T 2 si2 (f T )
Integration u
ber die spektrale Energiedichte:
Z
Z
sin(f T ) 2
2
2
) df
|Y (f )| df = T
(
f T

Das tabellierte bestimmte Integral [9]


Z
sin2 ax
dx = |a|
x2

das Signal rect(t/T ) ist definiert durch die F


ache 1 sec und die Breite T

87

wird hierauf angewendet:


Z
Z
sin2 (f T )
1
1
sin(f T ) 2
) df = 2
df = 2 (T ) = T
T2
(
2
f T

f

Integration im Zeitbereich
Z T /2
Z
2
12 dt = T
y (t)dt =
T /2

ergibt das gleiche Ergebnis.


Beispiel: Man zeige: die Fouriertransformierte der AKF eines Rechteck-Impulses entspricht dem Energiedichtespektrum.

y(t)

-T/2

T/2

-T/2

T/2-

Abbildung 3.33.: Zur Berechnung der AKF eines Rechteck-Signals

yy()
T

-T

Abbildung 3.34.: Ergebnis der Faltung von 2 Rechteck-Impulsen

Die AKF berechnet sich nach Abb. 3.33 f


ur > 0 zu
Z T /2
1 1 dt = T
yy ( ) =
T /2

88

F
ur < 0 gilt
yy ( ) =

T /2
T /2+| |

1 1 dt = T | |

Man erh
alt eine Dreiecks-Funktion nach Abb. 3.34. Das gleiche Ergebnis erhalt man
durch Faltung von 2 Rechteck-Impulsen:

T2
yy ( ) = rect( ) rect( )
T
T
1sec2
Fourier-Transformation:
yy (f ) = 1sec si(f T ) 1sec si(f T )

T2
1sec2

yy (f ) = T 2 si2 (f T )
Dies ist aber genau das Energiedichtespektrum eines Rechteck-Impulses der Dauer T.
Ein lineares System nach Abbildung 3.35 werde am Eingang mit Rauschen n(t) ange
regt. Das Ausgangssignal sei g(t). Die Ubertragung
in einem linearen System lat sich
durch das Faltungsintegral mit der Impulsantwort h(t) beschreiben. Dies gilt auch f
ur
stochastische Signale.

n(t)

Impulsantwort
h(t)

g(t)

Abbildung 3.35.: Lineares System

g(t) =

n( )h(t ) d =

h( )n(t ) d

Die Autokorrelationsfunktion des Ausgangssignals lat sich schreiben als


gg ( ) = g(t)g(t + )
F
ur das Produkt g(t)g(t + ) gilt
Z
Z
g(t)g(t + ) =
h()n(t ) d

89

h()n(t + ) d

Durch Umstellen der Integrale erhalt man


Z Z
n(t )n(t + ) h()h() d d
g(t)g(t + ) =

Unterstellt man ergodische Eigenschaften des Rauschprozesses, so lat sich die AKF als
Scharmittelwert von g(t)g(t + ) schreiben. Eine Mittelung u
ubber die Impulsantwort er
rigt sich, da sie ein deterministisches, f
ur alle Schar-Elemente gleiches Signal darstellt.
Z Z
] )^
gg ( ) =
n(t
n(t+^
) h()h() d d
(3.71)
{z
}
|
=nn ( +)

Mit der Substitution = , d.h. nn ( + ) = nn ( ) folgt


Z Z
nn ( ) h()h( + ) d d
gg ( ) =

(3.72)

bzw.

gg ( ) =

nn ( )

h()h( + ) d d
{z
}

(3.73)

=hh ()

Gleichung 3.73 hat die Form eines Faltungsintegrals; daher:


Z
nn ( ) hh () d
gg ( ) =

(3.74)

gg ( ) = nn ( ) hh ( )

Der Zusammenhang wird als Satz von Wiener-Lee bezeichnet. Wahrend also f
ur deterministische Signale gilt
g(t) = s(t) h(t)
gilt f
ur stochastische Signale analog
gg ( ) = ( ) hh ( )
Die Anwendung der Fourier-Transformation gibt einen Zusammenhang der Dichtespektren, wobei f
ur die AKF der Impulsantwort gilt:
hh ( )

s |H(f )|2

90

nn(f)
N0

nn()

N0

Abbildung 3.36.: Leistungsdichte und AKF von weiem Rauschen

91

mit H(f) als Frequenzgang des linearen Systems:


gg (f ) = nn (f ) |H(f )|2

(3.75)

F
ur weies Rauschen unterstellt man eine konstante Rauschleistungsdichte N (f ) = N0 .
Die Autokorrelationsfunktion weien Rauschens ist daher ein Dirac-Impuls der Flache
N0 5 (Abb. 3.37). Damit erzeugt das lineare System mit weiem Rauschen am Eingang
gefiltertes farbiges Rauschen am Ausgang.

nf nf (f ) = N0 |H(f )|2

(3.76)

nf(t)

n(t)
H(f)

Abbildung 3.37.: Erzeugung von farbigem Rauschen

Der Nachweis l
at sich unschwer mit Hilfe des Parsevalschen Theorems f
uhren

92

4. FIR-Filter
4.1. Einleitung
u*(t)

y*(t)
F*()

{um}

FIRAlgorithmus

{ym}

Abbildung 4.1.: Modell(oben) und Realisierung (unten) eines FIR-Filters

FIR-Filter steht f
ur Finite Impulse Response. Es handelt also sich um Filter, die digital realisiert werden und deren Impulsantwort nach einer endlichen Zahl von AbtastIntervallen beendet ist. Abb. 4.1 zeigt Modell und Realisierung eines FIR-Filters. Das
Modell stellt einen Frequenzgang F () dar, der ein diskretes Eingangssignal u (t) auf
das Ausgangssignal y (t) abbildet. Die Realisierung erfolgt mit einem Algorithmus, der
Abtastwerte um zu einem Ausgangssignal ym verkn
upft.
Der FIR-Algorithmus lautet
ym =

N
X

(4.1)

bi umi

i=0

93

In vektorieller Schreibweise lautet Gleichung 4.1


ym = b u m

= b0 b1 . . .

um
um1


bN .
.
.

(4.2)

umN

Der aktuelle Wert von y , d.h. y(m)=ym , ist eine Linearkombination des aktuellen Wertes
um und der N vergangenen Werte umi , i = 1, ..., N des Eingangssignals.
Die Fourier-Transformation von y (t) lautet
Y () = T

ym ejmT

(4.3)

m=

Einsetzen von ym aus Gleichung 4.1 f


uhrt mit der Erweiterung um ejiT auf

Y () = T

N
X

bi umi ejmT

m= i=0

N
X

bi ejiT T

umi ej(mi)T

(4.4)

m=

i=0

{z

U ()

Der hintere Teil von Gleichung 4.4 ist die Fourier-Transformierte des Eingangssignals
um . Damit erh
alt man den Frequenzgang des FIR-Filters
N

Y () X
bi ejiT = F ()
=
U ()

(4.5)

i=0

Beispiel:
Ein Filter soll den gleitenden Mittelwert aus drei aufeinander folgenden Werten um , um1 , um2
bilden . Parameter: N=2, b0 = b1 = b2 = 1/3
1
1
1
ym = um + um1 + um2
3
3
3
Der Frequenzgang des Filters
1 1 jT 1 j2T
+ e
+ e
3 3
3
1 1 jT
+ ejT )}ejT
= { + (e
3 3
1 2
= ( + cos(T ))ejT
3 3

F () =

94

(4.6)

|F|
1

1/3

/2

3/2

2
= T

Vorzeichen

-/2

= T
gesamt

-
- T
-2

Abbildung 4.2.: Frequenzgang (Betrag oben und Phase unten) des Filters

95

ist nach Betrag und Phase in Abb. 4.2 dargestellt.


Das Filter hat eine abschnittweise lineare Phase. Der Frequenzgang ist aufgetagen u
ber
einer normierten Frequenzachse = T . Die Phase T = (=Exponent des
ausgeklammerten komplexen Terms) ist linear und hat die Steigung -1. An den Stellen
des Nulldurchgangs von |F| findet ein Vorzeichenwechel statt; dies entspricht Phasenspr
ungen um .
Man kann den Frequenzgang auch nach Ausklammern von e+jT schreiben als
1
1 1
F () = ( e+jT + + ejT ) ejT
3
3 3
+1
X 1
ejiT ejT
=
3
i=1
|
{z
}
nicht-kausal
{z
}
|

(4.7)

kausal

Das Filter wird damit in einen nichtkausalen Anteil und einen Phasenanteil zerlegt, der
das Gesamtfilter (nat
urlich!) wieder kausal macht. Dass der erste Teil des Ausdrucks in
Gleichung 4.7 unten nicht kausal ist, sieht man an der Impulsantwort in Abb. 4.3 links:
die Impulsantwort beginnt bereits bei t=T , also vor der Anregung.
1
1
1
hnichtkausal (t) = (t + T ) + (t) + (t T )
3
3
3
Die gesamte kausale Impulsantwort ist in Abb. 4.3 rechts dargestellt:

-T

Anregung

T 2T

Anregung

Abbildung 4.3.: nicht-kausale Impulsantwort

1
1
1
hkausal (t) = (t) + (t T ) + (t 2T )
3
3
3

96

Die Koeffizienten bi des FIR-Algorithmus entsprechen exakt den Impulsflachen der kausalen Impulsantwort nach der Zeit i T . Die allgemeine kausale Impulsantwort eines
Filters der Ordnung N ist in Abb. 4.4 dargestellt.

Anregung

b2

b1

b0

b3

bN

b4
5T

T 2T 3T 4T

NT
b5

Abbildung 4.4.: kausale Impulsantwort

Die Struktur des FIR-Filters besteht aus Verstarkern (den Parametern bi ) und Verzogerungselementen um T . Abb. 4.5 zeigt das Signalfluss-Diagramm eines FIR-Filters.
1

{um}

b0

b1

b2

bN

{ym}

Abbildung 4.5.: Signalfluss-Diagramm des FIR-Filters

97

Von dem allgemeinen Filter-Frequenzgang


F () =

N
X

bi ejiT = eji

N
2

i=0

bN/2+i ejiT

i=N/2

N/2
X

{z

()
FN
K

(4.8)

wird durch Ausklammern von eji 2 T der nichtkausale Frequenzgang abgetrennt. In


dem oben gerechneten Beispiel war der nichtkausale Frequenzgang ein reeller Ausdruck,
d.h. bis auf das Vorzeichen wird die Phase von dem ausgeklammerten Term bestimmt
und ist frequenzlinear.
Wendet man auf den FIR-Frequenzgang die Abk
urzung
z = ejT
an so erh
alt man
F () =

N
X

bi ejiT

i=0

F (z) =

N
X

(4.9)

bi z i

i=0

Dies entspricht im Ergebnis der Anwendung der z-Transformation auf die Differenzengleichung 4.1. Man erh
alt die sog. Impuls
ubertragungsfunktion F(z). Erweitert man GleiN
chung 4.9 mit z , so erh
alt man F(z) mit nur positiven Exponenten
F (z) =

N
X
i=0

bi z

zN
N =
z

PN

i=0 bi z
zN

N i

(4.10)

Die Ubertragungsfunktion
Gleichung 4.10 hat
eine N-fache Polstelle bei z=0
N Nullstellen entweder reell oder paarweise konjugiert komplex

4.2. Simulation mit Matlab (1)


FIR-Filter lassen sich mit Matlab entwerfen und simulieren.

