Die Fourier-Transformation in Der Signalverarbeitung Kontinuierliche Und Diskrete Verfahren Der Praxis Dr.-Ing. Dietmar Achilles 1978

Dietmar Achilles
Die
Fourier-Transformation
'in der
Signalverarbeitung
Kontinuierliche und diskrete Verfahren
der Praxis
~:~ Springer-Verlag Berlin Heidelberg GmbH 1978

Dr.-Ing. DI ETMAR ACH I LL ES
Diplomphysiker, Privatdozent an der Universität Erlangen-Nürnberg
z. Zt. Gastdozent an der Bundesuniversität in Rio de Janeiro, Brasilien
Mit 87 Abbildungen
ISBN 978-3-540-08362-7 ISBN 978 -3-662-11492-6 (eBook)

DOI 10.1007/978-3-662-11492-6
Library of Congress Cataloging in Publication Data
Achilles , Dietmar, 1933- Die Fourier-Transformation in der Signalverarbeitung . (Hochschultext)
Includes bibliographies and index.
1. Signal processing . 2. Fourier transformations . I. Tille .
TK5102 .5.A286 621.38'043 77-21701
Das Werk ist urheberrechllich geschützt. Die dadurch begründeten Rechte, insbesondere die der
Obersetzung, des Nachdruckes, der Entnahme von Abbildungen, der Funksendung, der Wiedergabe auf
photomechanischem oder ähnlichem Wege und der Speicherung in Datenverarbeitungsanlagen
bleiben auch bei nur auszugsweiser Verwertung vorbehalten .
Bei Vervielfältigungen für gewerbliche Zwecke ist gemä8 § 54 UrhG eine Vergütung an den Verlag zu
zahlen, deren Höhe mit dem Verlag zu vereinbaren ist.
© by Springer-Verlag Berlin Heidelberg 1978.
Ursprünglich erschienen bei Springer-Verlag Berlin Heidelberg New York 1978.
Die Wiedergabe von Gebrauchsnamen, Handelsnamen, Warenbezeichnungen usw. in diesem Buche
berechtigt auch ohne besondere Kennzeichnung nicht zur Annahme, daß solche Namen
im Sinne der Warenzeichen- und Markenschutz-Gesetzgebung als frei zu betrachten wären und daher
von jedermann benutzt werden dürften .
Offsetdruck: fotokop wilhelm weihert kg, Darmstadt . Bindearbeiten : Konrad Triltsch, Würzburg
2362/3020 - 5 4 3 2 1 0
Vorwort
Die Fourier-Transformation gehört s e it über 150 Jahren zu den wichtigsten mathe-

matischen Hilfsmitteln der Physik. Viele ihrer z ahlreichen Anwendungen lassen
sich dem Bereich der Signalverarbeitung im weitesten Sinne zuordnen. Ein Beispiel
hierfür ist die Wirkung von Blenden bei der optischen Abbildung, die man als Fil-
terung von zweidimensionalen Signalen interpretieren kann. Noch deutlicher in Er-
scheinung tritt der Aspekt der Signalverarbeitung bei der Analyse von zeitlich schwan-
kenden Vorgängen in der Natur (Seismologie, Meteorologie, Gezeitenforschung usw.)
und in der Technik (Vibrationen, Wechselströme usw. ), die ebenfalls schon seit lan-
gem zu den Aufgaben der Fourier-Transformation zählt. Hier wurde vor allem die
diskrete Variante der Fourier-Transformation, die sogenannte Diskrete Fourier-
Transformation (DFT) zur numerischen Ausführung eingesetzt.
Mit der Begründung der Systemtheorie der elektrischen Nachrichtenübertragung ist

die Fourier-Transformation vor einigen Jahrzehnten in eine neue Phase ihrer Bedeu-
tung eingetreten und zu einem unentbehrlichen mathematischen Werkzeug des Nach-
r ichtentechnikers geworden. Die systemtheoretische Betrachtungsweise ist jedoch
keineswegs ausschließlich auf die Nachrichtentechnik zugeschnitten , sondern sie kann
ebenso vorteilhaft auch auf mannigfal tige Aufgabenstellungen in a nde re n Bereichen der
Technik und der Naturwissenschaften angewendet werden. Diese Erkenntnis hat sich
in den letzten zwölf Jahren weitgehend durchgesetzt, seitdem man die sehr effektiven
Algorithmen der Fast Fourier Transform (FFT) verwendet, die eine Evolution in der
Signalverarbeitung ausgelöst haben. Die Fourier-Transformation ist in dieser jüng-
sten Entwicklungsphase weit über das ursprüngliche Stadium der analytischen Signal-
und Systembeschreibung hinausgewachsen und wird heute auch zur Realisierung von
signalverarbeitenden Systemen mit Hilfe von Di gitalrechnern, sowie zur Identifizie-
rung und zur Simulation allgemeinerer technischer, physikalischer und biologischer
Systeme eingesetzt.
Das vorliegende Buch wendet sich an Ingenieure und Naturwissenschaftler, die in

ständig zunehmendem Maß Problemen der Signalverarbeitung gegen über-stehen, Es
behandelt schwerpunktmäßig die wichtigsten Prinzipien der Fourier-Transforma-
tion , die für die Signalverarbeitung von Bedeutung sind. Die mathematische Dar-
IV Vorwort
stellung ist weitgehend lückenlos und leicht zugänglich. Vorkenntnisse in der System-
theorie sind für das Verständnis nicht erforderlich.
Das einleitende Kapitel illustriert an zwei Beispielen die Begriffe Signalverarbeitung

