Beruflich Dokumente
Kultur Dokumente
Die
Fourier-Transformation
'in der
Signalverarbeitung
Kontinuierliche und diskrete Verfahren
der Praxis
Mit 87 Abbildungen
stellung ist weitgehend lückenlos und leicht zugänglich. Vorkenntnisse in der System-
theorie sind für das Verständnis nicht erforderlich.
Das zweite Kapitel zeigt, wie man mit Hilfe der Fourier-Transformation die Spektren
von Signalen verschiedener Klassen definieren kann. Bei der Betrachtung von Signalen
endlicher Energie werden die wesentlichen Eigenschaften des Fourier-Integrals dar-
gestellt. Dann wird eine leicht zugängliche Einführung in die Theorie der Fourier-
Transformation von Distributionen gegeben, die bei der mathematischen Beschreibung
von Signalen und Systemen eine wichtige Rolle spielen. Die periodischen und die sto-
chastischen Signale werden gemeinsam als Signale endlicher Leistung behandelt. Im
Zusammenhang mit den periodischen Signalen ergeben sich einführende Darstellungen
der Fourier-Reihe und der harmonischen Analyse. Die spektrale Leistungsdichte sto-
chastischer Signale wird zunächst analog zu den periodischen Signalen definiert. Dann
wird durch systemtheoretische Betrachtungen gezeigt, daß diese Definition physika-
lisch sinnvoll ist. Die Behandlung der diskontinuierlichen Signale leitet über in den
Problemkreis der digitalen Signalverarbeitung. Vergleichende Betrachtungen über
analoge und digitale Systeme und über die Zusammenhänge zwischen Fourier-Trans-
formation und DFT schließen das Kapitel ab.
Die diskrete Fourier-Transformation und ihre Eigenschaften bilden den Inhalt des
dritten Kapitels. Für die gesamte Darstellung ist eine einheitliche und übersichtliche
Matrizenform gewählt worden. Der Doppelcharakter der DFT tritt deutlich hervor:
Auf der einen Seite zeigt sie sich als völlig eigenständige unitäre Transformation mit
in sich geschlossenen Abbildungsgesetzen, auf der anderen Seite besteht eine enge
Verwandtschaft zur Fourier-Transformation, die sich in zahlreichen Analogien mani-
festiert. Beide Aspekte haben ihre tiefe Bedeutung in der Signalverarbeitung. Die ge-
wählte Darstellung ist insofern kompatibel, als die Transformationskonstante der DFT
jederzeit als Abtastintervall interpretiert werden kann.
Die für die Signalverarbeitung so wichtigen Operationen der diskreten Faltung und
Korrelation werden im fünften Kapitel behandelt. Die auch hier verwendete Matrizen-
form erlaubt übersichtliche Darstellungen der Segmentierungsmethoden bei langen
Signalfolgen. Aufwandungsvergleiche und Abschätzungen günstiger Segmentlängen für
die blockweise vorgenommene Verarbeitung werden angegeben.
Herrn Kival Chaves Weber verdanke ich wesentliche Unterstützung bei der Abfas-
sung des siebenten Kapitels. Insbesondere basieren die dort behandelten Beispiele
auf Ergebnissen, die er im Rahmen seiner Masterarbeit erzielt hat. Mein herz-
licher Dank gilt auch Frau Rita Frizlen i n Erlangen, die das Problem der Rein-
schrift des Manuskriptes in vorbildlicher Weise gelöst hat. Besonderer Dank ge-
bührt schließlich dem Springer-Verlag für die gute Ausführung und die verständ-
nisvolle Zusammenarbeit.
Sachverzeichnis. • • • • • • . • • • • • • • • • • • • • •• 18'1
1 Einleitung
Um einen Einblick in die Zusammenhänge zu gewinnen, gehen wir von einer verein-
fachenden Modellvorstellung aus. Der Sendeimpuls sei ein trägerfrequenter Recht-
eckimpuls der Form
für O~t~e
(1.1-1)
sonst.
Die Wahl der Trägerfrequenz f und der Impulsdauer e hängt von den speziellen Ge-
O
gebenheiten desBeobachtungsobjektes und von der dem Experiment zugrundeliegen-
den Fragestellung ab. Typische Werte sind f
O
= 500 MHz und e = 500 IJ.S.
2 Einleitung
Ist R die kürzeste Entfernung zwischen dem Radioteleskop und beispielsweise ei-
nem Planeten, so wird das Echo des Impulses nach einer Laufzeit T = 2R/c regi-
5
striert werden. Aus der Vakuumlichtgeschwindigkeit (c'" 3· 10 km/s) und der
Messung von T läßt sich dann die Entfernung R sehr genau ermitteln. Der Meß-
zeitpunkt wird durch das Eintreffen der Vorderflanke des Echoimpulses bestimmt.
Diese muß durch Reflexion am vordersten Teil des Planeten entstanden sein. Da
auch die weiter entfernt liegenden Teile der von der Erde aus sichtbaren Planeten-
oberfläche zum Echoimpuls beitragen, ist seine Dauer gegenüber der Dauer des
Sendeimpulses um 2r/c länger , wenn r der Planetenradius ist [1.4J .
5
Der als Beispiel angeführte Sendeimpuls enthält ef = 2,5· 10 Perioden der Träger-
O
schwingung. Die zu 1/e proportionale Breite der Spektrallinie ist somit sehr klein
in Bezug auf die Trägerfrequenz. Die Spektrallinie des Echoimpulses ist infolge des
D 0 pp I er - E f f e k t es im allgemeinen gegenüber f verschoben und darüber hinaus
O
auch verbreitert. Hieraus lassen sich Informationen über die Translation, die Rota-
tion und die Oberflächenstruktur des beobachteten Planeten gewinnen, wenn man das
Signal im Frequenzbereich betrachtet, dv h, eine Spektralanalyse vornimmt.
Betrachten wir zunächst die reine Translation. Die Geschwindigkeitskomponente des
Planeten auf die Erde sei zu v Die Trägerfrequenz des Echoimpulses ist dann un-
r•
ter Vernachlässigung relativistischer Effekte durch
(1. 1-2)
Wenn nun der Planet mit der Winkelgeschwindigkeit Q um eine Achse rotiert, die
wir der einfacheren Darstellung wegen als senkrecht zur Verbindungslinie Planet -
Erde annehmen wollen, so sind die Relativgeschwindigkeiten zwischen dem Radio-
teleskop und den einzelnen Oberflächenelementen des Planeten, die alle zum Echo-
impuls beitragen, im allgemeinen verschieden. Daraus resultieren Frequenzver-
schiebungen, die maximal ± 2 fOrQ/c betragen (Bild 1. 1). Das Signalspektrum wird
daher ins ge s a m t um den Betrag
Ein besonders eindrucksvoller Erfolg der modernen Signalverarbeitung ist die Ab-
bildung der Oberflächenstrukturen von Planeten. Von allen Planeten unseres Sonnen-
systems ist die Venus von der Erde aus unter dem größten Öffnungswinkel, der bei
einer mittleren Konjunktion etwa eine Bogenmitte beträgt , zu sehen. Das bedeutet,
daß die Venus und natürlich auch alle anderen Planeten völlig innerhalb des Strahlen-
kegels auch der größten vollsteuerbaren Radioteleskope liegt [1. 7J.
v, =- rQ
Rototionsochse
Linien gleicher Entfernung
\6 linien gleicher
Dopplerverschiebung
und läßt infolgedessen Rückschlüsse auf diese Struktur zu. Zur Lokalisierung der
Teilechos unterteilt man den Echoimpuls zunächst in einzelne Abschnitte von der
Dauer des Sendeimpulses, denn diese bestimmt ohnhin die Entfernungsauflösung und
damit die Breite der Entfernungsringe. Dann führt man für jeden dieser Abschnitte
eine Spektralanalyse mit Hilfe der schnellen Fourier-Transformation
(vgl , Kapitel 4) auf einem Digitalrechner durch. Zur Illustration ist in Bild 1. 3 eine
solche Zeit-Frequenz-Analyse (mit relativ grober AUflösung) von einem Radarecho
des Mondes gezeigt [1. 8J. Aufgetragen sind hier die Werte der Signalintensität in
Bezug auf die Frequenz (Abszisse) und die Zeit (Ordinate). Dabei wurde der ge-
samte Echoimpuls in 25 Abschnitte von jeweils 500 IJ.s Dauer unterteilt und für je-
den dieser Abschnitte eine Spektralanalyse durchgeführt. Die im Bild dargestell-
ten Spektren werden von oben nach unten, d vh, mit zunehmender Verzögerungszeit
immer breiter, weil die zugehörigen Entfernungsringe in die Bereiche größerer
Dopplerverschiebungen hineinwachsen.
Eine entsprechende kartographische Projektion der Intensitäten liefert dann (bei ge-
nügend feiner AUflösung) ein Bild der Planetenoberfläche. Die bei Mondaufnahmen
erreichte Genauigkeit - i n Bild 1. 4 is t ein solches Radarbild mit einer Auflösung von
2
1 km gezeigt - gibt die Gewähr, daß auch Planetenaufnahmen wie die in Bild 1. 5
dargestellte Venusoberfläche den tatsächlichen Strukturen entsprechen. Erwähnt
werden sollte noch, daß die Doppeldeutigkeit der Lokalisierung von Zeit-Frequenz-
Intervallen (im Bild 1. 2 die Punkte P und P ") durch s pez i ell e Techniken eliminiert
werden kann. I m Falle des Mondes reicht die Strahlenbündelung der Radioteleskope
aus, um jeweils nur eine der beiden Mondhalbkugeln zu beobachten. Im Falle der
Planeten kann man Interferometer-Methoden [1. 9, 1.10J verwenden, auf die hier
nicht näher eingegangen werden soll.
Bild 1.4. Radarbild vom Mond nach [1. 9J, ermittelt durch Kurzzeitspektralanalyse
des Echosignals
6 Einleitung
Bild 1.5. Radarbild der Venus nach [1. lOJ , ermittelt durch Kurzzeitspektralanalyse
des Echosignals
Das in diesem einleitenden Abschnitt behandelte Beispiel zeigt nur eine der vielen
interessanten Anwendungsmöglichkeiten, die die Fourier-Transformation in der
Signalverarbeitung bietet. Der Sachverhalt mußte hier natürlich stark vereinfacht
dargestellt werden. Die genannten Begriffe und Methoden der Signalverarbeitung be-
werden in den folgenden Kapiteln noch genauer erläutert werden.
Wir können Signale übertragen oder speichern und auf verschiedene Weisen verarbei-
ten, bevor wir sie schließlich auf ihren Informationsgehalt hin auswerten. Be i diesen
Operationen ist es vorteilhaft oder sogar notwendig, ein gegebenes Signal in einer an-
deren Form darzustellen , beispielsweise durch Entwicklung nach einem vollständigen
Orthogonalsystem bzw . durch eine Orthogonaltransformation. Die Information is t
dann i n den Koeffizienten der Entwicklung bzw . i n der Bil dfunktion e nt ha lte n und zei gt
sich möglicherweise dam it in einer Form, die di e Verarbeitung und Auswertung we-
sentlich vereinfachen kann .
Unt e r den vielen Orthogonalsystemen, die s c ho n zur Signal da r s tell ung v erwende t wor-
den s ind, ist da s der Sinus- und Cosinus -Funktionen be s onde rs ausgezeichnet . Das
hat eine Reihe von Gründen. Zunächst ermöglicht eine Si gnal darst ellung mittels die-
s e r Funktionen eine Abbildung des Si gnals auf den Fr e q u e n z b er e ich, dem e i ne
unmittelbare physikalis che Bedeutung zukommt - m an denke bei spielsweise an di e
Beschreibung des Doppl ereffektes - und der dem Naturwissenschaftler und In geni eur
entsprechend vertraut ist. Sodann besitzen die Sinus- und Cosinus -Funktionen di e be-
sonders wichtige Eigenschaft, daß s i e Eigenfunkt ionen linearer zeitin-
va r i an te r S y s t em e sind. Für die Signal verarbeitung ist weiterhin sehr wesent-
lich, daß die Signalabbildung a uf den Frequenzbereich digital m it Hilfe der besonders
effektiven Algorithmen der sc h ne 11 e n F 0 u r i er - T r ans f 0 r m a t ion (vgl. Ka-
pitel 4) problemlos und sehr schnell vorgenommen werden kann. Dadurch wiederum
ist es m öglich, die so häufig auftretenden signalverknüpfen Operationen der Fa I -
tun g und der Kor r e la t ion unter erheblichem Zeitgewinn i m Frequenzbereich
als Multiplikationen auszuführen.
Wir gehen hier noch etwas ausf ühr-licher' auf den systemtheoretischen Aspekt ein .
Dazu betrachten wir ein lineares zeitinvariantes S ystem mit einem Ein-
gang und einem Ausgang, be ispielswei s e ein selektives Filte r (Bild 1. 6 ). Das System
8 Einleitung
lineares
u(ljO----i zeitinvariantes 1----<> y ( I )
System Bild 1.6. Lineares zeitinvariantes
System
wobei der Operator S die Einwirkung des Systems auf das Eingangssignal uf t ) sym-
bolisieren soll. Wenn wir speziell als Eingangssignal eine Sinus-Funktion der Fre-
quenz f wählen, die bereits seit unendlich langer Zeit auf das System einwirken
möge,
so zeigt die Erfahrung, daß das Ausgangssignal eine Sinus-Funktion der gleichen
Frequenz sein muß,
die sich in der Amplitude a und der Phasenverschiebung CI' im allgemeinen vom Ein-
gangssignal unterscheidet. Bei einem selektiven Filter gilt a'" 1, wenn die Frequenz
f im Durchlaßbereich liegt, und a « 1, wenn s ie im Sperrbereich liegt. Die zuge-
hörige Operatorgleichung ist
Die vorausgesetzte Zeitinvarianz des Systems bewirkt, daß bei einer zeitlichen Ver-
schiebung des Eingangssignals um eine beliebige Zeit t das Ausgangssignal um die
o
gleiche Zeit 'o verschoben wird :
(1.2-5)
Hieraus folgt, daß sich die Cosinus -Funktion genauso verhalten muß wie die Sinus-
Funktion. Wir brauchen dazu nur 2 TTft =- TT/2 zu setzen:
O
Die vorausgesetzte Linearität des Systems entspricht der Gültigkeit des Superposi-
tionsprinzips : Das System antwortet auf eine beliebige Linearkorn bination von belie-
1. 2 Bedeutung der Signal darstellung im Frequenzbereich 9
j2TTft
e = cos 2TTft + j sin 2TTft (1.2-7)
(j =v::t', Einheit der imaginären Zahlen) zu studieren, denn diese ist für die Dar-
stellung von Signalen im Frequenzbereich von fundamentaler Bedeutung. Die ent-
sprechende Linearkombination von (1.2-4) und (1.2-6) ergibt
(1.2-9)
zusammen, so gilt
(1.2-10)
Gehen wir nun zu einem Kontinuum von Eigenfunktionen über, wo die Frequenzen
sich über die gesamte reelle Zahlenachse erstrecken, so wird die Linearkombina-
tion durch ein Integral beschrieben, und das Systemverhalten ist durch
(1. 2-12)
co
u( t ) f U(f) e
j2TTft
df (1.2-13)
-=
10 Einleitung
f
co
j2nftdt.
u(t}e- (1.2-14)
-oo
f
co
y(t} H(f)U(f}ej2nftdf, (1.2-15)
-00
f
co
y(t}e-j2nftdt. (1.2-16)
-oo
Es gilt also
Wir bezeichnen H (f) als U be r t rag u n g s fun k t ion des linearen zeitinvarianten
Systems. Sie entspricht der Gesamtheit aller möglichen Eigenwerte, und ihre Kennt-
nis genügt, um die Beziehung zwischen Eingangs - und Ausgangssignal im Frequenz-
bereich vollständig zu beschreiben.
1.3 Literatur
Der Schlüssel zur Beschreibung von Signalen im Frequenzbereich ist die F 0 u r i er-
T r ans f 0 r m at ion. Grundlegende physikalische und mathematische Unterschiede
in den hier i nt e r e s s ie r e nde n Signalklassen erfordern zunächst eine individuelle Be-
trachtung. So lassen sich beispielsweise Signale endlicher Energie spektral durch
das Fourier-Integral und periodische Signale durch die Fourier-Reihe beschreiben.
Durch die Einbeziehung von Signalen, die als Distributionen darstellbar sind , kann
dann der Begriff der Fourier-Transformation verallgemeinert und vereinheitlicht
werden. Das hat u, a, den Vorteil , daß die Spektren von Signalen verschiedener
Klassen mathematisch miteinander verknüpft werden können. Außerdem läßt sich
die Fourier-Transformation dann auch einheitlich symbolisieren: Wir verwenden
im folgenden zur Kennzeichnung der Fourier-Transformation sowohl das Symbol
o--e als auch den Operator F . Für die inverse Fourier-Transformation gelten die
1.
entsprechenden Symbole - - . 0 und F- Die Aussage uf t ) 0---4 U(f) bzw. U(f) =
F!u(t)! bedeutet : uf t ) und U(f) sind umkehrbar eindeutig durch die Fou-
rier-Transformation miteinander verknüpft. Die Beziehungen utr) --.0 ut t ) und
u(t) = F- 1 lutr) I folgen dann automatisch.
=
f Iu ( t ) 1
2
dt < 'X. (2 .1-1)
-=
2,
Mathematisch gleichbedeutend damit ist die Aussage : uf t ) E L d.h. ul t ) gehört
den Raum L2 der quadratisch integrierbaren Funktionen an. Physikalisch interpre-
tiert, besagt (2 .1-1), daß wir hier nur Signale endlicher Energie betrachten. Nicht
notwendig verknüpft mit dieser Voraussetzung aber aus physikalischen Gründen sinn-
2.1 Signale endlicher Energie 13
voll ist eine weitere Forderung, die wir zusätzlich für Signale dieser Klassen erheben
wollen : die beschränkte Variation aller Signalfunktionen u(t), die (2.1-1)
erfüllen. Das bedeutet, daß die Kurve, die uf t ) beschreibt, in endlichen Zeitinter-
vallen nur eine endliche Bogenlänge haben soll. Die in diesem Abschnitt zugelasse-
nen Signale müssen also beispielsweise zu allen Zeitpunkten eine endliche Amplitude
haben und dürfen auch nur mit endlicher Frequenz oszillieren. Diese Einschränkung
ist für praktische Probleme unbedeutend, erleichtert aber wesentlich die mathema-
tische Behandlung.
co
Das Kriterium (2.1-2) ist für die Signaltheorie etwas problematisch, weil es ein
mathematisches Kriterium und kein physikalisches ist. Die Frage nach seiner Gül-
tigkeit läßt sich somit nicht unmittelbar aus physikalischen Uberlegungen heraus be-
antworten, wie das etwa bei dem Energiekriterium (2.1-1) der Fall ist. Erschwe-
1 2
rend kommt hinzu, daß von den beiden Räumen L und L keiner den anderen voll-
ständig urnfaßt ; es gibt also quadratisch integrable Funktionen, die nicht absolut in-
tegrierbar sind, und absolut integrable, die nicht quadratisch integrierbar sind.
In der Regel kann man davon ausgehen, daß die bei praktischen Anwendungen vor-
kommenden Signale endlicher Energie auch absolut integrierbar sind. Bei grund-
legenden system theoretischen Betrachtungen spielen jedoch nicht absolut integrable
Signale endlicher Energie eine nicht unwesentliche Rolle.
1
Wenn uf t ) E L ist, konvergiert das Fourier-Integral
co
u(f) S u(t)e-
j2TIftdt
(2.1-3)
-=
14 2. Signale und Spektren
für alle reellen Werte von f. Mit utr) existiert dann eine Signal darstellung im Fre-
quenzbereich, die wir das (komplexe) Amplitudenspektrum des Signals nen-
nen. Die Umkehrung
I
0::>
ist eindeutig für alle Werte von t , an denen uf t ) stetig ist. Wenn uf t ) nicht über-
all stetig ist, muß man (2.1-4) durch die allgemeinere Umkehrformel
a
lim
a .... O::>
f
-a
U(f)e j2Tlft df 1 ( u(t
='2 + 0) + uf t - 0) ) (2.1-5)
ersetzen. Das Integral hierin unterscheidet sich von dem in (2.1-4) durch die Art
des Grenzüberganges : Während man (2.1-4) entsprechend der allgemeinen Defini-
tion der uneigentlichen Integrale als Grenzwert eines Integrals mit der unteren
Grenze -a und der oberen Grenze +b erklärt, wo a und b unabhängig voneinander
gegen unendlich streben, sind in (2.1-5) obere und untere Grenze miteinander ge-
koppelt. Man nennt das letztere den Cauchyschen Hauptwert von dem un-
eigentlichen Integral in (2.1-4). Der Cauchysche Hauptwert kann existieren, auch
wenn (2.1-4) nicht konvergiert.
Als Beispiel betrachten wir einen Schaltvorgang endlicher Dauer bzw. einen Recht-
eckimpuls (Bild 2.1) :
für - T <T
{~
~t
u( t ) (2.1-6)
sonst.
o
.t 2T
3
"1
lim f
a
U(f)e
j2TTft
df =
11 für It I < T
1/2 für [t I =T (2.1-8)
a->= -a 0 für It I >T
eine Zeitfunktion, die sich in den Zeitpunkten ±T von dem ursprünglich gegebenen
Signal ut t ) unterscheidet. Man muß also beachten, wenn man das Signal in den
Schaltzeitpunkten durch den Wert 1 bzw. 0 definiert, daß die inverse Fourier-
Transformation des zugehörigen Spektrums in diesen punkten auf das arithmetische
Mittel 1/2 führt. Die tiefere Ursache eines solchen Verhaltens bei der inversen
1
Fourier-Transformation liegt darin, daß eine nichtstetige Signalfunktion uf t ) E L
eine Fourier-Transformierte hat, die ihrerseits nicht absolut integrabel ist. Die
Fourier-Transformation führt also hier aus dem Ll_R au m hinaus. Die Folge davon
ist, daß die Umkehrformel (2.1 -5) anstelle von (2 .1-4) verwendet werden muß
1 1
(vgl , Abschnitt 2.1. 2). Für u( t ) E L und utr) E L sind dagegen (2.1-3) und
(2.1-4) umkehrbar eindeutig.
Maßstabsänderung
Zeitliche Verschiebung
(2.1-11 )
Frequenzverschiebung
(2.1-12)
Differentiation i m Zeitbereich
1
Wenn u( t ) n-rnal differenzierbar ist und u (ri) (t ) E L , so gilt
(2.1-13)
Differentiation im Freguenzbereich
Wenn t \lu(t) EL 1 für v=0,1, ••• , n ist, so existiert U(n)(f), und es gilt
(2.1-15)
f
00
j2nftdt
F[u(t)] u(t)e- = urr) (2.1-16)
_00
2.1 Signale endlicher Energie 17
f
CD
j2TTftdf.
U(f)e- (2.1-17)
-CD
Durch Bilden der inversen Fourier-Transformation von u( -t) kann man leicht zeigen,
2
daß der Operator F das Signal uf t ) lediglich zeitlich invertiert:
2
F [u(t)] = u(- t). (2.1-18)
4
Hieraus folgt, daß der Operator F der Einheitsoperator ist:
4
F [u(t)] =uf t}, (2.1-19)
3
Infolgedessen muß der Operator F der inversen Fourier-Transformation entspre-
chen :
*
F 3 =F -1 =F, (2.1-20)
1
wobei noch hinzugefügt wird, daß der Operator F- offensichtlich auch dem konju-
giert-komplexen Operator F* entspricht. Mit dieser Schreibweise läßt sich die Ab-
bildung der zeitlichen Spiegelung eines reellen Signals uf t ) 0---. U(f) auf den
Frequenzbereich sehr einfach darstellen:
Operatoren mit der Eigenschaft (2.1-19) nennt man "zyklisch vom vierten Grade".
Sie besitzen nur die vier Eigenwerte ±1 und ±j (vgl , Abschnitt 2.1.3). Die gleiche
Eigenschaft hat auch der Operator der diskreten Fourier-Transformation (vgl , Ka-
pitel 3).
Faltung
f
CD
u (t )
1
* u 2(t) = u (T)U ( t - T)dT = y(t)
1 2
(2.1-22)
_00
definiert. Für die Existenz der Faltung ist hinreichend, daß eines der bei den Signale
endliche Energie besitzt, während das andere nur beschränkt sein muß. Die Faltung
18 2. Signale und Spektren
wird wie ein Produkt geschrieben, weil sie sich wie ein solches verhält: Sie ist
kommutativ,
(2.1-23)
1
und für u u 2' u E Lauch ass 0 z i a ti v :
1' 3
(2.1-24)
(2.1-25)
Korrelation
f
co
Cll
12(t)
u
1(T)u2(t
+ T)dT = u *u t}, (2.1-26)
1(t) 2(-
_CC'
=
Cll
2 1(t)
f u
1(t+T)u2(T)d
T=u
1(
-t)*u
2(t).
(2.1-27)
_ CC'
<P
12
(f) = F[ CP12(t)] = F[u (t) * u t)]
1 2(-
2 3
= F[u *F [u = F[u [u
1(t) 2(t)]] 1(t)]F 2(t)]
= V 1(f)V;(f), (2.1-28)
(2.1-29)
2. 1 Signale endlicher Energie 19
Die Au t 0 kor r el at ion s fu n k t ion eines reellen Signals endlicher Energie ist
definiert durch
co
CPl1(t) f u
1(T)u1(t+
T)dT =u
1(t)*u1(-t).
(2.1 -30)
-co
Mit "i a---. U1 ergibt sich die Abbildung auf den Frequenzbereich zu
(2.1-31)
Multiplikation
Das Produkt zweier Signale "i a---. U und "z a---. U wird durch die Fourier-
1 2
Transformation auf die Faltung der zugehörigen Spektren U und U abgebildet:
1 2
co
u
1(t)u2(t)
a---. U
1(f)
*U
2(f)
= f U
1(cr)U2(f-
cr)dcr. (2.1-32)
-co
Parsevaische Gleichung
co co
f
_co
u (t)u
1 2(t)dt
= f U
1(f)U2(-f)df.
(2.1-33)
-co
co co
f u 1 (t)u;(t)dt = f U 1 (f)U;(f)df. (2.1-34)
-co -co
co co
f lu(t)!2 dt= f IU(f)1
2df.
(2.1-35)
-co -co
Die Signal energie ergibt sich also auch durch Integration über das Absolutquadrat
2
des Amplitudenspektrums. Wir nennen diese Größe 4>11 = IU(f) 1 deshalb die
spektrale Energiedichte des Signals. Aus (2.1-31) folgt, daß die spektrale
20 2. Signale und Spektren
Symmetrien
Wir betrachten zunächst eine re e 11 e Signalfunktion u {t} und zerlegen sie mit
uf t ) = ug (t ) + U
u
(t ) {2.1-36}
{2.1-37}
{2.1-38}
Man kann leicht zeigen, daß Vr{f} die Fourier-Transformierte des geraden Signal-
anteils
(2.1-40)
u (t ) ~ j V . (r) {2.1-41}
u 1
ist. Außerdem ergibt sich, daß Vr{f} eine gerade Funktion und Vi{f} eine unge-
rade Funktion sein muß.
u( t ) u {t ) + U ( t ) + j u . {t ) + j u . {t }
gr ur gl Ul
r I
utr) V
~
(f)+V (f)+jV.(f) +jV .(f)
{2.1-42}
gr ur gl Ul
2 .1 Signale endlicher Energie 21
Wir betrachten zunächst das Beispiel aus Abschnitt 2. 1. 1 etwas genauer. Dazu führen
wir die Sprungfunktion
für t ~ 0
(2.1-43)
für t <0
ein. Diese ermöglicht es, den durch (2.1-6) definierten Rechteckimpuls in der Form
für Ifl ~ a
Q (r) = { 1 (2.1-45)
a 0 sonst
(sin 2nat)/(nt) =
=
f Qa (f)ej2nftdf (2.1-46)
-=
entspricht. Unter Verwendung des Faltungssatzes (2.1-25) ergibt sich dann für die
inverse Fourier-Transformation von utr)
=
f f
a
j2n ft j2nft
lim U(f)e df = lim U(f)Qa (f)e df
a~=
~
a~=
-=
= lim !u(t) * «sin 2nat)/(nt» I
a~=
= sin 2 na( t - T) =
f sin2na(t - T)
1f
= lim dr -
n( t - T) n(t - T)
a~=
-T T
(2.1-48)
(z , B. [2. 3J) ist in Bild 2.3 dargestellt. Für entsprechend große Werte von a ergibt
sich dann etwa der in Bil d 2.4 dargestellte Verlauf von u (t}, Wir stellen fest, daß
a
5j(z)
Uo
.../0(1)
,...
11 \
I ~
':"2:n:o1 0 2:n:01- 2:n:ot
eine Vergrößerung von a nur den Maßstab der Zeitachse beeinflußt. Mit wachsen-
dem a rücken die Schwingungen von u (t ) immer näher an die Stellen t =- T bzw,
a
t = T heran. Die gegenseitige Beeinflussung der bei den Integralsinusfunktionen wird
immer geringer, so daß für sehr große a das Verhalten von u (t) bei t = - T prak-
a
tisch nur durch die erste Integralsinusfunktion in (2. 1-47) und bei t = T durch die
zweite bestimmt wird. Die Höhen der größten Uber- und Unterschwinger (Betrag
etwa 9 ~ der Rechteckhöhe) verändern sich dann bei wachsendem a kaum noch, und
wir erhalten in der Grenze a -+ = die in Bild 2.5 gezeigte Signalfunktion , bei der alle
Oszillationen in die Punkte t = - T bzw. t = T hineingewandert sind. Diese Erschei-
nung, die in ähnlicher Form allgemein bei der Rücktransformation aus dem Frequenz-
bereich an allen SprungsteIlen der Signalfunktion auftritt, ist als Gib b s s c h e s
P hä no me n bekannt.
2.1 Signale endlicher Energie 23
Die Funktion lim u (t) und die ursprüngliche Signalfunktion u{t), die in Bild 2.1
a
a"' =
dargestellt ist, unterscheiden sich in den Zeitpunkten t = ±T. Sie haben aber die
2
gleiche Fourier-Transform ierte utr) E L , die durch (2 .1-7) gegeben ist. Die Ein-
deutigkeit der Rücktransformation von urr) in den Zeitbereich ist also nicht gege-
ben, solange wir an der Forderung der punktweisen Ubereinstimmung festhalten.
Fordern wir jedoch statt dessen nur eine Ubereinstimmung i m qu a d rat i sc h e n
Mit tel, d. h, betrachten wir zwei Funktionen u (t) und u (t) als gleich, wenn
1 2
ihre mittlere quadratische Differenz verschwindet,
I
co
2
Iu
1
(t ) - u (t )
2
1 dt = 0, (2.1-49)
-=
1,0
-1 o
so wirken sich offensichtlich Abweichungen in einzelnen Punkten nicht aus, und wir
können in diesem Sinne die Umkehrtransformation als eindeutig betrachten. Auf
2
dieser gelockerten Forderung basiert die Fourier-Transformation im L -Raurn , die
2 2
von Plancherel entwickelt wurde. Für uf t ) E L und U(f) E L gilt umkehrbar ein-
deutig
a
utr) = l.i.m.
a"' = I
-a
u{t)e-j2nftdt (2.1-50)
a
u( t ) = l.i.m.
a"' = I
-a
u(f) ej2nftdf, (2.1-51)
wobei das Symboll.i.m. bedeutet , daß hier nur die Konvergenz im Mittel gefordert
wird, während in (2.1-3) und (2.1-4) die Konvergenz punktweise gegeben ist. Die
2
Fourier-Transformation im L -Raum verläuft konform mit der im Li-Raum. Die Er-
24 2. Signale und Spektren
gebnisse beider Transformationen stimmen " fa s t überall" überein, dvh , sie unter-
scheiden s ic h gegebenenfalls nur an einzelnen Punkten wie bei dem betrachteten Bei-
spiel. Hinsichtlich weiterer Einzelheiten wird auf [2.4 J verwie sen.