98


Die Ubertragungsfunktion
lautet ausgeschrieben entweder

1
2
F (z) = b0 + b1 z + b2 z + + bn z N
oder

b0 z N + b1 z N 1 + b2 z N 2 + + bn
F (z) =
zn

(4.11)

Im folgenden wird die untere Form von Gleichung 4.11 verwendet. Die Koeffizientenvektoren f
ur Z
ahler und Nenner lauten


Z
ahler: b = b0 b1 b2 . . . bN


(4.12)
Nenner: a = 1 0 0 0 . . . 0
{z
}
|
1 und N * 0

Man habe einen Signalvektor u, der mit einem FIR-Filter gefiltert werden soll
u = [u1 , u2 , . . . , uv ]

v beliebig

Das Ausgangssignal y des Filters Nter Ordnung ist ein gleichlanger Vektor wie u und
berechnet sich mit dem Befehl

y = f ilter (b, a, u)

(4.13)

Der Frequenzgang des Filters wird mit dem Befehl

f reqz(b, a)
oder
[H, w] = f reqz(b, a, m)

(4.14)

oder
H = f reqz(b, a, w)
ermittelt. Der erste Befehl ohne Wertzuweisung f
uhrt unmittelbar zu einem Plot. Im
zweiten Fall wird der Frequenzgang an m Punkten berechnet, die m Frequenzen i sind
im Vektor w zusammengefasst. Im dritten Fall wird ein Frequenzvektor vorgegeben und
die Werte des Frequenzgangs berechnet. H ist ein komplexer Wert. Zur Darstellung muss
mit abs(H) der Betrag und mit angle(H) die Phase ermittelt werden.
Mit dem Befehl
b = f ir1(N, x)

(4.15)

99

wird ein FIR-Filter entworfen. Es wird der Koeffizientenvektor b berechnet f


ur ein
Tiefpass-Filter der Ordnung N und der Grenzfrequenz x. x ist hierbei die auf die ShannonGrenze (Nyquist-Frequenz 1/2T ) normierte Grenz-Frequenz fg
x=

g
= fg 2T
/T

Ein vollst
andiges Matlab-Programm lautet
close all
clear all
t=[0:0.1:10]
u=sin(2*pi*t)
un=u+(rand(1,101)-0.5)*2
figure(1)
subplot(2,1,1)
plot(t,un)
%Berechnung eines Tiefpasses mit fir1
N=16
b=fir1(N,0.5)
a=zeros(1,17)
a(1)=1
%Filtern
y=filter(b,a,u)
subplot(2,1,2)
plot(t,y)
hold on
plot(t,u,r)
%Frequenzgang
[H,w]=freqz(b,a,1000)
figure(2)
subplot(2,1,1)
plot(w,abs(H))
subplot(2,1,2)
plot(w,angle(H))
Die Ergebnisse des Programms sind in den Abbildungen 4.6 und 4.7 dargestellt. In
Abb.4.6 ist oben ein verrauschtes Signal (un) zu sehen. Unten ist das unverrauschte
Signal (...) und das gefilterte Signal (durchgezogene Linie) dargestellt. Man sieht zum
einen den endlichen Einschwingvorgang des Filters. Das Rauschen wird weitgehend unter
dr
uckt und bis auf eine Phasenverschiebung wird nach dem Ubergang
in einen stationaren
Zustand das urspr
ungliche Signal gut rekonstruiert. In Abb. 4.7 wird der Frequenzgang
dargestellt nach Betrag (oben) und Phase (unten).

100

2
1
0
-1
-2
0

10

10

2
1
0
-1
-2

Abbildung 4.6.: Signale: oben verrauscht, unten gefiltert und Original-Signal

1.5

0.5

0
0

0.5

1.5

2.5

3.5

0.5

1.5

2.5

3.5

4
2
0
-2
-4

Abbildung 4.7.: FIR-Frequenzgang

101

4.3. Einfache Beispiele


An sehr einfachen Beispielen soll das Prinzip FIR demonstriert werden.

4.3.1. Filter erster Ordnung

Untersucht wird ein Filter mit der Impuls-Ubertragungsfunktion


F (z) =

z z0
z

(4.16)

Das Filter hat einen Pol bei z=0 und eine Nullstelle bei z=z0 .

Hochpass: z0 = 1
Die Nullstelle liegt bei z0 = 1. Abb. 4.8 zeigt den Pol-Nullstellen-Plan in der komplexen
z-Ebene. Der Einheitskreis ist wegen seiner Bedeutung, u
ber die noch zu reden sein wird,
eingezeichnet. Der Frequenzgang lautet

Abbildung 4.8.: Pol-Nullstellen-Plan

F () =

ejT 1
= 1 ejT
ejT

(4.17)

Die Koeffizienten des Filters sind also


b0 = 1 b1 = 1

102

T
0

Abbildung 4.9.: Impulsantwort

Die Impulsantwort ist in Abb. 4.9 dargestellt. Man klammert aus Gleichung 4.17 ejT /2
aus und erh
alt
F () = ejT /2 (ejT /2 ejT /2 ) = ejT /2 2j sin(

T
)
2

(4.18)

Der Frequenzgang ist in Abb. 4.10 dargestellt. Die Phase ist abschnittweise frequenzlinear
mit der Steigung 1/2. Der nichtkausale Anteil des Frequenzgangs ist imaginar, daher
fangt die Phase bei /2 an entsprechend j. Die Sprungantwort des Filters (Abb. 4.11)

|F|
2

/2

= T

= T

-/2
Abbildung 4.10.: Frequenzgang

lat sich aus der Impulsantwort konstruieren. Sie ist nur ein einziger Impuls. Das deutet
darauf hin, dass die Nullstelle bei z0 = 1 die Frequenz Null unterdr
uckt: das Filter

103

wirkt differenzierend bzw. als Hochpass. Dies sieht man auch aus dem Betragsverlauf
des Frequenzgangs zwischen = 0 und = . Die Differenzengleichung des Filters und
Sprung
Impulsantwort

t
Sprungantwort

Abbildung 4.11.: Sprungantwort

damit die Implementierung als FIR-Algorithmus lautet wegen b0 = 1 und b1 = 1


ym = um um1

(4.19)

Tiefpass: z0 = 1
Die Nullstelle liegt bei z0 = 1. Abb. 4.12 zeigt den Pol-Nullstellen-Plan in der komplexen z-Ebene. Der Frequenzgang lautet
F () =

ejT + 1
= 1 + ejT
ejT

(4.20)

Die Koeffizienten des Filters sind also


b0 = 1 b1 = +1
Die Impulsantwort ist in Abb. 4.13 dargestellt. Man klammert aus Gleichung 4.20 ejT /2
aus und erh
alt
F () = ejT /2 (ejT /2 + ejT /2 ) = ejT /2 2cos(

T
)
2

(4.21)

Der Frequenzgang ist in Abb. 4.14 dargestellt. Die Phase ist wieder abschnittweise frequenzlinear mit der Steigung 1/2. Der nichtkausale Anteil des Frequenzgangs ist im
Bereich 0 < < positiv reell, daher fangt die Phase bei 0 an.

104

Abbildung 4.12.: Pol-Nullstellen-Plan

Abbildung 4.13.: Impulsantwort

105

Shannon-Grenze
|F|
2

/2

-/2

= T

= T

Abbildung 4.14.: Frequenzgang

In Abb. 4.14 ist die Shannon-Grenze eingezeichnet. Man stellt i.a. den Frequenzgang nur
bis hierher dar, da bei h
oheren Frequenzen das Abtast-Theorem verletzt wird und das
Filter daher nicht angewendet werden kann.
= T
max = 2

1
2T

(4.22)

max =
Die Differenzengleichung des Filters und damit die Implementierung als FIR-Algorithmus
lautet wegen b0 = 1 und b1 = 1
ym = um + um1

(4.23)

Aus der Impulsantwort und dem Betragsverlauf des Frequenzgangs sieht man, dass es
sich bei diesem Filter um einen Tiefpass handelt. Aus den beiden bisher besprochenen
Beispielen sehen wir:
Nullstelle bei z = 1

ej0 T = 1 0 = 0

Nullstelle bei z = -1

ej0 T = 1 0 T =

106

0= / T

0=0

Abbildung 4.15.: Nullstellen-Lage f


ur Tiefpass und Hochpass

Tiefpass bedeutet, die Frequenz 0 wird durchgelassen, die Maximal-Frequenz max wird
gesperrt: Nullstelle bei z = 1 = ej
Hochpass bedeutet, die Frequenz max wird durchgelassen, die Frequenz 0 wird gesperrt:
Nullstelle bei z = 1 = ej0

Nullstelle nicht auf dem Einheitskreis


Die Nullstelle liege nunmehr nicht mehr auf dem Einheitskreis, z.B. bei z0 = 0.5. Die

Ubertragungsfunktion
lautet
F (z) =

z 1/2
z

Der Frequenzgang wird damit


1
F () = 1 ejT
2
Abb. 4.16 zeigt Pol-Nullstellenplan und Impulsantwort. Die vektorielle Darstellung der
beiden Summanden des Frequenzgangs in Abb. 4.17 zeigt, dass der Frequenzgang bei
keiner Frequenz zu null wird, d.h. die Nullstelle z0 lat sich keiner tatsachlichen Frequenz
zuordnen. Der Frequenzgang l
at sich auch nicht in einen nicht-kausalen und kausalen
Anteil aufspalten. Der Phasengang ist nicht frequenzlinear.

107

1
z

t
-1/2

Abbildung 4.16.: Pol-Nullstellenplan und Impulsantwort

Im

1
Re

-T
-jT

1-*e-jT

*e

Abbildung 4.17.: Nullstellen nicht auf dem Einheitskreis: die vektorielle Darstellung
des Frequenzgangs zeigt, dass dieser bei keiner Frequenz zu Null wird

108

4.3.2. Filter zweiter Ordnung


Das letzte Beispiel hat deutlich gemacht, dass insbesondere Filter mit Nullstellen auf
dem Einheitskreis besondere Eigenschaften haben und von Interesse sind. Sind diese
Nullstellen nicht reell, sondern komplex, so m
ussen sie bei Filtern mit reellen Koeffizienten paarweise konjugiert komplex vorkommen. Diese Filter m
ussn also mindestens die
Ordnung 2 haben.
Wir betrachten ein Filter mit Nullstellen bei z0 und z0 , |z0 | = 1.
z1 = |z0 | ej = ej

z2 = |z0 | ej = ej

(4.24)

(z ej )(z ej )
F (z) =
z2

Abbildung 4.18.: Pole und Nullstellen des Filters 2. Ordnung

Das Filter zweiter Ordnung hat eine doppelte Polstelle bei z=0. Die Ubertragungsfunk2
tion kann durch Ausmuliplizieren und Division durch z vereinfacht werden:
F (z) =

z 2 z(e+j + ej ) + 1
= 1 2z 1 cos + z 2
z2

(4.25)

Die Koeffizienten des Filters lauten b0 = 1, b1 = 2cos, b2 = 1. Der Frequenzgang lat

109

sich aus Gleichung 4.25 ableiten; es lat sich ein nichtkausaler Anteil abspalten:
F () = 1 2cosejT + ej2T

= ejT (e+jT 2cos + ejT )

(4.26)

= ejT (2cos(T ) 2cos)


{z
}
|
nicht-kausal
{z
}
|
kausal

und damit der Frequenzgang nach Betrag und Phase darstellen (Abb. 4.19). Der Fre-

|F|
Bandsperre

|F|

/2

2cos-2cos

Phase(F)

/2

Abbildung 4.19.: Frequenzgang

quenzgang weist eine Nullstelle auf bei T = und wirkt dort als Bandsperre.
Aus Nullstellen auf dem Einheitskreis lat sich also ersehen, wo und bei welchen Frequenzen das FIR-Filter sperrt. Der Winkel entspricht der gesperrten Frequenz (Abb.
4.20). Damit l
at sich die Nullstelle gezielt im Bereich
0 /T
platzieren.

110

Nullstelle bei der Frequenz


=0
0T=
z

Konjugiert komplexe
Nullstelle

Abbildung 4.20.: Darstellung der Nullstellen

/T stellt die Shannon-Grenze dar, die hochste nach dem Abtastkriterium zulassige Frequenz. Erh
oht man den Winkel , u
berschneiden sich die beiden konjugiert-komplexen
Nullstellen ; dies ist ein Indiz f
ur Aliasing.
=/T

=/T

=0
-

Shannon-Grenze

negative Frequenzen

Abbildung 4.21.: Platzierung der Nullstellen

4.4. FIR-Filter mit linearem Phasengang


Filter mit linearem Phasengang lassen sich aufspalten
in ein nicht-kausales Filter FN K ohne Phasengang
FN K ist rein reell gr
oer oder kleiner Null
FN K ist rein imagin
ar groer oder kleiner Null

111

einen Phasenterm ejT 2 , der von der Ordnung N des Filters abhangt.
Im folgenden sollen die Bedingungen f
ur einen linearen Phasenverlauf abgeleitet werden. Phasenlineare Filter zeichnen sich aus durch eine konstante Gruppenlaufzeit; damit
werden modulierte Signale verzerrungsfrei u
bertragen: Eine konstante Gruppenlaufzeit

bedeutet, dass Signalkomponenten bei verschiedenen Frequenzen die gleiche Verzogerung


im Filter erfahren, wodurch bestimmte Eigenschaften der Signalform des Eingangssignals

als Funktion der Zeit (beispielsweise symmetrische Uberg


ange von einem Signalniveau
zu einem anderen) erhalten bleiben. Dies ist vor allem in solchen Gebieten wichtig, wo
dahingehend spezielle Anforderungen (wie beim Fernsehen und der Daten
ubertragung)
bestehen [3].