und Fourier-Transformation. Zunächst wird an einer Aufgabenstellung der Signal-
verarbeitung in der Radar-Astronomie gezeigt, wie man mit Hilfe der Fourier-Trans-
formation aus einem Signal Informationen gewinnen kann, die bei erster Betrachtung
scheinbar völlig unzugänglich sind. Dann wird durch elementare Betrachtungen an
einem linearen zeitinvarianten System die wechselseitige Beziehung zwischen Fourier-
Transformation und Systemtheorie beleuchtet.
Das zweite Kapitel zeigt, wie man mit Hilfe der Fourier-Transformation die Spektren
von Signalen verschiedener Klassen definieren kann. Bei der Betrachtung von Signalen
endlicher Energie werden die wesentlichen Eigenschaften des Fourier-Integrals dar-
gestellt. Dann wird eine leicht zugängliche Einführung in die Theorie der Fourier-
Transformation von Distributionen gegeben, die bei der mathematischen Beschreibung
von Signalen und Systemen eine wichtige Rolle spielen. Die periodischen und die sto-
chastischen Signale werden gemeinsam als Signale endlicher Leistung behandelt. Im
Zusammenhang mit den periodischen Signalen ergeben sich einführende Darstellungen
der Fourier-Reihe und der harmonischen Analyse. Die spektrale Leistungsdichte sto-
chastischer Signale wird zunächst analog zu den periodischen Signalen definiert. Dann
wird durch systemtheoretische Betrachtungen gezeigt, daß diese Definition physika-
lisch sinnvoll ist. Die Behandlung der diskontinuierlichen Signale leitet über in den
Problemkreis der digitalen Signalverarbeitung. Vergleichende Betrachtungen über
analoge und digitale Systeme und über die Zusammenhänge zwischen Fourier-Trans-
formation und DFT schließen das Kapitel ab.
Die diskrete Fourier-Transformation und ihre Eigenschaften bilden den Inhalt des
dritten Kapitels. Für die gesamte Darstellung ist eine einheitliche und übersichtliche
Matrizenform gewählt worden. Der Doppelcharakter der DFT tritt deutlich hervor:
Auf der einen Seite zeigt sie sich als völlig eigenständige unitäre Transformation mit
in sich geschlossenen Abbildungsgesetzen, auf der anderen Seite besteht eine enge
Verwandtschaft zur Fourier-Transformation, die sich in zahlreichen Analogien mani-
festiert. Beide Aspekte haben ihre tiefe Bedeutung in der Signalverarbeitung. Die ge-
wählte Darstellung ist insofern kompatibel, als die Transformationskonstante der DFT
jederzeit als Abtastintervall interpretiert werden kann.
Die Einführung von Dezimierungs- und Segmentierungs-Operatoren ermöglicht eine

Strukturzerlegung der DFT, die unmittelbar auf das Prinzip der schnellen Fourier-
Transformation führt, welche im vierten Kapitel behandelt wird. Für die wichtigsten
FFT-Verfahren werden geschlossene Matrizendarstellungen angegeben. Das gilt ins-
besondere auch für die mathematische Beschreibung von FFT-Flußgraphen bei belie-
Vorwort V
bigen Primfaktorzerlegungen. Ergänzende Prinzipien wie die Anwendung des Uber-

lagerungssatzes der DFT und die Ausnutzung von Symmetrien der trigonometrischen
Funktionen werden neben anderen praktischen Gesichtspunkten erläutert.
Die für die Signalverarbeitung so wichtigen Operationen der diskreten Faltung und
Korrelation werden im fünften Kapitel behandelt. Die auch hier verwendete Matrizen-
form erlaubt übersichtliche Darstellungen der Segmentierungsmethoden bei langen
Signalfolgen. Aufwandungsvergleiche und Abschätzungen günstiger Segmentlängen für
die blockweise vorgenommene Verarbeitung werden angegeben.
Im sechsten Kapitel werden die Zusammenhänge zwischen Fourier-Transformation,

Spline-Interpolation und DFT dargestellt. Es wird gezeigt, wie man diese Beziehun-
gen zur numerischen Fourier-Transformation und in der Signalverarbeitung ausnutzen
kann. Erörtert werden insbesondere digitale und hybride Methoden zur Verarbeitung
von kontinuierlichen Signalen, die durch Spline-Funktionen darstellbar sind.
Das für viele technische und naturwissenschaftliche Anwendunden besonders wichtige

Gebiet der digitalen Bestimmung von Leistungsspektren stochastischer Signale wird
im siebenten Kapitel eingehend erörtert. Hier werden die wichtigsten neueren Ver-
fahren vorgestellt, an vielen praktischen Beispielen erprobt und miteinander ver-
glichen.
Herrn Kival Chaves Weber verdanke ich wesentliche Unterstützung bei der Abfas-
sung des siebenten Kapitels. Insbesondere basieren die dort behandelten Beispiele
auf Ergebnissen, die er im Rahmen seiner Masterarbeit erzielt hat. Mein herz-
licher Dank gilt auch Frau Rita Frizlen 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.
Rio de Janeiro, im Juli 1977 D . Achilles