2.1.3 Signal dauer und Bandbreite, schnell abnehmende Signale und Spektren
Aus den Differentiationssätzen (2.1-13) und (2.1-15) kann man den Einfluß der Ge-
stalt von ul t ) auf die von U(f) und umgekehrt ablesen : Wenn u(n) (t) E Li ist, so
existiert die zugehörige Fourier-Transformierte, und es muß gelten
n
dv h, u(f) muß für f ... ±O2 stärker als Ifl- gegen Null streben. Hieraus folgt :
Je öfter uf t ) differenzierbar ist, um so stärker strebt utr) gegen Null für f ... ± co,
Entsprechendes gilt umgekehrt, wenn U(n)(f) E Li ist: Je öfter U(f) differenzier-
bar ist, desto stärker strebt u ( t) gegen Null für t ... ± O2.
q
O J.-..-q------~---7'~..:::>..,;;;;;;;>o".....",=----:-
- q 1----,1-- - - - - -1-""'-''''------- - - -
I---e --~
182
=
f (t - t ,2 dt, (2.1-53)
O)2!u(t)
-=
=
B
2
= f (r - f O)21 utr) 12 df . (2.1-54)
-=
Hierbei ist die Signal energie
= =
f !u(t) 1
2
dt = f IU(f) 1
2
df = 1
-= -=
als normiert vorausgesetzt, und t
o und fO sind die Schwerpunkte der Energie-
dichten im Zeit- bzw , im Frequenzbereich:
=
to = f t lu ( t ) 2 dt , 1 (2.1-55)
-=
=
f O = f flu(f) df .
2
1 (2.1-56)
-=
Es gilt dabei die "Unschärferelation"
eB~1/(4TT). (2.1-57)
Den Beweis führen wir für reelle Signale u( t) und unter den vereinfachenden Annah-
men t
o=0 und f = O. Wir gehen aus von der Schwarzsehen Ungleichung
O
b b b
I f g 1 (t) g2 (t ) dt 1
2
,,;;; f I g1 (t ) 1
2
dt f I g2 «: 2
1 dt, (2.1-58)
-a -a -a
lassen hierin die Integrationsgrenzen a und b gegen = gehen und setzen die Funk-
tionen g1 (t ) = t ut t ) und g2(t) = du/dt ein :
= = =
f t u(t ) ~~ 2
dtj2 ,,;;; f i t u ( t ) 1 dt f (2.1-59)
-= -= -=
26 2. Signale und Spektren
Da Signale endlicher Energie für t ... ±co stärker als l/Vt verschwinden müssen und
die Signalenergie als normiert vorausgesetzt wurde, erhält man durch partielle In-
tegration
co
f ()
-co
dU
tut <rrdt=-2'
1
(2.1-60)
co co
f I ~~ 1
2
dt = f
_ce
!2 TTfU(r) 1
2
df , (2.1-61)
co co
i<4 TT2 f t
2Iu(t)/2
dt f ~IU(f)12df, (2.1-62)
-co
(2.1-63)
und lassen sich mittels der Her mit es ehe n Poly no me H (x) darstellen durch
n
2
H (x)e- x /2
W (x) _ ~n===-
n V
n! 2n 'fiT (2.1-64)
2. 1 Signale endlicher Energie 27
2
H (x) e -x (2.1-65)
n
H
n+
l(x) = 2xH n (x) - 2nH
n-
l(x). (2.1-66)
(2.1-67)
Bild 2.7 zeigt die Funktionen *0 bis *6' Die Hermiteschen Funktionen bilden ein
vollständiges Orthogonalsystem und sind in der durch (2.1-64) definierten Form
normiert:
f
0:::
für n =m
lIr n (x ) *m (x ) dx = <'>nm (2 .6-68)
-= für n '" rn ,
'l'lxl
Wir zeigen nun, daß die Hermiteschen Funktionen Eigenfunktionen der Fou-
r i er - T r ans f 0 r m at ion sind. Zuerst berechnen wir die Fourier-Transformierte
von *0 ' lassen dabei aber einen zunächst noch beliebigen reellen Skalenfaktor a zu .
Es gilt dann
f f
=
co
22
lIro ( at ) e - j2TTft dt = (TT)-1/4 e- a t / 2 - j2 TT ft dt •
-= _0:::
28 2. Signale und Spektren
=
f e -z2 dz ='fiT (2.1-69)
-OO
-= _00
f
00
=V[
2
e -2 (TTf/a}2 e- z dz
_00
Die Fourier-Transformierte von *0 ist also auch eine Glockenfunktion. Die Form
hängt vom Skalierungsfaktor a ab. Lassen wir a wachsen, so wird die Zeitfunktion
schmal und die Frequenzfunktion breit. Umgekehrtes gilt für abnehmendes a, Eine
völlige Symmetrie erreichen wir für a =1{2TT :
f
00
Wir zeigen nun allgemein, daß die entsprechend skalierten Hermiteschen Funktionen
* (1{2TTt) invariant gegen die Fourier-Transformation sind, und setzen zur Verein-
n
fachung der Schreibweise x = 1{2TTt und y = 'V2TIf. Die Fourier-Transformierte von
W (x) = w ('/2Tit) nennen wir co (y) = co ('/2Tif). Bei entsprechender Substitution der
n n n n
Variablen t und f geht dann das Fourier-Integral über in
f
00
1
=-- wn(x}e-iXYdx. (2.1-72)
'/2T1 -OO
Den Beweis für die behauptete Invarianz bringen wir nun durch Induktion, indem wir
für die e (y) eine Rekursionsformel herleiten und das speziell für n
n
=0 bereits be-
wiesene Ergebnis einsetzen. Wir gehen dazu von
f
00
aus, wenden (2.1-65) an und integrieren partiell, wobei der ausintegrierte Anteil
verschwindet:
f
co
Y2 TT(n+1}!2 n+1yn cpn+1(y} =: (_l)n+1 ex2/2-jXY(cfx)n+1e-x2dx
-co
f
co
2
=: (_1}n (x - jy}ex2/2-jXY( cfx) n e-x dx
-co
f
co
=: (x - jy}e-x2/2-jXYHn(X}dx
_co
=: f
co 2
xHn(x}e- X /2-jxy dx - jy Y2TTn!~\fiT cpn(Y)
-co
(2.1-73)
Da nach (2.1-71) cpo(Y} =: 'l1 gilt, erhält man durch Anwendung dieser Rekur-
o(Y}
sionsformel und Vergleich mit (2.1-67) für n v D
(2.1-74)
für n =: 1
(2.1-76)
(2.1'-77)
30 2. Signale und Spektren
2.2 Distributionen
Distributionen oder ver a 11 gern ein e r te Fun k t ion e n werden in vielen tech-
nischen und naturwissenschaftlichen Bereichen sehr gern verwendet, weil sie eine
elegante mathematische Beschreibung bestimmter physikalischer Zusammenhänge
ermöglichen. Die Beliebtheit dieser Distributionen beruht allerdings zu einem nicht
geringen Anteil auf einer widersprüchlichen Doppelbedeutung : Man stellt sie sich
gern als Funktionen im gewöhnlichen Sinne vor, obwohl sie es nicht sind, und schätzt
sie wegen genau derjenigen ihrer mathematischen Eigenschaften, die gewöhnliche
Funktionen nicht besitzen. Betrachten wir beispielsweise die von Dirac eingeführte
o5-Distribution o5(t - t Man sagt, sie sei überall 0 mit Ausnahme der Stelle t=t '
O): o
wo sie co sei, derart, daß
=
f 6(t - t o)dt = 1 (2.2-1)
-=
gelte. Sie habe überdies die Eigenschaft, aus einer stetigen Funktion g(t) den Wert
bei t = t herauszusieben:
o
co
S g(t) o5(t - tO)dt = g(t O)· (2 .2-2 )
-=
Gewöhnliche Funktionen können diese an die s-Distrtbutton gestellten Forderungen
nicht erfüllen, insofern ist auch die Integraldarstellung in diesen Beziehungen nicht
im gewöhnlichen (d. h, im Riemannschen oder Lebesgueschen) Sinn zu erklären.
Die Theorien der Distributionen (z , B. [2.4, 2. 5J) überwinden diese mathematischen
Schwierigkeiten. Einen verhältnismäßig leichten Zugang zu diesen Theorien gewinnt
man, wenn man sich die verallgemeinerten Funktionen als Grenzwerte von Funktio-
nenfolgen vorstellt. Die o5-Distribution läßt sich beispielsweise durch die Funktionen-
folge
(2.2 -3)
2.2 Distributionen 31
definieren (Bild 2.8). Diese Funktionenfolge ist normiert, d.h. das Integral zwi-
schen den Grenzen - = und = liefert für jede Funktion der Folge den Wert 1.
+
6
n= 200
-lO -0,8 -0,6 -0,4 -0,2 o 0,2 0,4 0,6 0,8 1,0
Damit ist (2.2-1) erklärt. Zur Interpretation von (2.2-2) setzen wir vereinfachend
t
o =0 und zeigen, daß die absolute Abweichung
= e- nt 2 g(t)dt _ g(O)
e( n)
~ f
-=
=
m-=f e-nt 2 19(t) - g (O) ldt
für n'" co verschwindet, sofern die erste Ableitung von g (t ) beschränkt ist:
= 2
e(n) ,;;;;max!g·(t)ly*" fe-nt Itldt =_1_ maxlg'(t)l ... o für n'" co , (2.2-4)
vrm
32 2. Signa le und Spektren
Die Darstellung (2.2-3) gibt uns auch die Möglichkeit, der ö- Di s t r i buti o n eine Fou-
rier-Transformierte zuzuweisen. Zunächst hat nach (2.1-70) jede Funktion der Folge
(2.2-3) eine wiederum glockenförmige Fourier-Transformierte:
(2.2-5)
Die beiden Folgen werden durch die Fourier-Transformation stetig aufeinander abge-
bildet. Wir können also hier, wie das bei allen Funktionen aus dem Raum der schnell
abnehmenden Funktionen (vgl , Abschnitt 2.1. 3) erlaubt ist [2. 4J, die Fourier-Trans-
formation mit dem limes-Zeichen vertauschen und erhalten somit für n .... co aus
(2.2-5)
Die durch Vertauschung von t und f in (2.2-5) entstehenden Folgen werden durch
2t2
die Fourier-Transformation ebenfalls stetig aufeinander abgebildet: exp( _n In)
o--e 'rnTTi exp( - m2). Hieraus ergibt sich für n .... = , daß wir der Konstanten 1
die Fourier-Transformierte ö(f) zuordnen können:
(2.2-7)
(2.2-8)
(2.2-9)
{2.2-10}
100
BO
60
40
0,6
-40
-60 200
-100
Ebenso wie die Differentiationssätze behalten auch die Ver s chi e bu n g s sät z e
der Fourier-Transformation (2.1-11) und (2.1-12), sowie die Sätze der Maßstabs-
ä n der u n g im Bereich der Distri butionen offensichtlich ih r e Gültigkeit. Hinsichtlich
der Maßstabsänderung gilt für die 5-Distribution und ihre Derivierten
rh 5{t/a ) ~1 (2.2-13)
34 2. Signale und Spektren
Hiernach läßt sich der 6-Distribution formal eine "Dimension" zuordnen : Die Kon-
stante a habe beispielsweise die Dimension von t , Wir postulieren dann, daß mit
dem Argument t/a auch 6{t/a) dimensionslos sein muß. Aus (2.2-14) folgt somit,
daß 6(t) die Dimension von 1/t hat. Das steht in Einklang mit (2.2-2) .
Hinsichtlich der Argumentverschiebungen gilt für die 6-Distribution und ihre Deri-
vierten
(2.2-15)
(2 .2-16)
Das ergibt sich unmittelbar aus den entsprechenden Verschiebungen der definieren-
den Funktionenfolgen. Für k =0 folgt speziell
- j 2 TT ft
O
6(t - t ~ e , (2.2-17)
O)
(2.2-18)
Die letztere Beziehung zeigt, daß wir der harmonischen Exponentiellen der Frequenz
f
O
eine "Spektrallinie" bei f = fO zuordnen können. Hieraus folgt unmittelbar
sin 2 TTfOt ~ i j
(6(f - fO)- 6(f + f
O
»' (2.2-19)
cos 2TTf t ~
O
1
2' ( 6 (r - f
O)
+ 6 (r + f
O
». (2.2-20)
Was die Faltung anbetrifft, so begnügen wir uns hier damit, diese nur für Distri-
butionen und Funktionen zu erklären, denen wir umkehrbar eindeutig eine Fourier-
Transformierte zuordnen können. Dazu postulieren wir die Gül tigkeit der Faltungs-
sätze (2.1-25) und (2.1-32) auch für Distributionen, allerdings mit der Einschrän-
kung, daß keine Multiplikation zwischen zwei Distributionen auftreten darf, denn
diese ist nicht allgemein definiert. Es gilt dann beispielsweise
(2.2-21 )
2.2 Distri butionen 35
(2.2-22)
(2.2-23)
Die Faltung zwischen einer Distribution und einer Funktion wird auf die gleiche
Weise erklärt . Für uf t ) ~ u(f) gilt beispielsweise
(2.2-24)
Wenn ul t ) k-mal differenzierbar ist, können wir die Derivation der 6-Distribution
beliebig auf uf t ) abwälzen. Insbesondere gilt dann
(2.2-25)
und für k = 0
Die Distribution 6(t) spielt also die Rolle des Einheitselementes in der Faltung.
Aus dem Verschiebungssatz folgt weiterhin, daß die Faltung mit 6{t - t nur eine
O)
entsprechende Verschiebung von u (t) bewirkt :
(2.2-27)
= =
6(t)U(t) ~ 1 * u{f) f utr - ql)dql = f U{f)df = uf O},
-ce -=
Die konstante Spektralfunktion uf O) hat aber nach (2.2-6) die inverse Fourier-
Transformierte uf O) 6(t), also gilt wegen der Eindeutigkeit
Es soll nun gezeigt werden, wie man mit Hilfe der Distributionstheorie Funktionen
g( t }, die nicht überall differenzierbar sind, Derivierte zuordnen kann. Dazu be-
trachten wir die durch (2.1-43) definierte Sprungfunktion s(t). Sie läßt sich durch
die Funktionenfolge
VIf-=
2
e- nx dx -+ sf t ) für n e cc (2.2-29)
erklären (Bild 2.10). Durch Differentiation nach t erhalten wir hieraus die Funk-
tionenfolge, welche nach (2.2-3) die tl-Distribution definiert. Es gilt daher
(2.2-30)
-1.2 -1,0 -0,8 - 0,6 -0,4 -0,2 o 0.2 0,4 0,6 0,8 1,0 1,2
wobei jedoch auf der linken Seite kein Differentialquotient im gewöhnlichen Sinne
sondern eine Derivierte im Sinne der Distributionstheorie steht. Die höheren Deri -
vierten der Sprungfunktion ergeben sich dann zu
(2.2-31)
Betrachten wir nun eine Funktion g(t), die überall differenzierbar sei mit Ausnah-
me der Stelle t = t wo sie von g( t - 0) auf g( t + 0) springt. Diese Funktion
o' o o
läßt sich dann darstellen durch die Uberlagerung eines stetigen Anteils go (t) und
einer Sprungfunktion,
(2.2-32)
2.2 Distributionen 37
(2.2-33)
Hat die erste Ableitung von gO(t) einen Sprung der Höhe go' (t + 0) - go' (t - 0)
o o
bei t = t so wenden wir das gleiche Prinzip an, um die zweite Derivierte von g( t)
o'
zu bestimmen, usw. Allgemein ergibt sich dann für eine Funktion g(t), die für t<t
o
und t >to Ableitungen bis zur k-ten Ordnung besitze, die k-te Derivierte zu
wenn bei Annäherung an t = t von links und von rechts die Grenzwerte g( t - 0) ,
o o
g(l)(t - 0), ••• ,g(k-1)(t - 0) bzw. g(t + 0), g(l)(t + 0), ••. ,g(k-1)(t + 0)
o o o o o
existieren.
Als ein Beispiel für die Anwendung der ö-Distribution in der System theorie soll
hier noch der Begriff der Im pul san t wo r t erläutert werden. Im Abschnitt 1.2
wurde gezeigt, daß die harmonische Exponentielle exp{j2TTf
ot) eine Eigenfunktion li-
nearer zeitinvarianter Systeme ist. Der hierzu gehörige Eigenwert bestimmt das
Systemverhalten bei der Frequenz f ' Um die Gesamtheit aller Eigenwerte, dv h,
O
die Ubertragungsfunktion des Systems H(f) zu ermitteln, regen wir das System im
gesamten Frequenzbereich an, d.h. wir setzen in der Beziehung Y(f) = H(f)U(f)
das Spektrum des Eingangssignals U(f) == 1. Das entspricht der Anregung mit dem
Eingangssignal ö(t). Das zugehörige Ausgangssignal nennen wir die Impulsantwort
h( t) des Systems. Sie ist mit der Ubertragungsfunktion durch die Fourier-Transfor-
mation
f
00
wobei uf t ) und y(t) Eingangs- bzw. Ausgangssignal des Systema sind. Wir betrach-
ten diesen Zusammenhang am Beispiel idealisierter Tiefpaßsysteme. Diese
entsprechen der Wunschvorstellung, alle Spektralanteile eines Signals außerhalb des
endlichen Frequenzbandes If I ~ f g vollständig zu unterdrücken und innerhalb dieses
Bandes überhaupt nicht oder nur in tolerierbarer We ise zu verändern. Die sich pri-
mär anbietende Ubertragungsfunktion
für [r ] ~ f g
(2.2-37)
für [r ] >f
g
(2.2-38)
ist aus verschiedenen Gründen nicht realisierbar. Insbesondere ist die Impulsant-
wort eine nicht-kausale Funktion, da sie bereits vor dem Zeitpunkt t =0 der Im-
pulserregung existiert. Aus diesem Grund wird die Wunschvorstellung auf ein System
reduziert, das neben der Filterwirkung auch noch eine Verzögerung des Eingangs-
signals um 'o bewirkt:
für
(2.2-39)
für
(2.2-40)
Auch dieses System, das als idealer Tiefpaß bezeichnet wird, ist nicht kausal.
Es läßt sich jedoch für genügend große Werte von 'o approximativ realisieren. Bei
systemtheoretischen Betrachtungen spielt der ideale Tiefpaß eine wichtige Rolle.
Bisher wurden Signale betrachtet, bei denen wir eine endliche Energie voraussetzen.
Zwei wichtige Klassen von Signalen erfüllen diese Voraussetzung nicht: die per i 0 -
dis ehe n Signale und die s t 0 c h ast i sc h e n Signale. Für ihre Beschreibung im
Frequenzbereich müssen daher andere Methoden als die bisher verwendeten heran-
gezogen werden.
Grundsätzlich interessieren wir uns hier nur für Signale u( t}, deren mittlere Lei-
stung endlich ist:
-&
f lu(t}
2
1 dt <= . (2.3-1)
--&
wobei e die Periode und k eine beliebige ganze Zahl ist. Wir setzen wieder die
beschränkte Variation (vgl , Abschnitt 2.1) voraus, dv h, uf t ) soll in end-
lichen Zeitintervallen nur eine endliche Bogenlänge haben. Ein solches Signal ent-
hält - gegebenenfalls neben einem konstanten Gleichanteil - nur die Grundfrequenz
1/e und sogenannte höhere harmonische Frequenzen, die ganzzahlige Vielfache von
1/e sind. Das zeigt die harmonische Analyse des Signals. Hierunter versteht
man die Approximation von ul t ) durch harmonische Exponentielle der Frequenzen
v/e (v ganzzahlig) im Sinne des minimalen mittleren quadratischen Fehlers:
L
n
c v e j2 vt /e 2 dt =
! MO
TI
utt ) - In. (2.3 -3)
v=-n
40 2. Signale und Spektren
Das Integral erstreckt sich über ein beliebiges Intervall von der Länge einer Periode
(t reell). Die Parameter der Optimierung sind die Koeffizienten c\l. Sie lassen
o
sich aus den notwendigen Bedingungen
für IJ. = \I
(2.3-5)
für
!
halten wir
t o+e n n
{ uf t ) - u~n L
\I=- n
L
\I =- n
to+e
* J"2TIll t/ e dt+eclJ.=o.
*I
f
t
u(t)e'"
o
Hieraus folgt
(2.3-6)
Partielle Differentiation von Q nach clJ.* ergibt die mit (2.3-6) verträgliche Lösung
(2.3-7)
2.3 Signale endlicher Leistung 41
Die so be stimmten Koeffizienten c führen immer auf ein Minimum von Q, d, h, sie
I.L
erfüll en auch die hinreichenden Bedingungen für (2.3-3). Bemerkenswert ist, daß
die c nicht von n abhängen, also unabhängig von der Anzahl der zur Approximation
I.L
verwendeten harmonischen Funktionen sind. J I"} größer n, desto genauer ist die A p-
proximation. Für n » co ver s chwindet der m ittlere quadratische Fehler
co
lu ( t ) - (2.3-8)
v=-=
L
co
ul t ) c vej2nvt / 8 (2.3-9)
v=- =
co
\' j2 n vt/8 1 (( )
~c ve ='2 u t- O+ u(t+O». (2.3-10)
v=-=
Die Fourier-Koeffizienten hängen natürlich nicht davon ab, wie der Wert von u( t )
an einer Unstetigkeitsstelle definiert ist. Zur Gewinnung einer spektralen Darstel-
lung periodischer Funktionen können wir daher von (2.3-9) ausgehen, wobei erfor-
derlichenfalls angenommen wird, daß der Funktionswert an Unstetigkeitsstellen
durch das arithmetische Mittel der Grenzwerte von links und rechts definiert is t .
Mit exp(j2 n vt / 8) ~ ö(f - v/ 8) nach (2.2-18) ergibt sich dann sofort
co
uf t ) ~ utr)
L
v=- =
c v Ö(f - v/8 ) . (2.3-11)
Mit der Darstellung (2.3-11) haben wir Anschluß an die bisherigen Ergebnisse der
Fourier-Transformation gewonnen. Wir können dam it alle Abbildungsgesetze, sofern
sie auch für die Distributionen gelten, sinngemäß übernehmen. Außerdem ist es nun
möglich, kontinuierliche und diskontinuierliche Spektren miteinander zu verknüpfen.
Ein bei praktischen Problemen häufig auftretendes Anwendungsbeispiel hierfür sind
Signalfunktionen, die durch zeitliche Begrenzung oder durch eine allgemeinere Be-
wertung mit einer Gewichtsfunktion aus periodischen Funktionen entstanden s ind.
Zur Veranschaulichung betrachten wir die in Bild 2.12 dargestellte periodische Puls-
folge. Da wir 'o in (2.3-7) beliebig wählen können, s ind ihre Fourier-Koeffizienten
darstellbar durch (Bild 2.13)
f
b/2
c J.I. - e-j2TTJ.i.t/iEldt = sin(TTJ.i.b/iEl)
- -
1
iEl TTJ.I.
(2.3-12)
-b/2
co=b/8 /
I \
I \
I C, Cl \
1/ 2 für J.i. = 0
c = 0 für J.I. gerade (2.3-13)
J.I. 1(_1)m/( IIJ. !TT) für 1J.i. 1 = 2m + 1, m=O,1,2, ••• ,
2.3 Signale endlicher Leistung 43
und die Fourier-Reihendarstellung lautet für das Periodizitätsintervall Itl ,;;;; 8/2:
Berücksichtigt man nur die Reihenglieder von m = 0 bis m = 6, so ergibt sich der
in Bild 2. 14 dargestellte Verlauf, dessen periodische Fortsetzung die ursprüngliche
Pulsfolge approximiert. Bei Hinzufügen weiterer Glieder der Reihenentwicklung
wandern die Uber- und Unterschwinger in die Punkte t = ± 8/4, ihr maximaler Be-
trag von etwa 9 % der Pulshöhe bleibt aber praktisch unverändert (Gibbssches Phä-
nomen , vgl , Abschnitt 2 .1.2) .
1,0
0,8
0,6
0,4
0,2
Bild 2.14. Approximation der Pulsfolge von Bild 2.12 durch eine endliche Anzahl
von Gliedern der Fourier-Reihe
xf t ) = g(t)u(t), (2.3-15)
die durch Bewertung mit einer Gewichtsfunktion g(t) aus der periodischen Puls-
folge ul t ) entstanden sein möge. Die Gewichtsfunktion habe die Fourier-Transfor-
mierte G(f). Aus dem Faltungssatz folgt dann für das Spektrum der Signalfunktion
x( t )
= co
xf t ) ~ xrr) = G(f) * L c \I ö(f - \1/8)
L c G(f - \1/8).
\I
(2.3-16)
\1=-=
44 2. Signale und Spektren
hat das Spektrum die in Bild 2.15 dargestellte Form. Für genügend große Werte von
m wird die Bandbreite von G (r) klein gegen 1/e, und man erhält ein "fast diskon-
tinuierliches" Spektrum mit "endlicher Linienbreite". Von dieser Art sind beispiels-
....c----
slrin tb
_-----.10 1ttb
---
----- 0.8
x(fl
-- -- --
0.6
0.4
0.2
weise die Spektren von Radarsignalen, etwa beim Mittelbereichsradar, wo man eine
Folge von 10 bis 20 Echoimpulsen erhält, während der Radarstrahl über das Zielob-
jekt hinwegstreicht. Bei unbewegten Zielobjekten liegen die Spektrallinien im Raster
v/ e ( v = 0, ± 1, ± 2, ••• ), bei bewegten Zielobjekten (Flugzeugen) sind sie um die
Dopplerfrequenz gegenüber diesem Raster verschoben. Diesen Effekt macht man sich
bei der sogenannten Fes t z ei c h e n lös c h u n g oder m 0 v i n g t arg e tin d i c a -
t i 0 n (MT!) zunutze, indem man im Empfänger ein Kammfilter verwendet, das alle
Spektralanteile in der unmittelbaren Umgebung der Frequenzen v/e und dam it alle
Echosignale von unbewegten Objekten (clutter }, die die Flugzielerkennung erschwe-
ren, weitgehend unterdrückt.
2.3 Signale endlicher Leistung 45
Wir betrachten nun noch eine wichtige Beziehung zwischen Fourier-Integral und Fou-
rier-Reihe. In Bild 2 .13 bzw. Gleichung (2.3-12) kann man erkennen, wie die Spek-
tren der periodischen Pulsfolge einerseits und des einzelnen Impulses (bei t = O) an-
dererseits zusammenhängen. Die Fourier-Koeffizienten c\l der Pulsfolge sind bis auf
den Faktor 1/iEl durch die Werte der Fourier-Transformierten des einzelnen Impulses
an den Stellen \I/iEl gegeben. Das läßt sich leicht allgemein beweisen. Wir "periodisie-
ren" dazu eine Signalfunktion y(t} ~ Y(f}, d.h. wir erzeugen durch Uberlagerung
(Bild 2.16) die periodische Funktion
co
gegeben sei . Die Fourier-Koeffizienten von y(t} hängen folgendermaßen mit Y(f}
zusammen :
iEl/2 = iEl/2
1
c k ="8
f
-iEl/2
y(t}e-j2TTkt/iEldt = ~
L f
\1=-= -iEl/2
y( t + \JiEl} e -j2 TTkt/edt
= \liEl+iEl/2 co
1
="8 L f
\.1=-= \.IiEl- iEl/ 2
y(-&}e-j2TTk-&/iEld-& = ~
-=
f y( -&} e- j2TTk-&/iEl d-&
(2.3-21)
46 2. Signale und Spektren
Es gilt somit
y(t ) = y (t ) * L= e (t - ve ) , (2.3-23)
v=- =
und da y(t) nach (2.3-22) e i ne Fourier-Transformierte besitzt, die durch das Pro-
dukt von y(f) und einem Impulskamm im Frequenzbereich gegeben ist, folgt aus
dem Faltungssatz, daß die bei den Impulskämme selbst durch die Fourier-Transfor-
mation miteinander verknüpft sein müssen :
=
L L
co
ö( t - ve ) ~~ ö( f - k/e ) . (2.3-24)
v=- = k=- =
Mit dieser Beziehung lassen sich die Operationen Periodisierung und Diskretisierung
(Abtastung ) auf sehr einfache Weise vom Zeitbereich auf den Frequenzbereich und
umgekehrt abbilden. Periodisi eren wir beispielsweise i m Frequenzbereich (Periode
B) und ta sten i m Zeitber eich ab , so ergibt s ich der " Übe r lage r ungs sat z " [2.13 J
Wir gehen nun auf die s p e k t ra I e Lei s tun g s d ich t e von periodischen Signalen
und ihre Verknüpfung mit der Au t 0 kor r el at ion s fu n k t i on ein. Die mittlere
Leistung ist durch (2.3-1) definiert. Bei periodischen Signalen kann man den zeit -
lichen Mittelwert durch Mittelung über eine Periode bestimm en. Mit (2.3-9) und
2.3 Signale endlicher Leistung 47
t +8
0
S
2 1 /u ( t ) /2 dt
[uf t ) 1 =@
t
o
00 00 t O+8 00
1
="ij L L
\1=-00 v=-OO
c c*
\1 v S
t
e j2TT ( \1-v)t/8 dt =
L
j.L=- OO
Ic 12.