4.4.1. Symmetrische Filter


Filtermitte

i+1

N/2+1

N/2

N-i

{um}
T

bi

b N-i

yi

Abbildung 4.22.: FIR-Filter (Ausschnitt)

Abb.4.22 zeigt die Kette der Verz


ogerungen in einem FIR-Filter. Zunachst sei unterstellt
das N gerade ist. Dann exisitiert die Filtermitte nach der Verzogerung N/2 T . Die
Filtermitte hat gegen
uber dem Eingang eine Phase
m =

N
T
2

(4.27)

In Abb. 4.22 sind zwei Koeffizienten mit zur Mitte symmetrischer Lage herausgezeichnet.
Der sich aus diesen beiden Signalpfaden ergebende Teil des Ausgangssignals sei yi . Die

112

Phasenverschiebung gegen
uber der Mitte des Filters ist
N
i)T
2
N
: = ( i)T
2

f
ur bi : = +(
f
ur bN i

(4.28)

Das Summensignal yi setzt sich demnach aus Komponenten der Phase m + und m
zusammen. Die Gr
oe der Komponenten wird durch den Betrag der <koeffizienten
bi und bN i bestimmt. Sind beide Koeffizienten identisch, so ist, wie Abb. 4.23 zeigt, die
Phase von yi immer gleich der Phase m der Filtermitte.

Im

Re
bi

bN-i

Abbildung 4.23.: Phasenbeziehungen bei symmetrischen Koeffizienten

Wenn N ungerade ist, gilt die Uberlegung


trotzdem, dann muss das mittlere Verzogerungselement in zwei Elemente der Verzogerung T /2 aufgespalten werden:
m = T (n 1)/2 + T /2

113

Filtermitte

i+1

N/2+1

N/2

N-i

{um}
T

bi

-b i

m+

m-+
yi

Abbildung 4.24.: Antisymmetrisches FIR-Filter (Ausschnitt)

4.4.2. Antisymmetrische Filter


Die spiegelbildlich zur Mitte angeordneten Koeffizienten haben gleichen Betrag aber
unterschiedliches Vorzeichen. Mit der Verschiebung der Phase
= i T
und der Phase der Filtermitte
m =

N
T
2

sind die Phasen der beiden Komponenten


f
ur bi : = m +
f
ur bN i = bi : = m +

(4.29)

Abbildung 4.25 zeigt, dass auch in diesem Fall alle Komponenten yi die gleiche Phase
haben; die resultierende Phase ist
yi = y = m + /2 = T + /2
Damit ist auch dieses Filter linearphasig.

114

(4.30)

-bi Drehung um
Im

/2
Re

+bi

bi
Abbildung 4.25.: Phasenbeziehungen bei anti-symmetrischen Koeffizienten

Zusammenfassung:
Filter sind linearphasig wenn gilt:
bi = bN 1 (symmetrische Koeffizienten)
bi = bN 1 (anti-symmetrische Koeffizienten)

4.4.3. Nachweis der Linearphasigkeit auf Grund der Lage der Nullstellen
Ein FIR-Filter ist linearphasig, wenn
die Nullstellen auf dem Einheitskreis der z-Ebene liegen (reell oder paarweise konjugiert komplex)
bei reellen Nullstellen jeweils zwei Nullstellen Einheitskreis gespiegelt vorliegen. Zu
einer Nullstelle zo geh
ort also eine weitere Nullstelle 1/z0 .
Bei Systemen mit konjugiert komplexen Nullstellen entweder die erste Aussage gilt
oder die Nullstellen am Einheitskreis gespiegelt vorliegen. Dazu ist eine Viereran

115

ordnung von Nullstellen erforderlich: zo , zo , 1/zo und 1/zo


Abb. 4.26 zeigt alle Kombinationen von Nullstellen linearphasiger Filter.
Im

1/z0*

ej
z0
1/z0

z0

Re

z0*

-j

1/z0

Abbildung 4.26.: Nullstellen linearphasiger Filter

Beweis:
F(z) lat sich schreiben als
F (z) =

1
(b0 z N + b1 z N 1 + + bN 1 z + bN )
zN

Mit symmetrischen bzw. antisymmetrischen Koeffizienten wird daraus


F (z) =

1
(b0 z N + b1 z N 1 + b1 z b0 )
zN

Es sei z0 eine Nullstelle, dann gilt:


b0 z0N + b1 z0N 1 + b1 z0 b0 = 0
Gleichung 4.31 ist erf
ullt, wenn gilt
X
(Re) = 0
X
(Im) = 0

116

(4.31)

Wann ist auch z1 eine Nullstelle?


b0 z1N + b1 z1N 1 + b1 z1 b0 = 0
(N 1)

z1N (b0 + b1 z11 + b1 z1

b0 z1N ) = 0

(4.32)

Der Vergleich von Gleichung 4.32 und 4.31 ergibt mit


z0 = |z0 |ej :
Gleichung 4.32 ist g
ultig , wenn
z1 = z01 =

1 j
e
|z0 |

Da Gleichung 4.31 die Bedingung eines linearphasigen Filters erf


ullt (weil die Koeffizienten entweder symmetrisch oder antisymmetrisch sind), ist ein Filter linearphasig, das
neben einer Nullstelle z0 und z0 auch Nullstellen 1/z0 und 1/z0 besitzt.
Der nicht-kausale Anteil linearphasiger Filter enthalt (auer bedingt durch Vorzeichenwechsel) keine Phasendrehung:
F (z) =

1
z N/2

FN K (z)

FN K (z) = b0 z N/2 + b1 z N/21 + b1 z (N/21) b0 z N/2


= b0 z N/2 b0 z N/2

(4.33)

+ b1 z N/21 b1 z (N/21)
+ ...

Es treten jeweils Paare


b z k b z k

b (ejkT ejkT )

auf. Diese ergeben in der Zusammenfassung Terme


2b cos (kT )
bzw.
2j b sin(kT )
sind also entweder reell mit der Phase 0 oder oder rein imaginar mit der Phase /2.

117

4.5. Filter-Typen
Man klassifiziert die linearphasigen Filter wie folgt:
Typ 1: N gerade, Koeffizienten symmetrisch
Typ 2: N ungerade, Koeffizienten symmetrisch
Typ 3: N gerade, Koeffizienten anti-symmetrisch
Typ 4: N ungerade, Koeffizienten anti-symmetrisch
Mit folgendem Programm werden im folgenden die Frequenzgange und Impulsantworten
der Filter berechnet:
%FIR-Typen
%Frequenzgang Typ3
%Impulsantwort
close all
clear all
N=8
P=zeros(1,N)
z1=exp(i*.9*pi)
z2=exp(i*(-.9)*pi)
z3=-1
z4=1
z5=0.5*exp(i*.8*pi)
z6=0.5*exp(i*(-.8)*pi)
z7=2*exp(i*.8*pi)
z8=2*exp(i*(-.8)*pi)
Z=[z1,z2,z3,z4,z5,z6,z7,z8]
[num,den]=zp2tf(Z,P,1)
figure(1)
freqz(num,den)
figure(2)
x=[-N/2:N/2]
stem(x,num)

4.5.1. Typ 1
N gerade, z.B.N=8

118

Anzahl der Koeffizienten ungerade (=9)


Verlauf der nichtkausalen Impulsantwort ist symmetrisch zu Null
Eine beispielhafte Nullstellenverteilung zeigt Abb. 4.27
Im

Re

Abbildung 4.27.: Typ 1: Nullstellen, N=8 (Beispiel)

Die zu Abb. 4.27 passende Impulsantwort zeigt Abb. 4.28.


Der Frequenzgang f
ur N=8 lautet
Q8
(z zi )
F (z) = V i=1 8
z
Der Frequenzgang ist in Abb. 4.29 dargestellt.
Der kausale Frequenzgang lautet
F () = b0 + b1 ejT + b2 ej2T + + b8 ej8T
F () = ej4T (b0 ej4T + b0 ej4T +
b1 ej3T + b1 ej3T +
b2 ej2T + b2 ej2T +

(4.34)

b3 ejT + b3 ejT +
b4
|

)
}

{z

FN K

119

60

50

40

30

20

10

0
-4

-3

-2

-1

Abbildung 4.28.: Impulsantwort Typ1

Magnitude (dB)

50

-50

-100

0.1

0.2

0.3
0.4
0.5
0.6
0.7
0.8
Normalized Frequency ( rad/sample)

0.9

0.1

0.2

0.3
0.4
0.5
0.6
0.7
0.8
Normalized Frequency ( rad/sample)

0.9

Phase (degrees)

-200

-400

-600

Abbildung 4.29.: Frequenzgang Typ 1

120

Der allgemeine Frequenzgang f


ur den Typ 1 lautet
F () = {b N +
2

N/2
X

2b N i cos (iT )} ej 2 T

(4.35)

i=1

{z

FN K

Der Phasenverlauf ist linear


(
N2 T
() =
N2 T

FN K > 0
FN K < 0

(4.36)

4.5.2. Typ 2
N ungerade, z.B.N=7
Anzahl der Koeffizienten gerade (=8)
Verlauf der nichtkausalen Impulsantwort ist symmetrisch zu Null
Eine beispielhafte Nullstellenverteilung zeigt Abb. 4.30. Dieser Typ hat, wie noch gezeigt
wird, immer eine Nullstelle bei z = -1, entsprechend = .
Im

Re

bei Typ 2 immer Nullstelle

Abbildung 4.30.: Typ 2: Nullstellen, N=7 (Beispiel)

Die zu Abb. 4.30 passende Impulsantwort zeigt Abb. 4.31.

121

40

35

30

25

20

15

10

0
-4

-3

-2

-1

Abbildung 4.31.: Impulsantwort Typ 2

Der Frequenzgang f
ur N=7 lautet
Q7
(z zi )
F (z) = V i=1 7
z
Der Frequenzgang ist in Abb. 4.32 dargestellt.
Der kausale Frequenzgang lautet
F () = b0 + b1 ejT + b2 ej2T + + b7 ej7T
F () = ej3.5T (b0 ej3.5T + b0 ej3.5T +
b1 ej2.5T + b1 ej2.5T +
b2 ej1.5T + b2 ej1.5T +

(4.37)

b3 ej0.5T + b3 ej0.5T )
|
{z
}
FN K

Der allgemeine Frequenzgang f


ur den Typ 2 lautet
N/21/2

F () = {2
|

X
i=0

N
N
i)T )} ej 2 T
2
{z
}

bi cos ((
FN K

122

(4.38)

Magnitude (dB)

50

-50

-100

0.1

0.2

0.3
0.4
0.5
0.6
0.7
0.8
Normalized Frequency ( rad/sample)

0.9

0.1

0.2

0.3
0.4
0.5
0.6
0.7
0.8
Normalized Frequency ( rad/sample)

0.9

Phase (degrees)

-200

-400

-600

Abbildung 4.32.: Frequenzgang Typ 2

Aus Formel 4.38 ist ersichtlich, dass Typ 2 eine Nullstelle bei = hat, weil cos(0.5) =
0.

4.5.3. Typ 3
N gerade, z.B.N=8
Anzahl der Koeffizienten ungerade (=9)
Verlauf der nichtkausalen Impulsantwort ist anti-symmetrisch zu Null
Eine beispielhafte Nullstellenverteilung zeigt Abb. 4.33. Dieser Typ hat, wie noch gezeigt
wird, immer eine Nullstelle bei z = -1, entsprechend = und bei z = 1, entsprechend
= 0..
Die zu Abb. 4.33 passende nichtkausale Impulsantwort zeigt Abb. 4.34. Aus Symmetriegr
unden mu der mittlere Koeffizient =0 sein!
Der Frequenzgang f
ur N=8 lautet
Q8
(z zi )
F (z) = V i=1 8
z
123

Im

bei Typ 3 immer Nullstellen

Re

Abbildung 4.33.: Typ 3: Nullstellen, N=8 (Beispiel)

20

15

10

-5

-10

-15

-20
-4

-3

-2

-1

Abbildung 4.34.: Impulsantwort Typ 3

124

Der Frequenzgang ist in Abb. 4.35 dargestellt mit Nullstellen bei = 0, .