Inhaltsverzeichnis
1 Einleitung • •. •••• ••••••••••••••• • •••••••••• ••••••••••• 1

1.1 Einführendes Beispiel. ••••• ••••••• • •••••••.••••••••••• 1
1.2 Bedeutung der Signaldarstellung i m Frequenzbereich •••••• ••• ••• 7
1. 3 Liter a tur •• • • • . • • • • • • • . • • • • • • • • • • • • . • • • • • • • • • • • • . • 10
2 Signale und Spektren • • • • • • • • • • • • . • • 12

2. 1 Signale endlicher Energie •• • ••••• 12
2.1.1 Absolut integrierbare Signale •••••••• ••••••••••• 13
2.1.2 Gibbssches Phänomen, nicht absolut integrierbare Signale •••• 21
2. 1.3 Signaldauer und Bandbrei te, schnell abnehmende Signale und
Spektren • • • • • • • • • • • • • • • • •• • • •• • •••••• 24
2.2 D istributionen ••••••••• •••••••.•• 30
2.3 Signale endlicher Le istung •••• ••••• •• 39
2.3. 1 Periodische Signale •••• •••.• 39
2.3.2 Stochastische Signale . 48
2.4 Diskontinuierliche Signale •..• ••• • . . . 64
2 .4.1 Definition und systemtheoretische Bedeutung ••••••• 64
2.4.2 Probleme der Signaldarstellung durch Abtastwerte .• ••••••• 68
2.4.3 Diskontinuierliche Signale und diskrete Fourier-Transformation 72
2.5 Literatur •••••••• ••••.••••••••••• ••••••••• •••••.•• 75
3 Die diskrete Fourier-Transformation •••• 77

3.1 Definition und Darstellung. • • • •••••• 77
3.2 Abbildungsgesetze ••• • .•••••••••••••••• 80
3.3 Dezimierung und Segmentierung von Folgen ••• 93
3.4 Literatur ••••••• •••••••••••••••••••• •••• 98
4 Die numerische Ausführung der d iskreten Fourier-Transformation •••••• 99

4. 1 Vorbemerkungen • • • • • • • . • . . • • • • • • • . • • • .••••••••••• 99
4.2 Prinzip der schnellen Fourier-Transformation. • .••••• 100
4.2.1 Der Cooley-Tukey-A lgor-ithrnus ••••••••• 100
4.2.2 Bestimmung von FFT-Signalflußgraphen ••• 102
4.3 Anwendung des Uberlagerungssatzes •••.••••••• ••• • 107
Inhaltsverzeichnis VII
4.4 Schnelle Fourier-Transformation bei Zweierpotenzen. • • • • • • • • • •• 111

4.4.1 FFT-Signalflußgraphen. • • • • • • • • • • • • • • • • • • • . • • • • • •• 111
4.4.2 Einfaches FFT-Programm • • • • • • • • . • • • • • • • • • 116
4.4.3 Algorithmen höherer Basis, reelle Zahlenfolgen. . • 118
4.5 Literatur ••• • • • • • • • • • • • • • • • • • • . • • . • • • • • • • • • • • • • • •• 120
5 Schnelle Faltung und Korrelation • • • • • • • • • • • . • • • • • • • • • • • • • • • •• 121

5.1 Diskrete Faltung und Korrelation als zyklische Operationen. • • • • •• 121
5.2 Segmentierung bei langen Datenfolgen • • • • • • • • • • • • • • • • • • • • • 128
5 • 3 Literatur • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • 135
6 Fourier-Transformation und Spline-Interpolation in der Signalverarbeitung • 136

6.1 Vorbemerkungen zur Signalverarbeitung • • • • • • • • • • • • • • • • • • •• 136
6.2 Spline-Signale und ihre Spektren. • • • • • • • • • • • • • • • • • • • • • • • •• 138
6.3 Faltung, Korrelation und Deconvolution von Spline-Signalen • • • • • • • 146
6.4 Berücksichtigung von Unstetigkeiten in den Spline-Signalen •• •••••• 152
6.5 Literatur. • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • •• 161
7 Digitale Methoden zur Spektralanalyse •• • • • • • • • • • • • • • 163

7.1 Klassische Methoden • • • • • • • • • • • • • • • • • • • • • • • 163
7.2 Mittelung über modifizierte Periodogramme. • • • • • • • • • • • • • • • •• 168
7.3 Glättung von Periodogrammen • • • • • • • • • • • • • • • • • • • • • • • •• 178
7.4 Literatur • • • • • • • • • • • • • • • . • • • • • • • • • • • • • • • • • • • • • •• 183
Sachverzeichnis. • • • • • • . • • • • • • • • • • • • • •• 18'1
1 Einleitung
1.1 Einführendes Beispiel
Aus den zahlreichen Anwendungen der Fourier-Transformation in der Signalverar-

beitung sei zur Einführung ein Beispiel ausgewählt, das einerseits besonders deut-
lich die tragende Rolle der Fourier-Transformation zeigt und andererseits eine
Schilderung der Zusammenhänge unmittelbar aus der Anschauung heraus gestattet:
die Bestimmung der Oberflächenstrukturen von Planeten durch Zeit-Frequenz-Ana-
lyse von Radarim pulsen.
Zunächst einige Vorbemerkungen zur Radar-Astronomie [1.1-1.3J allgemein: Sie