\1
(2.3-26)
o
Die Verteilung der Leistung über den gesamten Frequenzbereich wird durch die
spektrale Leistungsdichte Su (r) beschrieben. Es muß allgemein für Signale end-
licher Leistung gelten
=
SSu(f)df = lu(t) 1
2
• (2.3-27)
-OO
=
s(f)
u L
j.L=-OO
(2.3-28)
-&
-n (T) = u(t)u(t + T) = lim
u -&"'00
~21
c."J
S u(t)u(t + T)dt (2.3-29)
--&
definiert. Bei periodischen Signalen braucht die zeitliche Mittelung nur über eine
Periode vorgenommen zu werden:
t +8
o
-nU(T) =~ f u(t)u(t + T)dt
t
o
t +8
= o
S
00
1
=@
L
j.L= -OO V=- 00 t
o
e j 2TT ( \1+ v)t/ 8 dt•
48 2. Signale und Spektren
= =
R (-r)
U L
~=-=
c ce
~
J "
-~
'2 TT II -r/ iEI
= L
j.l.=-=
(2.3-30)
(2.3-31)
Bisher haben wir deterministische Signale betrachtet, deren Verlauf u (t ) für alle
Zeiten festliegt und prinzipiell bestimmbar ist. Viele der uns interessierenden Si-
gnale sind nicht von dieser Art, sondern können zumindest hinsichtlich des zukünf-
tigen Verlaufes nicht genau oder überhaupt nicht bestimmt werden, sei es, daß es
sich um Nutzsignale handelt, die uns Nachrichten übermitteln, deren Inhalt wir nicht
kennen, oder um regellose Störsignale, deren Eigenschaften wir studieren wollen,
um sie besser unterdrücken zu können. Uber solche Signale, die wir zufällig, regel-
los oder s t 0 c h ast i sc h nennen, können im allgemeinen nur Wahrscheinlichkeits-
aussagen gemacht werden. Einige wesentliche PrInztpten der statistischen Signal-
beschreibung werden im folgenden kurz erörtert. Wir beschränken uns dabei auf
den praktisch wichtigen Fall re e 11 e r Signalfunktionen x (t ) •
P ( X) = W (x ~ X ), X reell. (2.3-32)
x
x(t)
XI--f!\---I--'''I-- - --+---'''<,tL--t-- - - - --I-+--
- dP(X) ~O
P (X) - dX 7. (2.3-33)
Umgekehrt gilt
f
X
p(x)dx = p(X), (2.3-34)
-co
woraus speziell
co
f p(x)dx = 1 (2.3-35)
-co
folgt. Ein Beispiel ist die G lei c h ver t eil u n g, wo alle Signal werte innerhal b ei-
nes bestimmten Amplitudenbereiches gleichwahrscheinlich sind und außerhalb nur
mit der Wahrscheinlichkeit 0 auftreten, etwa die Verteilung
für [x ] ~a
p(x) (2.3-36)
für lxi >a
0 für X ~ - a
P (X) (a + X ) / ( 2a ) für IX I ~ a , (2.3-37)
1 1 für Ia ] ~ X
und hat mit einem solchen E n sem bl e von Signalfunktionen ein fikti ves statistisches
" Be o ba c ht u ngs m a t e r i a l " , das die Wahrscheinlichkeitsverteilungsfunktion für jeden be-
P
1
2ö
-0 o o
-0 o o x
Bild 2.18. Gleichverteilung
Die einfachsten Mittelwerte sind der lineare und der quadratische Mittel-
wert. Bei zeitl icher Mittelung erhalten wir mit
f
-&
x- = I"im 1 x( t ) dt (2.3-38)
-& .... = 2-& --&
2" I"
x = rm
1
2-& (2.3-39)
-& .... co
2.3 Signale endlicher Leistung 51
seine mittlere Leistung, die nach Voraussetzung (2.3-1) endlich sein soll . Die ent-
sprechenden Ergebnisse der statistischen Mittelung sind die Erwartungswerte
co
E[x]
f
-=
xpf x Idx =m (2.3-40)
und
co
E[x
2J
f
-=
x 2 p(x)dx. (2.3-41)
Ein wichtiger Mittelwert ist noch die mittlere quadratische Abweichung vom linearen
Mittelwert m
(2.3-42)
die wir Streuung oder Va r i a n z nennen. Durch den linearen Mittelwert m und die
Varianz er; ist beispielsweise die Wahrscheinlichkeitsdichtefunktion der No r mal -
ve rt eil u ng oder Gaußverteilung
Zeitliche und statistische Mittelung können allgemein über jede eindeutige Funktion
g (x ) der Variablen x vorgenommen werden:
f
-9
grxr = lim i-& g !x(t) ldt (2.3-44)
-& ... = --&
f
co
E[g(x)] = g(x)p(x)dx (2 .3-45)
-cc
Bei nichtstationären Vorgängen muß die zeitliche Mittelung nicht notwendig konver-
gieren. Die Existenz dieser Mittelwerte ist nur bei stationären Vorgängen gewähr-
leistet . Das besagt das Erg 0 den t h e 0 rem [2.7, 2. 8J. Eine weitere Aussage die-
ses Theorems ist, daß bei denjenigen stationären stochastischen Vorgängen, die die
Eigenschaft der Erg 0 d i z i t ä t besitzen, zeitliche Mittelung und statistische Mit-
telung zum gleichen Ergebnis führen. Für ergodische Prozesse gilt also
Es ist hier nicht möglich, auf den Ergodizitätsbegriff detaillierter einzugehen (siehe
z.B. [2.8J). Die Frage, ob Ergodizität vorliegt oder nicht, ist auch bei vielen prak-
tischen Problemen schwer zu beantworten, zum al eine echte Ensemble-Mittelung
praktisch selten durchführbar ist. Man setzt dann bei stationären Vorgängen in der
Regel die Ergodizität voraus, wenn nicht zwingende physikalische Gründe dagegen
sprechen. Nur unter dieser Voraussetzung ist es möglich, aus der Beobachtung ei-
nes einzigen stochastischen Signals auf die statistischen Eigenschaften des zugrunde
liegenden Prozesses zu schließen.
Ein Thema, mit dem wir uns hier ausführlicher zu beschäftigen haben, ist die S p e k -
tralanalyse stochastischer Signale. Wir müssen davon ausgehen, daß für
ein stochastisches Signal keine eindeutig umkehrbare Darstellung im Frequenzbereich
existiert, da es im allgemeinen keine Fourier-Transformierte besitzt. Es ist aber
sicher sinnvoll zu fragen, wie die voraussetzungsgemäß endliche Signalleistung über
den Frequenzbereich verteilt ist. Dazu erinnern wir uns an den Zusammenhang
{2.3-31} zwischen spektraler Leistungsdichte und Autokorrelationsfunktion bei den
periodischen Signalen und d e f in i er e n hier zunächst formal die s p e k t ra I e Lei-
s tun g s die h t e eines stochastischen Signals x{ t ) als Fourier-Transformierte
Sx (f)
=
I n x (T) e -j2rrfTd-r (2.3-47)
-=
der durch (2.3-29) erklärten Autokorrelationsfunktion
n
x
(T) = x(t)x(t + T) • (2.3-48)
Weiter unten werden wir sehen, daß diese als Wiener-Khinchin-Beziehung bekannte
Definition physikalisch sinnvoll ist. In jedem Fall muß die Integration über die ge-
samte spektrale Leistungsdichte auf die mittlere Leistung des Signals
(2.3-49)
führen. Das ist hier schon erkennbar, wenn wir in der Umkehrung von (2.3-47)
=
tiX{T) I ~x{f)ej2rrfTdf (2.3-50)
-=
die Verschiebung T gleich Null setzen :
cc
nx{O) =x = 2
I ~x{f)df. {2.3-51}
-=
2.3 Signale endlicher Leistung 53
Oben wurde die Autokorrelationsfunktion als zeitlicher Mittelwert erklärt. Bei sto-
chastischen Vorgängen haben wir andererseits die Möglichkeit, über den Prozeß zu
mitteln. Wir können die Autokorrelationsfunktion daher auch als Erwartungswert
E[x definieren, wobei die Variablen x = x(t und x = x(t alle möglichen
1x2] 1 1) 2 2)
Signal werte des Ensembles zu den Zeitpunkten t und t = t + ,. repräsentieren.
1 2 1
Dieser Erwartungswert ist durch
er co
E[x 1x2] f J x1x2P(x1,x2)dx1dx2 (2.3-52)
-= -er
gegeben, worin P(x die Verbundwahrscheinlichkeitsdichtefunk-
1,x2)
ti 0 n der beiden Variablen x und x sein soll. Sie ist erklärt als gemischte zweite
1 2
partielle Ableitung
(2.3-53)
(2 .3 -54)
(2.3-55)
Da die statistische Mittelung über alle Signalfunktionen des Ensembles erfolgt, nen-
nen wir zur Unterscheidung von der Definition (2.3-48) den Erwartungswert
(2.3-56)
(2.3-57)
Si n n e. Sie schließen offensichtlich auch alle stationären Prozesse mit ein. Für alle
stochastischen Prozesse, die mindestens im weiteren Sinne stationär sind, läßt sich
die s p e k t ra I e Lei s tun g s di c h te als Fourier-Transformierte der Autokorrela-
tionsfunktion definieren :
(2.3-58)
Für erg 0 dis c h e Pro z e s s e gilt wegen der Äquivalenz von zeitlicher und sta-
tistischer Mittelung R (T)
x
=-n x {T} und S (f)
x
=S"x (r).
Wir geben nun noch einige wichtige Eigenschaften der Autokorrelationsfunktionen an.
Es gilt offensichtlich die Symmetrie
(2.3-59)
(2 .3-60)
(2.3-61)
S" (e)
x =S"x (- f), S (r)
x =Sx {- f}, reell. (2.3-62)
(2.3-63)
2.3 Signale endlicher Leistung 55
Für Prozesse, die mindestens im weiteren Sinne stationär sind, folgt hieraus
(2.3-64)
Ebenfalls durch Anwendung der Schwarzsehen Ungleichung läßt sich die Gültigkeit
von
(2.3-65 )
zeigen.
Das Verhalten der Autokorrelationsfunktionen für große Werte von T wird dadurch
bestimmt, daß die Signalwerte x
t
= x(tt) und x
2
= x(t2) statistisch voneinander un-
abhängig werden :
(2.3 -66)
Es gilt dann
(2.3-67)
(2.3-68)
gilt.
Das in Bild 2 .19 dargestellte Signal xf t ) soll in jedem Zeitintervall t \18 <
o+
t < 'o + (\I + t )8, \I ganzzahlig, den Wert + oder - mit gleicher Wahrschein-
X
o X
o
lichkeit annehmen können,
(2.3-70)
56 2. Signale und Spektren
x
,--@-
- I--- Xo ,.....---
- I'-xo -
(2.3-71)
Der betrachtete Prozeß ist offensichtlich stationär. Die folgenden Mittelwerte las-
sen sich unmittelbar angeben:
m = E[x] = x = 0, (2.3-72)
E [x ]
2
=2" 2
x =X '
o (2.3-73)
2 2 2 2" -2 2
0x = E[x ] - m = x - x = x
O•
(2.3-74)
Die Autokorrelationsfunktion RX(T) = E[x 1x2] des Prozesses läßt sich folgender-
maßen bestimmen. Für 1,.1 >
können xl und x nicht im gleichen Intervall liegen
@)
2
und müssen daher voneinander statistisch unabhängig sein:
(2.3-75)
Für I I~e
T hängt es von t
o
ab, ob xl und x im gleichen Intervall liegen oder
2
nicht. Im ersteren Fall gilt E[x
1x2]
= x~, im letzteren E[x
1x2]
= O. Da RX(T)
eine gerade Funktion ist, können wir uns auf die Betrachtung des Falles 0 ~ T ~ @)
beschränken. Wegen der Stationarität können wir außerdem t
1
= 0 und t 2 = T set-
zen. Für,. < 'o ~ @) liegen die Werte xl und x
2
dann im gleichen Intervall (Bild2.20).
Der Wert E[x
1x2]
= x~ wird mit der Wahrscheinlichkeit WO' daß diese Bedingung
für 'o erfüllt ist, angenommen. Es gilt also R x (0 ~ T ~ e) = Wox~ mit
2.3 Signale endlicher Leistung 57
S r S
= J PO(tO}dt o - J PO(tO}dt O =~ J dt O =1 - 1'j S (2.3-76)
_= -= l'
Xo -------..,
I I
I I
I I
I I
I e
Bild 2.20. Zur Berechnung der Auto- I 10
I
korrelationsfunktion
_ _ _ _.JI
-xo
für
(2.3-77)
für
Durch zeitliche Mittelung über eine einzelne Pulsfolge gelangen wir zum gleichen
Ergebnis: Verschieben wir die Pulsfolge von Bild 2.19 um l' >0, so ist das Pro-
dukt x(t}x(t + 1') als Folge von Pulsen der Breiten S -( r Irnod Sund (1') mod ® dar-
stellbar. Für l' > ® haben beide Pulsarten jede für sich mit gleicher. Wahrscheinlich-
keit die Pulshöhen + x~ und - x~. Die zeitliche Mittelung führt also auf Rx (1' > S ) =O.
Für T';; ® haben die Pulse der Breite S - T immer den Wert + x~, während die Pulse
der Breite r die Werte + x~ und - x~ mit gleicher Wahrscheinl ichkeit besitzen. Im
zeitlichen Mittel wirken sich daher nur die ersteren aus, und wir erhalten
58 2. Signale und Spektren
Rx (0 ~. T ,.;e) :: 1 - T/e, woraus Rx (T) :: R x (T) folgt. Der Prozeß ist offensichtlich
ergodisch. Durch Fourier-Transformation der Autokorrelationsfunktion erhalten wir
die spektrale Leistungsdichte
Wir können die betrachtete Pulsfolge um einen beliebigen Gleichanteil E[x] :: X::
m :f 0 anheben, beispielsweise, um eine binäre Pulsfolge mit den Werten 2x und 0
O
2
zu erzeugen. Die Autokorrelationsfunktion wird dann um die Konstante m angeho-
ben, und die spektrale Leistungsdichte erhält zusätzlich eine Spektrallinie bei f :: 0
2.
mit dem Gewicht m
Die in Bild 2 .22 dargestellte stochastische Pulsfolge unterscheidet sich von der oben
betrachteten binären Folge dadurch, daß nun Pulse verschiedener Höhe zugelassen
sind. Die Wahrscheinlichkeitsdichtefunktion pl x ) kann dabei kontinuierlich oder
diskontinuierlich sein.
x(I)
Wir haben nun im wesentlichen wieder die gleichen Betrachtungen anzustellen wie im
Fall der binären Pulsfolge. Wenn der Gleichanteil E[x] :: 0 ist, verschwindet für
IT I ~ e die Autokorrelationsfunktion wegen der statistischen Unabhängigkeit der Im-
pulse in verschiedenen Intervallen. Für 0 ,.; T ,.; e ergibt sich bei der Mittelung
E[x
1x2
J hier der quadratische Mittelwert E[x 2 J :: cr~ mit der Wahrscheinlichkeit
WO. Insgesamt folgt also
(1 - I T l/iEl)cr~ für
R (T) (2.3-79)
1
x
0 für
2.3 Signale endlicher Leistung 59
I
und
S (f) = Gl 0 2 / sin TIf@) 2 (2.3-80)
x x TIfGl •
c ) Weiß es Rauschen
Als "weißes Rauschen" bezeichnet man einen stochastischen Prozeß, dessen spek-
trale Leistungsdichte für alle Frequenzen einen konstanten Wert hat :
(2.3-81)
Für die Signalfunktionen eines solchen Prozesses trifft die oben gemachte Voraus-
setzung der endlichen mittleren Leistung nicht zu. Der Prozeß ist in dieser Form
auch nicht realisierbar. Technisch realisieren lassen sich hingegen immer B r e i t -
ban d si g na I e, deren spektrale Leistungsdichte über einen hinreichend großen
Frequenzbereich konstant ist. Die mathematische Abstraktion solcher Prozesse
führt dann auf das weiße Rauschen, das bei den stochastischen Signalen eine ähnlich
wichtige Rolle spielt, wie die Impulsfunktion ö (t) bei den deterministischen. In der
Tat führt die inverse Fourier-Transformation von (2.3-81) auf die Autokorrelations-
funktion
(2.3-82)
Eine sehr interessante Anwendung solcher Breitbandsignale ist die statistische Sy-
stemanalyse, auf die wir jedoch erst nach Einführung der Kreuzkorrelationsfunktio-
nen und Kreuzleistungsspektren eingehen können.
R xy (T)=X(t)y(t+T), (2.3-83)
(2.3-85)
f f
CD CD
und
CD CD
R yx ( t l , t 2 ) = E[y lx2] = f f
_ CD _ CD
Ylx2P(x2'Yl)dx2dYl' 2.3-87)
(2.3-88)
(2.3-89)
Eine entsprechende Beziehung für die durch zeitliche Mittelung gewonnenen Kreuz-
korrelationsfunktionen existiert nur bei verbundweise ergodisehen Prozessen, wo
alle zeitlichen Mittelwerte gleich den entsprechenden statistischen Mittelwerten sind:
müssen:
Wir betrachten ein lineares zeitinvariantes System, das durch seine Impulsantwort
h l t ) bzw. seine Ubertragungsfunktion H(f) beschrieben sei (Bild 2.23). Für ein
beschränktes stochastisches Eingangssignal xl t ) gilt die Eingangs-Ausgangs-Rela-
tion nach (2.2-36)
=
yf t ) = hf t ) l' xf t ) f h(cr)x(t - cr)dcr, (2.3-92)
-=
y
x(t) y(tl = x(lh h(I)
h (t )
f---_-O
H (t)
Bild 2.23. Lineares zeitinvariantes System mit stochastischen Eingangs- und Aus-
gangssignalen
sofern die Impulsantwort endliche Energie besitzt, was wir voraussetzen. Wir bil-
den nun die Kreuzkorrelation zwischen Eingangs- und Ausgangssignal, setzen das
Faltungsintegral ein und vertauschen die Reihenfolge der Operationen :
-&
R
xy
(,.) = x(t)y{t + ,.) =
-&
lim
-'0::
1
2 -& f x(t)y(t + ,.)dt
--&
-&
f
co
f
00
n (,.)
~
h(o)n (,. - o)do
x
=: h(") lf-n x (,.). (2.3-93)
_00
(2.3-94)
läßt sich somit durch Kreuzkorrelation von Eingangs- und Ausgangssignal ermitteln.
Wendet man auf (2.3-93) die Fourier-Transformation an, so ergibt sich die ent-
sprechende Verknüpfung im Spektralbereich :
Es soll nun noch gezeigt werden, wie die spektralen Le istungsdichten S (r) und S (r)
x y
miteinander verknüpft sind. Dazu gehen wir aus von der Autokorrelationsfunktion des
Ausgangssignals und setzen das Faltungsintegral (2.3-92) ein :
e
f y(t)y(t + ,.)dt
--& .
-&
f f
00
1
=: lim R y (t ) h ( e) x (t + ,. - 0) dedt
-& .... 00 _-& _ 00
7
_ 00
h(O)!lim
-& .... 00
b j
_-&
y(t)x(t + ,. - O)dtjdo
f
00
und Einsetzen in (2.3-97) ergibt schließlich den gesuchten Zusammenhang für die
Verknüpfung der spektralen Leistungsdichten von Eingangs- und Ausgangssignal :
2
5 (f) = IH(f) 1 5 (f). (2.3-99)
y x
2
Wegen dieser Beziehung nennt man IH (f ) 1 die Leistungsübertragungs-
funktion des Systems.
Aus (2.3-99) folgt nachträglich eine physikalische Rechtfertigung für die Definition
(2.3 -47) der spektralen Leistungsdichte eines stochastischen Signals : Wir betrach-
ten dazu eine geeignete Meßapparatur (Bild 2.24), die aus einem Bandpaßfilter und
y (I)
x(t ) O------i Bandpassfilter Wattmeter 1-----0 ?Tti
/HBP(f) I =
2 j 1 für fO - M/2 ~ Ifl ,;;;; fO + M /2
(2.3-100)
o sonst
co co f O+M/ 2
f 8
y(f)df
= f IH B P { f ) / 2 5x (f) df = 2 f 5 x{f)df/
_CC _co f - M/ 2
O (2. 3-101)
64 2. Signale und Spektren
woraus sich für lIf ... 0 die gesuchte spektrale Leistungsdichte bei der Frequenz f
O
ergibt:
(2.3-102)
Der hierin auftretende Faktor 2 ist darauf zurückzuführen, daß die spektrale Lei-
stungsdichte, so wie sie hier definiert wurde, eine symmetrische Funktion der Fre-
quenz ist. Läßt man keine negativen Frequenzen zu, so ergibt sich eine andere De-
finition, die sich von Sx(f) nur um den Faktor 2 unterscheidet.
Die Verarbeitung von Signalen wird seit der Entwicklung der digitalen Filtertechnik
und der Verfügbarkeit leistungsfähiger Digitalrechner in Verbindung mit besonders
effektiven Algorithmen wie der schnellen Fourier-Transformation in ständig zuneh-
mendem Maße auf digitale Weise ausgeführt [2.9-2. 11J. Das Schema einer solchen
Signal verarbeitung ergibt sich aus Bild 2.25 : Dem zu verarbeitenden Signal uf t )
werden durch Abtastung äquidistante Werte u( vr ) entnommen, die über einen Ana-
log/Digital-Wandler in eine für das digitale System geeignete Form gebracht werden.
Dieses System liefert dann digitale Ausgangswerte, die durch einen Digital/Analog-
Wandler in die analoge Signalform zurückgewandelt werden. Die eigentliche Verar-
beitung erfolgt nach einern festgelegten Algorithmus, mit dem aus der Wertefolge
lu( vr ) I die Folge Iy( vr) I errechnet wird.
Die Wirkungsweise des digitalen Systems läßt sich prinzipiell ohne die Verwendung
der Begriffe Zeit und Frequenz beschreiben. Denkt man beispielsweise an den Ein-
satz eines Digitalrechners, der in Feldern angeordnete Zahlen verarbeitet, so fehlt
auch zunächst eine Motivation für die Einführung dieser Begriffe. Vorn systemtheo-
retischen Standpunkt aus jedoch ist es wünschenswert, ein geschlossenes mathem a-
2.4 Diskontinuierliche Signale 65
tisches Modell der digitalen Verarbeitung analoger Signale zu haben, bei dem der
Signal fluß die Grenzen zwischen analogen und digitalen Teilsystemen passieren kann,
wobei sich nur die Signalform ändert . Zu diesem Zweck definiert man diskonti-
nu i er I ich e Si g na 1 e, die aus kontinuierlichen Signalen durch eine idealisierte
Abtastung, d, h, Multiplikation mit einem Impulskamm hervorgehen :
L L
<X) <X)
Das diskontinuierliche Signal u*(t) ist so durch die Abtastwerte u( \lT) des konti-
nuierlichen Signals u( t) vollständig bestimmt. Wir gehen zunächst von der Hypo-
these aus, daß umgekehrt auch das Signal uf t ) durch die Abtastwerte u( \lT) ein-
deutig festgelegt wird. Diese Annahme gilt sicher dann, wenn u( t ) eine Interpola-
tionsfunktion darstellt, welche die Werte u( vr) nach einem bekannten Gesetz inter-
poliert. Zwei Fälle sind i n diesem Zusammenhang von besonderem Interesse : Die
Spline-Interpolation, auf die wir i m Kapitel 6 näher eingehen werden, und die Shan-
non-Interpolation, mit der wir uns hier befassen wollen.
(2.4-2)
Offensichtlich läßt sich U(f) aus U(f) mit Hilfe der Ubertragungsfunktion HO(f)
des idealisierten Tiefpaßsystems nach (2.2-37) ausblenden :
(2.4-4)
Das Signal uf t ) ergibt sich dann aus u*(t) durch Faltung mit der zugehörigen Im-
pulsantwort hO(t) nach (2.2-38), und man erhält die Shannonsche Int erpola-
tionsformel :
co
uf t ) = hO(t) * u~(t) = " u(\lT) sin TI(t - \lT)/T (2.4-5)
~ ~ TI( t - \lT)/T
\1=-co
11: ött-vl )
v
konlinuierliches Syslem
realen digitalen Systemen als Folge der endlichen Wortlänge ergeben [2. 9J, und
nehmen an, daß die Wertefolge Iy{ vr) I aus der Folge lu{ vr) I durch eine lineare
Abbildung hervorgeht. Dieses System nennen wir dis k 0 nt i nu i er I ich [2. 2J. Um
eine mögliche Beschreibung seiner Wirkungsweise zu finden, ziehen wir zum Ver-
gleich ein analoges System heran, welches hinsichtlich der betrachteten Signale das
Gleiche leisten möge {Bild 2. 28}. Für das bandbegrenzte Signal u( t ) ist nur der Ver-
lauf der Ubertragungsfunktion H{f) im Band Ifl ~f relevant. Wenn wir diesen Teil
g
ausblenden, so erhalten wir ein bandbegrenztes System mit der Ubertragungsfunk-
tion
I
H {f} für 1f I ~ f
g
H
w
(f) = {2.4-6}
o für [r] > f
g
I:
CD
CD
y*{t} = T
c:
\'
n=-o:>
y{nT}ö{t - nT} = h
w*
(t ) * u*{t}
n=-OO {2.4-10}
68 2. Signale und Spektren
Wir sehen, daß die Abtastwerte des Ausgangssignals mit denen des Eingangssignals
und der zu H (f) gehörigen Impulsantwort h (t) durch die d i s k r e t e Fa 1 tun g
w w
co
verknüpft sind. Formal erhält man die gleiche Beziehung, wenn man auf das Fal-
tungsi ntegral
I
co
Wir betrachten dazu zwei einfache Beispiele, bei denen die Spektralfunktionen ge-
schlossen berechnet werden können. Die in Bild 2.29 dargestellte symmetrische
Signalfunktion u( t ) = exp( - It l ) hat die Fourier-Transformierte
u(f) (2.4-13)
2.4 Diskontinuierliche Signale 69
-2,5 -2,0 -1,5 -1,0 -0,5 o 0,5 1,0 1,5 2,0 2,5
=1
Bild 2.29. Signalstützwerte für die numerische Fourier-Transformation
Wir tasten ul t ) mit der Frequenz f = 1/T ab und bilden das diskontinuerliche
A
Signal u , (t), wie in (2.4-1) definiert . Die zugehörige Spektralfunktion
=
u(f) =T L u(\lT}e- j2TTf\lT (2.4-14)
\1=-=
ist mit u(f} durch den Uberlagerungssatz (2.4-3) verknüpft (Bild 2.30). Ein Ver-
gleich von (2.4-13) und (2.4 -14) zeigt, daß U(f) formal auch als numerische Ap-
r Ü(I) U(f)
~
--_---,.__ =-=-~-;:;o:;...-
'Y
"-....::=:z::::=--:-----
o -.1-= 1
2r
Bild 2.30. Fourier-Transformierte des Signals von Bild 2.29 und seine Periodisie-
rung
proximation von U( r) interpretiert werden kann, die durch Anwendung der Recht-
eckformel der numerischen Integration auf das Fourier-Integral entsteht. Wir kön-
nen D'(r} mit Hilfe der geometrischen Summenformel leicht berechnen :
70 2. Signale und Spektren
U(f) = 2T Rel f:
\1=0
e-(1+j2TTf)\lT J- T
= 2T Re { 1. } T (2.4-15)
1 - exp( - (1 + J2TTOT) -
-2T
_T 1 - e _ T sinh T
- 1 _ 2e-Tcos 2TTfT + e- 2T - cosh T - cos 2TTfT •
Bild 2.30 zeigt einen Vergleich von U(f) und U<f) für T = 0,5. Der Approximations-
bereich ist das Band [r I ~ 1/(2T). Für kleine Werte von T läßt sich der Approxima-
tionsfehler durch Taylor-Entwicklung der transzendenten Funktionen in (2.4-15) leicht
ermitteln:
2/6)
U(f) = U(f)(1 +T + Glieder mit höheren Potenzen von T (2.4-16)
Daß dieser Fehler quadratisch und nicht linear mit T verschwindet, wie man das
eigentlich bei der Rechteckformel erwartet, liegt dar-an, daß für das gewählte spe-
zielle Beispiel U(f) auch der Anwendung der Trapezformel auf das Fourier-Inte-
gral (2.4-13) entspricht: Rechteckformel und Trapezformel unterscheiden sich nur
hinsichtlich der Bewertung der beiden Randordinaten des Integrationsbereiches; die-
se liegen aber hier im Unendlichen und verschwinden.
Im allgemeinen jedoch verschwindet die Differenz zwischen uÜ) und utr) im Band
[r] ~1/(2T) nur linear mit T wie bei dem folgenden Beispiel mit derSignalfunk-
tion (Bild 2.31)
I
-t
für t -;;. 0
u( t ) = o (2.4-17)
für t < 0
1,0
0,6
0,4
0,2
1 21 31 ° N1
Bild 2.31. Abschneiden und Diskretisieren einer Signalfunktion für die numerische
Bestimmung des Spektrums
2.4 Diskontinuierliche Signale 71
1
U(f) (2.4-18)
1 + j2TTf
und
T
(2.4-19)
-( 1+j2TTOT '
1 - e
+ ••• (2.4-20)
Bei den betrachteten Beispielen konnte U(f) geschlossen berechnet werden. Im all-
gemeinen aber läßt sich die Formel (2.4-14) nur numerisch auswerten, dvh, es
kann nur eine endliche Anzahl von Abtastwerten berücksichtigt werden. Hieraus re-
sultier.t zusätzlich ein Fehler, der durch das Ab s c h n eid e n der Signalfunktion,
bei dem zuletzt betrachteten Beispiel etwa an der Stelle t = NT entsteht (Bild 2 .31).
Dieser Fehler muß mit wachsendem Wert des Produktes NT abnehmen. Reduziert
man nun den Diskretisierungsfehler durch Verkleinern von T, ohne das Produkt NT
zu verändern , so nähert sich der aus Diskretisierungsfehler und Abschneidefehler
bestehende Gesamtfehler der numerischen Fourier-Transformation asymptotisch
dem konstanten Wert des Abschneidefehlers, und eine weitere Reduzierung von T
ist sinnlos. Man muß daher gleichzeitig auch das Produkt NT vergrößern. Ein all-
gemeines Verfahren hierzu ergibt sich aus der folgenden Betrachtung.
Somit verschwindet der Diskretisierungsfehler bei der Transformation aus dem Zeit-
in den Frequenzbereich proportional zu T und der bei der umgekehrten Transfor-
mation proportional zu l/(NT). Sollen sich beide Fehler in gleichem Maße verän-
dern, so ist T ~ l/(NT) zu wählen; wobei die Proportionalitätskonstante, die wir a 2
nennen wollen, von dem jeweiligen Problem abhängt. Die gesuchte Relation zwischen
T und N ist dann
Zu dem gleichen Ergebnis gelangt man auch, wenn der mittlere quadratische Gesamt-
fehler beider Approximationen zu einem Minimum gemacht wird. Für das Abtastin-
tervall im Frequenzbereich folgt aus (2.4-21) und (2.4-22)
Q=l/(aVN). (2.4-23)
Die Repräsentation von Signalen und Spektren durch jeweils endlich viele Abtastwerte
ist für die digitale Verarbeitung von fundamentaler Bedeutung. Die bisherigen Be-
trachtungen waren insofern nicht ganz befriedigend, als noch keine eindeutig umkehr-
baren Beziehungen zwischen endlich vielen Signalwerten und endlich vielen Spektral-
werten gefunden werden konnten. Wir haben festgestellt, daß ein diskontinuierliches
Signal u*( t ) das periodisierte Spektrum U( r) hat. Entsprechend besitzt das diskre-
tisierte Spektrum U*(f) nach (2.3-22) als inverse Fourier-Transformierte das pe-
riodisierte Signal ~(t). Diese Beziehungen entsprechen im wesentlichen den Fourier-
reihendarsteIlungen der periodischen Funktionen ~ (t ) und lJ< f) : Die Periode von
~(t) ist NT und die von U(f) ist r/r. Es gilt dann, wie man aus (2.3-22) leicht er-
2.4 Di skontinuierliche Signale 73
sehen kann,
= L
co
~( t )
L
k=- =
1
uf t - kNT) = NT
k=- =
U ( ~) ej2 nkt/(NT) (2.4-24)
L= ut r - k/T) = T Lco
u(kT)e-j2nkfT. (2.4-25)
k =- = k =- =
Um nun zu e iner Signal darstellung mit jeweils endlich vielen Abtastwerten im Zeit-
bereich und im Frequenzbereich zu gelangen, ändern wir die Problemstellung der
harmonischen Analyse (2. 3-3), als deren Ergebnis ja die Beziehungen (2. 4-24) und
(2.4-25) aufzufassen sind, im Sinne einer diskreten Approximation ab :
Die N Abtastwerte einer Periode von ~(t) sollen durch e ine Linearkom bination von
N entsprechend diskretisierten harmonischen Funktionen im Sinne eines minimalen
mittleren quadratischen Fehlers angenähert werden:
L
N-1 N-1
Q= L
v=O
~( vT) -
_
c e
11
j 2nl1v/ N 2! .