M a gnitude (d B )

50

-50

0.1

0.2

0.3

0.4
0.5
0.6
Normalized Frequency ( rad/sample)

0.7

0.8

0.9

0.1

0.2

0.3

0.4
0.5
0.6
Normalized Frequency ( rad/sample)

0.7

0.8

0.9

P has e (deg ree s )

200
0
-200
-400
-600

Abbildung 4.35.: Frequenzgang Typ 3

Der kausale Frequenzgang lautet


F () = b0 + b1 ejT + b2 ej2T + + b8 ej8T
F () = ej4T (b0 ej4T b0 ej4T +
b1 ej3T b1 ej3T +

b2 ej2T b2 ej2T +

(4.39)

b ej1T b3 ej1T )
|3
{z
}
FN K

b4 = 0
Der allgemeine Frequenzgang f
ur den Typ 3 lautet

F () = bN/2 + {2j
|{z}
=0
|

N/2
X
i=0

b N i sin (iT )} ej 2 T
2

{z

(4.40)

FN K

Aus Formel 4.40 ist ersichtlich, dass Typ 3 je eine Nullstelle bei = und = 0 hat,
weil sin(n ) = 0.

125

4.5.4. Typ 4
N ungerade, z.B.N=7
Anzahl der Koeffizienten gerade (=8)
Verlauf der nichtkausalen Impulsantwort ist anti-symmetrisch zu Null
Eine beispielhafte Nullstellenverteilung zeigt Abb. 4.36. Dieser Typ hat, wie noch gezeigt
wird, immer eine Nullstelle bei z = +1, entsprechend = 0.
Im

bei Typ 4 immer Nullstelle

Re

Abbildung 4.36.: Typ 4: Nullstellen, N=7 (Beispiel)

Die zu Abb. 4.36 passende Impulsantwort zeigt Abb. 4.37.


Der Frequenzgang f
ur N=7 lautet
Q7
(z zi )
F (z) = V i=1 7
z
Der Frequenzgang ist in Abb. 4.38 dargestellt.
Der kausale Frequenzgang lautet
F () = b0 + b1 ejT + b2 ej2T + + b7 ej7T
F () = ej3.5T (b0 ej3.5T b0 ej3.5T +

b1 ej2.5T b1 ej2.5T +

b2 ej1.5T b2 ej1.5T +
b3 e
|

j0.5T

b3 e
{z

j0.5T

FN K

126

)
}

(4.41)

10
8
6
4
2
0
-2
-4
-6
-8
-10
-4

-3

-2

-1

Abbildung 4.37.: Impulsantwort Typ 4

M agnitude (dB )

40
20
0
-20
-40
0

0.1

0.2

0.3

0.4
0.5
0.6
Normalized Frequency ( rad/sample)

0.7

0.8

0.9

0.1

0.2

0.3

0.4
0.5
0.6
Normalized Frequency ( rad/sample)

0.7

0.8

0.9

P has e (degrees )

200
0
-200
-400
-600

Abbildung 4.38.: Frequenzgang Typ 4

127

Der allgemeine Frequenzgang f


ur den Typ 4 lautet
N/21/2

F () = {2j
|

N
N
i)T )} ej 2 T
2
{z
}

bi sin ((

i=0

(4.42)

FN K

Aus Formel 4.42 ist ersichtlich, dass Typ 4 eine Nullstelle bei = 0 hat, weil sin(0) =
0.

4.5.5. Anwendungen
Typ 1 ist universell einsetzbar, da er keine Zwangs-Nullstelle besitzt. Typ 2 ist wegen

der Nullstelle bei = nicht als Hochpass bzw. Bandsperre einsetzbar. Typ 3 wird vor
allem als Differenzierer oder Hilbert-Transformator eingesetzt. Wegen der Nullstellen bei
= und = 0 ist er weder als Tief- noch als Hochpass einsetzbar. Typ 4 kann als

Hochpass eingesetzt werden. Tabelle ?? zeigt die Verwendbarkeit im Uberblick.


Typ
1
2
3
4

TP
+
+
-

HP
+
+

BP
+
+
+
+

BS
+
-

Diff.
+
+

Tabelle 4.1.: Anwendung der Filtertypen 1-4

4.6. Filterentwurf
4.6.1. Fourier-Approximation (Fenster-Verfahren)
Schritt 1: Wunschfunktion
Aufstellen einer nicht-kausalen Wunschfunktion des Frequenzgangs. Beispiel: TiefpassFilter mit der Grenzfrequenz g nach Abb. 4.39

128

FNK

-g

Abbildung 4.39.: Wunschfunktion des Frequenzgangs eines TP

Schritt 2: Filtertyp
Man entscheide sich je nach Wunschfunktion f
ur einen Filtertyp
1: Frequenzgang reell, h(t) gerade, N gerade
2: Frequenzgang reell, Nulldurchgang bei , h(t) gerade, N ungerade
3: Frequenzgang imagin
ar, Nulldurchgang bei 0, , h(t) ungerade, N gerade
4: Frequenzgang imagin
ar, Nulldurchgang bei 0, h(t) ungerade, N ungerade
Schritt 3: Darstellung als unendliche Fourierreihe
Auf Grund der Abtastung kann die Wunschfunktion als periodische Funktion gedacht
werden mit einer Periode T = 2
FNK

-4

-2

-g

Abbildung 4.40.: Periodische Wiederholung des Frequenzgangs

Der periodische Frequenzgang des zeitdiskreten Filters kann in eine Fourierreihe entwi-

129

ckelt werden:
FN K ()

aN K (i)e+ji

mit:
aN K (i) =

1
2

(4.43)

FN K ()eji d

Gleichung 4.43 oben offenbart, dass die Fourier-Koeffizienten identisch sind mit der unendlich ausgedehnten Impulsantwort hN K (i), < i < des diskreten Frequenzgangs,
nur sind die Ausdr
ucke Gl. 4.43 und 4.44 konjugiert komplex:
FN K () =

hN K (i)eji

(4.44)

Daher gilt:
FN K ()

hN K (i)eji

mit:
hN K (i) =

1
2

(4.45)

FN K ()e+ji d

Schritt 4: Abbrechen der Fourier-Reihe


Da eine unendliche Impulsreihe mit einem digitalen Filter nicht darstellbar ist, wird die
unendliche Impulsreihe nach der Ordnung N abgebrochen
N
N
i
2
2
N/2
X
FN K () =
hN K (i)eji

(4.46)

i=N/2

Man erh
alt ein immer noch nicht-kausales aber endliches Filter. Der Abbruch der Ordnung hat zur Folge, dass die Fourier-Reihe nicht mehr den Wunschfrequenzgang identisch
wiedergibt, sondern nur noch approximiert. Abb. 4.41 zeigt die Approximation des idealen TP-Frequenzgangs mit der Ordnung N=10. Man sieht deutlich den sog. Gibbschen

Effekt des Uberschwingens


an den Grenzen und die endliche Filtersteilheit.

130

FNK()
Gibb

- g

Abbildung 4.41.: Fourier-Approximation des Frequenzgangs (hier N=10)

Der nichtkausale Frequenzgang wird im Zeitbereich durch die Differenzengleichung


ym =

N/2
X

i=N/2

hN Ki xmi

(4.47)

beschrieben.

Schritt 5: kausales Filter


Um das Filter kausal zu machen mu die Impulsantwort so verschoben werden, dass sie
bei t=0 beginnt. Man erh
alt die Filterkoeffizienten
bi = hN K (i

N
)
2

(4.48)

z.B. N=10
h(5) h(4) . . .
=
=
b0
b1
...

h(+5)
=
b10

Die Beschr
ankung auf N Komponenten entspricht bei der Realisierung des Filters einem
Abbruch der Fourierreihe. Man kann zeigen, dass der daraus entstehende Frequenzgang
optimal im Sinne des kleinsten quadratischen Fehlers ist.

131

Beispiel:
Enwurf eines Tiefpass-Filters mit
g = /2
N=10
Typ1
Nichtkausal:
1
hN K (i) =
2

1eji d =

si(i g ) = 0.5 si(i )

Kausal:
b0 = b10 = hN K (5) = 0.5 si(5

) = 0.063
2

b1 = b9 = hN K (4) = 0
b2 = b8 = hN K (3) = 0.5 si(3

) = 0.106
2

b3 = b7 = hN K (2) = 0
b4 = b6 = hN K (1) = 0.5 si(1

) = +0.318
2

b5 = hN K (0) = 0.5 si(0) = 0.5

Ubertragungsfunktion:

F (z) = 0.063 0.106 z 2 + 0.318 z 4 + 0.5 z 5 + 0.318 z 6 0.106z 8 + 0.063z 10


Frequenzgang:
FN K () = 0.5 + 2 0.318 cos + 2(0.106) cos(3) + 2 0.063 cos(5)
F () = FN K () ej5
In Abb. 4.42 ist das Signalfluss-Diagramm des Filters dargestellt.

132

{um}
2T

2T

2T

2T

b0

b4

b2

b5

{ym}

Abbildung 4.42.: FIR-Signalfluss-Diagramm

4.6.2. Ordnung des Filters


Die Ordnung des Filters bestimmt die Steilheit der Filterflanken(n), d.h. die Breite der

Ubergangsbereiche.
Je sp
ater die Fourier-Approximation abbricht, umso steiler sind die
Flanken, d.h. umso mehr n
ahert sich die Realisierung der Wunschfunktion (Abb. 4.43).

Die nichtkausale Impulsantwort endlicher Lange N+1 sei hN Kr . Man kann hN Kr auch als
eine unendliche Impulsantwort hN K auffassen, die mit einem Rechteckfenster WN Kr
der Lange N+1 gefenstert wurde
(
1 N/2 i +N/2
wN Kr (i) =
(4.49)
0 sonst
Die Funktion des Fensters: aus der -langen Impulsantwort werden genau N+1 Impulse
ausgeblendet:
hN Kr = hN K wN Kr (i)

(4.50)

Die Fensterfunktion nach Abb. 4.44 hat das Spektrum W(f)


wN Kr

(4.51)

s W (f )

133

FNK()
9%

9%

Abbildung 4.43.: FIR-Frequenzgang: Wunschfunktion und Realisierung

z.B N=10, T = 1sec:


wN Kr (i) =

10 + 1
iT
rect(
)
1
11sec

W (f ) = 11sec si(f 11sec)


Das Spektrum des Rechteckfensters ist die bekannte si-Funktion mit einer spektralen
Breite von = 2/(N + 1) und einer Oszillationsamplitude von 22% (Abb. 4.45). Es
gilt die Beziehung nach Gleichung 4.50, die die Multiplikation im Zeitbereich in eine
Faltung im Frequenzbereich u
uhrt
berf
hN Kr = hN K wN Kr (i)

(4.52)

H() = FN K () W ()
Bei der Faltung des gew
unschten Frequenzgangs mit dem si-Spektrum des Fensters
ergibt sich eine Filterflanke der Breite
=

2
1
N
N +1
fmax T

(4.53)

Bei einer maximal zul


assigen Flankenbreite fmax (dies hangt von der Aufgabenstellung
ab!) ist ein Filtergrad N nach Gleichung 4.53 zu wahlen.

134

wNKr(t)

- N/2

N/2
t/T

N+1

Abbildung 4.44.: Fensterfunktion

22%

2
N+1

Abbildung 4.45.: si-Funktion als Spektrum eines Rechteckfensters (hier N=11)

Die Welligkeit der si-Funktion erzeugt erhebliche Welligkeit sowohl im Sperrbereich als
auch im Durchlassbereich des Filters.