dient der Erforschung unseres Sonnensystems. Nachbarplaneten, Sonne, Mond und
andere Himmelskörper sind dabei Zielobjekte von Radarimpulsen, die über die Pa-
rabolantennen von Radioteleskopen abgestrahlt werden. Ein sehr kleiner Teil der vom
jeweiligen Objekt reflektierten bzw. gestreuten Impulsenergie gelangt wieder zum
Radioteleskop zurück, wird aus den sich überlagernden Rauschsignalen herausgefil-
tert und hinsichtlich der gewünschten Information ausgewertet. Der relativ kompli-
zierte Signalverarbeitungsprozeß wird in der Regel mit Hilfe einer Digitalrechenan-
lage, die direkt mit dem Radarsystem verbunden ist, in Echtzeit ausgeführt. Signal-
auswertungen dieser Art liefern beispielsweise Messungen der Planetenpositionen
und -bahngeschwindigkeiten, die um Größenordnungen genauer sind als bei entspre-
chenden optischen Beobachtungsmethoden. Darüber hinaus erhalten wir Informationen
über die Rotation und die Oberflächenstruktur von Planeten, auch und insbesondere
dann, wenn sie wie die Venus von einer undurchsichtigen Atmosphäre umgeben sind.
Um einen Einblick in die Zusammenhänge zu gewinnen, gehen wir von einer verein-
fachenden Modellvorstellung aus. Der Sendeimpuls sei ein trägerfrequenter Recht-
eckimpuls der Form
für O~t~e
(1.1-1)
sonst.
Die Wahl der Trägerfrequenz 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)
gegeben. Damit läßt sich v aus der Frequenzverschiebung des Empfangssignals

r
bestimmen.
Wenn nun der Planet mit der Winkelgeschwindigkeit Q um eine Achse rotiert, die
wir der einfacheren Darstellung wegen als senkrecht zur Verbindungslinie Planet -
Erde annehmen wollen, so sind die Relativgeschwindigkeiten zwischen dem Radio-
teleskop und den einzelnen Oberflächenelementen des Planeten, die alle zum Echo-
impuls beitragen, im allgemeinen verschieden. Daraus resultieren Frequenzver-
schiebungen, die maximal ± 2 fOrQ/c betragen (Bild 1. 1). Das Signalspektrum wird
daher ins ge s a m t um den Betrag
B = 4fO rQ/c (1. 1-3)
verbreitert. Durch Bestimmung von B kann dann auf die Winkelgeschwindigkeit Q

der Rotation des Planeten geschlossen werden. Mit einer solchen Methode wurden
beispielsweise die Eigenrotationen von der Venus und vom Merkur erstmals genau
bestimmt [1.5, 1.6J.
1. 1 Einführendes Beispiel 3
Ein besonders eindrucksvoller Erfolg der modernen Signalverarbeitung ist die Ab-
bildung der Oberflächenstrukturen von Planeten. Von allen Planeten unseres Sonnen-
systems ist die Venus von der Erde aus unter dem größten Öffnungswinkel, der bei
einer mittleren Konjunktion etwa eine Bogenmitte beträgt , zu sehen. Das bedeutet,
daß die Venus und natürlich auch alle anderen Planeten völlig innerhalb des Strahlen-
kegels auch der größten vollsteuerbaren Radioteleskope liegt [1. 7J.
v, =- rQ
Bild 1. 1. Zur Erläuterung des Doppler-Effektes bei

einer Rotation V,= rQ
zum Rodorsyslem
Eine unmittelbare Winkelauflösung der Oberflächenstrukturen ist daher ausgeschlos-

sen. Andererseits enthält das Echo eines Radarimpulses, das sich ja aus vielen Teil-
reflexen an den Unregelmäßigkeiten der Planetenoberfläche zusammensetzt, Informa-
tionen über die gesamte Struktur dieser Oberfl äc he , Diese Informationen aus den
Echoimpulsen herauszuholen, ist eine Aufgabe der Signalverarbeitung. Im folgenden
wird kurz gezeigt, daß dieses Problem gelöst werden kann, indem man die Signale
sowohl im Frequenzbereich als auch im Zeitbereich analysiert.
Oberflächenelemente des Planeten, die zu Teilreflexen der gleichen konstanten Ver-

zögerung führen, liegen auf konzentrischen Kreisen um die Achse Erde - Planet,
Oberflächenelemente, deren durch die Rotation des Planeten hervorgerufenen Rela-
tivgeschwindigkeiten in Bezug auf die Erde konstant sind, liegen dagegen auf konzen-
trischen Kreisen um eine Achse, die auf der Verbindungslinie Erde - Planet und der
Rotationsachse des Planeten senkrecht steht. Diese letzteren Oberflächenelemente
führen demzufolge zu Teilreflexen, die alle die gleiche Dopplerverschiebung aufwei-
sen. In der Projektion auf die Ebene des Planetenbildes sind die Linien gleicher Ver-
zögerung konzentrische Kreise um den Planetenmittelpunkt und die Linien gleicher
Doppelverschiebung Parallelen zur Rotationsachse des Planeten (Bild 1.2). Jedes
Flächenelement in dem so entstehenden Koordinatenraster ist durch eine bestimmte
Verzögerung und eine bestimmte Dopplerverschiebung gekennzeichnet und läßt sich
somit einem bestimmten Zeit-Frequenz-Intervall des Echoimpulses zuordnen.
4 Einleitung
Die Signalleistung in diesem Intervall hängt von der materiellen Zusammensetzung