= Mi n, (2.4-26)
11=0
Wie bei der harmonischen Analyse können wir nach den Koeffizienten c oder den
. ~* m
konjugiert-komplexen Werten c differenzieren und die notwendigen Bedingungen
m
für das Minimisierungsproblem aufstellen. Beide Wege führen zum gleichen Ergeb-
I
~*
nis , Im Falle der Differentiation nach c erhalten wir das lineare Gleichungssystem
m
~c
N-1
N-1
~ ~( vT) -L 11=0
l1e
j2n I1V/N) e -j2 nm v/ N -- 0 ,
N-1
L ~(
u vT)e -j2nm v/N = L L
N-1
~
c
11
N-1
e j2n(l1- m)v /N (2.4-27)
v=O 11=0 v=O
schreiben läßt. Die innere Summe auf der rechten Seite kann man nach der geome-
trischen Summenformel leicht berechnen. Das Ergebnis
N-1
\ ' ej2 n( l1-m) v/N _ eX~{j2 n( l1- m»- 1
i: -expj2 n( l1- m)!N)-1 (2.4-28)
v=O
74 2. Signale und Spektren
~ L ej2n(~-m)'J/N
N-1
=
{ 1 für ~ - m = kN, k ganz
0
sonst
(2.4-29)
v=O
Der Wertevorrat von ~ und m umfaßt jeweils die ganzen Zahlen von 0 bis N - 1-
Die Bedingung für Nichtverschwinden der Summe ist also nur für k = 0 gegeben.
Hiermit folgt aus (2.4-27)
L
N-1
c = ~ ;;( vT) e - j2nmv/ N. (2.4-30)
m
v=O
Um festzustellen, ob wir mit dieser Lösung tatsächlich ein Minimum von Q gefun-
den haben, setzen wir sie in (2.4-26) ein und erhalten bei Berücksichtigung von
(2.4-29)
N-1
~ ~ J'2n~ v/N
i:c ~e
1
=N
L ;;( L
N-1
nT)
N-1
ej2n~( v- n ) /N = ;;( vr). (2.4-31)
~=O n=O ~=O
Hieraus folgt Q = 0, d.h. das Approximationsproblem (2.4-26) wird durch eine In-
terpolation gelöst. Man spricht deshalb in diesem Zusammenhang von tri g o n 0 me-
trischer Interpolation [2.12J. Wir setzen nun die Beziehung (2.4-24) in
(2.4-30) ein und erhalten
=
L L
N-1
j2n(k-m)v/N
U (~T) e
v=O k=- =
= ifT
1 L= U (~) L
N-1
e j2n(k-m)'J/N • (2.4-32)
k=- = v =O
=
cm = ~T L U (mN;N) = ~T u( ~) (2.4-33)
n=- =
2.5 Literatur 75
N-1
~(vT) = J.r L ~U ( .!!!...)
NT e
j2 TTmv/N
, v=0,1, ••• N-1. (2.4-35)
m=O
Die Beziehungen (2.4-34) und (2. 4-35) stellen den gesuchten eindeutig umkehr-
baren Zusammenhang zwischen jeweils N Abtastwerten im Zeitbereich und im Fre-
quenzbereich dar. Sie entsprechen der dis k re te n F 0 u r i e r - T r ans f 0 r m a-
ti 0 n, mit der wir uns im folgenden Kapitel eingehend befassen werden.
Festgehalten werden sollte noch, daß für T ~ 1/\,fN die periodisierten Funktionen
~(vT) und U(m/(NT}} mit wachsendem N gegen die Signalfunktion uf t ) bzw, das
Spektrum U(f) streben. Es existiert also immer ein genügend großer Wert von N
derart , daß die Abbildung von Signalen uf t ) auf ihre Spektralfunktionen U(f) und
umgekehrt durch die diskrete Fourier-Transformation in jeder gewünschten Genau-
igkeit vorgenommen werden kann.
tervall ebenfalls ins Unendliche. Zum Konvergenznachweis U ... U muß man daher
von dem Intervall Ifl ~ 1/(2T} ausgehen. Entsprechendes gilt für die Signalfunk-
tion u( t) •
2.5 Literatur
2.1 Papoulis, A .: The Fourier Integral and Its Applications. New York, London,
Toronto: McGraw-Hill 1962.
2.2 Unbehauen, R. : Systemtheorie. München, Wien: Oldenbourg 1971.
2 .3 Abramowitz, M.; Stegun, I.A. (Hrsg.): Handbook of Mathematical Functions ,
New York: Dover Publications 1965.
2.4 Doetsch, G.: Funktionaltransformationen; in: Mathematische Hilfsmittel des
Ingenieurs, 1. Teil; Hrsg.: R. Sauer und I. Szabo, Berlin, Heidelberg, New
York: Springer 1967.
76 2. Signale und Spektren
2. 5 Lighthill, M.J.: Einführung in die Theorie der Fourier-Analysis und der ver-
allgemeinerten Funktionen . Mannheim, Wien, Zürich : Bibliogr. Institut 1966.
2.6 Giloi, W.: Simulation und Analyse stochastischer Vorgänge, 2 . Aufl. Mün-
c he n , Wien: Oldenbourg 1970.
2.7 Davenport, W.B.; Root, W.L. : Random Signals und Noise. NewYork, Toron-
to, London : McGraw-Hill 1958.
2.8 Doob, J.L. : Stochastic Processes. New York: Wiley 1953.
2.9 Schüßler, H. W. : Digitale Systeme zur Si gnalverarbeitung. Berlin, Heidelberg,
New York : Springer 1973.
2.10 Oppenheim, A. V.; Schafer, R. W.: Digital Signal Processing. Englewood
Cliffs, N.J. : Prentice-Hall1975.
2.11 Rabiner, L. R.; Gold, B.: Theory and Application of Digital Signal Processing.
Englewood Cliffs, N.J. : Prentice Hall 1975.
2.12 Zurmühl, R .: Praktische Mathematik für Ingeni eure und Physiker, 5. Aufl ,
Berlin, Heidelberg, New York: Springer 1965.
2.13 Bauer, F .L.; Stetter, H. J .: Zur numerischen Fourier-Transformation.
Numer. Math , 1 (1959) 208-220.
3 Die diskrete Fourier-Transformation
eindeutig umkehrbar auf di e Folge !y~ I = !yo' y1"" 'YN-1 1 abbildet. Die Trans-
format ionskonstante T soll reell und positiv, i m übrigen aber beliebig definierbar
sein. Die Eindeutigkeit de r Umk ehrtransformation
N-1 N-1
1
x v = NT
L
\.1=0
ej2TT ~V/N
TL n=O
x e -j2TT\.1n/N
n
N-1 N-1
1
=N L L
n=O
x
n
~=O
e
j2TT~( v- n )/ N
=x •
v
(3.1-3)
wi r d . Bezüglich der Wahl von T wird hier keine generell e Festlegung getroffen, da
immer di e Möglichkeit gegeben sein soll, T durch ein Abtastintervall zu spezifizieren
( vgl , Abschnitt 2.4). Lediglich im Kapitel 4, wo es um die A lgorithmen zur numeri-
schen Ausführung der DFT ge ht , werden wir zur Vereinfachung der Schreibweise
T = 1 setzen.
Iy
IJ.
I = DFT [x
v
l, [x
v
I = IDFT!y
IJ.
I, (3.1-4)
[x
v
I 0---" lyIJ. I, lyIJ. \,,---0 [x
v
I. (3.1-5)
-1
:L = ':!!.~, ~ = W :L (3.1-6)
schreiben, wo die Matrix W der DFT und ihre Inverse vrl wie folgt definiert sind:
1 1 1 1
2 N-l
1 w w w
2(N-1)
w2 -0 für T => t/'fN
W=T 4 => W
1 w w
(3.1-7)
N-l (N_1)2
1 w w
1 1 1 1
-1 -2 -(N-l)
1 w w w
-1 1 => W- l
W =NT 1 w
-2
w
-4
w
-2(N-l)
-0
für T => l/m
(3.1-8)
2
-(N-l) -(N-l)
1 w w
-J02TT/N
w =e (3.1-9)
e ingeführt. Setzen wir speziell T = l/m, so ne nne n wir die Matrizen ~ bzw. ~1,
wi e oben ange deutet ist. Diese Ma t r i z e n haben eine Reihe besonderer E igenschaften,
3.1 Definition und Darstellung 79
1 1
Wo = W_ O" W-
- 0
- (W- )
- - 0
I
' ( 3.1-1O)
wobei d ie transponierte Matrix durch eine n St r ich geke nnz eich ne t wurde , und a uß er-
dem zueinander k 0 n j u g i er t - kom p lex:
-1 *
~O = ~O· {3.1-11 }
-1 +
Somit ist ~O auch die zu ~ a dj u ng i er te Ma t rix '!!.O :
-1 +
~O = ~O • {3.1-1Z}
Für den allgemeinen Fall mit e i ne r beliebigen Tr a nsfor m a ti onskonst a nte n T ergibt
s ich entsprechend
{3.1 -13}
{3.1-14}
1 1
k -j2 nk /N
w e
Zk -j2 nZk/N
w e
~k .- = {3.1-15}
N-1
1. = ~!. = T L
k=O
xk ~k' (3.1-16 )
N- 1
!. =~
-1
l. =NT
1
L
k=O
{3.1-17 }
80 3. Die diskrete Fourier-Transformation
Im folgenden ist W immer als DFT-Matrix für die Transformation von N Werten auf-
zufassen. Wenn die Anzahl der zu transformierenden Elemente n *N ist, so erhält
die zugehörige DFT -Matrix den Index n,
3.2 Abbildungsgesetze
*
u x
n n (3.2-1)
erklärt. Eine Vertauschung in der Reihenfolge der Vektoren führt auf den konjugiert-
komplexen Zahlenwert
N-1
= x+u = \ ' x * u = (u-,-x) * • (3.2-2)
-- L n n
n=O
(3.2-3)
(3.2-6)
Das i nne r e Produkt zweier Vektoren aus RN is t invariant gegen unitäre Transfor-
mationen, also auch gegen die DFT mit der Matrix WO : Sei ~ =W ~ und y.. = W~ ,
so gilt wegen (3.1-12)
(3.2-7)
Insbesondere folgt hieraus, daß die Norm eines Vektors bei der Transformation mit
Ji o erhalten bleibt:
(3.2-8)
(3.2-9)
I
entsprechenden Linearkombination von WX\i:
W
-
j\'
'-::
c \i -x v = \'
'-::
c v Wx
- - \i '
c
v
skalar. (3.2-10)
Bei m ehr f ach e r A n wen dun g der DFT gelten Regeln, die genau denen der
mehrfachen Anwendung der Fourier-Transformation entsprechen (vgl. Abschnitt
2.1. 1). Wir betrachten zunächst die zweifache Anwendung und berechnen dazu die
82 3. Die diskrete Fourier-Transformation
Matrix Y{~, die die Elemente a ik haben möge. Diese Elemente ergeben sich bei Be-
rücksichtigung der Summenorthogonalität (2.4-29) zu
a ik = N1 L
N-l
w
vi
w
vk
=
11 für i = k = 0
.. ,
1 fur 1 + k = N (3.2-11)
v=O 0 sonst
r~ _~ J r~
1 1 o o
2 -j -1 o o
l
-0 = '4
W 1 1 2 (3.2-12)
-1 1 o 1
1 -1 -J 0 1 o
Y{~ ist also eine Permutationsmatrix, die lediglich die Reihenfolge der Elemente
x o' Xl"'" x N_1 eines Spaltenvektors, auf den sie angewendet wird, in x o' x N_1'
x N_2' ••• ,xl umkehrt. Das Element X übernimmt gewissermaßen s tellvertretend
o
die Rolle des (in der Zahlenfolge nicht auftretenden) Elementes x das nach (3. 1-2)
N'
den gleichen Wert hätte. So ist auch hier eine volle Analogie zu der entsprechenden
Beziehung (2.1-18) bei der Fourier-Transformation gegeben. Da Y{~ eine symme-
trische Permutationsmatrix ist, muß ihr Quadrat gleich der Einheitsmatrix .!. sein,
d s h, y{0 ist wie der Fourier-Operator (Abschnitt 2.1.1) zyklisch vom vierten Grade:
4
WO =.!.· (3.2-13)
Hieraus folgt
3
y{0 = y{0 = y{0
-1 '* (3.2-14)
und
(3.2-15)
y{
* = T'fN Y{O'* = TYN'!!.O3 = '!!.O2 '!!. (3.2-16)
darstellen.
3.2 Abbildungsgesetze 83
Wegen (3.2-13) kann ~O genau wie der Fourier-Operator nur die vier Eigen-
wer te ± 1 und ± j besitzen. Hinsichtlich der Ei gen v e k tor e n von ~O besteht
auch eine enge Verbindung zu den Eigenfunktionen der Fourier-Transformation. Zu-
nächst sei festgestellt, daß ~O als unitäre Matrix stets diagonalisierbar sein muß
(z , B. [3.1]). Da ~ und ~O sich gegebenenfalls nur um einen konstanten Faktor
unterscheiden, gilt das auch für die Matrix W. Eine entsprechende Äquivalenztrans-
formation
(3.2-17)
wo M die Eigenvektormatrix und ~ die aus den Eigenwerten von ~ gebildete Dia-
gonalmatrix sein soll, ist bisher noch nicht angegeben worden. Es läßt sich auch
nicht von vornherein sagen, ob eine solche Darstellung Anwendungen in der Signal-
verarbeitung finden würde. Die Möglichkeit, daß die Ausführung der DFT
(3.2-18)
über die rechts stehenden Operationen bei geeigneter Wahl von ~ numerisch effek-
tiver sein könnte, als die schnelle Fourier-Transformation, ist nicht ohne weiteres
auszuschließen [3.3 J •
Wir gehen im folgenden kurz auf die Eigenvektorbestimmung nach [3.4J ein. Dazu
betrachten wir hier noch einmal die Beziehung (2. 1-77)
gelten. Setzen wir hierin T = 1/VN, so sind die periodisierten Hermiteschen Funk-
tionen auf beiden Seiten zahlenmäßig gleich. Die Größen
=
L v = 0 , 1 , ••• ,N-1 (3.2-20)
84 3. Die diskrete Fourier -Transformation
pn = (3.2-21)
(3.2-22)
Das gilt für jede Ordnungszahl n = 0,1,2, ••. der Hermiteschen Funktionen. Natür-
lich können nur N linear unabhängige Eigenvektoren auftreten. Bei einem für N = 8
ausgerechneten Beispiel [3 . 4J entsprechen diese offenbar den Ordnungszahlen n = 0,
1, ••• ,7. Für diesen Fall sind die Elemente der Eigenvektoren EO bis E,3 in Bild 3.1
im Vergleich mit den entsprechenden Hermiteschen Funktionen dargestellt. Orthogo-
nalität besteht nur für Eigenvektoren, die zu verschiedenen E igenwerten gehören.
Beispielsweise sind EO und E4' die beide zum Eigenwert 1 gehören, nicht zueinan-
der orthogonal, während für alle Paarungen der dargestellten Vektoren Orthogo-
nalität besteht. Numerisch ist die Berechnung der Eigenvektoren nach (3.2-20)
unproblematisch, da die Hermiteschen Funktionen jenseits des letzten Wendepunktes,
dessen Abszisse sich aus der Differentialgleichung (2.1-63) zu x
w
=~ ergibt,
wie exp( _x 2/2) verschwinden. Die Anzahl der zu berücksichtigenden Summenglieder
ist dann von der Größenordnung 2 '{2n.
2
!.g = (!. + ~o!.) /2 , (3.2-23)
in einen geraden und einen ungeraden Anteil zerlegen. Bei der DFT mit Y.. = Wx wird
x auf den geraden und -u
-g x auf den ungeraden Anteil von "-
v abgebildet. Das läßt sich
leicht zeigen, wenn man beachtet, daß ~ und ~O' die sich gegebenenfalls nur um
3 .2 A bbil dungsgesetze 85
n=0 0,3
1 \ 'l'o/f8'
10.2 .>
/ \
/ 0,1 \
't,
1
I /1 I
o1 2 3 5 6 7 B v
0,3
\ 1j', !YB'
n =1 0,2 V-
I
I
0,1 II \\
..... 5 6 7
,\ ,0 2 3 4 B v
\ I
I
\ I
\ I
n =2 0,3
'-
I
\ 0 ,1 B v
\ I
\ I
, I
\ I
0,3
(3.2-25 )
(3.2-26)
Wir zerlegen nun x und x sowie y _ und 1.. in Realteile (Index r-) und Imaginär-
-g -u -g u
teile (Index t ) und untersuchen die entsprechende Abbildung durch die DFT. Da
nach (3.2-16) y!.* = y!'~y!. gilt und ein gerader Vektor invariant gegen Multiplika-
tion mit y!.~ ist, während ein ungerader Vektor bei dieser Operation nur im Vor-
zeichen geändert wird, erhalten wir
v =-21 (v....g +
*
L) =-21 (Wx W
**
x ) =-21 W(x *
x ) = Wx ,
....gr -g --g + - -g - -g +
-g --gr
v ,
1
=-2' (v - v )
* 1
=-2' (Wx - W x )
** 1
=-2' W(x - -g
x )
* = WX ,
....gl J "'"g ....g J --g - -g J - -g - -g1'
v ,
1
=-2' (v
* 1
=-2 ** 1
=-2 *
x ) = -jWx
....Ul J ....u - "-U
v ) J' (Wx
--u - W x )
- -u J' W(x
- -u + -u --ur •
.. .
-x =-gr
x + x
-ur + jx , + jx ,
-gl -Ul
9 9 Q 9 _0
: 1.. (3.2-27)
...- -...
.:>
I i .....
Eine spezielle Folgerung hieraus. die in entsprechender Weise auch für die Fourier-
Transformation gilt. ist: Wenn ~ und 1.. beide reell sind, dann müssen sie auch ge-
rade sein und umgekehrt.
Ein Analogon zum Faltungssatz (2.1-25) der Fourier-Transformation läßt sich all-
gemein nur für die sogenannte zyklische diskrete Faltung angeben. Diese
Faltungsoperation verknüpft zwei Zahlenfolgen lc o. c 1 • • • • • c N_ 1 und IbO' b , ••• ,
1 1
3.2 Abbildungsgesetze 87
b
N_1
! zu der Zahlenfolge la
O,a 1
, ••• ,a
N_ 1
! in der folgenden Weise
a Co c _ c _ b
o N 1 N 2 cl O
a cl Co c _ c b
1 N 1 2 1
a
2
=T c
2 cl Co c
3
b
2
(3.2-28)
a _ c _ c _
N 1 N 1 N 2 cl Co b _
N 1
Bezeichnen wir den links stehenden Spaltenvektor mit~, den rechts stehenden mit
~ und die Matrix mit C, so ergibt sich die vektorielle Darstellung der zyklischen
diskreten Faltung
Die Matrix C ist eine sogenannte Z ir k u la nt e. Sie hat auf allen Diagonalen je-
weils gleiche Elemente. Darüber hinaus geht jede ihrer Spalten durch zyklische
Vertauschung der Elemente aus der vorhergehenden hervor . Die zyklische Vertau-
schung der Elemente der letzten Spalte führt wieder auf die erste Spalte. Die Matrix
läßt sich also durch "Zirkulation" der Elemente der ersten Spalte aufbauen und ist
damit durch den Spaltenvektor
c = (3.2-30)
a = Tc '"' b (3.2-31)
Die Konstante T wurde in die zyklische Faltung einbezogen, weil sie auch in der dis-
kreten Faltung (2. 4-11) auftritt. Sie läßt sich als Abtastintervall interpretieren und
entspricht der Transformationskonstanten der DFT in (3. 1-1) •
88 3. Die diskrete Fourier-Transformation
Zirkulante Matrizen sind stets diagonalisierbar. Ein vollständiger Satz von orthogo-
nalen Eigenvektoren sind die konjugiert-komplexen Werte der in (3.1-15) eingeführ-
ten Spaltenvektoren ~k:
N-1
A - ~ c wk v (3.2-33)
k - L v
v=O
Die Gültigkeit von (3.2-32) läßt sich zeilenweise leicht nachprüfen. Für die (IJ,+ 1)-
te Zeile gilt
IJ, N-1
(clJ.,clJ._1,···,cO,cN_1,cN_2,···,clJ.+1)~: = L
v=O
c
IJ.- V
w
-vk
+
L
v=IJ.+1
c vw
-(N+IJ.- v)k
N-1
L
*
Die Eigenvektormatrix wird spaltenweise aus den normierten Eigenvektoren ~k/'{N
für die das innere Produkt gleich 1 ist, gebildet. Die zu C gehörige Eigenvektor-
matrix ist also ~; = ~Ö1, und die Äquivalenztransformation lautet
(3.2-34)
-1 . ( )
~~~ = Diag \ ' (3.2-35 )
-1 -1
da die Proportionalitätskonstanten sich wegen ~O~O = ~ W =.!.. aufheben müs-
sen. Die Umkehrung von (3.2-35) ist
(3.2-36)
3.2 Abbildungsgesetze 89
und die zyklische Faltung kann in der folgenden Form dargestellt werden :
(3.2-37)
Die Elemente TA der Diagonalmatrix hierin entstehen nach (3.2-33) durch DFT der
k
Zahlenfolge [c
\!
I:
(3.2-38)
a b a b
o O O O
a b a b
1 1 1 1
a 0 b := (3.2-39)
a b a b
N_ 1 N_ 1 N_ 1 N_ 1
(3.2-40)
Multiplizieren wir von links mit Y:!., so ergibt sich ein Analogon zum Faltungssatz
der Fourier-Transformation:
(3.2-41)
Die zyklische Faltung wird also durch die DFT auf die Multiplikation im Sinne von
(3.2-39) abgebildet. Ebenso läßt sich zeigen, daß die Multiplikation zweier
F 0 I gen durch die DFT auf die zyklische Faltung abgebildet wird :
(3.2-42)
90 3. Die diskrete Fourier-Transformation
Diese Beziehung stellt ein Analogon zum Multiplikationssatz (2.1-32) der Fourier-
Transformation dar. Als Beispiel hierzu betrachten wir die beiden N-zeiligen Vek-
toren
(3.2 -43)
welche die Rollen der Einheitselemente bei der Multiplikation bzw, bei der zykli-
schen Faltung spielen. Bei Anwendung auf einen N-zeiligen Spaltenvektor ~ gilt
nämlich
w
-0
0a=T6
- -=0
*a=Ia=a,
- - - - (3.2-44)
da die den Operationen entsprechenden Matrizen gleich der Einheitsmatrix ...!. sind.
Insofern stellen die Vektoren ~ und:fYO Analoga zur Deltadistribution bzw. zu der
Konstanten 1 bei den kontinuierlichen Signalen dar. Entsprechend zu 6(t) ~ 1
sind ~ und :fYO durch die DFT miteinander verknüpft :
(3.2-45)
Umgekehrt gilt
2
WW (3.2-46)
- - O=NT6,
-0
wie man durch Anwendung der Summenorthogonalität (2.4-29) leicht zeigen kann.
Ein Test für den Multiplikationssatz (3.2-42) ist die Identität
(3.2-47)
Wir betrachten nun noch einige Eigenschaften der zyklischen Faltung und der Mul-
tiplikation von Folgen. Beide Operationen sind als Produkte von Matrizen mit Spal-
3.2 Abbildungsgesetze 91
tenvektoren erklärt und somit linear. Daher gilt die Dis tri bu t i v i t ä t
'.([ob) L
-
V
v-v
v
0' (a
v -
0 b ) ,
-v
(3.2-48)
Hierin sind die ~v sowie ~ Spaltenvektoren und die O'v Skalare. Die zyklische Fal-
tung und die Multiplikation von Folgen sind außerdem für sich jeweils kom mut a-
tiv
~ * ~ =~ * ~, a 0 b =b v u (3.2-50)
und ass 0 z i a t i v
(3.2-51)
(~ 0 ~) * c '" a 0 (~*.!2.).
Wir betrachten schließlich noch Analoga zu den Ver schi e bu n g s sät zen (2.1-11)
und (2.1-12) der Fourier-Transformation. Dazu definieren wir die N-zeiligen Spal-
tenvektoren
0 0 1 0 X x
o 2
0 0 0 1 xl x
3
T~2 *~ = (3.2-53)
1 0 0 0 x X
2 o
0 1 0 0 x xl
3
Wie man aus (3.1-16) bzw. (3.1-17) unmittelbar ersehen kann, sind DFT und
IDFT von ~k durch
(3.2-54)
gegeben. Nach (3. 2 -41) wird die zyklische Verschiebung durch die DFT folgender-
maßen abgebildet :
(3.2-55)
Dabei ist 1. = ~~. Die Verwandtschaft zum Verschiebungssatz (2. 1-11) ist leicht
zu erkennen, wenn man die Komponente y des Vektors 1. betrachtet: Sie wird mit
~
dem Phasenfaktor exp( - j2lT~k/N) multipliziert, wenn die Elemente des Vektors ~
k-mal zyklisch vertauscht werden.
(3.2-56)
(3.2-57)
wobei x das {k+l)-te Element von ~ ist. Die Abbildung dieser Operation durch
k
die DFT führt auf
(3.2-58)
w 0 w = w (3.2-59)
-k -m -k+m'
3.3 De z i m ie r u ng und Segmentierung von Folgen 93
~k für k = m
(3 .2-60)
1
T~k o~m=
o für k '*' m, 0 = Nullvektor
(3 .2 -61)
für k = m
(3.2 -62)
für k '*' m
Die De z im i e r ung und die Se gm e nt ie r ung vo n F ol ge n spielen wichtige Rolle n bei der
numerischen Ausführung der DFT durch die schnelle Fourier - Transformation (vgl.
Kapitel 4) .
Wir dez i m i er e n eine Folge von N Elementen dadurch, daß wir jedes n -te Ele-
ment herausgreifen und die dazwischen liegenden Elemente durch Nullen ersetzen.
Durch Weglassen der Nullen können wir aus dieser Folge dann auch eine entspre-
chend verkürzte Folge bilden. Von praktischer Bedeutung ist der Fall, wo n ein Tei-
ler von N ist. Genau dann läßt sich die Dezimierung als zyklische Operation definie-
ren . Wir setzen daher in diesem Abschnitt
voraus . Ein N-zeiliger Vektor ~ läßt sich dann auf mindestens zwei verschiedene
Weisen durch dezimierte Folgen darstellen :
n-1 m -1
m-1 n-1
=T LL
k=O \)=0
m-1 n-1
=T LL
k =O \)=0
xk+\)m ~k+ \)m
(3.3-3 )
94 3. Die diskrete Fourier-Transformation
Die Gültigkeit dieser Beziehungen ersieht man daraus, daß die in geschweiften Klam-
mern stehenden Doppelsummen genau den Einheitsvektor :y!O darstellen. Zur Verein-
fachung der Schreibweise definieren wir den Dezimierungs-Operator
der ein Analogon zum Impulskamm darstellt, mit dessen Hilfe wir die Diskretisierung
kontinuierlicher Signale im Abschnitt 2.4 mathematisch beschreiben konnten. Dieser
Operator greift aus einem (N = nm ) -zeiligen Vektor ~ - begi nnend beim EIern ent x
k-
jedes n-te Element heraus und erzeugt so einen N-zeiligen Vektor mit m nicht allge-
mein verschwindenden Elementen. Den Beziehungen (3.3-2) und (3.3-3) entsprechen
dann Zerlegungen, die unter Verwendung des Dezimierungs-Operators folgendermas-
sen geschrieben werden können:
m-l
x ° d(k) \' x ° d(k) • (3.3-5)
-n,m L -m,n
k=O
X 0
o
0 Xl
x 0
X=XO d(O) +XO d(l) 2
+
- - -2,3 - -2,3 0 x
3
x 0
4
x
0 5
und
X 0 0
o
0 Xl 0
x =x
- -
° d(O) + x ° d(l) +xod(2)
-3,2 - -3,2 - -3,2
° +
0
+
x
2
x 0 0
3
0 x 0
4
0 0 x
5
3.3 Dezimierung und Segmentierung von Folgen 95
Se g me nt i er e n läßt sich eine Folge von N = nm Werten ebenfalls auf zwei ver-
schiedene Arten, die sich aus (3.3-2) einerseits und (3.3-3) andererseits ergeben,
wenn wir die Reihenfolge der Summationen vertauschen und den Se g m e nt i er u n g s
Operator
n-l
s(~):=T~ö .•• ,m-l (3.3-6)
-m,n L ..:::.t<+~n'
~=O,l,
k=O
einführen :
m-l n-l
x = L
~=O
xos(~) =~
- -m,n L
\1=0
X 0 s
-n,m
( \I)
(3.3-7)
X 0 0
o
xl 0 0
0 x 0
x e x s s(O) +xo s(l) +x o s(2) 2
- - -3,2 - -3,2 - -3,2 + +
0 x 0
3
0 0 x
4
0 0 x
5
und
0
X
o
xl 0
(1) x2 0
x
-
=-x ° s(O) + x
-2,3 -
0
~2,3 +
0 x
3
0 x
4
0 x
5
Zur Bestimmung der Abbildungen von Dezimierung und Segmentierung durch die
DFT müssen wir zunächst die diskreten Fourier-Transformierten der entsprechen-
den Operatoren berechnen. Hier genügt es, die Fälle k = 0 bzw. ~ = 0 zu betrach-
ten und dann den Verschiebungssatz (3.2-55) anzuwenden. Zur Vereinfachung der
96 3. Die diskrete Fourier-Transformation
Schreibweise lassen wir die hochgestellten Indizes weg, wenn sie gleich 0 sind. Es
gilt also: d ( O) "= d und s ( O) "= s • Für den letzteren Operator folgt aus
-n,m -n,m -m,n -m,n
(3.3-6) und (3.2-54) sofort
n-1
Ws
--m,n = T '~
\' ~k . (3.3 -8)
k=O
Ws (J.l.) = W(Tö
--m,n -
--n,m
(2.4-29) zu
m-1 m-1
mT für i = km, k=0,1, ••• , n - 1
T
L
\1 =0
e- j2TTi\ln/N = T
L
\1=0
e- j2TTi\l /m = {
0 sonst
(3.3-10)
Wd =mTd (3.3-11)
--n,m -m ,n
Die Beziehung (3.3-11) stellt ein Analogon zu (2.3-24) dar, wonach die Fourier-
Transformation e ines Impulskammes im Zeitbereich auf e inen Impulskamm im Fre-
quenzbereich führt.
Die multiplikative Anwendung von d auf einen Vektor x läßt sich als "Abtastung"
-n,m -
der aus den Elementen von ~ gebildeten Zahlenfolge interpretieren. Ihr entspricht
(3.3 -13)
Diese Beziehung ist ein Spezialfall des sogenannten U be r 1 ag e run g s s atz e s der
DFT [3.5J, der sich allgemein ebenfalls unmittelbar aus (3.2-42) ergibt:
(3.3-14)
3.3 Dezimierung und Segmentierung von Folgen 97
Die rechts in (3.3-13) stehende Faltungsoperation ist der Periodisierung nach (2.4-3)
vergleichbar: Sie verursacht eine Überlagerung der Elemente von :L derart. daß nur
die ersten m Zeilen von (3.3-13) linear unabhängigen Gleichungen entsprechen. Die
übrigen N-m Zeilen ergeben sich dann durch (n-l) -fache Wiederholung der ersten m
Zeilen. Das läßt sich genauer zeigen. wenn wir (3.3-13) unter Anwendung von(3.3-4)
in der folgenden Form schreiben:
n-l
g:= ~(~ 0 ~n.m) = T(m/N)
L
v=O
Lv "'" -ö vm •
(3.3-1S)
n-l
qk = (m/N) L
v=O
Y(k+vm)mod N = q(k+im)mod N' (3.3-16)
i ganz. k = O. 1 ••••• N - 1.
qo X YO + Y2 + Y4
o
ql 0 Y1+Y3+YS
q2 0 Y2 + Y4 + Yo (3.3-17)
1
=W "3
q3 x Y3+YS+Y 1
3
q4 0 Y4+YO+Y2
qs 0 YS+Y1+Y3
rr-d
.