4.6.3. Fenster-Funktionen
Ursache der Welligkeit des Filters (d.h. der Abweichung von einem rechteckigen Wunschfrequenzgang) ist die Welligkeit des si-Spektrums. Eine Reduktion der Welligkeit erreicht
man durch eine andere Fensterfunktion, die die Randwerte weniger stark gewichtet als
die mittleren Werte. Folge:
Die Welligkeit wird reduziert

135

der Hauptlappen des Spektrums wird breiter

die Ubergangszone
wird breiter
Will man also die Welligkeit ( ripple) im Durchlass- und Sperrbereich reduzieren, so

mu man eine breitere Ubergangszone


in Kauf nehmen oder gleichzeitig die Ordnung
des Filters erh
ohen.
Abb. 4.46 zeigt ein Hann-Fenster
wi =

1 1
2i
+ cos(
)
2 2
N

|i|

N
2

(4.54)

Hann-Fenster
1

- N/2

N/2

Abbildung 4.46.: Hann-Fenster

Abb. 4.47 zeigt die Spektren von Rechteck- und Hann-Fenster im Vergleich. In der Darstelliung ist die Oszillation des Rechteck-Fenster-Spektrums deutlich zu sehen, ebenso
wie die im Vergleich breitere Ausdehnung des Hauptspektrums des Hann-Fensters. Abb.
4.48 zeigt die Frequenzg
ange eines Typ1-Tiefpass-Filters, entworfen mit Rechteck- Fenster und mit Hann-Fenster im Vergleich (N=32). Der deutlich hohere Ripple bei RechteckFensterung f
allt auf, ebenso die breitere Filterflanke bei Hann-Fenster.
Das Spektrum W(f) eines Fensters wird ahnlich berechnet, wie die symmetrischen FIRFilter, wobei an Stelle der Koeffizienten bi in der nichtkausalen Filterfunktion jetzt die
Werte wi des Fensters als Impulsantwort des Fenster-Frequenzgangs einzutragen sind:
hN K (i) = wi

136

0.5

Hann

Rect

-0.5
-4

-3

-2

-1

Abbildung 4.47.: Spektrum von Hann- und Rechteckfenster im Vergleich


1.4

1.2

0.8

0.6

0.4

0.2

0
0

0.5

1.5

2.5

3.5

Abbildung 4.48.: Typ 1 - TP-Filter mit Hannfenster und Rechteck-Fenster

Daher
W () =

N/2
X

wi ejiT

i=N/2

F
ur das Hann-Fenster folgt aus Gleichung 4.54
w(i)

sW () = 1 +

N/2
X

2wi cos(iT )

(4.55)

i=1

Die spektrale Breite des Hann-Fensters ist


=

4
N T

(4.56)

137

Der Vergleich von Gleichung 4.56 und 4.53 f


uhrt auf einen Dehnungsfaktor von

Hann
N +1
(4.57)
2
=2
Rechteck
N
Als Ergebnis erh
alt man
Eine Welligkeit des Fenster-Spektrums von 3% gegen
uber 22% beim Rechteck.
eine Welligkeit des FIR-Amplitudengangs von 0.63%
Eine Sperrd
ampfung
as = 20 log(0.0063) = 44dB
ein Ripple im Durchlassbereich
aR = 20 log(1 0.0063) = 0, 0054dB
Eine andere h
aufig genutzte Fenster-Funktion ist das Hamming-Fenster
wHamming (i) = 0.54 + 0.46cos(

2i
)
N

(4.58)

und das Blackman-Fenster


wBlackman (i) = 0.42 + 0.5cos(

4i
2i
) + 0.08 cos(
)
N
N

(4.59)

Abb. 4.49 zeigt diese drei Fenster im Vergleich. Zur Anwendung der unterschiedlichen
1
0.9
0.8

Hamming

0.7
0.6
0.5
0.4

Hann
Blackman

0.3
0.2
0.1
0

10

15

20

25

30

35

Abbildung 4.49.: Hann-, Hamming- und Blackman-Fenster

Fenster sei auf weiterf


uhrende Literatur verwiesen, z.B. [4][12][5].

138

4.7. Simulation mit Matlab(2)


Die Fensterfunktionen werden unter Matlab mit Befehlen

w=hann(N)
w=hamming(N)
w=blackman(N)
etc.
aufgerufen. F
ur ein Filter der Ordnung N benotigt man ein Fenster der Groe N+1.
Ein Ausschnitt aus der Help-Funktion von Matlab ist im folgenden ausgedruckt:
FIR1
FIR filter design using the window method.
B = FIR1(N,Wn) designs an Nth order lowpass FIR digital filter
and returns the filter coefficients in length N+1 vector B.
The cut-off frequency Wn must be between 0 < Wn < 1.0, with 1.0
corresponding to half the sample rate. The filter B is real and
has linear phase. The normalized gain of the filter at Wn is
-6 dB.
B = FIR1(N,Wn,high) designs an Nth order highpass filter.
You can also use B = FIR1(N,Wn,low) to design a lowpass filter.
If Wn is a two-element vector, Wn = [W1 W2], FIR1 returns an
order N bandpass filter with passband W1 < W < W2. You can
also specify B = FIR1(N,Wn,bandpass). If Wn = [W1 W2],
B = FIR1(N,Wn,stop) will design a bandstop filter.
If Wn is a multi-element vector,
Wn = [W1 W2 W3 W4 W5 ... WN],
FIR1 returns an order N multiband filter with bands
0 < W < W1, W1 < W < W2, ..., WN < W < 1.
B = FIR1(N,Wn,DC-1) makes the first band a passband.
B = FIR1(N,Wn,DC-0) makes the first band a stopband.
B = FIR1(N,Wn,WIN) designs an N-th order FIR filter using
the N+1 length vector WIN to window the impulse response.

139

If empty or omitted, FIR1 uses a Hamming window of length N+1.

4.8. Hilbert-Transformator
Zu realisieren ist der bereits in Abb. 2.40 gezeigte Frequenzgang mit der Amplitude 1
und der Phase /2.

| H(f) |

f
H(f)
/2

f
-/2

Abbildung 4.50.: Frequenzgang des Hilbert-Transformators

Als nicht-kausales Filter ist zu realisieren


(
j
<0
H() =
j > 0

(4.60)

Durch die diskrete Realisierung (Abb. 4.51) wiederholt sich der Frequenzgang periodisch
mit = 2: aus H(f ) wird H (f ). Der Frequenzgang lat sich beschreiben als (vergleiche
Abb. 4.52)

H () = F1 () ej 2

(4.61)

140

x(t)

u(t)

{xm}

H(f)

{um}
H*(f)

Abbildung 4.51.: Diskretisierung des Hilbert-Transformators

F1()

- 2

Abbildung 4.52.: Periodische Funktion F1 ()

Die Impulsantwort erh


alt man durch inverse Fourier-Transformation von H()
Z
1
h(iT ) =
H()eji d
2

(4.62)

d.h.
h(iT ) =

1
[
2

j eji d +

(j) eji d]



1
j ji
j ji 0
=
[
e +
e ]
2 j i
ji

0
=

2
i

(4.63)

i = 1, 3, 5, ...
i = 2, 4, 6, ...

Als Filter eignet sich der Typ 3 (N gerade) , da die Impulsantwort antisymmetrisch ist
(i>0,i<0). Das Filter muss allerdings ein kausales Filter sein, um realisierbar zu sein:
bi = h(i

N
)
2

(4.64)

Damit wurde ein kausales Filter realisiert. Die Hilbert-Transformation erfordert allerdings einen nicht-kausalen Frequenzgang. Die Losung dieses Problems zeigt Abb. 4.53

141

{xvm}

{xm}

b0

b2

b1

b3

b4

b5

b6

{um}

Abbildung 4.53.: Realisierung der Hilbert-Transformation mit kausalem Filter

am Beispiel eines Filters der Ordnung N=6. {um } hat gegen


uber {xm } zusatzlich die
N
Phasenverschiebung 2 zu dem f
ur den Hilbert-Transformator geforderten Frequenzgang F1 ej/2 . Diese zus
atzliche Phasenverzogerung entfallt, wenn als Hilbert-Partner

nicht {xm }, sondern die ebenfalls um N2 T verzogerte Folge {xvm } aus der Filtermitte

verwendet wird. Dies entspricht einer Verzogerung der Ubertragung


um N/2 Takte, was
in der Regel v
ollig irrelevant ist:
H() =

U + ()
X ()

Xv ( = X () ej 2

X = Xv () ej 2

U () =

U () =

(4.65)

N
H() Xv () ej 2
F1 ()ej/2 Xv ()

{z

HN K ()

Beispiel: N=6
h(3) =

2
3

h(2) = 0
2

h(0) = 0 Antisymmetrie: Typ 3


h(1) =

h(1) =

142

h(2) = 0
2
3
b(0) = h(3)
h(3) =

kausal:
b0 = h(3) =

2
3

b1 = h(2) = 0
...
b6 = h(3) =

2
3

Abb. 4.54 zeigt das Signalfluss-Diagramm.


{xvm}
{xm}
2T

-2
3

2T

-2

2
3

{um}

Abbildung 4.54.: Hilbert-Transformation mit FIR-Filter Typ 3, Ordnung N=6

4.9. Hochpass-Transformation
Bekannt sei ein Tiefpass mit Koeffizienten bi .
Gesucht ist ein formgleicher Hochpass (mit verschobener Charakteristik)

FHP
(f ) = FT P (f

1
)
2T

(4.66)

143

FT P = b0 + b1 ejT + b2 ej2T + + bN ejN T


Mit 4.66 folgt
1

FHP
(f ) = b0 + b1 ej2(f 2T )T + b2 ej2(f 2T )2T + + bN ej2(f 2T )N T

ej3 +...
ej2 +b3 ej2f 3T |{z}
FHP
(f ) = b0 + b1 ej2f T |{z}
ej +b2 ej2f 2T |{z}
=+1

=1

=1

Die Tiefpass-Hochpass-Transformation u
bernimmt damit die Koeffizienten des Tiefpasses, aber alterniert deren Vorzeichen, um somit den Koeffizientensatz eines formgleichen
Hochpass-Filters zu erzeugen.

144

5. IIR-Filter
Die Abk
urzung IIR steht f
ur Infinite Impulse Response. IIR-Filter sind rekursive Filter
und haben daher eine im Unendlichen abklingende Impulsantwort.

5.1. z-Transformation
Ein Signal y(t) wird abgetastet
y(t) y (t) =

m=0

ym (t mT )

Wegen
(t t0 )

s T est0

ist die Laplace-Transformierte von y (t)


s Y (s) = T

y (t)

ym emsT

(5.1)

m=0

Mit der Abk


urzung (Substitution)
z = esT
d.h.
z

(5.2)
=e

sT

Verz
ogerung um 1 Takt

lat sich Gleichung 5.1 schreiben als

Y (z) = T

ym z m

(5.3)

m=0

Man bezeichnet diese Schreibweise der Laplace-Transformation als die z-Transformation.

145

x(t)

x(t-T)
-1

Abbildung 5.1.: z 1 =Verzogerung um 1 Takt T

Beispiel : z-Transformation des Einheitssprungs


(
0 t<0
(t) =
1 t0

e (t) = 1

m=0

(5.4)

(t mT )

Mit der Substitution Gleichung 5.2:


E(z) = T

z m = T (1 + z + z 2 + . . . )

(5.5)

m=0

Die Summmenformel f
ur die geometrische Reihe lautet [9]
z
1
= T
1 z 1
z1
s T z
z1

E(z) = T
(t)

(5.6)

5.2. Gleichung des IIR-Filters


Das IIR-Filter wird durch einen rekursiven Algorithmus beschrieben. Die Ausgangsgroe
y(mT ) = ym ist eine Funktion
der letzten M Eingangswerte und des aktuellen Eingangswertes u(m), u(m-1),...,
u(m-M)
der letzten N Ausgangswerte y(m-1), y(m-2),..., y(m-N)

146

{um}

{ym}

Diskretes
System

{um}

{ym}

mT
Abbildung 5.2.: Diskretes System mit den Zahlenfolgen {um } am Eingang und {ym }
am Ausgang

a0 ym = b0 um + b1 um1 + + bM umM

a1 ym1 a2 ym2 aN ymN


(5.7)
=

M
X
j=0

bj umj

N
X

ai ymi

i=1

Summation u
ber alle ym und Erweiterung mit emsT

(a0 ym )emsT =

m=0

X
M
X

m=0 j=0

bj umj emsT

147

X
N
X

m=0 i=1

ai ymi emsT

(5.8)

Daraus wird
a0

|m=0

ym emsT =
{z

=Y (z)/T

bzw.

a0 Y (z) =

N
X

M
X

bj

|m=0

j=0

ai Y (z)z

i=1

umj e(mj)sT ejsT

M
X

{z

=U (z)/T

N
X
i=1

ai

|m=0

ymi e(mi)sT eisT


{z

=Y (z)/T

bj U (z)z j

j=0

(5.9)

Daraus ergibt sich die z-Transformierte (diskrete Ubertragungsfunktion)


des IIR-Filters
PM
j
Y (z)
j=0 bj z
(5.10)
= F (z) = PN
i
U (z)
a
z
i
i=0

Man bezeichnet das durch Gleichung 5.10 beschriebene Konstrukt als IIR-Filter der
Ordnung N.