und der Geometrie des zugehörigen Oberflächenelementes auf dem Planeten ab
Rototionsochse
Linien gleicher Entfernung
\6 linien gleicher
Dopplerverschiebung
Bild 1.2. Orte gleicher Echoverzöge-

rung und gleicher Doppler-
verschiebung
und läßt infolgedessen Rückschlüsse auf diese Struktur zu. Zur Lokalisierung der
Teilechos unterteilt man den Echoimpuls zunächst in einzelne Abschnitte von der
Bild 1.3. Kurzzeitspektralanalyse eines Radarechos vom Mond nach [1. 8J

1. 1 Einführendes Beispiel 5
Dauer des Sendeimpulses, denn diese bestimmt ohnhin die Entfernungsauflösung und
damit die Breite der Entfernungsringe. Dann führt man für jeden dieser Abschnitte
eine Spektralanalyse mit Hilfe der schnellen Fourier-Transformation
(vgl , Kapitel 4) auf einem Digitalrechner durch. Zur Illustration ist in Bild 1. 3 eine
solche Zeit-Frequenz-Analyse (mit relativ grober AUflösung) von einem Radarecho
des Mondes gezeigt [1. 8J. Aufgetragen sind hier die Werte der Signalintensität in
Bezug auf die Frequenz (Abszisse) und die Zeit (Ordinate). Dabei wurde der ge-
samte Echoimpuls in 25 Abschnitte von jeweils 500 IJ.s Dauer unterteilt und für je-
den dieser Abschnitte eine Spektralanalyse durchgeführt. Die im Bild dargestell-
ten Spektren werden von oben nach unten, d vh, mit zunehmender Verzögerungszeit
immer breiter, weil die zugehörigen Entfernungsringe in die Bereiche größerer
Dopplerverschiebungen hineinwachsen.
Eine entsprechende kartographische Projektion der Intensitäten liefert dann (bei ge-
nügend feiner AUflösung) ein Bild der Planetenoberfläche. Die bei Mondaufnahmen
erreichte Genauigkeit - 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.
HAYSTACK R(SEARCH fACILITY

fEBRUARY 1970
LUNAR RADAR CHART

3.8an WAVELENGTH
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.
Im nächsten Abschnitt betrachten wir weitere Aspekte der Signaldarstellung i m Fre-

quenzbereich.
1.2 Bedeutung der Signal darstellung i m Frequenzbereich 7
1.2 Bede utung der Signaldarstellung im Frequenzbereich
Unter Si g n ale n verstehen wir allgemein Zeitfunkti onen, di e Informationen tragen.

In den meisten Fäll en wird es sich hierbe i um r e ell e e i ndi mens i o na l e Funktionen han-
deln, die sich unmi ttel bar aus den dabei zugrundeliegenden physikalischen Vorgängen
e r gebe n . Man läßt aber auch zugunsten e iner e infa c here n mathematischen Darstel-
lung komplexe Signalfunktionen zu, so z , B. die harmonische Exponentielle, die in der
Sy stem theorie eine wesentliche Rolle spielt (z , B. [1 . 11] ) . Darüber hinaus gibt es
auch echt zweidimensionale Signale, beispielsweise in der Bildverarbeitung , di e zwar
auf e indi m e ns io na l e Signalfunktionen abgebildet werden können, vielfach aber a uc h di-
rekt zweidimensional verarbeitet werden (z , B. [1. 12J). Im folgenden wollen wir je-
doch Signale i m m e r als eindimensionale Zeitfunktionen auffassen.
Wir können Signale übertragen oder speichern und auf verschiedene Weisen verarbei-
ten, bevor wir sie schließlich auf ihren Informationsgehalt hin auswerten. Be i diesen
Operationen ist es vorteilhaft oder sogar notwendig, ein gegebenes Signal in einer an-
deren Form darzustellen , beispielsweise durch Entwicklung nach einem vollständigen
Orthogonalsystem bzw . durch eine Orthogonaltransformation. Die Information is t
dann i n den Koeffizienten der Entwicklung bzw . i n der 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
reagiere auf ein Eingangssignal ut t ) mit dem Ausgangssignal yf t ) ; Wir kennzeich-

nen diesen Zusammenhang mathematisch durch die Operatorgleichung
S[u(t)J = yf t}, (1.2-1)
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,
u( t ) = sin 2TTft (1. 2-2)
so zeigt die Erfahrung, daß das Ausgangssignal eine Sinus-Funktion der gleichen
Frequenz sein muß,
y(t) =a sin(2 TTft + q), (1.2-3)
die sich in der Amplitude a und der Phasenverschiebung CI' im allgemeinen vom Ein-
gangssignal unterscheidet. Bei einem selektiven Filter gilt a'" 1, wenn die Frequenz
f im Durchlaßbereich liegt, und a « 1, wenn s ie im Sperrbereich liegt. Die zuge-
hörige Operatorgleichung ist
S[sin 2 TTftJ =a stnf zrrrt + q). ( 1.2-4)
Die vorausgesetzte Zeitinvarianz des Systems bewirkt, daß bei einer zeitlichen Ver-
schiebung des Eingangssignals um eine beliebige Zeit 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
Sf cos 2TTftJ =a cosf zrrrt + q) (1. 2-6)
Die vorausgesetzte Linearität des Systems entspricht der Gültigkeit des Superposi-
tionsprinzips : Das System antwortet auf eine beliebige Linearkorn bination von belie-
1. 2 Bedeutung der Signal darstellung im Frequenzbereich 9
biegen Eingangssignalen mit genau der gleichen Linearkombination der zugehörigen