.:.. - -m n {'
(rr os(v))
.:.. -n m. • v=O.l ••••• n-l • (3.3-18)
Hierin ist v aus dem angegebenen Wertevorrat beliebig wählbar. Das bedeutet fol-
gendes: Wir können die m relevanten Elemente von g wahlweise in die Plätze mit
den Indizes O.l •.••• m - 1 oder m m + 1 ••••• 2m - 1 oder 2m.2m + 1 ••••• 3m - 1.
j
usw. eines N-zeiligen Vektors einschreiben und die übrigen Zeilen dieses Vektors
mit Nullen auffüllen. Durch zyklische Faltung mit ~m n gelangt man in jedem Fall
•
zum Vektor g. Diese Operation ist hinsichtlich der Speicherplatz-Ökonomie bei der
numerischen Ausführung der DFT von Bedeutung. wie im folgenden Kapitel gezeigt
wird.
98 3. Die diskrete Fourier-Transformation
3.4 Literatur
3.1 Zurmühl, R. : Matrizen und ihre technischen Anwendungen, 4. Aufl. Berlin,
Göttingen, Heidelberg : Springer 1964.
3.2 Collatz, L. : Funktionalanalysis und numerische Mathematik. Berlin, Göttingen,
Heidelberg: Springer 1964.
3.3 McClellan, J .H.; Parks, T. W. : Eigenvalue and Eigenvector Decomposition of
the Discrete Fourier Transform, IEEE Trans . on Audio and Electroacoustics
AU-20 (1972) 66-74.
3.4 Achilles, D.: Uber die diskrete Fourier-Transformation und ihre Anwendungen
auf lineare zeitinvariante Systeme, Ausgewählte Arbeiten über Nachrichtensy-
steme, Nr. 15, herausgegeben von W. Schüßler. Universität Erlangen-Nürn-
berg 1971.
3.5 Achilles, D. : Der Uberlagerungssatz der diskreten Fourier-Transformation und
seine Anwendung auf die schnelle Fourier-Transformation. Arch, Elektr. Ubertr.
25 (1971) 251-254.
4 Die numerische Ausführung der diskreten
Fourier-Transformation
4.1 Vorbemerkungen
Im fo lgenden werden Prinzipien und Methoden zur numeri schen Ausführung der DFT
e rö r te r t. Vereinfachend set zen wir in di esem Kapitel d i e Transformationskonstante
T = 1. Di e Aufgabenst ellung be steht darin, aus N gegebenen (La. komplexen) Z ah-
l en x O ,x 1, · •• ,x N_ 1 die Z ahl en YO' Yl " " 'YN-l nach der F orm el
N-l
Y~ L
V=O
x e
v
- j2 n~ v/N
(4.1-1)
mit m ö gli chst geri ngem R echenaufwand zu b estimmen . Zunä chst ist zu bem erken,
daß d i e in (4.1-1) auftr etenden Koeffi zi enten insgesamt nur di e N verschiedenen
We rte e xp(-j2 nk/N) für k = O,l, •.• , N - 1 annehmen. Wir s etzen voraus, daß die-
s e Wert e z u r Verfügung s t ehen - entweder durch Abruf von ein e r vorher e rste ll ten
Da tenli s t e o d e r a ls Ergebni s einer Subr o utine. Im wesentli chen s ind dann nur noch
Multiplikatio n e n und Additione n b z w , Subtraktionen kompl e xer Zahlen a us z ufü h r e n .
Di e kompl e xe Mult iplikat ion e ntspr i c ht vier r eellen Multipli kationen und zw ei r e e l -
l en Add it ion en und ist s omit e i ne im Vergleich zur Addit ion seh r a ufwe ndige a r it h -
m eti s che Op eration.
Man kann deshalb davon ausgehen, daß di e für die gesam t e Transformation benötigte
R echenz eit bei Verwendung e i nes Allzweck-Digitalrechners et wa der Anzahl M der
insge sam t e r fo r de r lichen kompl exen Multiplikationen proportional i st. Diese Z ahl M
s tellt s omit a uc h ein geeig net es Maß für die Lei stungsfähigke it von Algorithmen zur
num eri s ch en Ausführung der DFT dar. Wird in diesem Zusamm enhang im folgenden
vo n Mult iplikationen ge sprochen , so v erstehen wir dar unte r di e Bildung der Produkte
jewei ls z weier kompl exer Z ahl en.
Prinzi pi ell läßt sich di e An z ahl der e r fo r de r lic hen Mult iplikationen durch
Auf dem Prinzip a basieren die meisten klassischen Methoden zur Ausführung der
DFT (z.B. [4.1]). Für relativ kurze Zahlenfolgen (z.B. N = 32) sind diese Metho-
den noch recht effektiv. Bei wesentlich längeren Zahlenfolgen , die früher jedoch
ohne Digitalrechner sowieso nicht verarbeitet werden konnten, s ind diese klassi-
schen Methoden ungeeignet, weil bei ihnen dann die Anzahl der auszuführenden Mul-
2
tiplikationen im wesentlichen proportional zu N ansteigt. Das gilt bei spielsweise
für die Rungesche Faltung (z.B. [4.2]), die zur DFT einer Folge von N = 4m re-
2
ellen Zahlen etwa N / 4 reelle Multiplikationen erfordert.
Es gibt sowohl klassische als auch moderne Verfahren zur numerischen Ausführung
der DFT , die beide Prinzipien a und b ausnutzen. Der Grundgedanke der FFT ist
also nicht neu, sondern schon vor Cooley und Tukey - allerdings in jeweils spezi-
eller Form bei klassischen Verfahren ausgenutzt worden [4.4-4. 7J. Moderne Ver-
fahren, die das FFT-Prinzip mit der Ausnutzung von Symmetrien der harmonischen
Funktionen koppeln , sind insbesondere Algorithmen der Basis 4, Basis 8 und Basis
16, sowie gemischter Basis [4.8-4.11].
n -l m-l
Y.. = LL
k=O \/=0
xk+\/n ~k+\/n ' (4.2-2)
deren Gülti gkeit a uch unmittelbar a us (3.1-16) z u e r sehen ist. Nach (3.2 - 59) gilt
a ber ~k+ \/n = ~k 0 ~ vn ' und wir erha lten
X
k +\/n w
- \/n I· (4 . 2- 3)
Das Prinzip de r von Cool ey un d Tukey in [4. 3J a ngegeb e nen Methode zur FFT b e-
s teht nun darin, zuerst di e n Teilvektoren
m-l
9.k = L
\/=0
xk+ \/n ~ vn' k =O,l, • • • ,n-l (4.2-4)
n-l
Y.. = L
k =O
~k 0 9.k (4.2-5)
m -l
L
\/=0
xk+\/n e
- j2 n~ \//m
, ~=O,l, ••• ,m-l, (4.2-6)
wä h rend m an d i e übrigen N -rn El e ment e offe ns icht li c h durch periodische Forts et-
zung e r hält:
Wir gehen zunächst vo n de r Ann ahme a us , da ß a uch die Multiplikationen mit dem
Faktor W O = 1 ausgeführt werden. Zur Bestimmung der n Vektoren 9.k sind dann
2
nm = mN Multiplika ti on en notwendi g. Dazu kommen nN Multiplikationen für die
102 4. Die numerische Ausführung der diskreten Fourier-Transformation
Ausführung der Operation (4. 2-5). Der Gesamtaufwand zur Transformation y.. = Y!.. ~
entspricht somit Nf n- m ) Multiplikationen.
Wenn N noch weiter faktorisierbar ist, so läßt sich das geschilderte Prinzip wie-
derholt anwenden. Beispielsweise sei m = rp mit r,p > 1, ganzzahlig. Die n dis-
kreten Fourier-Transformationen , die nach (4.2-4) auszuführen sind, lassen sich
dann ihrerseits in je p (bzw , r) diskrete Fourier-Transformationen von jeweils
r (bzw , p ) Elementen unterteilen, wobei jede dieser Transformationen m (p-r )
Multiplikationen erfordert . Der Gesamtaufwand bei der DFT einer Folge von N = npr
komplexen Zahlen entspricht dann der Ausführung von Nn + nrnf p-r-) = N{n+p+r)
Multiplikationen. Es ist leicht einzusehen , daß die DFT von
n
n
Die Anzahl der erforderlichen Multiplikationen läßt sich noch weiter reduzieren
durch Nichtausführung von Multiplikationen mit dem Faktor wO, durch Anwendung
des Uberlagerungssatzes der DFT (Abschnitt 4.3) und durch Ausnutzung von Sym-
metrien in den harmonischen Funktionen (Abschnitt 4.4) •
Zunächst stellen wir einige Uberlegungen zur S p ei c her p l atz - Öko n 0 m i e an.
Würde man alle Elemente der nach (4. 2-4) berechneten Vektoren g k speichern,
so wären hierfür insgesamt nN Speicherplätze erforderlich. Da jeder Vektor
<I.k jedoch nur m relevante Elemente enthält, die durch (4. 2-6) definiert sind, wäh -
rend die übrigen sich durch periodische Fortsetzung nach (4. 2-7) ergeben , ist es
plausibel, daß man auch mit nm = N Speicherplätzen auskommen kann. Wir bilden
dazu aus den n Vektoren gk einen N-zeiligen Vektor ~ derart, daß die ersten m
Elemente von ~ den relevanten Elementen von go' die nächsten m Elemente von
~ denen von g l' usw. entsprechen. Der Vektor ~ ist also durch
n-1
~=L (4.2-10)
k=O
4.2 Prinzip der schnellen Fourier-Transformation 103
gegeben. Umgekehrt erhalten wir die Vektoren ~k aus ~ durch Ausblenden der
entsprechenden Elemente von ~ und periodische Fortsetzung
Es muß nun gezeigt werden, wie wir einerseits von ~ zu z und andererseits von
~ zu y... gelangen. Nach (4. 2-6) gilt
0 0 0 0
qk,O w w w w x
k
0 n 2n {m-1)n
qk,l w w w w x k+n
2n 4n 2{m-1)n
. (4.2-12)
0
qk,2 w w w w x k+ 2n
=
. • 2
0 (m-1)n (m-1) n
Qk,m-1 w w w x k+{m-1)n
Die Matr-ix hierin, die wir ~m nennen, entspricht der DFT-Matrix für m Elemente.
Dabei ist wie bisher w = exp{ - j2TT/N). Um die Teiloperationen (4. 2-12) in der Ma-
trixdarstellung der gesamten DFT separieren zu können, nehmen wir nun eine Per-
mut at ion der Elemente x vor, indem wir die durch Dezimierung entstandenen
N-zeiligen Vektoren x ° d{k)" zuerst durch Weglassen der Nullelemente auf m-
- --fl,m
zeilige Vektoren, die wir ~k nennen wollen, komprimieren und dann aus diesen Teil-
vektoren einen neuen Vektor nach
~O
~1 = Px (4.2-13)
~n-1
bilden. Dabei sei P die Matrix, die diese Permutation beschreibt. Es gilt dann
W ~O
-m
W ~1 (4.2-14)
-m
z =
W
-m ~n-1
wobei 91 die Matrix ist, die durch diagonale Anordnung der n DFT -Matrizen Y! m
entsteht.
104 4 . Di e numeri sche Ausführung der di skreten Fourier-Transformation
Die entsprechende Abbildung von ~ a uf 1. ergibt sich durch Einsetzen von (4.2-11)
in (4.2-5)
n-1
1. = L
k =O
w
-k
o[d
-m,n
* (s(k) oz}].
-n,m - (4.2-15)
n-1
1. = L
k=O
Q D S(k} z.
-k-m,n-n,m -
(4.2-16)
Die Matrizen hierin lassen sich ausmultiplizieren und summieren. Das Ergebnis
ist eine N - z e ili g e quadratische Matrix
n-1
G := \ ' Q D S(k} (4.2-17)
-2 L -k-m,n-n,m '
k=O
di e eine m at h e m at i s c heB e s c h r e i b u n g des S i g n al f I u ß g rap h e n der
Abbildung von ~ auf 1. darstellt. Insgesamt gilt dann
(4.2-18)
vor. Die Matrix 91 beschreibt dann den Signalflußgraphen , nach welchem die Ab-
bildung des Vektors ~~ auf den Vektor ~ zu erfolgen hat.
Als einfaches Beispiel betrachten wir den Fall N = 6, zunächst mit m = 3 und n = 2.
Die Permutation (4.2-13) hat hier die Form
1 0 0 0 0 0
X
o X
o
x 0 0 1 0 0 0 xi
2
x 0 0 0 0 1 0 x
Px =
4 2 (4.2-19)
xi 0 1 0 0 0 0 x
3
x 0 0 0 1 0 0 x
3 4
x 0 0 0 0 0 1 x
5 5
4 .2 Prinzip der s c hn e ll e n Fourier-Transform ation 105
0 0 0
w w w
0 2 4
w w w
0 4 8
w w w
91 0
w
0
w
0 {4.2-20}
w
0 2 4
w w w
0 4 8
w w w
0 0
w 0 0 w 0 0
0 1
0 w 0 0 w 0
0 2
0 0 w 0 0 w
92 = 0 3
{4 . 2-21}
w 0 0 w 0 0
0 4
0 w 0 0 w 0
0 5
0 0 w 0 0 w
Der zugehörige Signalflußgraph ist in Bild 4.1 mit einer von rechts nach links lau-
fenden Flußrichtung dargestellt , so wi e es der Anwendungsreihenfolge der Matrizen
2. 1 und 92 entspricht. Wir erkennen drei Knotenebenen , die den Ergebnissen der
jewe i li ge n Teilschritte entsprechen: Recht s stehen die Elemente des permutierten
wO
Yo Xo
Y, Xl
Yl X4
YJ Xl
Y4 Xl
Bild 4.1. Signalflußgraph für FFT
von N = 6 Werten bei
m = 3 und n = 2 Ys Xs
106 4. Die numerische Ausführung der diskreten Fourier-Transformation
Vektors ~!.' in der Mitte die Elemente Zv des Vektors ~ =91~~ und links die
Elemente des Vektors 1. =92 ~. Den Signalflußgraphen gewinnt man aus den Ma-
trizen 9 1 und 9 2 auf folgende Weise : Ist das jeweilige Matrixelement in der i -ten
Zeile und k-ten Spalte von Null verschieden, so zieht man einen Pfeil vom k-ten
Punkt derjenigen Knotenebene , die dem Vektor entspricht, auf welchen die Matrix
anzuwenden ist , zu dem i-ten Knotenpunkt der links benachbarten Knotenebene und
bewertet den Pfeil mit dem Matrixelement • Di e Bewertungsfaktoren sind in Bild 4 .1
mit dem nach w n = w(n)mod 6 kleinstmöglichen Exponenten angegeben .
0 0 0 ] 0 0
Yo w 0 w 0 w 0 w w X
o
0 1 2 0 3
Y1 0 w 0 w 0 w w w x
3
0 2 4 0 0
Y2 w 0 w 0 w 0 w w xl
0 3 6 0 3
Y3 0 w 0 w 0 w w w x
4
0 4 8 0 0
Y4 w 0 w 0 w 0 w w x
2
0 w
0
0 w
s 0 w
10
w
0
w
3
X
Ys s
(4 .2-22)
wo 91 durch die rechte und 92 durch die linke Matrix gegeben ist. Der zugehörige
Sig na lfl ußg r a ph ist in Bild 4.2 dargestellt. Die für diese Form der Dezimierung er-
forderli che Permutation ist bereits ausgeführt. Die Permutationsmatrix ist nicht ge-
sondert angegeben .
wO Zo wO
Yo Xo
Y, Xl
Yz Xl
Yl X4
Ys Xs
w4
Die Matrizen 91 und 92 lassen sich ohne Schwierigkeiten für beliebige Werte von
n und m bestimmen. Es ist somit möglich , die Entwicklung der zugehörigen Si-
gnalflußgraphen für beliebige Faktorisierungen von N zu programmieren.
4.3 Anw endung des Üb erlagerungs s atzes 107
Die Anw endung des Überlagerungssatzes der OFT in der speziellen Form (3. 3-13)
ermöglicht e in e vort eilhafte Modifikation der oben b eschriebenen Methode zur FFT
[ 4 . 18J. Im Abs chnitt 3. 3 wurde bereit s gezeigt, d aß di e Elem ent e Y des gesuchten
I.J.
Vektors 1. und die e r s t e n m Elem ent e Zv = q v des Vektors ~, der nach Ausführung
von (4.2-1 4) a ls Zwi schenergebni s bekannt ist, durch das lineare Gl eichungssystem
( 3.3-16) verknüpft s ind , das a us füh r lich geschrieben folgenderm aßen l autet :
n za = Ya + Ym + Y2m + + Y(n-1)m
n z1 = Y1 + Ym+ 1 + Y2m+ 1 + + Y(n-1)m+1
(4. 3-1)
n z
m-1 = Ym-1 + Y2m - 1 + Y3m - 1 + + Yn m-1
(4.3-2)
Wir ge hen nun folgendermaßen vor: Zuerst werden a ll e Elemente za' z1 ' •.. ,z s be-
s ti m m t , s o wie e s dem e r s t e n Teil des Signalflußgraphen von Bild 4.1 entspricht.
Aus di esen werden dann di e Wert e Ya ' Y1 und Y2 nach
(4.3-3)
108 4. Die numerische Ausführung der diskreten Fourier -Transformation
berechnet. Die Elemente Y3'Y4 und Y hingegen ermitteln wir aus (4 .3-2):
5
Y3 = 2 zo - Y0 = zo - z3 '
Y4 = 2 zl - Yl = zl - w z4 ' (4 .3-4)
2
Y5 = 2 z2 - Y2 = z2 - w z5 •
wobei zu beachten ist, daß die rechts stehenden P r od ukte schon in (4.3 - 3 ) auftre-
ten und mithin bekannt sind. Hieraus folgt eine Modifikation des Signalfiußgraphen
von Bil d 4 .1, die in Bild 4.3 dargestellt ist . Dabei haben wir diesmal alle Gewichts-
faktoren wO durch 1 ersetzt.
E i n e entsprechende Modifikation des Signalfl ußgraphen von Bild 4.2 erhalten wir ,
wenn der Überlagerungssatz mit der Au fspaltung m =2 und n =3 angewendet wird.
Das Gleichungssystem (4 .3-1) hat hier die Form
3 zo = Y0 + Y2 + Y4 ' 3 z 1 = Y1 + Y3 + Y5 (4 .3-5)
Wir berechnen beispielsweise nun zunächst YO' Yl' Y4 und Y5 direkt nach
Y0 = Zo + z2 + z4
(4.3-6)
4 2
Y4 = Zo + w z2 + w z4 '
Y2 = 3z 0 - Y0 - Y4 = Zo - z2 - z4 (4 .3-7)
(4 .3-8 )
Wir berechnen nun a llgemein die Anzahl der erforderlichen Multiplikationen für den
modifizierten FFT -Algorithmus. Dabei nehmen wir außerdem an, daß die Multipli-
kationen mit dem Faktor wO nicht ausgeführt werden . Be i der Faktorisierung N =mn
entspricht die Berechnung der Elemente des Vektors z der Ausführung der DFT von
n Folgen zu je m Werten, wobei nun nl m - 1)2 MUltiplikationen notwendig sind .
N - m der Elemente y müssen direkt nach (4.2 -5) bestimmt werden. Unter diesen
~
sollte sich das Element YO befinden, da seine Berechnung ohnehin keine Multiplika-
tionen erfordert. Für diesen zweiten Schritt ergibt sich dann ein Aufwand von
(N - m - 1) (n - 1) Multiplikationen , da die übrigen m Elemente von 1. ohne weitere
4.3 Anwendung des Überlagerungssatzes 109
Yo ~-----------,p----<lO::->--.,....-----__",Q Xo
Y, ~-----''-<------,-r------,P---~=---''''-~~--'''::::;;IO X Z
Yz ~-----:~-----:~----..,p---$:::"""'>:-------='O x4
Yl <5-_----:~-____:~-----'o-_-~---i>-------__",Q Xl
Ys <5-_----------'0-_-$:::.......>:--- - - - - = ' 0 Xs
Bild 4.3 . Modifikation des Signalflußgraphen von Bild 4.1 bei Anwendung des Uber-
lagerungssatzes der DFT
Zo
Yo Xo
Y, Xl
Yl Xl
Yl X4
Y4 Xz
Ys Xs
Wl
Bil d 4 . 4 . Modifikation des Signalflußgraphen von Bild 4 .2 b ei Anwendung des Uber-
lagerungssatzes der DFT
110 4. Die numerische Ausführung der diskreten Fourier-Transformation
Läßt sich m weiter in die Faktoren p und raufspalten, so ist das gleiche Prinzip
auch auf die DFT der n Folgen zu je m = pr Werten anwendbar, und man muß für
diese dann nur noch n [m(p + r - 4)+ P + l)J Multiplikationen ausführen, was ins-
gesamt zu einem Aufwand von N (n + p + r - 6 + l/n + l/r) Multiplikationen führt.
Dabei ist es für verschieden große Faktoren n,p und r wiederum am günstigsten,
die Aufspaltung so zu wählen, daß p der kleinste der drei Faktoren ist.
Die fortgesetzte Anwendung dieses Prinzips führt bei einer nach (4.2-8) zerleg-
baren Zahl N auf die Ausführung von
(4.3-9)
Für verschiedene Werte der Basis p ist die Anzahl der erforderlichen Multiplika-
tionen in Abhängigkeit von n in Bild 4.5 dargestellt. Der OptimalfaU liegt hiernach
bei der Basis p = 2, wo
n)
M(N = 2 = (N/2)(n - 1)+ 1 "" (N/2)(n - 1) = (N/2)ld(N/2) (4.3-11)
Multiplikationen ausgeführt werden müssen.
0=2
0= 3
0=5
0=7
n
Der Bereich zwischen den Faktorisierungen N = Zn und N = 3 wird weitgehend
durch Fakto risierungen der Form N = 3 m Zn-rn bzw. N = Sm Zn-rn ausgefüllt. Ei-
nige Beispiele dieser Art s ind in Bild 4.6 dargestellt.
M"
10 4
-- 3"
---- 32 • Z"-1
- .- 3·Z"-1
•.......... 5·Z"-1
- - Z"
Bild 4.6. Anzahl M der erforder-
lichen Multiplikationen bei
der FFT für N = 3" Zn-"
und N = Sj.Zn- j. nach [3.19J
4.4.1 FFT-Signalflußgraphen
Betrachten wir zunächst das einfachste Beispiel N = 4. Die Permutation der Ele-
mente des zu transformierenden Vektors!. führt auf die Folge lx O ,x z ,xl ,x3 1. Die
Mat rizen9 1 und 9 z des Signalflußgraphen ergeben sich zu
(4.4-1)
112 4. Die numerische Ausführung der diskreten Fourier-Transformation
und
1 0 1 0
1 1
92 = L
k=O
g k Q2 , 2§.~kk
, =
0
1
1
0
0
w
2
w
0
{4.4-2}
3
0 1 0 w
Der zugehörige Signalflußgraph ist in Bild 4.7 dargestellt. Durch Anwendung des
Uberlagerungssatzes {3. 3 -1 3} • der hier zu den Beziehungen
2 zo = YO + Y2, {4.4-3}
Zo
Yo ~.......--------p=-_-----"",?.o Xo
Y, c.:--.........--*----?J'=-_-----....:::'O x2
Y2 ~-----"*---~o:::-----------:::::.o x,
Bild 4.7. Signalflußgraph für FFT
von N = 4 Werten
Y3 CI!'---"-------'l:lo=-_--------:::'O x3
führt, läßt s ich die Anzahl der Multiplikationen noch reduzieren, indem man Y2 und
Y3 aus
Zo 1 Zo
Yo Xo
Y, x2
Y2 x,
Y3 X3
Bild 4.8. Modifikation des Signalflußgraphen von Bild 4.7 nach Anwendung des Ub e r -
lagerungssatzes der DFT
4.4 Schnelle Fourier -Transformation bei Zweierpotenzen 113
stellt. Die eingeführte Zwischenebene beschreibt die Abbildung des Vektors ~ auf
einen Vektor ~'. Nur bei dieser Abbildung treten noch Multiplikationen auf, während
die Abbildungen von ~ auf ~ und von ~I auf i!... multiplikationsfrei erfolgen , wobei
nur noch die Summen und Differenzen jeweils zweier Elemente gebildet werden. Die-
se Grundoperation, die bei allen FFT-Algorithmen für Zweierpotenzen immer wieder
auftritt, wird im englischen Sprachgebrauch als "Butterfly" bezeichnet. Bild 4.9
zeigt die Butterfly-Operationen für das Beispiel N = 4. Zu bemerken ist noch, daß
in Bild 4.8 der Pfeil von z2 nach z2 mit dem Faktor wO bewertet ist, weil diese
Multiplikation bei dem unten angegebenen einfachen FFT-Programm tatsächlich aus-
geführt wird.
Die Signalflußgraphen für höhere Zweierpotenzen lassen sich nach dem Schachte-
lungsprinzip sehr leicht aufbauen. Die Schlüsseloperation hierzu ist die Bestimmung
der Matrix 22 für jeden Teilschritt der FFT und ihre Modifikation durch Anwendung
des Uberlagerungssatzes. Die zugehörige Lösung läßt sich allgemein angeben. Zu-
nächst gilt für die Faktorisierung N =2 (N/2), wenn man in (4.2-17) n =2 und
m = N/2 setzt
(4 .4-5)
Man sieht leicht e in, daß sich hieraus eine N-reihige quadratische Matrix ergibt,
die in vier (N/2)-reihige Diagonalmatrizen aufgeteilt werden kann :
1 w
o
1
1 w
N/2-1
1 w
(4.4-6)
w
N/2
1
N/2+1
1 w
N-1
1 w
114 4. Die numerische Ausführung der diskreten Fourier-Transformation
N/ 2
Die Elemente der Teilmatrix im rechten unteren Quadranten sind wegen w =- 1
1 N/ 2- 1
ersetzbar durch - wO, - w , ••• ,- w • Das ist hier gleichbedeutend mit der An-
wendung des Überlagerungssatzes, wie man leicht einsieht. Zur Vereinfachung der
Schreibweise führen wir nun die (N/2) -reihige Diagonalmatrix
w
o
1
w
Q= 2
w (4.4-7)
N/2-1
w
(4.4-8)
wobei.!. und Q die Einheitsmatrix bzw. die Nullmatrix der Reihenzahl N/2 sein sol-
len. Das Matrizenprodukt rechts in (4.4-8) gibt den Signalflußgraphen an: die Dia-
gonalmatrix ganz rechts die Abbildung von ~ auf ~' und die links davon stehende die
Butterfly-Operationen.
= [ ;- - - ;
1
J-~---~ 1[;---~ -~ -~---~-1
0 : -1 0 0 0 , wO 0
'1
(4.4-9)
o 1
I
I 0 -1 0 0: 0 w
1 1 1
1 1 1
o
1 1 1
1 1 _______ _ 1 _1 _
I 0
1 -1 ,w
1 -1 I w1
1 -1
o w
2
3
1 -1 w
(4.4-10)
4.4 Schnelle Fourier-Transformation bei Z weierpotenzen 115
Der hierzugehörige Signalflußgraph ist in Bild 4.10 dargestellt. Er ist nach rechts
hin zu ergänzen durch zwei übereinander angeordnete Signalflußgraphen für je N = 4.
Dann ergibt sich der vollständige Signalflußgraph für N = 8 , wie in Bild 4.11 darge-
Zu
Yo ~+--------P---_--<l Zo
Z,
Z,
Zz
Zl
Yl ct--+-*-*---*--p:......._-----<l Zl
Z4
Zs
Yo Q-+-'--------p----o<:"""""o----------:'P------<>.::::,.-.-------::;:;>'O Xo
X4
Xl
Yl Q-~~-*"""-*"--p--........-~-----------=:>O-_--<JC.~--------=:::,;, X6
Y4 6----*"""-*-*--4>----oc-"o-----------;;'P------<>.::::::+--------:-;::?J Xl
Xs
Xl
Y7 0-......-------~_--4-_-------~_--<F'=__.,l__------"'O X7
~ ~
Bild 4.11. Vollständiger Signalflußgraph für die FFT von N = 8 Elementen bei De-
zimierung im Zeitbereich und Permutation der Eingangselemente
116 4. Die nu m e r i s c he Au sführung der di skreten Fourier-Transformatio n
SUBROUTINE FFT ( X, P, M)
C
C FFT FOR COMPLEX DATA
C PARAMETERS:
C X COMPLEX ARRAY OF INPUT VALUES
C P NUMBER OF STAGES (M = 2**P)
C M LENGTH OF INPUT ARRAY (HAS TO BE APOWER OF TWO)
C
COMPLEX X(M) , WR, W, V
MV2 M/2
MM1 = M-1
J = 1
DO 3 I = 1, MM 1
IF (I .GE . J) GOTO 1
V X (J)
X(J) X(I) bi n äre i n v e r s i on
X( I ) V
1 K MV2
2 IF(K .GE. J) GOTO 3
J J - K
K K/ 2
GOTO 2
3 J J + K
C
PI 4.*ATAN(1.)
C
DO 20 L 1, P~ stufenz ähler
LE 2**L
LEI LE/2
~IR (1.0,0.)
W CMPLX(COS(PI/LE1), - SI N(PI / LE1) )
C
DO 20 R 1 , LE1
C
DO 10 IQ= R, M, LE
IP IQ + LEI dft für eine stufe
V X( I P)*WR
X( I P) X(IQ) - V
10 X(IQ) X( IQ) + V
C
20 WR I~R *W
RETURN
END
n
Bild 4 . 12 . FORTRAN-Programm für die FFT von N = 2 Element en m i t Dezimie-
r ung i m Zeitbereich und Pe rmutation der Eingangselemente nach Cooley ,
Welch und Lewis [ 4 .12 , 4 . 13. 4.19 J
4 .4 Schnelle Fourier-Transformation bei Zweierpotenzen 117
0 o 0 0 000 0
1 o 0 1 1 0 0 4
2 o 1 0 010 2
3 o 1 1 1 1 0 6
4 1 o0 o 0 1 1
5 1 o1 1 0 1 5
6 1 1 0 o 1 1 3
7 1 1 1 1 1 1 7
118 4. Die numerische Ausführung der diskreten Fourier-Transformation
-~ J
1 1
-j -1
(4.4-12)
-1 1
-1 -J
direkt ausführen würde. Ähnlich ist es beim Fall N = 8, für den die FFT nach Bild
4.11 fünf bzw. acht Multiplikationen erfordert. Die zugehörige DFT-Matrix hat mit
w = exp{- jn/4) = (1 - j)/\f2 die Form
1 1 1 1 1 1 1 1
1 w -j -w* -1 -w j w*
1 -j -1 1 -j -1
W8 = 1 -w* j w -1 w* -j -w
(4.4-13)
1 -1 1 -1 1 -1 1 -1
1 -w -j w* -1 w j -w*
1 -1 -j 1 j -1 -j
1 w* -w -1 -w* -j w
Zerlegen wir nun die zu transformierende Folge mit Xv = Ci + jß in Real- und Ima-
v v
ginärteile, so sind lediglich die Summenausdrücke (Ci 1 - Ci ) , (Ci 1 + Ci -
- Ci + Ci
3 5 7 2
- Ci ) , (ß - ß - ß + ß
Ci
5 7 1 3 5 7) und (ß 1 + ß3 - ß 5 - ß7) jeweils mit dem Faktor 1/'/2
zu multiplizieren, alle übrigen Operationen bestehen aus Sortieren, Vorzeichenände-
rungen und Summationen. Insgesamt sind für N =8 also 4 reelle Multiplikationen
bei komplexen Folgen oder 2 reelle Multiplikationen bei reellen Folgen auszuführen.