5.3. Stabilit
at

In der Ubertragungsfunktion
des IIR-Filters hat z die Bedeutung
z = esT

Die Nullstellen zi und Pole zj der Ubertragungsfunktion


QM
j=1 (z zj )
F (z) = V QN
i=1 (z zi )

haben die Bedeutung


zi/j = esi/j T

Pole auf der komplexen s-Ebene werden durch diese Rechenvorschrift auf eine komplexe
z-Ebene abgebildet:

z = esT
s = + j
z=e

(5.11)

T jT

148

Der Betrag des Pols auf der z-Ebene ist


|z| = eT

(5.12)

F
ur stabile Pole in der s-Ebene (hier wird das IIR-Filter, wie noch gezeigt wird, entworfen) gilt: Re(s) = < 0. D.h. stabile Pole in der s-Ebene werden auf Pole in der z-Ebene
mit einem Betrag |z|<1 abgebildet.
Die Phase des Pols in der z-Ebene ist arg(z) = = T . Die Abbildung s z ist nicht
eindeutig, weil T beliebige Werte > annehmen kann.
T = 0 T + i 2
Allerdings setzt die Implementierung in einem digitalen Filter die Beachtung des NyquistKriteriums voraus, d.h.
< /T
Abb. 5.3 zeigt die Abbildung eines Streifens T der s-Ebene auf das
Innere des Einheitskreises der z-Ebene. Auf der Trajektorie 1 ist die Phase = = const.
Der Betrag von Realteil(s) geht von - , d.h. z = 0 bis zu Null, d.h. z = -1. Auf der
Trajektorie 2 ist |z| =1 wegen Re(s)=0. Die Kreis-Kontur in der z-Ebene wird abgefahren,
weil die Phase von nach geht. Der Punkt s=0 entspricht z=1 (s=0 ist der Pol eines
Integrators). Die Trajektorie 3 f
uhrt in der z-Ebene auf dem gleichen Pfad wie Trajektorie
1 in den Ursprung zur
uck.
Im(sT)

z=esT

Im(z)

Re(sT)

Re(z)

3
1

-j

Abbildung 5.3.: Abbildung der s-Ebene auf die z-Ebene

149

5.4. Entwurfsverfahren
IIR-Filter werden zun
achst als kontinuierliche Filter entworfen entweder im Zeitbereich
durch Differentialgleichung oder im Frequenzbereich durch einen Frequenzgang F (). Anschlieend erfolgt die Diskretisierung des Filters. Im Folgenden werden unterschiedliche
Methoden der Diskretisierung vorgestellt.

5.4.1. Impulsinvariante Transformation


Ziel: In den Abtastzeitpunkten mT sollen die Impulsantworten des diskreten und
des analogen Filters u
bereinstimmen:

(t)

H(f)

y=h(t)

H*(f)

y=h*(t) bzw. {hm}

Abbildung 5.4.: Zur impulsinvarianten Transformation

z-Transformation:
Eingangssignal:
x(t = mT ) = x(m)

s X(z) = T

x(m)z m

m=0

Ausgangssignal:
y(t = mT ) = y(m)

s Y (z) = T

m=0

Ubertragungsfunktion:
H(z) =

Y (z)
X(z)

150

y(m)z m


Das kontinuierliche Filter wird durch die Ubertragungsfunktion
H(s) =

n
X
Ai
s si

(5.13)

i=1

nach Partialbruchzerlegung dargestellt mit si als Polstellen bzw. Eigenwerte des Filters
und A1 als Residuen 1 .
Die zu Gleichung 5.13 geh
orige Impulsantwort ist
h(t) =

N
X
i=1

Ai esi t (t)

(5.14)

Die Multiplikation mit (t) ist wegen der Kausalitatsbedingung


h(t < 0) = 0
erforderlich. Mit der in Gleichung 5.5 abgeleiteten z-Transformation von (t) lat sich
Gleichung 5.14 transformieren:
H(z) = T

N
X

Ai

N
X

Ai

esi mT z m

m=0

i=1

bzw. mit der Abk


urzung esi T = zi
H(z) = T

(5.15)

X
zi
( )m
z

m=0

i=1

Mit der in Gleichung 5.6 angewendeten Summenformel wird hieraus


H(z) = T

N
X
i=1

Ai

z
z zi

(5.16)

Bei der impulsinvarianten Transformation werden Pole si auf Pole zi = esi T abgebildet.
Pole in der linken s-Halbebene (Re(s)<0) werden damit auf Pole im Einheitskreis der
z-Ebene abgebildet.
Ein komplexer Pol wird beschrieben als
s = + j
z = esT =

T
|e {z }

<1 f
ur <0
1

ejT

Es wird im folgenden zur Vereinfachung unterstellt, dass alle Pole verschieden sind; f
ur doppelte Pole
wird auf die Literatur verwiesen [8]

151

Im(s)

Im(z)
j
z=esT

z=eTejT

Re(s)

Re(z)
1

Stabiler Bereich
eT

Abbildung 5.5.: Zur impulsinvarianten Transformation

5.4.2. Rechteck-Integration
Analoge Systeme lassen sich in der Zustandsdarstellung mit Verstarkern und Integratoren darstellen. Daher wird im Folgenden die diskrete Beschreibung eines Integrators
entwickelt.
Die Differentialgleichung des Integrators mit der Zeitkonstante Ti lautet
dy
=u
dt
Z
1 t
y=
u(t )dt
Ti 0
Ti

(5.17)

Die diskrete Integration im Raster T ist in Abb. 5.6 dargestellt. Das Eingangssignal
wird durch eine Interpolation nullter Ordnung angenahert. Damit berechnet sich ein
neuer Ausgangswert zum Zeitpunkt m aus dem alten Wert zum Zeitpunkt m-1 und der
(angenaherten) Fl
ache unter dem Eingangssignal zwischen m-1 und m:
y(m) = y(m 1) +

1
u(m 1) T
Ti

(5.18)

Der Vergleich mit der Differenzengleichung 5.7 ergibt die Koeffizienten


a0 = 1 a1 = 1 b0 = 0 b1 =

T
Ti

und somit die Ubertragungsfunktion


eines Integrierers
Fint (z) =

T 1
Ti z
1 z 1

T
Ti

(5.19)

z1
152

u(t), u(i)
u(t)
u(m+1)

u(m)
u(m-1)

mT

(m-1)T

(m+1)T

Abbildung 5.6.: Rechteck-Integration (1)

Der Integrierer zeichnet sich durch einen Pol bei z=+1 (entsprechend s=0!) aus.
Wird die Integration nach Abb. 5.7 ausgef
uhrt, so lautet die Differenzengleichung
y(m) = y(m 1) +

1
u(m) T
Ti

(5.20)

und die Ubertragungsfunktion


wird
Fint (z) =

T
Ti

z 1

T
Ti

(5.21)

z1

Gleichung 5.19 und 5.21 unterscheiden sich nur durch eine Verschiebung um 1 Takt
(ersichtlich aus dem zus
atzlichen z im Zahler).
Der Frequenzgang zu Gleichung 5.21 lautet
Fint () =
=

T
jT
Ti e
ejT 1

T
jT
Ti e
ejT /2 (ejT /2 ejT /2 )
T
Ti

ejT /2

2jsin( T
2 )

153

(5.22)

u(t), u(i)
u(m-2)
u(m)

mT

(m-1)T

u(t)

u(m+1)

(m+1)T

(m+2)T

Abbildung 5.7.: Rechteck-Integration (2)

F
ur T << 1 gilt:
sin(

T
T
)
2
2

ejT /2 1
Also kann f
ur Gleichung 5.22
Fint (j) =

T
Ti

2jT /2

1
jTi

(5.23)

geschrieben werden.
Schlussfolgerung: F
ur hinreichend kleine Abtastintervalle T verhalt sich der diskrete
Integrator genauso, wie ein analoger Integrator. Nach der Rechteck-Integrations-Formel
konnen daher analoge Filter umgesetzt werden:
dy
=u
dt
Naherung:
y
= u(m 1) ( bzw. u(m))
Ti
T
y(m) y(m 1)
Ti
= u(m 1)
T

Ti

(5.24)

154

Entwurfsverfahren

Analoger Entwurf von F(s)


Darstellung als Differentialgleichung
Umsetzen in eine Differenzengleichung
dy=y(m)-y(m-1)
du=u(m)-u(m-1)
dt=T
y(t)=y(m)
u(t)=u(m)
Aufl
osen der Differenzengleichung nach y(m) rekursiver Algorithmus

bei Bedarf: Aufstellen der diskreten Ubertragungfunktion


aus der Differenzengleichung
Beispiel:
F (s) =
T1

T2 s + 1
T1 s + 1

dy
du
+ y = T2
+u
dt
dt

u(m) u(m 1)
y(m) y(m 1)
+ y(m) = T2
+ u(m)
T
T
T2 + T
T2
T1
+ u(m)
u(m 1)
y(m) = y(m 1)
T1 + T
T1 + T
T1 + T
T1

Y (z)(1

T1
T2 + T
T2
z 1 ) = U (z)(

z 1 )
T1 + T
T1 + T
T1 + T

T2 + T
T2
z
Y (z)
(T2 + T )z T2
T + T
T1 + T
= F (z) = 1
=
T1
U (z)
(T1 + T )z T1
z
T1 + T

155

Was in diesem Kapitel entwickelt wurde, entspricht einer Abbildungsvorschrift


s z:
T
1
T z
i
Ti s
z1

1
T z

s
z1
s

(5.25)

z1
T z

F (s) F (

z1
)
T z

Beispiel:
1
Ts + 1
1
F (z) =
z1
T
+1
T z
T z
F (z) =
(T + T )z T
F (s) =

Wahlt man f
ur s=j, also die Grenze des Stabilen Bereichs der komplexen s-Ebene, so
lautet die Korrespondenz nach Gleichung 5.25
z1
T z
z(jT 1) = 1
j =

z=

(5.26)

1
1
1 + jT
= (1 +
)
1 jT
2
1 jT

1
z = (1 + e2j arctan(T ) )
2
Abb. 5.8 zeigt die Korrespondenz. Schlussfolgerung: Mit der Rechteck-Integration nach
Gleichung 5.25 bzw. Abbildung 5.7 werden immer stabile Filter erzeugt, da die Abbildungszone der linken s-Ebene innerhalb des (stabilen) Einheitskreises liegt.

156

j*Im(s)

(1+ej2arctan(T))
s=j

stabil

stabil
Re(s)

s=-j
(1+ej2arctan(-T))

Abbildung 5.8.: Abbildung durch die Rechteck-Integration nach Gl. 5.25

ur die Integration nach Abb. 5.6. Hier konnen stabile analoge Filter
Das Gleiche gilt nicht f
in instabile digitale Filter umgesetzt werden. In diesem Fall gilt die Korrespondenz
z1
T
z1
s=
T
j =

(5.27)
z = s T + 1

Es werden also nur Pole mit Realeil 2 sT 0 auf Pole im Einheitskreis abgebildet
und es gelten Beschr
ankungen f
ur den Wertebereich des Imaginarteils!
Beispiel: Man zeige, dass ein analoger Oszillator mit der Rechenvorschrift nach Abb. 5.27
nicht auf einen stabilen digitalen Oszillator abgebildet wird.
Es reicht, die Instabilit
at f
ur einen der beiden imaginaren Pole aufzuzeigen:
F (j) =
F (z) =

1
s + j0

z1
T

T
1
=
z

(1

j0 T )
+ j0

Der Pol hat einen Betrag |z|>1!