Ausgangsssignale. Diese Eigenschaft benutzen wir nun dazu, um das Systemverhal-
ten bei Erregung mit einer harmonischen Exponentiellen
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
S[ e j2TTftJ -_ a e j(2TTft+cp} • (1.2-8)
Fassen wir den Amplitudenfaktor und den Phasenfaktor zu
(1.2-9)
zusammen, so gilt
(1.2-10)
dvh, eine harmonische Exponentielle beliebiger Frequenz f ist eine Eigenfunk-

ti 0 n linearer zeitinvarianter Systeme, und H ist der zugehörige Eigenwert, der
zahlenmäßig natürlich von der jeweiligen Frequenz f abhängt.
Wenn das Eingangssignal eine Linearkombination von Eigenfunktionen verschiedener

Frequenzen f
n
mit den Gewichtsfaktoren utrn } ist, so gilt
'\' j2TTf t] j2TTf t

S ~ U(fn}e n H(f }U(f}e
n n
n (1.2-11)
[
n
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)
darstellbar. Das Eingangssignal ul t ) wird hier also durch
co
u( t ) f U(f) e
j2TTft
df (1.2-13)
-=
10 Einleitung
mathematisch beschrieben. Die Umkehrung dieser Beziehung führt auf
f
co
j2nftdt.
u(t}e- (1.2-14)
-oo
Wir bezeichnen (1.2-14) als Fourier-Integral und (1.2-13) als inverses

Fourier-Integral. Diese beiden Darstellungen sind umkehrbar eindeutig, wenn so-
wohl uf t ) als auch U(f} absolut integrable Funktionen sind, wie i m nächsten Kapi-
tel noch näher ausgeführt wird. Wir interessieren uns hier zunächst für die Be-
schreibung linearer zeitinvarianter Systeme und betrachten daher auch das Aus-
gangssignal y(t} unter dem Aspekt des Fourier-Integrals. Nach (1.2 -12) gilt
f
co
y(t} H(f)U(f}ej2nftdf, (1.2-15)
-00
und die Umkehrung hiervon ist
f
co
y(t}e-j2nftdt. (1.2-16)
-oo
Es gilt also
vtr) = H(f)U(f). (1.2-17)
Wir bezeichnen H (f) als U be r t rag u n g s fun k t ion des linearen zeitinvarianten
Systems. Sie entspricht der Gesamtheit aller möglichen Eigenwerte, und ihre Kennt-
nis genügt, um die Beziehung zwischen Eingangs - und Ausgangssignal im Frequenz-
bereich vollständig zu beschreiben.
1.3 Literatur
1. 1 Skolnik, M. I. : Introduction to Radar Systems, chapter 14 : Detection of Ex-

traterrestrialObjects. New York, Toronto, London: McGraw HilI 1962.
1.2 Evans, J. V. j Hagfors, T.: Radar Astronomy. New York, Toronto, London :
McGraw Hill 1968.
1.3 Special Issue on Radio and Radar Astronomy. Proc. IEEE 61 (1973), Nr , 9.
1.4 Leadabrand, R. L. j Dyce, R. B. et al: Radio Frequency Scattering from the
Surface of the Moon, Proc. IRE 48 (1960) 932-933 .
1.3 Lit eratur 11
1.5 Carpenter, R.L.: StudyofVenusbyC.W. Radar. Astron. J. 69 (1964) 2-11.

1.6 Pettengill, G.H. ; Dyce, R.B. : A Radar Determination of the Rotation of the
Planet Mercury. Nature 206 (1965) 1240.
1. 7 Hachenberg, 0.; Grahl, B.H.; Wielebinski, R. : The 100-Meter Radio Teles-
cope at Effelsberg. Pr-oc , IEEE 61 (1973) 1288-1295.
1.8 Pettengill, G.H.: Measurements of Lunar Reflectivity Using the Millstone
Radar. Proc. IRE 48 (1960) 933-934.
1. 9 Hagfors, T.; Campbell, D. B.: Mapping of Planetary Surfaces by Radar. Proc.
IEEE 61 (1973) 1219-1225.
1.10 Rogers, A.E.E.; Ingalls, R.P.: Venus, Mapping the Surface Reflectivity by
Radar Interferometry. Science 165 (1969) 797-799.
1. 11 Unbehauen, R. : Systemtheorie. München, Wien: Oldenbourg 1971.
1. 12 Rabiner, L. R.; Gold, B. : Theory and Application of Digital Signal Processing.
Englewood Cliffs, N.J. : Prentice-Hall 1975.
2 Signale und Spektren
Der Schlüssel zur Beschreibung von Signalen im Frequenzbereich ist die F 0 u r i er-
T r ans f 0 r m at ion. Grundlegende physikalische und mathematische Unterschiede
in den hier 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.
2.1 Signale endlicher Energie
Wir betrachten in diesem Abschnitt ausschließlich Signalfunktionen, die quadratisch

integrierbar sind :
=
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.
2.1.1 Absolut integrierbare Signale
Aus mathematischen Gründen ist es notwendig, eine weitere Klassifizierung der

betrachteten Signale vorzunehmen. Die Gültigkeit bestimmter Aussagen hinsicht-
lich der Fourier-Transformation hängt davon ab, ob die Signalfunktionen absolut
integrierbar sind oder nicht. Wenn
co
f lu(t) Idt < = (2.1-2 )