Diese Verhältnisse werden bei den "Basis-4"- und "Basis-8"-FFT-Algorithmen aus-
genutzt, wo man die Folge [x
v
I nicht vollständig in Zweiergruppen aufteilt, sondern
jeweils Gruppen von 4 bzw, 8 Elementen als Block der DFT unterwirft [4. 8-4.11J.
Hierdurch kann der Aufwand an Multiplikationen nochmals um 30 bis 40 % reduziert
werden [4. 15J. Die Programme sind allerdings wesentlich umfangreicher als das
oben angegebene.
Abschließend betrachten wir noch den häufig auftretenden Fall, daß die zu transfor-
mierende Zahlenfolge [x v Ire e 11 ist. Ohne hierauf abzielende spezielle Maßnah-
4.4 Schnelle Fourier-Transformation bei Zweierpotenzen 119
men würden die beschriebenen FFT-Verfahren zum gleichen Aufwand wie bei komple-
xen Zahlenfolgen führen. Die Redundanz hierin läßt sich jedoch auf verhältnismäßig
einfache Weise zu einer Aufwandsreduzierung ausnutzen : Die Folge [x \I I wird zu-
nächst in die beiden Teilfolgen !x 2n I und I x 2n + 11 von je N/2 Elementen (n = 0,1, ••• ,
N/2-1) aufgespalten. Dem entspricht die Darstellung eines diskontinuierlichen Si-
gnals als Superposition zweier Signale der halben Abtastfrequenz:
N-1
x*(t) =T L x
\I
Ö (t - \lT) (4.4-14)
\1=0
L
N/2-1 N/2-1
=T L
n=O
x
2n
ö(t - 2nT) + T
n=O
x +
2n 1
ö(t - (2n + 1}T)
N/2-1 N/2-1
__ T ' \ '
L
n=O
x 2ne
-j2 nf2nT T -j2nfT
+ e
L
n=O
x 2n + 1 e
-j2nf2nT
• (4.4-15)
Wird nun die Frequenz m it f -+ f = IJ./(NT) diskretisiert, so ergeben sich die zuge-
IJ.
hörigen relevanten Spektral werte im wesentlichen durch Ausführung zweier diskre-
ter Fourier-Transformationen von je N/2 Elementen :
N/2-1 N/2-1
X(fIJ. ) -- T 'L\ ' x 2ne
-j 2n lJ. n/(N/2)
+
T -j 2n lJ./ N
e
'\'
L x 2n + 1 e
-j 2n lJ. n/(N/2)
•
ne O n=O
(4.4 -16)
Die beiden reellen Teilfolgen IX2n 1 und !x + 1 1 werden nun zu der komplexen Folge
2n
IX + jx + 11 zusammengefaßt, dann wird für die letztere d ie DFT ausgeführt. An-
2n 2n
hand der Zuordnung (3.2-27) lassen sich die Folgen DFT !x I und DFT !x + 1
2n 2n 1
leicht aus der Folge DFT IX + jX + 1 1 separieren.
2n 2n
Spezielle Programme für die FFT von reellen Zahlenfolgen findet man z , B. in
[4.9,4.11,4.14J.
120 4. 5 Li teratur
4.5 Literatur
4.1 Willers, F.A.: Methoden der praktischen Analysis, Berlin: de Gruyter 1971.
4.2 Zurmühl, R.: Praktische Mathematik für Ingenieure und Physiker, 5. Aufl ,
Berlin, Heidelberg, New York: Springer 1965.
4.3 Cooley, J. W.; Tukey, J. W. : An Algorithm for the Machine Calculation of
Complex Fourier Series. Math. Computation 19 (1965) 297-301
4.4 Pollak , L. W.: Zur harmonischen Analyse empirischer, durch eine große Zahl
gegebener Ordinaten definierter Funktionen. Ann , Hydrograph. u , Maritim.
Meterorologie (1926) 311-315, 344-349, 378-384.
4.5 Runge, C.; König, H.: Vorlesungen über Numerisches Rechnen, Bd , II. Ber-
lin: Springer 1924.
4.6 Danielson, G.C.; Lanczos, C.: Some Improvements in Practical Fourier Ana-
lysis and their Application to X-ray Scattering from Liquids , J. Franklin Inst ,
233 (1942) 365-380, 435-452.
4.7 Cooley, J. W.; Lewis, P. A. W.; Welche, P.D.: Historical Notes on the Fast-
Fourier Transform. IEEE Transact. on Audio and Electroacoustics AU-15
(1967) 76-79.
4.8 Bergland, G.D.: A Fast Fourier Transform Using Base 8 Iterations. Math ,
Computation 22 (1968) 275-279.
4.9 Bergland, G.D.: A Radix-Eight Fast Fourier Transform Subroutine for Real-
valued Series. IEEE Transact. on Audio and Electroacoustics AU-17 (1969)
138-140.
4.10 Singleton, R.C.: An Algorithm for Computing the Mixed Radix Fast Fourier
Transform. IEEE Transact. on Audio and Electroacoustics AU-17 (1969) 93-
103.
4.11 Brenner, N. M.: Three FORTRAN Programs that Perform the Cooley-Tukey
Fourier Transform. MIT Lincoln Lab; , Lexington/Mass., Techn. Note 1967-2,
July 1967.
4.12 Oppenheim, A.V.; Schafer, R.W.: Digital Signal Pr-oceaaing , Englewood
Cliffs, N.J.: Prentice-Hall 1975.
4.13 Rabiner, L.R.; Gold, B.: Theory and Application of Digital Signal Processing.
Englewood Cliffs, N. J.: Prentice-Hall 1975.
4.14 Brigham, E .0.: The Fast Fourier Transform. Englewood Cliffs, N.J.: Pren-
tice-Hall 1974.
4.15 Bergland, G.D.: A Guided Tour of the Fast Fourier Transform. IEEE Spec-
trum, July 1969, 41-52.
4.16 Singleton, R.C.: A Short Bibliography on the Fast Fourier Transform. IEEE
Transact. on Audio and Electroacoustics AU-17 {1969} 166-169.
4.17 Gentleman, W.M.; Sande, G.: F'aatF'our-ier- Transforms - for Fun and Profit.
Fall Joint Computer Conference 1966, AFIPS Proc. 29 (1966) 563-578.
4.18 Achilles, D.: Der Uberlagerungssatz der diskreten Fourier-Transformation
und seine Anwendung auf die schnelle Fourier-Transformation. Arch. elektr.
Ubertr. 25 {1971} 251-254.
4.19 Schüßler, H. W. : Digitale Signalverarbeitung. Universität Erlangen-Nürnberg
1976.
5 Schnelle Faltung und Korrelation
Im Abschnitt 2.4 wurde die diskrete Faltung als eine mögliche Form der Beschrei-
bung diskontinuierlicher Systeme eingeführt . Ihre nu m eri s c he Ausführung mittels
eines Digitalrechners stellt darüber hinaus ein Verfahren z ur R e al is ie run g solcher
Sy s te m e dar, das insbesondere bei nichtrekursiven digitalen Filter n, d . h . diskon -
ti nuierlichen Sy ste m en mit end lich la nger Im pul s ant wo r t wegen der dabei er zielba-
ren Ve r a r be i tun gs ge s c hwin digk e i t gr oße B e deutung besitzt . An de r e r s e its s tellt die
diskrete Faltung auch e ine numerische Approximation des F a ltun g s inte gr a l s dar und
ermöglicht so die Si m ula tion von konti nuierlichen linearen Systemen .
Wir gehen von der diskreten F altung ( 2. 4-11) a us , beschränken un s aber zunächst
a uf Z ahle nfol gen e nd lic her Länge, etwa [u (O) , u (T) , •.• , u (( L - i rr) I e i nerseits
und Ig(O) ,g(T) , ••• ,g ( ( K - i rr ) I a nde r e r s e its . Für die diskrete Faltung dieser
beiden Folgen gilt dann
I
K- l
y ( nT) = T g ( \lT) u( NT - vr) , ( 5 .1-1)
\1=0
122 5. Schnelle Faltung und Korrelation
N=K+L-1 (5.1-2)
Werte y(O) ,y(T), ••• ,y«N - 1)T) der Ausgangsfolge nichtverschwindende Ergeb-
nisse auftreten können.
Die Konstante T wird in den meisten Definitionen der diskreten Faltung gleich 1 ge-
setzt. Wir führen sie aber hier mit, weil sie in der Beschreibung diskontinuierlicher
Systeme nach (2.4 -11) auftritt und außerdem bei der numerischen Approximation des
Faltungsintegrals notwendig ist. Allerdings wollen wir zur Vereinfachung der Schreib-
weise y(nT) =,y(n), g("T) =,g(,,) und u(~T) =,u(~) setzen.
Als e infaches Beispiel betrachten wir zunächst die diskrete Faltung zweier Zahlen-
folgen der Längen K = 3 und L = 4, die nach der Darstellung in Bild 5.1 als Abtast-
folgen interpretiert werden können. Die durch die Faltung erzeugte Folge ly(n) I hat
N = 6 Werte, die sich wie folgt ergeben :
y(O) = T(g(O)u(O»,
y( 1) = T(g(O)u( 1) + g( 1)u(O»,
y(2) = T(g(O)u(2) + g( 1)u( 1) + g(2)u(O»,
y(3) = T(g(O)u(3) + g(1)u(2) + g(2)u(1», (5.1-3)
---
.... 911 1
,
..
.... -.<u1I 1 ",-
'" ',<,
--
//
'" u(3l u(2l u(1 ) u101 9 (0) 9(1 9(2) " ....,
3T 2T T 0 0 T 2T
y(O) g(O) o o o
~
y( 1) g(1) g(O) o o u(O)
u( 1)
~
y(2)
=T
g(2) g(1) g(O) o u(2)
(5.1-4)
y(3) o g(2) g(1) g(O) u(3)
y(4) o o g(2) g(1)
y(5) o o o g(2)
5.1 Diskrete Faltung und Korrelation als zyklische Operationen 123
Die Faltungsmatrix hierin ist eine Rechteckmatrix , bei der auf jeder Diagonalen je-
weils gleiche Elemente stehen. Die Nullen im oberen rechten und im unteren linken
Dreieck sind erforderlich, um - bildlich ausgedrückt - das Ineinander- und Ausein-
anderlaufen der zu faltenden Folgen zu ermöglichen.
Wir erweitern nun die Operation (5.1-4) zu einer zyklischen Faltung, um den Fal-
tungssatz der DFT anwenden zu können. Dazu verlängern wir den Spaltenvektor auf
der rechten Seite um K - 1 = 2 Nullelemente und ergänzen die Faltungsmatrix zu
einer 6-reihigen quadratischen Matrix. Dabei werden an die Matrix zwei Spalten an-
gehängt, deren Elemente wegen der am rechten Spaltenvektor hinzugefügten Nullen
völlig frei wählbar sind, ohne daß das Gleichungssystem verändert wird. Wir wäh-
len nun diese Elemente so, daß eine Zirkulante entsteht:
Für den allgemeinen Fall der diskreten Faltung (5.1-1) würde das entsprechende
Schema folgendermaßen aussehen:
g(K-l)
= T
g(K-l) 0 u(L-l)
y(N-l) {:
L-l Nullen
0 g(K-1) g(l)
0
g(O) {~
K-l Nullen
(5.1-6)
124 5. Schnelle Faltung und Korrelation
Vektoriell lautet diese Beziehung, wenn wir den links stehenden Spaltenvektor mit 1.,
den rechts stehenden mi t u und die zirkulante Matrix mit G bzeichnen
Definieren wir den Vektor ß. durch die erste Spalte von G, s o läßt sich dieser Zu-
sammenhang auch in der symbolischen Form der zyklischen Faltung schreiben :
(5.1-8)
Die diskreten Korrelationsoperationen lassen sich ebenfalls nach dem Prinzip der
schnellen Faltung numerisch ausführen. Betrachten wir zunächst die d i s k r e t e
Kreuzkorrelation zweier reeller Folgen endlicher Länge !g(O) ,g(1) , ••• ,g(K-1) I
und !x(O) ,x(1), • •• ,x(L-1)}. D ie beiden möglichen Operationen, die der Diskreti-
sierung der Kreuzkorrelationsfunktionen (2.1-26) bzw, (2.1-27) entsprechen, sind
folgendermaßen definiert:
L
K-1
p(nT) == p(n) = T g(\I)x(n + \I), (5.1-10)
\1=0
TL
L-1
cp(nT) == cp(n) = g(\I + nIxf v ) • (5.1-11)
\1=0
5.1 Diskrete Faltung und Korrelation als zyklische Operationen 125
Wir wählen die Matrizendarstellungen dieser Operationen so, daß wir wieder die
zirkulante Matrix g, die in (5.1-6) dargestellt ist, verwenden können. Dazu defi-
nieren wir die folgenden Spaltenvektoren :
P(L-l) x(L-l)
P(L-2) x(L-2)
(5.1-12)
P = P(0) x= x(O)
P(-1)
p( - K +l ) ~) K-l
Nullen
(5. 1-13 )
die sich unmittelbar aus (5.1 -10) und (5.1-11) ergibt, Gebrauch gemacht wird.
Die sc h ne 11 e Kor re 1a t ion entspricht dann der Ausführung der Operationen
(5.1-15)
Betrachten wir nun die dis k r e t e Au t 0 kor re 1at ion einer reellen Folge
19( v) I von K = L Werten:
L
K-l
r(nT) =: r(n) = T g( v)g(n + v) • (5.1-16)
v=O
Sie läßt sich als zyklische Operation unter Verwendung der zirkulanten Matrix 9
darstellen:
126 5. Schnelle Faltung und Korrelation
r(O)
r( 1)
g(O)
g(1)
o
g(O)
o
o
o g(K-1) g(1)
g(2)
g~O) 1
g(2) g(1) g(O) .) K-1
~ Nullen
g(K-1)
=T
r(K-1) g(K-1) o g(K-1)
r(-K+1) o
o
r(-1) o o g(K-1) g(1) g(O) g(1)
(5 .1-17)
Der rechts stehende Spaltenvektor ist durch ~~~ darstellbar , den links stehenden
nennen wir E.' Es gilt dann
-1 I I
E. = T S! ~ 02 ~ = T.ß: * 2
(~O~) = ~ (~~) 0
2
(~~ O~) • (5.1-18)
(5.1-19)
(5.1-20)
als 10FT eines Spaltenvektors ergibt, dessen Elemente gleich den Absolutquadra-
ten der Elemente von ~~ sind.
Somit sind hier zwei reelle Vektoren durch die DFT miteinander verknüpft. Beide
Vektoren müssen daher nach (3.2 -27) symmetrisch im Sinne von E. = ~~E. sein.
Wir vergleichen nun den Aufwand, den die zyklischen Operationen bei Anwendung
der FFT erfordern würden, mi t dem, welcher bei der direkten Ausführung der dis-
kreten Faltungs- und Korrelationsoperationen zu leisten wäre.
Zunächst wird die diskrete Faltung komplexer Folgen betrachtet: Bei der schnellen
Faltung wären nach (5.1-9) zwei DFT, eine 10FT und die Multiplikation zweier
n
komplexer Folgen zu je N Elementen auszuführen. Gehen wir davon aus, daß N = 2
ist und eine FFT mit dem in Bild 4.12 angegebenen Programm nN/2 Multiplikatio-
nen erfordert , so sind für die schnelle Faltung insgesamt N(3n/2 + 1) Multiplika-
tionen auszuführen. Auf der anderen Seite müßte bei direkter Ausführung der diskre-
ten Faltung jedes Element der Folge \u( \I) I mit jedem Element der Folge jg( \I) I
5.1 Diskrete Faltung und Korrelation al s zyklische Operationen 127
Etwas anders liegt der Fall der diskreten Faltung bzw. Kreuzkorrelation zweier
re e 11 er Zahlenfolgen. Hier wären bei der direkten Ausführung dieser Operatio-
nen KL reelle Multiplikationen nötig. Diesen stünden 4N(3n/2 + 1) reelle Multi-
plikationen bei der schnellen Faltung gegenüber, wenn man die reellen Folgen als
komplexe Folgen mit verschwindendem Imaginärteil verarbeiten würde. Bei Anwen-
dung spezieller Algorithmen für die FFT von reellen Folgen lassen sich die a u s z u -
führenden Multiplikationen etwa a uf die Hälfe reduzieren.
Bei der diskreten Autokorrelation einer Folge von N/2 reellen Zahlen wäre nach
(5.1-20) eine DFT und eine IDFT von je N reellen Zahlen, sowie die Bildung der
Absolutquadrate von N komplexen Zahlen vorzunehmen. Führen wir d ie beiden Trans-
formationen jeweils als FFT von N/2 komplexen Zahlen aus (vgl , Abschnitt 4.4),
so wäre insgesamt ein Aufwand von 2nN reellen Multiplikationen zu leisten, dem
(N/2 - 1}N/4 reelle Multiplikationen bei der direkten Ausführung der diskreten Au-
tokorrelation gegenüber stünden. Bild 5.3 zeigt einen entsprechenden Aufwandsver-
gleich.
Bei dem in Bild 5.2 darges tell ten Vergleich zwischen der schnellen und der direkten
Ausführung der diskreten Faltung wurde die erstere insofern begünstigt, als der Fall
L = K = N/2 einen Optimalfall darstellt. Je mehr L und K voneinander abweichen,
umso stärker verschiebt sich das Aufwandsverhältnis zugunsten der direkten Aus-
führung. Dieser Effekt läßt sich folgendermaßen plausibel machen : Für K« L, d s h ,
auch K «N sind die nichtverschwindenden E lemente der Zirkulanten in (5.1-6) im
128 5. Schnelle Faltung und Korrelation
I I§ ~~
I f!' ;;::.-c:J
1/
& -.<P
~
2i ~
!"' L'I
~ §S
~ "i'
.~
QJ
~
#
"tS <,"
L'
I'
Bild 5.3. Aufwandsvergleich zwischen
der schnellen und der d irekten
// Ausführung der diskreten Auto-
korrelation einer Folge von N/2
/ / reellen Zahlen.
Bei einer Reihe von wichtigen Anwendungen liegt der Fall vor, daß eine der beiden
zu faltenden bzw, zu korrelierenden Folgen endliche Länge besitzt , während die an-
dere unendlich bzw, sehr lang im Vergleich zur ersten ist. Das gilt beispielsweise
für die Verarbeitung von seismischen, oiomedizini schen und radioastronomischen
Signalen , von Sprache und von Radarsignalen. Hier entspricht etwa die Folge! g( 0) ,
g( 1), .•• ,g(K - 1) I z.B. der Impulsantwort eines nichtrekursiven d igitalen Filters,
einem Wanderfenster oder e inem Mustersignal, während die andere Folge lu(o),
ut t ) ,u(2), .•• 1 das zu verarbeitende Signal darstellt , welches z..B, gefiltert , ge-
glättet oder mit einem Mustersignal korreliert werden soll. Wir wollen die erstere
Folge als Fenster und die letztere als Eingangssignal bezeichnen . Das Ergebnis der
Faltung oder Korrelation, die Folge !y(O) , y ( 1) ,y(2), .•• I, nennen wir Ausgangs-
stgnal ,
Man kennt zwei Methoden zur segmentierten Ausführung der schnellen F'altung , Bei
beiden lassen sich die elementaren Block-Operationen als Anwendung einer N-reihi-
5.2 Segmentierung bei langen Datenfolgen 129
gen zirkulanten Matrix 2 von der in (5.1-6) angegebenen Form auf N-zeilige Spal-
tenvektoren, welche aus Segmenten der Eingangsfolge gebildet werden, darstellen.
Bei der sogenannten 0 ver l a p - A d d - Met h 0 d e , die auf Stockharn [5. 1J zurück-
geht, werden der Eingangsfolge lu{ \I) I aneinandergrenzende Segmente von je
L = N - K + 1 > K Werten entnommen. Diese L Werte und K - 1 angehängte Nullen
bilden jeweils die Elemente eines N-zeiligen Spaltenvektors , auf den die Matrix 2
angewendet wird. Der p -te Block bei der Verarbeitung hat dann die Form
g(K-1)
=T g{K-1) g(l) g(O) 0 0 u(p+L-1)
"p (K-1)
"p (N-1)
0
0 0 g(K-1)
0
g(O)
0]Ö
• K-1
Nullen
(5.2-1)
Das Ergebnis dieser Operation, ein N-zeiliger Vektor mit den Elementen "p(\I)
stimmt nur in seinem mittleren Teil mit den gesuchten Elementen y( \I) der Aus-
gangsfolge überein :
während die ersten K - 1 und die letzten K - 1 Elemente unvollständig sind. Be-
nachbarte Blöcke ergänzen sich jedoch bezüglich dieser unvollständigen Elemente:
Zur Veranschaulichung dieser Methode betrachten wir ein einfaches Beispiel: Das
Eingangssignal habe die Elemente ut v) = \I + 1 für \I = 0,1,2, ••• und sei zu falten
mit dem aus K = 3 Elementen bestehenden Fenster g( 0) = g(1) = g( 2) = 1. Das
Abtastintervall sei T = 1. Wir wählen die Segmentlänge N = 6. Daraus ergibt sich
L = N - K + 1 = 4. Die Matrixdarstellung (5.2-4) zeigt die Bildung der ersten drei
Segmente bei der Overlap-Add-Methode.
Man erkennt die Uberlappung der Segmente im Ausgangssignal. Die nach (5.2-3)
zu addierenden Elemente sind hierin als Summen dargestellt. Die letzten beiden
Elemente sind noch unvollständig, da die zugehörigen Komplemente erst im vierten
130 5. Schnelle F altung und Korrelation
1 1 000 1 1 1
3 1 1 o0 0 1 2
1.S.
6 1 1 1 0 o0 3
r
9 o 1 1 1 o0 4 1. S .
7 +5 001 1 1 0 1 0 0 0 1 1 0
4+11 000 1 1 1 1 1 000 1 0
18 1 1 1 000 5
L
2.S. = 0 1 1 1 0 0 6
21
15+9 0 o1 1 1 0 100 0 1 1 7
2.S .
8+19 0 o0 1 1 1 110001 8
30 1 1 1 0 0 0 0
3.S. 33 011100 0
23+ •• 001110 9
12 +• • 000 1 1 1 10
11 3.S.
12
0
0
(5.2-4)
K-1 nicht zu
{ : u( ( P-1)L-K+1)
u( ( P-1)L-K+2)
ve rwertende y ( ( p-1)L)
Elemente
y ( ( P-1)L+1) =T G (5.2-5)
u( pL-2 )
y ( pL- 1 ) u( pL-1)
5.2 Segmentierung bei langen D atenfolgen 131
D ie zirkulante Matrix .9 hierin is t die gleiche wie in (5.2-1) . Die er sten K - 1 E le-
mente i m links stehe nden Spa ltenvekto r s ind nicht zu verwerten und we r d e n ignoriert .
D ie ü br ige n L Elemente s te llen den Beitrag des p -ten Blockes zur Au sgangsfolgedar .
Zur Verans chaulichung der Overlap-Save-Methode ziehen wir wieder das oben gewähl-
te Bei spiel heran. Hier s ieht das Matrix s chema folgendermaßen aus:
1 000 1 1
~
0
1 1 0 0 0 1 0
1 1 1 1 000 1
1.S. 1.S.
3 0 1 1 100 2
l
6 o0 1 1 1 0 3
9 o0 0 1 1 1 4
~
1 000 1 1 5
2. S.
1 1 000 1 6
12 = 1 1 1 000 7 (5.2-6)
2.S.
15 o1 1 100 8
18 o0 1 110 9
21 000 111 3.S .
10
~
1 000 1 1 11
1 1 o0 0 1 12
24 1 1 1 0 o0
3.S.
27 o1 1 1 o0
30 o0 1 1 1 0
33 000 1 1 1
Multiplikationen. Bei einer großen Anzahl R von Segmenten fällt der einmalige Auf-
wand von nN/2 Multiplikationen nicht mehr ins Gewicht, und man hat dann e t wa pro
Block N(n + 1) Multiplikationen auszuführen. Dabei werden L =N - K + 1 Elemente
der Ausgangsfolge geliefert . Der im Mittel pro Element y erforderliche Aufwand
~
ist somit
A = N(n + 1) n + 1 n + 1
(5 .2 -8)
N-K+1 1 - (K - 15/N 1 - (K - 1)2- n
Dieser Aufwand l äß t sich durch Wahl der Segmentlänge N beeinflussen . Zur Ab-
schätzung des Optimal wertes von N bestimmen wir das Maximum von N bezüglich
einer kontinuierlich veränderbaren Variablen n. Man erhält dann die transzendente
Gleichung
2n = (K - 1) (1 + (n + 1) In 2) , ( 5 . 2- 9 )
die für positives n und K ~ 2 genau eine Lö s ung besitzt, welche auf ein Minimum
von A führt. Da der für n in Frage kommende Wertebereich wesentlich kleiner ist
als der für K, bestimmt man aus (5.2 -9) zweckmäßigerweise den jeweils günstigsten
ganzzahligen Wert von K für die interessierenden ganzzahligen Werte von n , Tabelle
5.1 zeigt diese Werte und den jeweils zugehörigen mittleren Aufwand A .
n N K A
3 8 3 5,33
4 16 5 6,67
5 32 7 7,38
6 64 12 8,45
7 128 20 9 ,39
8 256 36 10,43
9 512 66 11 ,45
10 1 024 120 12,45
11 2 048 221 13,44
12 4 096 410 14 ,44
13 8 192 766 15,44
14 16 384 1 439 16,44
15 32 768 2 711 17,44
5 .2 Segmentierung bei langen Datenfolgen 133
Der Minimalwert des Aufwandes Amin' der sich allerdings i ;a , für nichtganzzahlige
Werte von K ergibt, folgt aus (5.2 -8), wenn man (5.2-9) einsetzt:
A mm
. = n + 1 + 1/ln2 (5.2-10)
n
Bild 5.4 zeigt für verschiedene Segmentlängen N = 2 den Aufwand A als Funktion
von K. Hieraus kann man für einen vorgegebenen Wert von K die jeweils günstigste
Segmentlänge entnehmen.
Wenn man andere FFT-Programme für die schnelle Faltung verwendet, die mehr
oder weniger als (N/2)ldN Multiplikationen erfordern, so läßt sich die optimale
Segmentlänge auf ähnliche Weise leicht ermitteln. In [5.7J wurde der Fall betrach-
tet, daß die schnelle Fourier-Transformation (N/2)ld(N/2) Multiplikationen er-
fordert. Dabei ergeben sich nur geringfügige Unterschiede hinsichtlich der optima-
len Segmentlänge. Grundsätzlich i s t jedoch zu beachten, daß es sich hier nur um
Abschätzungen handelt. Bei häufig wiederkehrenden Signalverarbeitungsaufgaben ,
die mit einem bestimmten Programm auf einem bestimmten Digitalrechner durch-
geführt werden sollen, empfiehlt es sich, einen echten Rechenzeitvergleich mit ver-
schiedenen Segmentlängen vorzunehmen.
Wir untersuchen nun den Aufwandsgewinn , den die segmentierte schnelle Faltung
gegenüber der direkten Ausführung der diskreten Faltung bringen kann. Dabei gehen
wir davon aus, daß die Segmentlänge optimal und die Anzahl der Segmente R» 1
sei. Die direkte Ausführung erfordert K Multiplikationen pro Ausgangswert, wäh-
rend man für die schnelle Faltung bei optimaler Segmentierung in guter Näherung,
wie Bild 5.4 zeigt, den minimalen Aufwand einsetzen kann. Das führt bei komplexen
Folgen zu einem Aufwandsverhältnis A . /K von schneller zu direkter Faltung,
mm
das in Bild 5.5 als Funktion der Fensterlänge K dargestellt ist. Der Regelfall in
der Anwendung wird jedoch die Faltung bzw. Korrelation reeller Folgen sein.
Hier wären bei der d irekten Ausführung nur K reelle Multiplikationen pro Aus-
gangswert vorzunehmen, denen bei der schnellen F altung 4 A . /K reelle Multi-
mm
plikationen gegenüberstünden, wenn man das reelle Eingangssignal als komplexe
Folge mit verschwindendem Imaginärteil verarbeiten würde. Man kann jedoch die-
sen Aufwand um einen Faktor 2 reduzieren, indem man nach Stockham [5. 1J folgen-
dermaßen vorgeht : Jeweils zwei a ufe ina nde r folge nde Elemente der Eingangsfolge
werden zu einer komplexen Zahl zusammengefaßt , so daß eine komplexe Folge ent-
steht. Faltet man diese komplexe Folge mit der reellen Fensterfunktion , so ergibt
sich wegen der Linearität der Faltungsoperation eine Folge von komplexen Zahlen ,
deren Realteile und Imaginärteile jeweils zwei aufeinanderfolgenden Elementen des
reellen Ausgangssignals entsprechen. Für je zwei Ausgangswerte ist somit etwa
134 5. Schnelle Faltung und Korrelation
22
I
n=1 5
20
18
13 ~ /
~ P,
~
16
...,?y ?
1 ~
1'9
14
V
~
V
~
6/ J /
<i 12
n=j Vp ~ .>
10
8
1/ I:?'"
4 6 B 10 3 B 104
K-
Bild 5.4. Mittlerer Aufwand A pro Element der diskreten Faltung i n Abhängigkeit
von der Länge K der Fensterfunktion für verschiedene Segmentlängen.
"-
3
104
5 .3 Literatur 135
5.3 Literatur
5.1 Stockham jr. , T.G. : High-Speed Convolution and Correlation. Spring Joint
Computer Conference 1966, AFIPS Proc. 28 (1966) 229-233.
5.2 Helms, H.D . : Fast Fourier Transform Method of Computing Difference Equa-
tions and Simulating Filters. IEEE Transact. on Audio and Electroacoustics
AU-15 (1967) 85-90.
5.3 Stockham [r-, , T.G. : High-speed Convolution and Correlation with Applications
to Digital Filtering. In : Gold, B.; Rader, C. M. : Digital Processing of Signals.
New York, Toronto, London : McGraw-Hill 1969.
5.4 Achilles, D. : Uber die diskrete Fourier-Transformation und ihre Anwendung
auf lineare zeitinvariante Systeme. Ausgew. Arb. über Nachrichtensysteme,
Nr , 15, herausgegeben von W. Schüßler , Universität Erlangen-Nürnberg 1971.
5.5 Oppenheim, A. V.; Schafer, R. W. : Digital Signal Processing. Englewood Cliffs,
New Jersey : Prentice Hall 1975.
5.6 Rabiner, L.R.; Gold, B. : Theory and Application of Digital Signal Processing.
Englewood Cliffs, New Jersey: Prentice-Hall1975.
5.7 Achilles, D. : Die diskrete Fourier-Transformation und ihre Anwendungen.
In : H. W. Schüßler, Digitale Systeme zur Signalverarbeitung . Berlin , Heidel-
berg, New York: Springer 1973.