5.4.3. Trapez-Regel: Bilineare Transformation


Es ist unmittelbar einleuchtend, dass die Integration besser wird (als bei der RechteckIntegration), wenn eine Interpolation 1. Ordnung angewendet wird. Abb. 5.9 zeigt das
Schema der Integration. Die schraffierte Flache unter u(t) entspricht dem Ergebnis des
diskreten Filters.

157

u(t), u(i)
u(t)
u(m)

u(m+1)

u(m-1)

mT

(m-1)T

(m+1)T

Abbildung 5.9.: Trapez-Integration

1 1
(u(m 1) + u(m))T
Ti 2
T
T
y(m) y(m 1) =
u(m) +
u(m 1)
2Ti
2Ti
T
a0 = 1 a1 = 1 b0 = b1 =
2Ti
1
T z + 1
T 1 + z
=
F (z) =
2Ti 1 z 1
2Ti z 1
y(m) = y(m 1) +

(5.28)

Der Frequenzgang des so erhaltenen Integrators lautet


T
2Ti
T
=
2Ti
T
=
2Ti

F () =

ejT + 1
ejT 1
ejT /2 + ejT /2
ejT /2 ejT /2
cos(T /2)
jsin(T /2)

(5.29)

F
ur kleine T wird daraus
F () =

T 1
1
=
T
2Ti j 2
jTi

(5.30)

158

Die aus Gleichung 5.28 ablesbare Korrespondenz lautet


T z + 1
1

sTi
2Ti z 1
2 z1
s
T z + 1
F (z) = F (s =

(5.31)

2 z1
)
T z + 1

Man bezeichnet Gleichung 5.31 als bilineare Transformation. Sie realisiert die TrapezIntegration und stellt damit eine prazisere Form der Transformation von einem analogen
zu einem diskreten Filter dar.
Beispiel:
F (s) =
F (z) =

F (z) =
y(m)(2

1
Ts + 1
1
2 z1
)+1
T(
T z + 1
Y (z)
z+1
=
T
T
U (z
)
z(2 T + 1) + (1 2 T
T
T
+ 1) = y(m 1)(2
1) + u(m) + u(m 1)
T
T

Die Korrespondenz nach Gleichung 5.31 angewendet aus s = j f


uhrt auf
j

2 ejT 1
2 ejT /2 ejT /2
2 z1
=
=
T z + 1
T ejT + 1
T ejT /2 + ejT /2
(5.32)

2 j
T

sin( T
2 )
T
cos( 2 )

=j

T
2
tan(
)
T
2

D.h. der analoge Frequenzbereich (0 < ) wird durch die bilineare Transformation

auf den Bereich 0 T


2 < /2 bzw. 0 T < komprimiert:
analog digital
(5.33)

= 0 tan(0) = 0
tan(/2)

159

|F|

digital

analog

/T

Abbildung 5.10.: Kompression des Frequenzbereichs durch die bilineare Transformation

Es findet bei dieser nichtlinearen Frequenzabbildung keine Amplitudenverzerrung statt,


(Abb. 5.10):
F(

2
tan(T /2)) Fanalog ()
T

Die bilineare Transformation mit der Transformationsvorschrift


j =

2 z1
T z + 1

2
+ j
T
T
= e2jarctan( 2 )
z=
2
j
T

(5.34)

bedeutet, dass die linke s-Ebene auf den gesamten Einheitskreis abgebildet wird. (Abb.
5.11.

160

j*Im(s)

ej2arctan(T/2)
z

stabil

s=j

stabil
Re(s)

s=-j

ej2arctan(-T/2)

Abbildung 5.11.: Pol-Verschiebung bei der bilinearen Transformation

Entwurfsverfahren
Eckfrequenzen des digitalen Filters festlegen
Eckfrequenzen vorverzerren nach Abb. 5.12

2
tan(T /2)
T

Entwurf eines analogen Filters mit den vorverzerrten Eckfrequenzen


bilineare Transformation: die Eckfrequenzen fallen jetzt auf die vordefinierten digitalen Frequenzen
aus F(z) die Differenzengleichung als rekursiven Algorithmus berechnen
Der Entwurfsgang ist in Abb. 5.13 gezeigt. F
ur einen Bandpass werden die Bandbreite
und die 3dB-Grenzen festgelegt und vorverzerrt. Die bilineare Transformation f
uhrt vom
analogen Entwurf zur
uck auf ein digitales Filter mit diesen Eckfrequenzen.

161

analog
=2/T*tan(T/2)

T
Abbildung 5.12.: Vorverzerrung bei der bilinearen Transformation

5.5. Kanonische Formen


5.5.1. Allgemeine kanonische Formen
Die Differenzengleichung eines IIR-Filters nach Gleichung 5.7
a 0 ym =

M
X
j=0

bj umj

N
X

ai ymi

(5.35)

i=1

kann in der sog. direkten Struktur als FIR-Filter in Reihe mit einem Allpol-Filter nachgebildet werden. Hierzu werden N+M Verzogerungsglieder, d.h. Speicher, benotigt, was
zwar zum Verst
andnis der Stuktur forderlich, aber f
ur eine Realisierung wenig zweckmaig ist.
G
unstiger sind die sog. kanonischen Formen, die mit N Verzogerungsgliedern auskommen
und sich daher mit weniger Aufwand realisieren lassen. Abb. 5.18 zeigt die erste Variante
einer kanonischen Form 2 . Das Signalfluss-Diagramm ist unmittelbar einleuchtend. y
wirkt auf sich selbst zur
uck u
ber Koeffizienten ai mit einer Verzogerung von i T . Die
Eingangsgr
oe u wirkt ebenfalls auf y mit Koeffizienten bi und mit einer Verzogerung
2

Sie wird auch als Beobachter-Normalform bezeichnet, da sie f


ur den Entwurf von Beobachtern genutzt
wird

162

analog
analoger
Entwurf

digitales
Filter

T
Abbildung 5.13.: Filterentwurf mit bilinearer Transformation

von i T . Die zweite kanonische Form ist in Abb. 5.18 dargestellt. Sie lat sich aus der

163

{ym}
{um}

z-1

z-1

z-1

z-1

bM

1/a0

z-1

z-1

z-1

..
a1
b2
a2
b1

b0

aN

Abbildung 5.14.: IIR-Filter in der sog. direkten Struktur


u(t)

b N-1

bN

b1

b0
y(t)

-1

-1

-1

a1

a N-1

aN

1/a 0
x(t)
X(z)

Abbildung 5.15.: IIR-Filter in kanonischer Form (1)

Differenzengleichung wie folgt ableiten:


N
X

ai ymi =

i=0

M
X

bj umj

j=0

z-Transformation; es sei M=N:

Y (z)

N
X

ai z

= U (Z)

bj z j

j=0

i=0

F (z) =

M
X

b0 + b1 z 1 + b2 z 2 + + bN z N
Y (z)
=
U (z)
a0 + a1 z 1 + a2 z 2 + + aN z N

b0 z N + b1 z N 1 + b2 z N 2 + + bN
Y (z)
=
U (z)
a0 z N + a1 z N 1 + a2 z N 2 + + aN
=

1
a z N + a1 z N 1 + + aN
|0
{z
}
FN enner (z)

X(z) Y (z)

U (z) X(z)

164
(b0 z + b1 z N 1 + + bN )
{z
}
|
N

FZaehler (z)

(5.36)

U(z)

X(z)

Y(z)

FNenner

FZhler

Abbildung 5.16.: Zerlegung des IIR-Filters zur Ableitung der kanonischen Form (2)

F
ur den Anteil FN enner gilt
1
X(z)
=
U (z)
a0 z N + a1 z N 1 + + aN

(5.37)

X(z) z N = U (z) X(z)(a1 z N 1 + + aN )


Diese Gleichung findet sich sich als Signalflussdiagramm in Abb.5.17
u(t)

z-1

z-1

1/a0

a1

zN X(z)

z-1

a2

zN-1 X(z)

x(t)
X(z)

aN-1

zN-2 X(z)

aN

zX(z)

Abbildung 5.17.: Nennerploynom der kanonischen Form (2)

F
ur den Anteil FZaehler gilt
Y (z)
= b0 z N + b1 z N 1 + + bN z N
X(z)
Y (z) = b0 X(z)z

+ b1 X(z)z

N 1

(5.38)

+ + bN X(z)

Das Signalfluss-Diagramm Gleichung 5.38 lat sich in die Abbildung 5.17 integrieren und
f
uhrt zum endg
ultigen Signalfluss-Diagramm 5.18.

165

y(t)

b0

b1

u(t)

bN

-1

z-1

1/a0

bN-1

b2

-1

a1

z X(z)

a2

N-1

a N-1

N-2

X(z)

x(t)
X(z)
aN

zX(z)

X(z)

Abbildung 5.18.: Kanonische Form (2)

5.5.2. Kaskaden-Strukturen
Filter h
oherer Ordnung werden i.a. als Kaskaden von Filtern der Ordnung 1 oder 2
dargestellt (Abb.5.19)
{ym}

{um}
H1(z)

H2(z)

H3(z)

Hk(z)

Abbildung 5.19.: Kaskade

Filter erster Ordnung

b 1
Y (z)
b0 + b1 z 1
b0 1 + b01 z
=
=
U (z)
ao + a1 z 1
a0 1 + aa10 z 1

(5.39)

Y (z)
1 + b1 z 1
=k
U (z)
1 + a1 z 1

Der Faktor k aus Gleichung 5.39 wird in der Kaskade so verteilt, dass bei Festkomma
Darstellung kein Uberlauf
stattfindet (Skalierung). Abb. 5.20 zeigt das Signalfluss-Diagramm
des Filters 1. 0rdnung.

166

{um}

{ym}

z-1

b1'

a1'
Abbildung 5.20.: Filter 1. Ordnung

Filter 2. Ordnung
Konjugiert komplexe Pole m
ussen mit einem Filter-Anteil 2. Ordnung realisiert werden.
Die Differenzengleichung lautet:
ym = b0 um + b1 um1 + b2 um2 a1 ym1 a2 ym2
Signalfluss-Diagramm: Abb. 5.21
Realisierung als Programm: Abb. 5.22
{ym}

b0

{um}

b1

z-1

b2

z-1
w2

w0

w1

a1

a2

Abbildung 5.21.: Filter 2. Ordnung

167

Start
y=w1=w2=0

nchster Takt

y ausgeben
u einlesen
w0=u+(-a1)*w1+(-a2)*w2
y=b0w0+b1w1+b2w2
speichern
w2=w1
speichern
w1=w0
speichern

Abbildung 5.22.: Realisierung des Filters 2. Ordnung

Verteilung der Pole


Die Verteilung der Pole und Nullstellen erfolgt nach hochster G
ute. Abb. 5.23 zeigt ein
Beispiel.

168

Abbildung 5.23.: Aufteilung der Kaskade

5.6. Entwurf analoger Filter


Da der Entwurf digitaler Filter immer bei analogen Filtern beginnt und diese anschlieend digitalisiert werden, soll in diesem Kapitel der Entwurf analoger Filter kurz um
rissen werden.

5.6.1. Toleranzschema
Zu entwerfen ist ein Vierpol nach Abb. 5.24 mit der Massgabe
|H()| 1
Der Vierpol soll Tiefpass-Eigenschaften haben; durch geeignete Transformationen wird
er spater in den geeigneten Filtertyp gewandelt. Mit einer Hilfsfunktion K() lat sich

die Ubertragungsfunktion
schreiben als
|H()|2 =

1
1+

(5.40)

C 2 |K()|2

Die Spezifikation erfolgt durch

169

u1

u2

Abbildung 5.24.: Vierpol

Durchlassbereich D
Sperrbereich S
Ripple im Durchlassbereich D
Ripple im Sperrbereich S
Daraus ergibt sich das Toleranzschema Abb. 5.25.