-=
1 1
gilt, dann ist u( t ) E L , d, h, u( t ) gehört dem Raum L der absolut i nt e gr i e r ba r e n
Funktion an.
Das Kriterium (2.1-2) ist für die Signaltheorie etwas problematisch, weil es ein
mathematisches Kriterium und kein physikalisches ist. Die Frage nach seiner Gül-
tigkeit läßt sich somit nicht unmittelbar aus physikalischen Uberlegungen heraus be-
antworten, wie das etwa bei dem Energiekriterium (2.1-1) der Fall ist. Erschwe-
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::>
u( t ) U (f) ej2Tlft df (2.1-4)

- 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.
Bild 2.1. Rechteckimpuls der Dauer
o
.t 2T
Die Ausführung des Fourier-Integrals (2.1-3) führt auf das Amplitudenspektrum

(Bild 2.2) :
U( r) (stn 2TlfT)/ (rrr}, (2.1-7)

3
"1
Bild 2.2. Fourier-Transformierte des Rechteckimpulses von Bild 2.1
Die Umkehrformel (2 .1-5) liefert dann mit
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.
Im folgenden sind die wichtigsten Ab b i 1 dun g s g e set zeder Fourier-Transfor-

mation zusammengestellt. Auf Beweisführungen, die in den meisten Fällen sehr
einfach und direkt zu vollziehen sind, wird hier verzichtet, zumal sie in vielen Bü-
chern über Fourier-Transformation, Systemtheorie etc. ausführlich erörtert werden
(z.B. [2.1, 2.2J) . Wir verwenden dabei die zu Anfang des Kapitels eingeführte Sym-
bolik. Die Existenz der Beziehung U(f) = F !u(t) I bzw. ul t ) 0-. utr) wird im fol-
genden vorausgesetzt.
Maßstabsänderung
uf at ) ~ _1_ U{f/a) , a reell und

[a ]
*0 (2.1-9)
U(af) ..-<> I~I u(t/a) (2.1-10)
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)
Für v = 0 , 1 , ••• ,n-1 gilt außerdem u( v)(t) EL 1 und
lim u(v)(t) = O. (2.1-14)

[t I ->00
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)
Mehrfache Anwendung der Fourier-Transformation
Wir verwenden den Operator der Fourier-Transformation
f
00
j2nftdt
F[u(t)] u(t)e- = urr) (2.1-16)
_00
und erklären seine zweifache Anwendung durch
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:
F[u(-t)]=F *[u(t)]=U l~ (f). (2.1-21)
Operatoren mit der Eigenschaft (2.1-19) nennt man "zyklisch vom vierten Grade".
Sie besitzen nur die vier Eigenwerte ±1 und ±j (vgl , Abschnitt 2.1.3). Die gleiche
Eigenschaft hat auch der Operator der diskreten Fourier-Transformation (vgl , Ka-
pitel 3).
Faltung
Die Faltung zweier Signale u (t ) und u ist durch

1 2(t)
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
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)
Bei einem Faltungsprodukt von beliebig vielen absolut integrablen Signalen i s t es

daher gleichgültig, in welcher Reihenfolge man sie anordnet und die sukzessiven
Faltungen ausführt. Diese Eigenschaften der Faltung gehen unmittelbar aus ihrer
Abbildung durch die Fourier-Transformation hervor: Die Faltung zweier Signale
u (t) ~ V (f) und u ~ V ( f ) wird auf das Produkt ihrer Fourier-Trans-
1 1 2(t) 2
formierten abgebildet:
(2.1-25)
Korrelation
Die Kreuzkorrelationsfunktionen zweier reeller Signale endlicher

Energie u (t ) und u (t) sind erklärt durch
1 2
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'
Diese Korrelationsoperationen lassen sich wie dargestellt durch Faltungsoperationen

ausdrücken. Die Abbildung auf den Frequenzbereich ist infolgedessen mit (2. 1-25)
unter Berücksichtigung von (2.1-21) bei Existenz von "i ~ V
1
und "a ~ V
2
leicht anzugeben :
<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)
Entsprechend ergibt sich
(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
Aus (2.1-32) folgt unmittelbar die Parsevaische Gleichung in der Form
co co
f
_co
u (t)u
1 2(t)dt
= f U
1(f)U2(-f)df.
(2.1-33)
-co
Eine einfache Umformung führt auf
co co
f u 1 (t)u;(t)dt = f U 1 (f)U;(f)df. (2.1-34)
-co -co
Speziell für u =u = u a---. U gilt

1 2
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
Energiedichte und die Autokorrelationsfunktion durch die Fourier-Transformation

miteinander verknüpft sind.
Symmetrien
Wir betrachten zunächst eine re e 11 e Signalfunktion u {t} und zerlegen sie mit
uf t ) = ug (t ) + U
u
(t ) {2.1-36}
in einen geraden Anteil
{2.1-37}
und einen ungeraden Anteil
{2.1-38}
Die zugehörige Fourier-Transformierte utr) wird in Real- und Imaginärteil auf-

gespalten:
utr) = V r (r) + j u.rr).