6 Fourier-Transformation und Spline-Interpolation
in der Signalverarbeitung
1,0
1,0
-T 0 T 1
T
1,0
o 1 1
TI T
1.0
1 1 0 1 1
-1 -TI TI T
1,0
vÄoo(f )
1 0 1
-TI TI
Bild 6.1. Operationen im Zeit- und im Frequenzbereich bei verschiedenen Spline-
Interpolationen bzw, bei der Shannon-Interpolation
auch bei der Verarbeitung durch lineare Systeme i. a , nicht erhalten: Die Faltung
zweier kubischer Spline-Funktionen führt beispielsweise auf eine Spline-Funktion
7. Ordnung. Andererseits bestehen hier keine Probleme bei der Darstellung kau-
saler Signale, und auch Unstetigkeiten in den Signalfunktionen und ihren Ableitungen
lassen sich durch Spline-Funktionen ohne prinzipielle Schwierigkeiten approximie-
ren , wohingegen bandbegrenzte Signalfunktionen unendlich oft differenzierbar sein
müssen.
Die Spline-Interpolation (z.B. [6 .1 , 6.2J ist dadurch gekennzeichnet. daß der Funk-
tionsverlauf zwischen den zu interpolierenden Abtastwerten durch Polynome gegeben
ist. deren Koeffizienten durch Stetigkeitsforderungen und durch Rand- bzw. Anfangs-
bedingungen festgelegt werden. Betrachten wir zur Veranschaulichung die Interpola-
tion von N Abtastwerten "o -u 1 • • • • •uN -1 durch kubische Spline-Funktionen (Bild 6.2) ,
y(1)
Yo (I)
/
I
I UN-3
/
Ol--..l.-_-L.-_.....L-~--T-----~---J'----..l.--...l...- __
Hier ist die inte r poli e r e nde Funktion y(t) zusammengesetzt aus Polynomen dritten
Grades y (t}, welche intervall weise verschieden sind:
\I
y(nT)
n =u,y«n+1)T)=u
n n n- l' n=O .1 •.•• •N-2, (6.2-2)
Für die Signalverarbeitung ist es aus Kausali tätsgründen zweckmäßiger, anstelle der
obigen Randbedingungen geeignete An fan g sb e d i n gun gen aufzustellen, also bei-
spielsweise die Werte yÜ(O) = b und yÖ(O) = 2c vorzugeben. Die Fourier-Trans-
O O
formierten solcher Spline-Funktionen lassen sich leicht durch Bewertung der aus den
Abtastwerten u\l gebildeten diskreten Fourier-Transformierten mit bestimmten, all-
gemein angebbaren Gewichtsfaktoren - den sogenannten "Abminderungsfaktoren"
[6.3-6.5] - und Hinzufügen einfacher Zusatzglieder, welche den Anfangsbedingungen
Rechnung tragen [6.6], ermitteln .
Wir gehen hier zunächst von dem wichtigen Sonderfall aus, daß die kubische Spline-
Funktion nebst ihrer ersten und zweiten Ableitung bei t = 0 verschwinden soll:
(6.2-4)
Außerdem nehmen wir vorerst an, daß das durch Spline-Interpolation zu approximie-
rende Signal nach einer gewissen Zeit wieder genügend stark abklingt, um mit hin-
reichender Genauigkei t
y ( (N - 1) T) = YI ( (N - 1) T) = y" ( (N - 1) T) = 0 (6.2-5)
Die Verallgemeinerung solcher Funktionen führt auf die folgende Definition der Klasse
S von Spline-Signalen m-ter Ordnung:
m
L
\1=0
q &(t- \lT).
v
(6.2-6)
140 6 . Fourier-Tra n sforma tion und Spline-Interpola tion in der Signalvera rbeitung
o
, ~~ _--
1
.......
0 1 ~
0 1 V7
+[t:J-I--+--~f----
o 1
B il d 6 .3 . Bei s pi el für ein kubisches Spline-Si gn a l und sei ne Derivierten
Die Definiti o n l äß t s ich a uf Funktionen Pm (t) aus dehnen, die s ich über di e gesamte
Zeita ch s e e rstr ecke n un d erst i m Unendlichen vers ch winden. Au ch für d i e se gelten
die in diese m Abschnitt her z u l e ite nde n Beziehungen si nnge mäß [6 . 5 J. In d e r prak -
ti s chen Anwe ndung wi rd m an je do ch i m m e r auf Zeita b s chnitte e ndliche r Länge z urück -
gr e i fe n , nötigenfalls durch Segme ntier ung der zu verarbeitenden Signale. Dabei kann
m an beli ebi ge Si gnalauss chnitte über die R änder hinaus steti g i n p (t) und s einen
m
beiden e rste n Ablei tungen fortsetz en, was zu maximal m zu s ätzlichen Abtastwerten
a uf jeder Seite führt, di e durch die Ste tigkeitsbedingungen festgelegt sind (Abschnitt
6. 4) .
Wir betrac h ten zunächst den ein facher e n F all eines Spline-Signal s erster Ordnung
P1 (t) , a lso eines Polygonzuge s , der die Abtast werte u\l linear interpoliert, wobei
U
o = u N_ 1 = 0 gel te n muß:
( u \1+ 1 - u \I )( t - vr ) / T + U
\I
für v'I' ~ t ~ ( \I + 1) T. (6.2-7)
6.2 Spline-Signale und ihre Spektren 141
L
N-1
2
P~ ) (t ) = q \l 6 (t - \lT) ( 6.2-9)
\1=0
führt , wobei die Faktoren q\l der jeweiligen Stufenhöhe von P i (t) a n den St ellen
t = \lT entsprechen:
q \I = (u \1+ 1 - 2u \I + (6.2-10)
U
\1- l)!T.
L
N-1
p~2)(t) ~ ( 6.2-11)
\1=0
und hieraus folgt durc h Anwendung des D ifferentia tion s s a tzes (2.1-13) die Fouri e r-
Transformierte von P i ( t) :
N-l
L
\1=0
q e
\I
-j2nf\lT
(6.2-12)
N-1
-T \ ' u e -j2nf( \I- l ) T - 2 e -j2nfvT+e -j2nf( v+1) T I
(2nfT)2 L \I 1
v=o
L
N-1
2T -j2nf\lT
=------,:- (1 - cos2nfT) u \I e • ( 6. 2-13 )
(2 nfT) 2
v=o
142 6. Fourier-Transformation und Spline-Interpolation in der Signalverarbeitung
N-l
I\(f) = TL \J=O
u e -j2TTf\JT
\J
(6.2-14)
ergibt sich
P (f) -
1 -
Isin TTfT } 2 P (f)
TTfT l' (6.2-15)
Das periodische Spektrum Pl (r) kann punktweise durch DFT der Abtastwerte u\J
berechnet werden, und hieraus folgt das gesuchte Spektrum des Spline-Signals erster
Ordnung durch Bewertung mit der Gewichtsfunktion
2
_ I sinTTfTTTfT 1
Al (f ) - ' (6.2-16)
Wir betrachten als einfaches Testbeispiel hierzu das Spline-Signal ul t) nach Bild 6.4.
1,0
Seine Abtastung mit der Frequenz l/T führt auf das diskontinuierliche Signal u* (t) =
n(t - T) mit dem Spektrum u(f) = T exp( - j2TTfT). Die Anwendung von (6.2-15) er-
gibt das Spektrum von u( t ) exakt :
(6.2-17)
Die Beziehung (6.2-15) läßt sich auf Spline-Signale m-ter Ordnung verallgemeinern
[6.5J. Die Fourier-Transformation von (6.2-6) liefert für das Spektrum eines sol-
chen Signals
(j2TTf)m+l P m(f) = L
N-l
Q\Je- j 2TTf\JT. (6.2-18)
\J=O
6.2 Spline-Signale und ihre Spektren 143
Das aus den Abtastwerten Pm (\lT) gebildete diskontinuierliche Signal hat anderer-
seits das Spektrum
L
N-1
Pm (f) = T Pm (\lT) e -ja-rvr , (6.2-19)
\1=0
00
Pm (f) = \'
i...J P
m
(f - k/T) (6.2-20)
k=-oo
verknüpft ist. Wir setzen nun (6.2-18) ein, wobei aber zunächst die Frequenzpunkte
f = IJ./T für ganzzahliges IJ. auszuschließen sind:
N~ 1 -j2n(f-k/T) -r
L. q e
\1=0 \I
(j2n(f _ k/T)) m- 1
N-1 N-1
=L\1=0
q e
\I
-j2nf\lT
L
\1=0
1
(j2n(f _ k/T))m+1
1
(6.2-21)
(f - k/T)m+1 •
k=-ro
00 :::0
L
k=-oo
1
(f - k/T) m- I L
k=-oo
1
f-k/T
(6.2-22)
auf die für m = 1 bereits gefundene Lösung zurückführen. Setzen wir nämlich in
(6.2-21) m = 1, so ergibt ein Vergleich mit (6.2-15) und (6.2-22)
:::0
Da andererseits
co
m
L
k=- =
1 _
(f_k/T)m+1-
nr (- 1)m d
m! df m
cot nrr (6.2-23)
oder
L
co
fm+1 (6.2-24)
k=-=
mit
Man kann leicht zeigen, daß dieser Zusammenhang auch für die ursprünglich ausge-
schlossenen Frequenzpunkte f1/T gilt. Aus (6.2-26) folgt
für ~ =0
(6.2-27)
für ~=±1,±2 , ••• ,
I:
N-1
(j2n~/T)m+1Pm(~/T) = q\) = 0, (6.2-28)
\)=0
wobei die Summe über alle Sprünge q verschwinden muß, weil für die Treppen-
funktion p~m) (t) voraussetzungsgem~das Fourier-Integral existieren soll. Aus
(6.2-28) folgt dann
und die Gültigkeit von (6.2-25) für f = 0 ergibt sich aus (6.2-20) und (6.2-29):
Die Gewichtsfunktionen A (f) lassen sich aus (6.2-26) ermitteln. Es gilt beispiels-
m
weise
A (f)
3
3
= 2 + cos 2nfT
{Si~;fT} 4 (6.2-31)
und
1,00 r-oo::::::::-----o:::::::::::---==:::::""':::::-=:::::-<:
0,75
0,50
0,25
o 1
T
Bild 6.5. Gewichtsfunktionen A
m (f) = A m (- f) für m = 1,3,5,7,9 ,19.
p
m
{~/ (NT» = A m {~/ {NT»Pm (~/ (NT» (6.2-33)
kann für alle ganzzahligen Werte von ~ bestimmt werden, wobei eine DFT von N
Werten durchgeführt werden muß und zusätzlich noch jeweils eine Multiplikation
mit dem reellen Faktor A (~/{NT» pro Frequenzpunkt vorzunehmen ist. Die Sym-
m
metrien des Spektrums P (f) bei reellen Signalen nach (2.1-42) bleiben be-
m
stehen, wenn der berücksichtigte Frequenzbereich symmetrisch zu f = 0 liegt.
Die Fa I tun g zweier Spline-Signale der Ordnungen n und m führt auf ein Spline-
Signal der Ordnung k = n + m + 1: Für u{ t) E Sund h{ t) E S gilt [6.7J
m n
(6.3-3)
Die inverse Fourier-Transformation führt dann auf die Faltung der entsprechenden
Derivierten
(6.3-4)
u{m+1) (t) = L
K-1
(X
K
ö{t-KT) (6.3-5)
;t=O
6.3 Faltung, Korrelation und Deconvolution von Spline-Signalen 147
und
L-1
h (n+1} (t) -_ ~
~ f';l" vL( t - ;l"T}
Q
(6.3-6)
;l,,=0
L L
K-1 L-1 N-1
y<k+1} (t ) = Q'Kß;l" ö(t - KT - xr) = L q ö (t - vT) ,
v
(6.3-7)
K=O ;l,,=0 v=O
wobei N = L + K - 1 ist und die qv sich aus der diskreten Faltung der Q'K und ß;l"
ergeben:
K-1
qv = L
K=O
Q'K ßV-K • (6.3-8)
Der Vergleich von (6.2-6) und (6.3-7) zeigt, daß y(t} ein Spline-Signal der Ord-
nung k = n + m + 1 sein muß. Die Beziehung (6.3-2) läßt sich dann nach (6.2-25)
ersetzen durch
Ak(f)Y(f) = A
m (f}A n (f)U(f}H(f) • (6.3-9)
Wenn man nun nach Y(f) auflöst und die Frequenzachse mit f ... f = IJ,/(NT} diskre-
IJ,
tisiert
(6.3-10)
so lassen sich die Abtastwerte von y(t} durch eine lOFT exakt bestimm.en [6.7]:
N-1
y(vT} = ~T L Y (NT) e
j2TIIJ,vjN
(6 .3-11)
IJ,=O
Es ergibt sich so das folgende Verfahren zur numerischen Ausführung der Faltung
von Spline-Signalen : Die Abtastfolgen !u(O} ,u(T}, ••• ,u( (K - 1)T} I und Ih(O},
h(T}, ••• ,h( (L - 1)T} I werden durch Anhängen von Nullen auf Folgen von jeweils
N = K + L - 1 Elementen verlängert und dann der DFT unterworfen. Man erhält so
die Folgen !U(f } I und IH(f } I, welche miteinander zu multiplizieren und mit den
IJ, IJ,
reellen Faktoren A (f}A (f }/Ak(f ) zu bewerten sind. Die lOFT führt dann auf
m IJ, n IJ, IJ, .
die Folge ly(vT}I.
148 6. Fourier-Transformation und Spline-Interpolation in der Signalverarbeitung
Nehmen wir an, daß uf t ) und hf t ) kubische Spline-Signale sind oder durch solche
approximiert werden, so ergibt sich als Resultat der Faltung ein Spline-Signal der
Ordnung 7. Die Bewertungsfaktoren sind hier nach (6.2-31) und (6.2-32)
2 4 6
17 + 180 cos TIf.l:/N + 114 cos TIf.l:/N + 4 cos TIp./N
2 • (6.3-12)
35(2 + cos znu/N)
Die Zahlenwerte dieser Faktoren sind immer positiv , und die Periodizität, die nach
(6.3-10) bestehen muß, ist leicht zu erkennen. Das Prinzip dieser digitalen Verar-
beitung von Spline-Signalen ist in Bild 6.6 dargestellt.
Eine Deconvolution läßt sich ausführen, wenn man (6.3-1O) nach UU} bzw.
'HU} auflöst und davon die IDFT bildet. Eine mögliche Anwendung ist die System-
I den t i f i kat ion, wo die Impulsantwort h( t) eines linearen zeitinvarianten Systems
bei bekanntem Ausgangssignal y(t} zu bestimmen ist:
N-l
h(vT} = JT L (6.3-13)
f.l:=0
6.3 Faltung, Korrelation und Deconvolution von Spline-Signalen 149
mit
(6.3-14)
Hierbei wird der Kehrwert von (6 .3-12) zur Bewertung verwendet. Will man die
Übertragungsfunktion H(f) bestimmen, so sind die Werte
H(f ) (6.3-15)
~
zu bilden.
Das angegebene Verfahren ermöglicht die Bestimmung der Abtastwerte des gesuch-
ten Spl ine-Signal s , welches somit eindeutig festgelegt ist. Die Zwischenwerte könn-
ten dann durch Interpolation bestimmt werden.
Im folgenden betrachten wir eine andere Methode zur Verarbeitung von Spline-Si-
gnalen , welche unmittelbar auf die an a log e Si g n a I f 0 r m des gesuchten Signals
führt [6.8J. Nehmen wir an. daß wieder das Spline-Signal y(t) gesucht sei. wel-
ches sich nach (6.3-1) als Faltung zweier Spline-Signale uf t) und h(t) ergibt. Die
(k + l)-te Derivierte von y(t) ist nach (6.3-7) als diskontinuierliches Signal dar-
stellbar. Bei bekannten Impulsstärken q muß sich y(t) durch (k + l)-fache Inte-
gration aus /k+l) (t ) ergeben. Zur Bes~immUng der q
v
transformieren wir (6.3-7)
in den Frequenzbereich und erhalten mit (6.3-9)
N-l
L
v=O
q e
v
-j2TTfvT
(6.3-16)
Diskretisieren wir nun die Frequenz mit f ... f = ~I (NT) so ergeben sich die gesuch-
~
ten N Werte qv durch eine lOFT
{~
NT
1k+l A m (L)
NT
A (L) u(L)
n NT NT
H (L)
NT
ej2TT~v/N •
(6.3-17)
Für den Fall, daß u( t ) und h( t) kubische Spline-Signale sind, schreiben wir dieses
Ergebnis in der Form
t
~ ~
Die Rückwandlung in die analoge Signalform läßt sich mit Hilfe von acht Integrierern
vornehmen, wobei die Werte qv in den Zeitpunkten t = v'I' als Anfangsbedingungen
auf den ersten Integrierer gegeben werden. Das Schema dieser hybriden Signalver-
arbeitung ist in Bild 6.7 dargestellt.
Die beschriebenen Methoden wollen wir nun an einem einfachen Beispiel testen. Das
in Bild 6.4 dargestellte Spline-Signal erster Ordnung
I
t/T für 0";; t ,,;; T
u( t) = ~-t/T für T";; t,,;; 2T (6.3-20)
sonst
soll mit sich selbst gefaltet (korreliert) werden. Zuerst betrachten wir das Ver-
fahren, welches nach (6.3-11) auf die Abtastwerte von y(t) = uf t) * uf t) führt.
6.3 Faltung, Korrelation und Deconvolution von Spline-Signalen 151
Y(f } =
~
u2 (f ~
}A 2 (f }/A (f } =
1 ~ 3 ~
(T2/3)(2+cos2n~/N}e-j2n~2/N
und hieraus ergeben sich die Abtastwerte y(O} = O,y(T} = T/6, y(2T} = 2T/3 , y(3T} =
T/6 und y(4T} = O. Die Richtigkeit dieser Werte folgt aus dem Vergleich mit dem
analogen Signal y(t}, welches in (6.3-22) angegeben ist.
Für die hybride Methode ergibt sich aus (6.3-16) mit N = 5, m =n = 1 und k = 3
4
T ~ -j 2nWv/5 _ T(~) 4 A 2 (L) u2 ( LNT )
1...J q\l e - NT 1 NT
\1=0
Durch Koeffizientenvergleich erhält man hieraus die Werte q\l' mit denen das dis-
kontinuierliche Signal
yo (t) = t 3/ 2
(6T ) 0 ~t~T
2 3 2
Y1(t) = T/6+(t-T}/2+(t-T} /(2T}-(t-T) /(2T ) T ~ t ~ 2T
2}
y(t} = Y2(t} = 2T/3_(t_2T}2/T+(t_2T}3/(2T 2T~t~3T.
2}
Y3(t} = T/6-(t-3T}/2+(t-3T}2/(2T}-(t-3T}3/(6T 3T ~ t ~ 4T
o sonst
(6.3'-22 )
3
2 T2 y"'( t)
1
/
o T 3T
-1
2T 141 t
-2
-3
O!L---++--+--f-I---""*--
4T
-1
-2
0
4T
Bild 6.8. Beispiel für die Bestimmung
-1 eines kubischen Spline-Si-
t
gnals durch viermalige Inte-
1 gration
~t)
I
0 T 2T 3T 4T
I m folgenden wird erläutert, wie man die in den vorhergehenden Abschnitten beschriebe-
nen Methoden auch auf solche Signale an wenden kann, deren Spline-Charakter stellen-
weise gestört ist. Wir beschränken uns dabei auf den praktisch wichtigen Fall der
Interpolation durch ku bi sc h e Splines. Beispielsweise sei u{ t ) für t > 0 ein ku-
bisches Spline-Signal, das für t < 0 identisch verschwinden möge, wobei für t = 0
die Unstetigkeiten
vorliegen sollen (Bild 6.9). In [6.6J wurde gezeigt, wie man u(t} zu einem ku-
bischen Spline-Signal vervollständigen kann, indem man das Signal und seine ersten
_""l~_
o
-3T -21 -T 0
Bild 6.9. Kausales Signal mit Spline-Charakter für t > o. Die Ergänzung zum ku-
bischen Spline-Signal ist für t < 0 angedeutet
Die vierte Derivierte von u ( t}, die nach (2.2-34) sofort angegeben werden kann,
unterscheidet sich von der des kubischen Spline-Signals in (6.2-6) durch drei zu-
sätzliche Distributionen:
L
N-1
u(4}(t} = ö
q\l o(t - vr) + u o(l}(t} + u
Oö(2}(t} + u
Oö(3}(t}. (6.4-2)
\1=0
N-1
utr) 1
L
\1=0
(6.4-3)
154 6. Fourier-Transformation und Spline-Interpolation in der Signalverarbeitung
Um nun andererseits das periodisierte Spektrum V(r) berechnen zu können, muß man
zunächst definieren, auf welchen Wert die Abtastung von u( t) im Zeitpunkt t = 0 füh-
ren soll. Wenn wir den rechtsseitigen Grenzwert uf O) = u einsetzen, wie es der An-
o
fangsbedingung entspricht, so ist zu beachten, daß die Fourier-Transformation nach
(2.1-5) nur für u(O) = u eindeutig ist. Wir definieren nun
O/2
L
N-1
u(f) = Tu + T u(vT)e-j2nfvT (6.4-4)
O
v=l
L
co
N-1
=L v=O
(j2n(f - k/T»4
1
co co
+ u
ö L
k=-=
1
(j2n(f _ k/T»3
+ U I
0
k=-=
L 1
(j2n(f - k/T»2
co
+ u
o L
k=-=
1
j2n(f - k!T) . (6.4-5)
Hierin kann die Summe über v mit (6.4-3) substituiert werden. Außerdem lassen
sich die Summen über k nach (6.2-23) ausrechnen:
co
L
k=-=
1
f _ k!T = rrr cot nfT , (6.4-6)
(6.4-7)
co
L
k=-=
1
(f - k/T)3 = I rrr
sin nfT
}3
cos nfT , (6.4-8)
=
L
k=-=
1
(f-k/T)4= f4 A 3(f)
1
(6.4-9)
6.4 Berücksichtigung von Unstetigkeiten in den Spline-Signalen 155
~u(f) { Uo
- uOT/2 = u(f) -i2Tif - 2-
uD
3
Uö }x::m
1
J (j2TTf) (j2TTf) 3
u"o
+
uD ! .
TTT }2 U
+ .
oTTT cot TTfT. (6 .4-10)
(j2 TTf) 2 sm TTfT j2i'i'1
Wir lösen nach u(f) auf und erhalten nach e infacher Umrechnung die Beziehung
(6.4-11)
B O()
.L { 2 + cos
3 ( sin TTfT) 3 jTTfT }
f = 2TTf 2TTfT TTfT e - 1 U o
j
- (2 TTf) 3
! 3 sin 2TTfT 1}"
2 + cos 2TTfT· 2TTfT - Uo
(6.4-12)
(6.4-13)
erhalten.
Der numerische Aufwand zur Bestimmung des Spektrums besteht nun in der Ermitt-
lung von U(f) durch eine DFT, der Bewertung mit A (f) (2N reelle Multiplikationen)
3
und der Bestimmung der Zusatzglieder. Berücksichtigt man, daß der Faktor bei UD
reell und der bei U
ö rein imaginär ist,
so müssen zur Berechnung von B (f) weitere
O
4N reelle Multiplikationen ausgeführt werden.
(6.4-14)
B(f)
=
-L { 3
zrrr 2 + cos 2nfT
(sin nfT ) 3 jnfT
TTfT e -
Bild 6.10. Unstetigkeiten bei t = to ' die den Spline-Charakter des Signals u( t )
stören (nach [6.6J)
Dabei sind lIu, lIu' und lIu" die Sprunghöhen in u(t), u' (t) bzw. u"(t), wenn man
sich der SprungsteIle von links her nähert. In Bild 6.10 ist angedeutet, wie man
bei der Bestimmung von B(i) durch stetige Fortsetzung über die Stelle t = t hinaus
o
vorgehen würde [6.6 J •
"o = T/6, U
o= 1/2, ö= l/T •
U (6.4-16)
(6.4-17)
6.4 Berücksichtigung von Unstetigkeiten in den Spline-Signalen 157
3 2
welches genau dem negativen Wert der Fourier-Transformierten von YO(t) = t /(6T )
entspricht.
-t
für o~t
u( t ) = { : (6.4-18)
für t <0 •
Sie hat nach (2.4-18) die Fourier-Transformierte u(f) = 1/(j2nf} und nach (2.4-19)
das periodisierte Spektrum 'D(f) = T/ 11 - exp( - (1 + j2nf)T} I. Die Unstetigkeiten
bei t = 0 sind "o = 1, U
o= - 1 und U
.. rv
U(f) ... u(f} = U(f}A 3(f} + 2nf
.L { 2 + cos
3
2nfT
( sin -rr
nfT
)3 - 1}
1 { 3 ( sin nfT) 2 1 }
- (2nf)2 2 + cos 2nfT nfT -
_ ........
j ...... { 3
- (2nf) 3 2 + cos 2nfT
sin 2nfT - 1
2nfT
I •
(6.4-19)
4U
U(f) - lj( f) rv T (f) + Glieder mit höheren Potenzen von T.
Die Differenz zwischen u(f} und 'D(f} verschwindet nach (2.4-20) dagegen nur li-
near mit T. Die mittleren quadratischen Approximationsfehler
=f I u(f} - D(f} 1
2
df
I €1 2 = ~O-=- _ (6.4-20)
und
1/(2T} 2
J IU ( f) - 'D(f} 1 df
IEI2 = ---'0 _
=f IU ( f } 2df
1
(6.4-21)
o
158 6. Fourier-Transformation und Spline-Interpolation in der Signalverarbeitung
sind in Bild 6.11 dargestellt. Zu beachten ist, daß bei 1'81 2 nur die Fehleranteile im
Bereich 0 ~ f ~ 1/(2T) berücksichtigt wurden. Für Ifl > 1(2T) stellt U(f) keine Ap-
proximation an u(f) mehr dar (Bild 6.12).
10 0
10-1
10-1
10- 3
10- 4
10- 5
Bild 6. 11. Beispiel für mi ttlere qua-
10- 6 dratische Fehler bei der
numerischen Fourier-Trans-
10- 7 formation durch die DFT
und bei Anwendung der im-
10-8 pliziten Spline-Interpolation
nach [6. 6J
10- 9
10-10
10 ' 10-1 10-1 10-3 T
1,0
0,8
0,6
0,4
Bild 6.12. Zur Approximation des~
Spektrums u(f) durch u(f)
0,2 und U(f) für T = 0,1 nach
[6.6J
o
Die erläuterten Zusammenhänge lassen sich auch bei der F al tung von Spline-
Signalen, die stellenweise durch Unstetigkei ten gestört sind, ausnutzen. Wir be-
trachten dazu die Faltung zweier kausaler Signale u( t) und h( t}, die für t > 0 als
kubische Spline-Signale darstellbar sind, aber für t = 0 selbst und in ihren ersten
beiden Ableitungen nicht stetig sind. Mit den rechtsseitigen Grenzwerten u u '
O' O
U
ö und h ' h
O O' h Ö folgt aus (6.4-2) für die vierten Derivierten der beiden Sig-nale
L
K-1
u(4)(t) = Q'x.ö(t-x.T) +u
öö(1)(t) +u
oö(2)(t) +uoö(3)(t), (6.4-22)
x.=O
6.4 Berücksichtigung von Unstetigkeiten in den Spline-Signalen 159
(6.4-23)
In der achten Derivierten von y{t) = u{t) * h{t) treten nun gegenüber (6.3-7) noch
zusätzliche Terme auf, die auf die Unstetigkeiten bei t = 0 zurückzuführen sind:
L
N-1
y(8) (t ) = u(4) (t) * h(4) (t) = q 6 (t - \JT)
\J
\J=O
+ u Olh 0l6 (2) (t) + (uOlh'+ u ' hOl ) 6(3) (t) + (uOlh + u 'h '+ u hOl) 6(4) (t)
00 00 00 00 00 00
(6.4-24)
Hierin sind die q durch (6.3-8) definiert, und es gilt wieder N = L + K - 1. Bei
\J
der Faltung der Distributionen wurde von (2.2-23) Gebrauch gemacht. Bestimmt
man in (6.4-24) die Werte q\J' Q'l1. und ~\ explizit, so läßt sich das Verarbeitungs-
schema von Bild 6.7 durch weitere Anfangsbedingungen ergänzen. Wir erläutern
zunächst die Bestimmung der Q'l1.' Die Werte ~\ ergeben sich dann entsprechend ,
und die q folgen aus der diskreten Faltung der Q'und 13, nach (6 .3-8). Um die
\J l1. ~
schnelle Faltung anwenden zu können, verlängern wir die Folgen !Q'l1.1 und !ß I
A
durch Anhängen von Nullen auf jeweils N Werte. Die Fourier-Transformation von
(6.4-22) führt dann auf
L
N-1
nfl1.T
(j2nf) 4 U (f) = Q'l1. e -j2 +u
öj2nf + u6 (j2nf) 2 + Uo (jzrrr) 3 • (6.4-25)
l1.=0
Wir lösen nach der Summe über l1. auf und substituieren u(f) durch (6.4-11) :
L
N-l
Q'l1. e -j2nfl1.T = (jzrrr) 4 U (f) - u
öj2nf - u6 (j2nf) 2 - Uo (j2nf) 3
= (j2nf)4U(f)A 3(f) + 2+co~ 2nfT I oj{2/T)3(sin
U nfT)3 ejn
fT
Wir diskretisieren nun d ie Frequenz f ... f = IJ./ (NT), IJ. = 0,1 , ••• , N - 1, und führen
IJ.
die folgenden Bezeichnungen ein:_
N-1
a lJ. = TL l1.=0
(6.4-27)
GIJ. = T A 3 ( m.)( ~t ) , 4
(6.4-28)
3
CIJ. = j(2/T)3(sin TTIJ./N) (2+cos 2TTIJ.J~)exp{jTTIJ./N) , (6.4-29)
2
C~ = (2/T)2(sin TTIJ./N) (2+co~T2TTf]./N) , (6.4-30)
N-1
blJ. = T L
A.=O
ß e-
A.
j 2TTIJ.
A./N = G H
IJ.IJ.
+ h C + h'C' + h"C" •
O IJ. O f]. OIJ.
(6.4-33)
Die gesuchten Werte C1'v' ß v und q v ergeben sich nun im wesentlichen durch drei
inverse diskrete Fourier-Transformationen
und lassen sich danach gemäß (6.4-24) als Anfangsbedingungen bei der achtfachen
Integration verwenden. Das Prinzip dieser hybriden Signalverarbe itung ist in Bild
6.13 dargestellt. Es ergänzt das Schema von Bild 6.7 für den Fall, daß der Spline-
Charakter der Signale u( t) und h( t) durch Unstetigkeiten bei t = 0 gestärt ist.
bei der Bestimmung der a und b , sowie 6N reelle Multiplikationen mit jeweils
~ ~
einem konstanten reellen Faktor für die Einstellung der Anfangsbedingungen in den
Integrierern.
bl1
Uo.U o.Uö
Arithmetische Operationen
ho.ho,hö
uoh o+ Uoho uöh o+ uoh o+ uoh ö
t=o\ 1=0\
y (t) (>.-0-<
=u(t)* h(t)
6.5 Literatur
6. 1 Ahlberg, J. H.; Nilson, E. N .; Wal sh , J. L.: The Theory of Splines and their
Applications. New York : Academic Press 1967.
6.2 Bulirsch, R.; Rutishauser, H.: Interpolation und genäherte Quadratur. In:
Sauer, R.; Szabo , I.: Mathematische Hilfsmittel des Ingenieurs, Teil 1I1.
Berlin , Heidelberg, New York : Springer 1968.