D
1

Abbildung 5.25.: Toleranzschema des Tiefpasses

170

Die Hilfsfunktion C |K()| ergibt sich hieraus in Abbildung 5.26 mit


q
2
2D D
C|K()| 0 D
1 =
1 D
q
1 S2
2 =
S

(5.41)

C|K()|
2

Abbildung 5.26.: Hilfsfunktion C|K()|

Es gilt
|H(s)|2 = H(s) H(s) =

1
1+

C 2 K(s)

K(s)

(5.42)

Die Hilfsfunktion K(s) ist eine gebrochen rationale Funktion


K(s) =

R(s)
P (s)

(5.43)

Damit gilt
H(s) H(s) =

P (s) P (s)
P (s) P (s) + C 2 R(s) R(s)

Die Nullstellen des gesuchten Filters ergeben sich aus


P (s) = 0 ,

171

(5.44)

die Pole aus


P (s) P (s) + C 2 R(s) R(s) = 0

(5.45)

Da Gleichung 5.45 auf 2n Pole f


uhrt, die symmetrisch zur imaginaren Achse liegen, d
urfen

nur die Pole f


ur die Ubertragungsfunktion
H(s) mit negativem Realteil verwendet werden,
um ein stabiles Filter zu erhalten.
Jetzt wird der Tiefpass mit einer normierten Frequenz dargestellt. Normiert wird auf D .
Das Ergebnis zeigt Abb. 5.27

C|K()|
2

Abbildung 5.27.: Hilfsfunktion C|K()| mit normierter Frequenz

Der normierte Tiefpass l


at sich nunmehr transformieren:
TP-TP-Transformation
j
s
j =
s =
D
D

(5.46)

HP-TP-Transformation
D
D
s =
j =
j
s

(5.47)

BP-TP-Transformation
j =

2 + D D
(D D )j

s =

s2 + D D
(D D )s

172

(5.48)

Abbildung 5.28 zeigt das Ergebnis


Beispiel: HP-TP-Transformation

gegeben: TP-Filter
HT P () =

1
jT + 1

Eckfrequenz : D =

1
T

Normieren : HT P ( ) =

1
+1

HP-TP-Transformation : j =

D
j

jT
j
1
=
=
HHP ( ) = D
D + j
jT + 1
+1
j

(5.49)

Das Bode-Diagramm Abbildung 5.29 zeigt, dass es sich hierbei tatsachlich um einen
Hochpass handelt.

5.6.2. Entwurf im s-Bereich


Butterworth
Beim Butterworth-Filter ist die Hilfsfunktion
|K( )| = ( )n

(5.50)

damit werden die normierten Eckwerte


1 > C|K( )| | =1 = C

2 < C|K( )| | =s =

(5.51)

C(s )n

Aus beiden Ungleichungen 5.51 ergibt sich der erforderliche Grad des Filters
n

log(2 /1 )
logS

(5.52)

173

C|K()|

TP

C|K()|

HP

C|K()|

BP

-S -D

Abbildung 5.28.: Transformation des Tiefpasses

174

|Flog|

1/T

log

1/T

log

Abbildung 5.29.: Bode-Diagramm des Hochpasses

Wegen K( ) = (s )n wird die Nennerfunktion


1 + C 2 K(s )K(s ) = 1 + (1)n C 2 (s )2n
und damit
1
|H()| = p
1 + C 2 ( )2n

(5.53)

Das Butterworth-Filter zeichnet sich durch einen maximal flachen Verlauf bei = 0
aus. Abb. 5.30 zeigt den Frequenzgang und die Polverteilung eines Buttworth-Filters.

Tschebyscheff Typ 1
Die Hilfsfunktion ist
|K( )| = Tn ( ) =

cos(n arccos( ))
cosh(n arccosh( ))

| | 1
| 1

(5.54)

Die Toleranzeckwerte ergeben sich deshalb zu


1 C|K( )| | =1 = C Tn (1) = C

2 C|K( )| | =s = C

Tn (s )

175

(5.55)

Abbildung 5.30.: Butterworth-Filter aus [6]

somit als Grad des Filters


n

arccosh(2 /1 )
arccosh(s )

(5.56)

Man erh
alt eine oszillierende Frequenzgangs-Funktion im Durchlass-Bereich, die das Toleranzschema
2 Tn1 (S ) C 1
einhalt (vgl. Gleichung 5.55).
Frequenzgang:
1
|H( )| = p
1 + C 2 Tn2 ( )

(5.57)

Das Ergebnis zeigt Abb. 5.31.

Tschebyscheff Typ 2
Es ist hier
|K( )| =

Tn (S )
Tn (S / )

(5.58)

Die weitere Dimensionierung erfolgt wie bei Typ 1. Das Ergebnis sind Nullstellen auf
dem Eineitskreis der z-Ebene, die f
ur einen Ripple im Sperrbereich stehen. Das Ergebnis
zeigt Abb. 5.32.

176

Abbildung 5.31.: Tschebyscheff-Filter Typ 1 aus [6]

Abbildung 5.32.: Tschebyscheff-Filter Typ 2 aus [6]

177

Cauer-Filter
Hier wird als Hilfsfunktion gew
ahlt
|K( )| = Jn ( ),
die sog. Jakobische Funktion J vom Grade n. Cauer-Filter stellen einen Kompromiss
zwischen Tschebyscheff 1 und 2 dar, haben einen Ripple im Sperr- und Durchlass-Bereich
und haben eine vergleichsweise steile Flanke (Abb. 5.33)

Abbildung 5.33.: Cauer-Filter aus [6]

5.6.3. Beispiel nach [6]


Ein Filter mit folgenden Parametern ist zu entwerfen:
Abtastfrequenz fT = 8 kHz
Durchlassbereich fD = 1 kHz
Ripple D =0.1 (10%)
Sperrbereich fS =1.2 kHz
Ripple S = 0.1 (10%)

D = 2 fD /fT = 0.25

178

S = 2 fS /fT = 0.3
Vorverzerrung der Eckfrequenzen:
D = tan(D /2) = 0.4142
S = tan(S /2) = 0.5095
Normierung:

D
=1

S = S /D = 1.23
Ordnung des Filters (Butterworth):

2 0.1 0.12
1 =
= 0.484
1 0.1

1 0.12
= 9.949
2 =
0.1
log (9.949/0.484)
= 14.6
n
log 1.23
n = 15
Frequenzgang:
C = 1 = 0.484
H(s ) H(s ) =

1
1+

C2

s15

(s )15

Auswahl der Polstellen mit negativem Realteil siehe nachfolgendes Matlab-Programm.


Vorher wird noch denormiert:
s = s D
H(s) H(s) =
Programm:

215
D
215 + C 2 s15 (s)15
D

179

close all
clear all
od=0.4142
C=0.4843
n=15
b=zeros(1,2*n+2)
a=zeros(1,2*n+2)
b(2*n+2)=od^(2*n)
a(1)=C*C
a(2*n+2)=od^(2*n)
Hs=tf(b,a)
%Pole
c=pole(Hs)
%stabile Pole
j=0
for i=1:2*n+1
if real(c(i))<0
j=j+1
c1(j)=c(i)
end
end
%inverse bilineare Transformation z=1+s/(1-s)
for i=1:15
z1(i)=(1+c1(i))/(1-c1(i))
end
%Butterworth: n-fache Nullstelle bei z=-1
zz1=ones(1,15)*(-1)
[numz,denz]=zp2tf(zz1,z1,1)
%normieren auf H(z=1)=1
v=0
for i=1:n+1
v=v+denz(i)
end
numz=numz*v/2^15;
figure(1)
plot(real(z1),imag(z1),+)
hold on
axis([-1 1 -1 1])
%Einheitskreis zeichnen
for i=1:360
x(i)=cos(i/180*pi)
y(i)=sin(i/180*pi)
end
plot(x,y,r)

180

%kontinuierlicher Frequenzgang H(s)


d1=[];
[Z,P]=zp2tf(d1,c1,1)
% Normieren auf H(s=0)=1
k=Z(16)/P(16)
Z=Z/k
figure(2)
freqs(Z,P)
figure(3)
%diskreter Frequenzgang
freqz(numz,denz,100)
Aus den stabilen Polen si berechnet man durch inverse bilineare Transformation
zi =

1 + si
1 si

die Pole von H(z). Die Nullstellen sind 15fach bei z=-1.
Pole und Nullstellen entsprechen der Abb. 5.30 (im oben abgedruckten Programm: figure(1)), ebenso der Frequenzgang des kontinuierlichen Filters H(j) (figure(2)).

181

A. Herleitung der DFT


Mit Abbildungen von [1]
Abtast-Kamm
+
X

m=

(t m T )

1/T

Abbildung A.1.: Kamm-Funktion zur Abtastung im Zeitbereich

Ein kontinuierliches Signal x(t) wird zwecks Berechnung des Spektrums mit diesem DiracKamm abgetastet.
Das Signal x(t) als Zeitsignal und Spektrum:

Abbildung A.2.: Kontinuierliches Signal und sein Spektrum

182

Man erh
alt als abgetastetes Signal

-1/T
T

-1/(2T)

1/T
1/(2T)

Abbildung A.3.: Abgetastetes Signal und sein Spektrum

Das Signalspektrum wird durch die Abtastung wiederholt mitT .Die Spektren ber
uhren
bzw. u
berlappen sich u.U. bei 1/(2T ), d.h. Alias entsteht
x (t) = x(t)

+
X

m=

(t mT )

. Das abgetastete Signal x (t) wird jetzt zeitbegrenzt auf 0 t < T . Dazu wird eine
Fensterfunktion fR (t) definiert:

T
1 T
2 < t < T0 2
fR (t) =
0
sonst
Das Betragsspektrum ist eine si-Funktion der Breite 1/T .

Abbildung A.4.: Fensterfunktion und ihr Spektrum

Die Zeitbegrenzung von x (t) entspricht einer Multiplikation im Zeitbereich mit fR (t),
d.h. eine Faltung mit der si-Funktion im Frequenzbereich:

183

Abbildung A.5.: Abgetastetes und zeitbegrenztes Signal xbegr (t)und das Spektrum;
dieses ergibt sich durch eine Faltung der si-Funktion mit dem Spektrum X (f )
(f ) des zeitbegrenzten und abgetasteten
Man erh
alt ein kontinuierliches Spektrum Xbegr

Signals x begr(t). Von diesem Spektrum werden bei der DFT an aquidistanten St
utzstellen (f = 1/T)
P die Werte berechnet. Dies entspricht einer Abtastung des Spektrums
(f ) mit
Xbegr
(f kf ).

Abbildung A.6.: Spektraler Abtastkamm (rechts) und das dazugehorige Zeitsignals


(links). An den spektralen St
utzstellen wird das Spektrum abgetastet,
d.h. berechnet
Die Multiplikation im Frequenzbereich entspricht einer Faltung im Zeitbereich mit einem Dirac-Kamm, d.h. das auf T zeitbegrenzte und mit T abgetastete Signal wird
periodisch mit T wiederholt.

Abbildung A.7.: Spektrum des abgetasteten und zeitbegrenzten Signals an den St


utzstellen. Dies entspricht (links) einer Zeitfunktion, die eine periodische
Wiederholung von xbegr darstellt.

184

Literaturverzeichnis
[1] Brigham, E.: FFT Schnelle Fourier-Transformation. M
unchen : Oldenbourg, 1987
[2] Connor, F.: Rauschen - Zufallssignale, Rauschmessung, Systemvergleich. Braunschweig : Vieweg, 1987
[3] Enden, N. V. d.: Digitale Signalverarbeitung. Braunschweig : Vieweg, 1990
[4] G
otz, H.: Einf
uhrung in die Digitale Signalverarbeitung. Leipzig : Teubner, 1998
[5] Hamming, R.A.: Digitale Filter. Weinheim : VCH, 1987
[6] K. Kammeyer, K. K.: Digitale Signalverarbeitung - Filterung und Spektralanalyse

mit MATLAB-Ubungen.
Stuttgart : Teubner, 1998
[7] L
uke, H.D.: Signal
ubertragung. Berlin, Heidelberg, New York : Springer, 1979
[8] Scheithauer, R.: Signale und Systeme. Stuttgart : Teubner, 1998
[9] Semendjajew, Bronstein: Taschenbuch der Mathematik. Thun, Frankfurt : Harri
Deutsch, 1981
[10] Shannon, C.E.: Communication in the presence of noise. Proc IRE Vol 37 S. 10-21,
1949
[11] Stearns, S.D.: Digitale Verarbeitung analoger Signale. M
unchen, Wien : Oldenbourg, 1988
[12] Thom
a, R.: Fensterfunktionen in der DFT-Spektralanalyse. Uttenreuth : MEDAV,
Reihe Elektronische Messtechnik, 1995
[13] Vaughan, R.: The Theory of Bandpass Sampling. IEEE Transactions on Signal
Processing vol.9 No.9, 1991

185