162 6.5 Literatur
Die Grundprinzipien der numerischen Spektralanalyse sind seit langem bekannt, und
man verwendet die klassischen Methoden im wesentlichen auch heute noch. Die Art
der numerischen Ausführung dieser Methoden hat sich allerdings nach Einführung
der FFT grundlegend geändert: In der modernen Technik führt man Korrelations-
und Glättungsoperationen vorwiegend über die schnelle Faltung aus, wohingegen
früher diskrete Fourier-Transformationen nach Möglichkeit vermieden bzw. auf re-
lativ kurze Zahlenfolgen beschränkt wurden.
für O~t~e
(7.1-1)
sonst
164 7. Digitale Methoden zur Spektralanalyse
f
@
j 2TTftdt
P@(f) = ~ x@{t)e- 2 (7.1-2)
o
durch numerische Auswertung seiner diskreten Version
N-1
L
\)=0
(7.1-3)
Wenn die Probenlänge @= NT groß genug gegen die mutmaßliche Grundperiode des
gesuchten periodischen Vorgangs ist und überlagerte regellose Störungen nicht zu
stark ins Gewicht fallen, werden im Periodogramm ausgeprägte gleichabständige
Spitzen auftreten, die Hinweise auf die periodischen Signalanteile geben .
x(t )
o ~LJVIjWPIW~WV+iItA-A#tI\AM\JWW~
-2
-4
Signals hergestellt wurde. Das Mittel aller Periodogramm werte liegt bei 0,9 und
kommt damit dem wahren Wert der spektralen Leistungsdichte verhältnismäßig nahe.
Die starken Schwankungen im Periodogramm (Varianz der Spektral werte = 0,82)
können aber periodische Anteile im Signal maskieren bzw. vortäuschen. Der Schluß,
daß es sich bei dem analysierten Signal um weißes Rauschen handelt, läßt sich jeden-
falls aus dem Periodogramm nicht ziehen.
7.1 Klassische Methoden 165
Das Per iodogramm von Bild 7.2 ist typisch in seiner Erscheinung, wie allgemeinere
statistische Untersuchungen zeigen. Definiert man die Gesamtheit aller möglichen
o
Bild 7.2. Periodogramm des Rauschsignals von Bild 7.1. Wahrer Wert der spek-
tralen Leistungsdichte : S (f) = 1. Frequenzraster : f = ~/ (1024T)
x ~
Dieses Ergebnis der Mittelwertbildung sagt aber nichts darüber aus, welche Schwan-
kungen das einzelne Periodogramm gegenüber S (f) aufweist. Das Periodogramm
x
wäre erst dann ein k 0 n s ist e n t e r Schätzwert für die spektrale Leistungsdichte ,
wenn seine Varianz für @J -+00 verschwinden würde , und das ist im allgemeinen nicht
der Fall. Beispielsweise gilt für reelle normalverteilte stochastische Prozesse [7. 6J
(7.1-5)
Zur Verbesserung der Ergebnisse bieten sich zwei Möglichkeiten an: Die Mit t e-
lu n g über eine größere Anzahl von Periodogrammen oder die GI ä t tun g des Pe-
riodogramms durch Faltung mit einer geeigneten Fensterfunktion. Die klassischen
Verfahren konzentrieren sich auf die letztere Methode, da die Bildung einer größe-
ren Anzahl von Periodogrammen ohne Anwendung der FFT zu einem erheblichen
Rechenaufwand führt.
166 7. Digitale Methoden zur Spektralanalyse
Die Glättungsoperation wäre einer Tiefpaßfilterung vergleichbar, wenn man sich das
Periodogramm als zeitlichen Vorgang vorstellt. Sie kann auch indirekt durch Bewer-
tung der diskreten Autokorrelierten der Signalprobe mit einer geeigneten Gewichts-
funktion vorgenommen werden, wie die folgenden Betrachtungen zeigen.
Wenn man die Definition (2.3-47) der spektralen Leistungsdichte von stochastischen
Signalen auch als Meßvorschrift auffaßt, so hätte man die Fourier-Transformierte
der Autokorrelationsfunktion des zu analysierenden Signals zu bestimmen. Es bietet
sich dann an, nach Abtastung der Signalprobe xe(t) mit der Frequenz r/r = N/e die
diskrete Autokorrelierte
N-1
R(nT) = ~ L x e( vT)xe(nT + vT) , - (N - 1) ~ n ~ N - 1 (7.1-6)
v=o
zu bilden und hierauf die DFT anzuwenden. Diese Operationen führen aber genau auf
das Periodogramm in der diskreten Form (7.1-3)
N-1
'\' (T) -j2TTfvT 2
Z: xe v e
v=o
N-1 N-1
LL
v=o iJ.=O
(7.1-7)
N-1
L e-j2TTfnT L
N-1
n=-(N-1) v=O
=T L
N-1
R(nT)e-j2TTfnT.
n=-(N-1)
Vom Ergebnis her ist ein solches Verfahren also äquivalent zur Periodogramm-
Analyse. Die verschiedenen Wege der Ausführung erlauben es aber, die Glättung
wahlweise als Faltung des Periodogramms mit einer Fensterfunktion oder als Be-
wertung der Autokorrelierten mit einer Gewichtsfunktion vorzunehmen (Bild 7.3).
Betrachten wir zur Veranschaulichung die Autokorrelationsfunktion des Rauschsi-
gnals (Bild 7.4) : Der relevante Anteil ist die Spitze bei T = 0, der gesamte übrige
Verlauf besteht dagegen nur aus zufälligen Schwankungen, die von Probe zu Probe
verschieden sind. Ein ähnlicher Effekt zeigt sich allgemein bei stochastischen Si-
gnalen mit verschwindendem Mittelwert (vgl , Abschnitt 2.3), wenn auch nicht so
extrem wie beim weißen Rauschen. Ein Ausblenden des relevanten Anteils der Auto-
7.1 Klassische Methoden 167
Signalprobe Fourier-
xe( t l
e----- Iranstor-
mation
2
~I
Auto-
korrelation 1
R(t) Pe (f l
Bewertung Glättung
9 (tl G(f l
R(t) g( tl
Fourier-
Transfor- Pe(t)*G(fl
mation
geglättetes Periodogromm
R(nT)
1,0
0,8
0,6
0,4
0,2
-0,2
reichende Informationen über das zu analysierende Signal hat. die eine vernünftige
Wahl von T
max
gewährleisten. Die Autokorrelationsfunktion muß dann nur noch für
o ~ nT ~ T max berechnet werden.
Die bevorzugte klassische Methode zur digitalen Spektralanalyse bestand darin. die
diskrete Autokorrelierte für verhältnismäßg kleine Werte der Verschiebung T (z.B.
5 % oder 10 % der Probenlänge e ) zu berechnen, mit einer Gewichtsfunktion zu be-
werten und der diskreten Fourier-Transformation zu unterwerfen [7 .1J. Diese Art
der Glättung von Periodogrammen wird heute noch mit Erfolg verwendet, wobei
Algorithmen der schnellen Autokorrelation zur Anwendung kommen (Abschnitt 7.3).
Eine andere wichtige Technik, die erst durch die FFT ermöglicht wurde, ist die
Mittelung über Periodogramme bzw. modifizierte Periodogramme. Sie wird im fol-
genden Abschnitt behandelt.
für O~t~ e
(7.2-1)
sonst
auch in der Form xe(t) = go(t)x(t) schreiben. Auf diese Weise tritt das stocha-
stische Signal x( t) selbst im Periodogramm auf
Pe(f) =~
=
f gO(t)x(t)e-j2TTftdt 2 (7.2-2)
-=
1
='8 f f
-= -=
und ermöglicht so mit (2.3-56) die Ausrechnung des Erwartungswertes
=
EIPe(f)I=~ J
(7.2-3)
7.2 Mittelung über modifizierte Periodogramme 169
Setzen wir voraus, daß x( t ) durch einen stochastischen Prozeß erzeugt wird , der
mindestens im weiteren Sinne stationär ist, so gilt nach (2.3-57) und (2.3-58) für
die Autokorrelationsfunktion die Beziehung
J
00
der Gewichtsfunktion go (t ) ein und können damit die Integrale über t und über t
1 2
durch GO(cp- f) bzw. GO{f - cp) ersetzen. Wegen GO(cp - f ) = G;{f - cp) ergibt sich
dann schließlich
=
E lp e {f ) I = ~ J (7.2-6)
-=
d.h. der Erwartungswert des Periodogramms entspricht der F'al tung der spektralen
Le istungsdichte mit dem sogenannten "natürlichen" Spektralfenster
Erst für e ... co entspricht E!P e {f ) I dem wahren Wert der spektralen Leistungs-
dichte.
Bei der praktischen Mittelung über Periodogramme führen insbesondere die Neben-
maxi ma von QO(f) zu Fehlern : Hat Sx(f) z.B. bei f = f eine stark ausgeprägte
O
Spitze , so hat der Erwartungswert des Periodogramms entsprechend verkleinerte
Abbilder dieser Spitze z , B. bei den Frequenzen f ± 3/ (2 e). Eine Reduzierung die-
O
ses Effektes ist möglich, wenn man anstelle von go (t ) andere Gewichtsfunktionen
verwendet, deren Fourier-Transformierte kleinere Nebenmaxima besitzen. Zur
Konstruktion solcher Gewichtsfunktionen kann man die Shannonsche Interpolations-
formel (2.4-5) heranziehen und auf den Frequenzbere ich anwenden : Danach muß
eine auf das Intervall 0 ~ t ~ e beschränkte Funktion g( t) eine durch
L
co
G(f) = e -jTTfe G(~) sin TT{fe-k) (7.2-8)
'CI TT (fe - k)
k=- =
170 7 . D i gital e Me th oden z ur Spe k t ralanalyse
(7 .2 -9)
( 7. 2-10)
die in B ild 7 .5 darge stell t s ind . Die z ugehö rigen Gewichtsfunktione n sind
1,0
~ G I (f ) ein te IHanning)
1 1 0 2
-8 - 2e -0,2 e
1 1 0 1
-8 - 2e -0,2 2e -0,02
2 _1 0
e e
und
G (f) _ ~
1 - 2
! sin TTfe/2j2 -jTTfe
TTfEl!2 e (7.2-13)
wird nach M. S. Bartlett benannt [7. 1J. Es entspricht der dreiecksförmigen Ge-
wichtsfunktion
Ersetzt man nun in (7 .2-2) die Rechteckfunktion gO(t) durch eine andere Gewichts-
funktion g(t), so erhält man anstelle von Pe(f) ein sogenanntes modifiziertes
Periodogramm, das wir Pe(f) nennen wollen. Der Erwartungswert des modifi-
zierten Periodogrammes ergibt sich zu
2
E !p",(f)
ö
1= Sx (f) * Q(f) = Sx (f) * jG(f)
e1 (7.2-15)
L
N-1
g*(t) Y\I ö(t - \lT) (7.2-16)
\1=0
172 7 . Digitale Methoden zur Spektralanalyse
max , (7.2-17)
Dabei ist
N-1
L
v=O
'I v e
-j2nfvT
(7.2-18)
f leU) 1 L L
2
df = YvYn
sin 2n( v - n)/N
n( v-n)T (7.2-19)
-1/ 8 v=O n=O
1/ (2T) N-1
f !e(!) 1
2
df = +L y~ (7.2-20)
-1/(2T) v=O
y ' My
ß =-y'y- (7 .2-21)
sin 2n( v - n) /N
M
n( v - n) v , n= 0 , 1 , ••• , N - 1 (7.2-22)
vn
darstellen , wobei y der aus den Elementen Yv gebildete Spaltenvektor und y ' der
transponierte Vekt;r ist. Da die Matrix M reell symmetrisch ist, liegt der-Werte-
bereich des Rayleigh-Quotienten ß auf der reellen Zahlenachse , begrenzt von dem
größten und dem kleinsten Eigenwert von M. Der größte Eigenwert A s te Il t so-
- max
mit den Maximalwert von ß dar. Er ergibt sich , wenn y gleich dem zugehörigen
Eigenvektor , d , h , -M_y = Amax_
Y ist. Die Bestimmung der Gewichtsfaktoren v' v ent-
spricht damit der Ermittlung des zu A gehörigen Eigenvektors von M. Dieses
ma x
Problem kann numerisch mit Hilfe des Gauß-Seidel-Verfahrens gelöst werden.
Tabelle 7.1 gibt die Bewertungsfaktoren für N = 16, 32 , 64 und 128 an.
7.2 Mittelung über modifizierte Periodogramme 173
Tabelle 7.1; Bewertungsfaktoren y v für das Optimalfenster nach Eberhard [7. 7J.
Yv = 'IN- i - v ' v = Sn + k , (Berechnung nach [7 .1OJ)
N
X 0 1 2 3 4 5 6 7
L
M-l
x « k + v}T}g( vT } e
8
-j2n~v/N 2,
v=O
E ine Mittelung über alle K modifizierten Programme liefert dann den Schätzwert
(7.2-24)
für die spektrale Leistungsdichte , dessen Varianz um den Faktor t/x gegenüber
der Varianz des einzelnen Periodogramms reduziert ist [7 .9J. Im folgenden werden
einige praktische Ergebnisse gezeigt , die mit dieser Methode in [7. 10] gewonnen
wurden.
Zuerst wird die Signal probe weißen Rauschens von Bild 7 .1 analysiert. Dazu werden
insgesamt N = 1024 Signal werte x( »r ) verwendet. Diese unterteilen wir in 32 Signal-
abschnitte zu je 32 Signal werten bzw, 16 Signalabschnitte zu je 64 Signalwerten und
174 7. Digitale Methoden zur Spektralanalyse
bilden die modifizierten Periodogramme. Die Ergebnisse sind für die Bewertungen
nach Bartlett , Hamming und Eberhard in Bild 7.6 dargestellt . Das arithmetische
t Hamming
:~ ~
o B 16 24 32 40 48 56 64 J.1
,t Eberh~rd , t>"" .
1o 8 16 24 32
:~~ .
40 48 56 64 J.1
Bild 7.6. Ergebnisse der Spektralanalyse von weißem Rauschen nach Mittelung über
32 modifizierte Periodogramme (---) zu je 32 Spektral werten und über 16
modifizierte Per iodogramme (--) zu je 64 Spektralwerten. Frequenz-
.
raster : f = ../ (64T)
Mittel m s und die Varianz er; der Spektral werte , sowie ihr mittlerer quadratischer
Fehler 8 ~ nach der Mittelung von 32 modifizierten Periodogrammen sind in Tabelle
7.2 dargestellt.
Bewertung Mittel m
s
Varianz er
2
s
Fehler 8;
Bartlett 0,835 0 ,0275 0,0546
Hamming 0 ,908 0 ,0324 0,0409
Eberhard 0,898 0,0 337 0,0442
Die Stärke der Bewertung nach Eberhard zeigt sich, wenn man dem weißen Rauschen
ein periodisches Signal überlagert. Ein solches Signal der Form
x II)
O wmHJ.~9IM\P"\+HlJlli1ftj\f.Jt1ff'Mft~'YlHI/rfIYhPttiftrl"lk+llj-ßUImfHtftffl'tl\HtiiJHIM-M\Ht\tW~
-2
-4
Bild 7.7. Sinusförmiges Signal der Frequenz f = 1/ (16T), das von weißem Rau-
O
schen überlagert ist
R(nTl
0,12
0,9
0,6
0,3
-0,3
-0,6
Bild 7.8. Autokorrelationsfunktion des Signals vom Bild 7.7
Als letztes Beispiel wird die stochastische Pulsfolge von Bild 7.10 analysiert, d ie
theoretisch schon im Abschnitt 2.3 behandelt wurde. Die Pulse haben die Breite 8T.
Ihre Varianz ist ,ix = 1/12 und ihr Mittelwert m
x
= O. Nach (2.3-80) gilt für die
spektrale Leistungsdichte
2
S (f) = 8T 0 2
x x
I sinBrrf'I'
8nfT 1
• (7.2-26)
176 7. Digitale Methoden zur Spektralanalyse
I MI fjL)
4
dB
3
2
1
0
32 11
-1
-2
1MOll)
4
dB
3
2
1
0
32 11
-1
-2
Bild 7.9. E rgebnisse der Spektralanalyse des Signals von Bild 7.7 nach Mittelung
übe r 32 modifizierte Periodogramme. Oben: Hamming-Bewertung; unten:
Eberhard-Bewertung. Frequenzraster : f = ~/(32T). M = 32
~
x(t)
0,5
0,4
0,3
0,2
0.1
0 i
- 0,1
- 0,2
-0,3
- 0,4 -
0,5 r 0,5 ~
I ::l
I iTCl
I 0,4 1::
0,4 r'\. \ 0'
(1)
\
'1
0,3 r
\ 3
0
\\\
\ e:
....,
0,21- 0,2 \
~ N'
(j)'
) 64(f p.) '1
0,1 r v-, / 131 lflL) 0,1 r \ ~
(1)
'"0
(1)
8 16 24 32 J.1 8 16 24 32 '1
J.1
° ° o'
P-
o
iTCl
\ '1
Eberhard po
0,6 r\ 0,6 \ 3
I 5, (f ) ~' \ .,/ 5, lf ) 3(1)
0,5 t\.
v\ 0,5 \
\
I
0,4 r \\ 0,4
\
I
0,3 r \\\ 0,3
\
0,2 r ~\ 0,2
(...
.- -
0,1 r / 131 I fp. ) 0,1
~
8 16 24 32 J.1 8 16 24 32 J.1
°
Bild 7 . 11 .
°
Ergebnisse der Spektra lana lyse e iner s toc ha s ti s c he n P ulsfolge na ch B ild 7 . 10 nach Mi ttel ung über 32 modifizierte
P eriodogramme zu je 32 Spektral werte n (li nks ) und üb er 16 m od ifi z i e rte P e r iod og r amm e z u je 64 Spektral werten ....
( r e c h ts). Ob en: Ha m mi ng-B e we r tung ; un ten: Ebe rha r d- Bewe r tung. F requenzraster : f :: ~/( 6 4 T) -...I
-...I
~
17 8 7. Di g itale Methoden zur Spe k tralanalyse
Di e beschriebene Methode hat den Vorteil, daß man üb er P eriod ogramme vo n ver-
hältni sm ä ßig kurzen Signal proben mittelt. Dadurch benöti g t m an we n ig Speicherplatz.
Außerdem besteht die Möglichkei t , Nichtstationaritäten in den Spektren zu e r ke nne n
und zu bes timmen. An de rerseits erhält man bei etwa gleiche m Rechenaufwand we-
s e ntlich we ni ge r Spektral werte al s be i der im fol gend en bet rachtete n Methode zur
Spektralanalyse, di e auf einer Glättung des Periodogramm s bas iert.
Die klassi sche Methode der Periodogrammglättung durch Bewertung der Autokorre-
lationsfunktion (Bild 7.3) läßt s ich mit Hilfe der schnellen Autokorrelation
(KapitelS) auf sehr effektive Weise ausführen. Im Abschnitt 7.1 wurde bereits da-
r auf hingewiesen, daß die Bewertungsfunktion g( T) für die Autokorrelierte relativ
schmal sein muß , wenn man einen starken Glättungseffekt erreichen möchte. Wir
nehmen daher an, daß g(T) für IT I > T vers chwindet , wobe i T =: MT kl e in
max max
ge gen die Probenlänge 18 =: NT i s t . Be wertet m an d ie diskrete Autokorrelationsfunk-
ti on von x e ( t ) mit dieser Funktion , so erhäl t m an a nste ll e von (7. 1-7) das g e -
glätte te Periodogramm
L
M- l
TT
IN (f) =: T g(nT)R(nT) e - j2 fnT. (7.3-1)
n=:-( M-l)
L =: N + M (7. 3-2)
Werten. Die Gewichtsfunktion g ( T) muß symmetri sch zu T =: 0 sein , damit die Re-
ellitä t des geglätteten Periodogramms ge wä hr lei stet i s t.
Es e r gibt s ich dann folg ende s Verfahren zur Bestimmung des geglättete n Periodo -
g r a m ms [ 7 . 4J : Man be stimmt zunächst die DFT der L- wer ti gen Folge !xe(O),
xe(T), ••• , x (N - l)T),O , 0 , ••• , 0 I , bildet di e Ab s olutquadrate de r L DFT-Werte
e(
und we ndet hierauf die IDFT an. Die e rste n M Werte der Ergebn isfolge e rgeben
dann die gesuchte n Werte R( O) , R (T), ••• , R ( ( M - l )T ). Au s diesen bi ldet m an di e
L- we r tige Folge !g( O) R ( O) ,g (T) R ( T), •.• ,g ( ( M - 1)T)R( ( M - i rr) , 0,0, ••• ,0 ,
g( ( M - l)T)R( (M - l) T) , ••• , g ( 2T )R( 2T) , g(T )R( T) I, de re n DFT a uf das geglättete
7.3 Glättung von Periodogrammen 179
Periodogramm führt, sofern L ~ 2M ist. Für sehr große Werte von L empfiehlt es
sich, die schnelle Autokorrelation segmentweise (vgl. Abschnitt 5.2) auszuführen
[7.4,7.11J.
Bei der Wahl von L sind verschiedene Gesichtspunkte zu beachten: Zunächst sollte
L» M sein, so daß die Autokorrelierte nur für Verschiebungen T berechnet wird,
wo sich x
e (t) und X
e(t + T) noch größtenteils überlappen. Sodann muß L eine für
die FFT günstige Zahl, also möglichst eine Zweierpotenz sein. Schließlich bestimmt
L die Dichte der Spektrallinien, die im geglätteten Periodogramm bei den Frequenzen
f = ~/(LT) , ~ = 0,1, ••• ,L -1 liegen . Das spektrale Auflösungsvermögen wird da-
~
gegen durch die Breite des Spektralfensters und damit durch M bestimmt.
für
(7.3-4)
für
Der Glättungseffekt läßt sich durch die Reduzierung der Varianz des Periodogramms
beschreiben. Bei gaußschen Prozessen gilt näherungsweise für das Verhältnis der
Varianzen des Periodogramms vor und nach der Glättung [7.2, 7.4J
M-1
L i(mT) (7.3-5)
m=-(M-1)
für
(7.3-6)
für
erhält man beispielsweise V = (2M - 1)/N. Je kleiner M ist , desto stärker wird
die Varianz des Periodogramms reduziert, allerdings auf Kosten der spektralen
Auflösung : Verwendet man als Maß die Breite Q des Hauptmaximums der Fenster-
funktion, gemessen zwischen den Nulldurchgängen beiderseits von f = 0, so gilt bei-
spielsweise für die Rechteckbewertung Gd = 1/( MT). In Tabelle 7.3 sind die Werte
180 7. Digitale Methoden zur Spektralanalyse
von V und Q auch für andere Fenster angegeben. Hiernach kann man durch Wahl von
M d ie gewünschte spektrale Auflösung festlegen und dann N bzw. L =N + M so wäh-
len, daß sich eine genügend starke Varianzreduktion ergibt.
Bei Rechteck-, Hanning- und Hamming-Bewertung können sich wegen der negativen
Nebenmaxima der zugehörigen Fenster für das geglättete Periodogramm. negative
Werte ergeben. Das muß nicht als Nachteil dieser Fenster angesehen werden, denn
man kann in diesem Fall den Fehler, der durch die Nebenmaxima - ob positiv oder
negativ - in jedem Fall verursacht wird, erkennen und eliminieren.
Im folgenden werden einige Beispiele zur Glättung von Periodogrammen durch Be-
wertung der Autokorrelationsfunktionen gezeigt, die in [7.lOJ behandelt wurden.
Dabei gilt in allen Fällen N = 960, M = 64 und somit L = 1024.
Bild 7. 12 zeigt die geglätteten Periodogramme von weißem Rauschen bei Bartlett-
und Hamming-Bewertung und Tabelle 7.4 den Mittelwert,die Varianz und den mittle-
ren quadratischen Fehler der Spektral werte.
Varianz ~2 2
Bewertung Mittel m Fehler 8
s s s
Bartlett 0,961 0,0471 0,0486
Hamming 0,968 0,0553 0,0563
In Bild 7.13 ist das geglättete Periodogramm der stochastischen Pulsfolge von Bild
7 .10 bei Bartlett-Bewertung dargestellt.
Schließlich betrachten wir noch die Ergebnisse der Periodogrammglättung für das
verrauschte sinusförmige Signal nach (7.2-25) und Bild 7.7. In Bild 7.14 ist das
-.J
.
VJ
Q
Pl:
0+
1
-
2"
o
===:~ ~
IN (tl <
2 g
'1:l
<D
~.
8-
~
'i
00 64 128 192 256 320 384 448 512 jl. Pl
:3
Bild 7.12. Geglättete Periodogramme eines weißen Rauschsignals mit M = 64 und N = 960. Oben: Hamming-Fenster;
:3<D
::l
unten : Bartlett-Fenster. Frequenzraster : f = ~/(1024T)
~
0,7
0,6
s,(tl
\
0,5 r\/\ \yIN(f)
\ i \\
0,4 \/
0,3
0,2
0,1
,5
3
2
1
oI . . :t;; .. r i ' '1' •• _ ... .. , I] , _ u! , ... '. __ .. '" • z:: __ c '~",,-.I r ! WI'I ... f ji Jt L ,. J i • •
IJ.
-1
-2
IN (f)
8
dB oo,J
7 .
6 ....tl'
aq
.....
5 S"
-<D
3 <D
...==
2
:3
~
r ~
'1
°1 "~Wtlm r'l" l' 6~ V\ l' '" 'Il'" 11" 't li I - rl tl, tM ~r:?"'ll'''''" f o l t ', (' 'v - \ In, 't j L
-1
-2 1:...
'1
-3 a
~
Bild 7.14. Geglättete Periodogramme des verrauschten sinusförmigen Signals von Bild 7.7. Oben: Hamming-Fenster;
a
'<
tIl
unten: Eberhard-Fenster. Frequenzraster : f = ~/ (1024T) <D
~
7. 4 Li te r a tu r 183
Zus ammenfassend ist zu bemerken, daß be ide Methoden - d i e Mittelung über modi-
fi zierte P eriodogramme e inerse i ts und die Glättung von Per io dogrammen durch Be-
wertung der Autokorrelati onsfunktion a nder e rsei ts - bei etwa gleic he n Rechenzeiten
( so wurden d i e Beispiele ge wä hlt ) e t wa glei c h gute Ergebnisse zeigen.
De r Vorteil der Glättung smethode li egt darin, daß m an ein wesentlich dichtere s
Ra s ter von Spektralwerten e r hält . D ie Methode der Mittelung über modifizierte Pe-
riodogramme erford ert dafür ge r i nger e Speicherkapazität und bietet außerdem di e
Mö gli chkei t , nichtstati on äre Vorgänge zu erkennen nnd zu a naly s i e r e n .
7.4 Literatur
7.1 Bla ckman , R.R.; Tukey , J . W. : The Me a surement of P o wer Spec tra. New
Yo rk : Dover Pub li cations 1958.
7.2 J e nkins , G. M . ; Wa t ts , D. G. : Spectr a l Analy s is a nd Its Applications San Fran-
cisco : Holden-Day 1968.
7. 3 B in gh am, C. ; Godfre y , M. D .; Tukey, J. W.: Mod e r n Te c hni qu e s of Power
Spe ctrum Estimati on. IEEE Tr ansac t. on Au d io a nd Electroacousti c s A U-15
(1 9 67) 5 6-6 6.
7 .4 Oppenhei m , A.V.; Schafer, R.W.: Digital Sig nal Pr oc e s sing. Engl ewood
Cli ff s , N.J.: Prentic e Hall 1975.
7.5 Rabiner , L. R.; Gold , B.: Theory and Application of Di gi tal Signa l Proc e s sing.
Engl ewood Cliffs, N. J. : Prenti ce-Hall 1975.
7.6 D avenport, W.B.; R oot , W.L.: Random Si gn al s and Noi s e. NewYork, Toron-
to , London: McGraw-Hill 19 58.
7.7 Eberhard, A.: An Opti m a l Discrete Window fo r th e Calculation of Power
Spectra . IEEE Trans a ct. on Au di o a nd Electroacoustic s AU-21 (1973) 37 - 43 .
7. 8 Zurmühl, R.: Ma trizen und ihr e te chni s chen Anwendungen , 4. Aufl , Berlin ,
Gö t tingen , Heidelberg: Spri nger 1964.
7. 9 Welch , P.D . : The Us e of F F T for the E stimation of Power Spectra : a Me th od
Ba s ed o n Time Av era ging Ove r Shor t, Modifi e d P e riodogramm s. IEEE Trans-
act . on Au dio a nd Ele c troacou s tics AU-15 (1967) 70 - 73 .
7 . 10 Weber, K.C.: E stimayao Di gi tal do E xpe c tro de Potenc i a de Sinai s Al e a tbr ios ,
Thesi s (M.Sc.), Rio de J ane ir o: Unive rsidade F e de ral (C OPPE) 1976.
7.11 Ra der , C. M.: An I mproved Algorith m for High-S pe e d Autoc o r r e lati o n with
Ap plicati on to Spe c t r al E sti m a ti on. IEEE Trans a c t. on Audio and E l e c tro-
acoustics AU-1 8 (1 970) 439-441.
Sachverzeichnis
- der DFT 86
Abminderungsfaktoren 139 ff. Cauchyscher Hauptwert 14
Abschneidefehler 71 Cepstrum 163
Abtastfrequenz 65 , 136 clutter 44
Abtastung 46, 64 ff. Cooley , J. W. 100
idealisierte 65, 66 Cooley-Tukey-Algorithmus 100 rr.
von Zahlenfolgen 96
Abtastwerte65, 136, 138
Deconvolution 148
aliasing 68
Delta-Distribution 30 ff.
Amplitudenspektrum 14
Derivation 32 rr., 36 , 37, 139, 140
Äquivalenztransformation 83, 88
Dezimierung von Folgen 93 ff.
Auflösung, spektrale 180
im Frequenzbereich 107
Autokorrelation , schnelle 125 ff.
- im Zeitbereich 107
Autokorrelationsfunktion 19, 47, 48,
52 ff., 166 ff., 175, 178 Dezimierungs-Operator 94
Energiekriterien 25
Ensemble-Mittelung 50 Gaußverteilung 51
Ergodentheorem 51 Gaußsche Glock enfunktion 26, 30 ff.
ergodische Prozesse 51, 54 Gentleman, W.M. 107
Ergodizität 51 geometrische Summenformel 69, 73
Erwartungswert 50, 51, 168 Gibbssches Phänomen 21 ff., 43
186 Sachverzeichnis
Parallelogrammgleichung 81
Kausalität 38, 136, 137, 139
Parsevaische Gleichung 19, 81
Knotenebenen der FFT 105 ff.
Periode 39
Konvergenz im Mittel 23
periodische Signale 39 ff.
Korrelation 18, 121 ff., 146 ff.
Periodisierung 45 ff., 65, 83
- , schnelle 121 ff.
Periodogramm 164, 165, 168, 178,
Kreuzkorrelation , diskrete 124 180 , 181
- von Spline-Signalen 148 - , modifiziertes 168 ff.
Kreuzkorrelationsfunktion 18, 59 Periodogramm-Analyse 163 ff.
Kreuzleistungsspektrum 60 ff. Periodogrammglättung 178 ff.
Permutation bei der FFT 103 ff. , 117
Permutations matrix 82 , 103
Leistung, mittlere 39, 52
Polygon-Interpolation 136, 137
Leistungsspektrum , s , spektrale
Leistungsdichte Polygonzug 140
Leistungsübertragungsfunktion 63 Prozeß, ergodischer 51, 54
Linearität 8 - , normalverteilter 165, 179
Sachverzeichnis 187