1
{2.1-39}
Man kann leicht zeigen, daß Vr{f} die Fourier-Transformierte des geraden Signal-
anteils
(2.1-40)
und j U i (f ) die des ungeraden Signalanteils
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.
Um das entsprechende Abbildungsgesetz für den allgemeinen Fall kom p l e x e r

Signalfunktionen ul t ) anzugeben, zerlegen wir sowohl uf t ) als auch utr) in den
jeweils geraden und ungeraden Anteil {erster Index : g bzw, u ) und diese Anteile
wiederum in Real- und Imaginärteil (zweiter Index : r bzw, i}, Mit diesen ersicht-
lichen Bezeichnungen ergeben sich die folgenden Teilabbildungen:
u( t ) 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
2.1.2 Gibbssches Phänomen, nicht absolut integrierbare Signale
Wir betrachten zunächst das Beispiel aus Abschnitt 2. 1. 1 etwas genauer. Dazu führen
wir die Sprungfunktion
für t ~ 0
(2.1-43)
für t <0
ein. Diese ermöglicht es, den durch (2.1-6) definierten Rechteckimpuls in der Form
uf t ) = set + T) - set - T) (2.1-44)
darzustellen. Wir definieren außerdem die rechteckförmige Bewertungsfunktion
für Ifl ~ a
Q (r) = { 1 (2.1-45)
a 0 sonst
im Frequenzbereich, die im Zeitbereich der Funktion
(sin 2nat)/(nt) =
=
f Qa (f)ej2nftdf (2.1-46)
-=
entspricht. Unter Verwendung des Faltungssatzes (2.1-25) ergibt sich dann für die
inverse Fourier-Transformation von utr)
=
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~=
= lim !(s(t + T) - sf t - 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
Wir haben nun den Grenzwert der Funktion
u (t) =.!{S .(2na(t+T» -S .(2na(t-T»! (2.1-47)

a n I l
für a ~ co mit der ursprünglichen Signalfunktion u( t ) zu vergleichen. Die hierin

auftretende Integralsinusfunktion
22 2 . Signale und Spektren
(2.1-48)
(z , B. [2. 3J) ist in Bild 2.3 dargestellt. Für entsprechend große Werte von a ergibt
sich dann etwa der in Bil d 2.4 dargestellte Verlauf von u (t}, Wir stellen fest, daß
a
5j(z)
Bild 2.3. Integralsinusfunktion Si (z )
Uo
.../0(1)
,...
11 \
I ~
':"2:n:o1 0 2:n:01- 2:n:ot
Bild 2.4 . Verlauf von ua(t) für große Werte von a
eine Vergrößerung von a nur den Maßstab der Zeitachse beeinflußt. Mit wachsen-
dem a rücken die Schwingungen von u (t ) immer näher an die Stellen t =- T bzw,
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.
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
0,8 I ......- lim u

Q (! )
Va -co
0,6
0,4
0,2
-1 o
Bild 2.5. Gibbssches Phänomen
so wirken sich offensichtlich Abweichungen in einzelnen Punkten nicht aus, und wir
können in diesem Sinne die Umkehrtransformation als eindeutig betrachten. Auf
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-
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
lim !(j2nf)nU (f) I =0 , (2.1-52)

f"'± C('
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.
Diese asymptotischen Eigenschaften von Signalfunktionen und ihren Spektren legen

die Frage nahe, wie sich Signaldauer und Bandbreite zueinander verhalten. Dazu
müssen diese beiden Größen durch relativ willkürliche Vorschriften im Zeit- und im
Frequenzbereich definiert werden, denn ein Signal und das zugehörige Spektrum kön-
nen nicht gleichzeitig von endlicher Breite sein, wie aus dem asymptotischen Ver-
halten hervorgeht. Für praktische Zwecke bieten sich hi er in erster Linie Sc h w e l-
I e n kr i t e r i e n an. Man definiert danach z. B. die Signaldauer e als das kleinst-
mögliche Zeitintervall, außerhalb dessen eine vorgegebene Schwelle der Höhe q be-
tragsmäßg nicht mehr überschritten wird (Bild 2.6). Entsprechend erfolgt die Defi-
nition der Bandbreite des Signals.
q
O J.-..-q------~---7'~..:::>..,;;;;;;;>o".....",=----:-
- q 1----,1-- - - - - -1-""'-''''------- - - -
I---e --~
Bild 2.6. Zur Definition der Impulsdauer durch e in Schwellenkriterium

2.1 Signale endlkher Energie 25
Für allgemeine mathematische Aussagen bevorzugt man E ne r gi e kr i t e r i e n

zur Definition von Signaldauer 18 und Bandbreite B :
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)
-= -= -=
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)
Aus dem Differentiationssatz (2.1-13) und der Parsevalsehen Gleichung (2.1-35)

folgt andererseits
co co
f I ~~ 1
2
dt = f
_ce
!2 TTfU(r) 1
2
df , (2.1-61)
und Einsetzen in (2.1-59) ergibt
co co
i<4 TT2 f t
2Iu(t)/2
dt f ~IU(f)12df, (2.1-62)
-co
woraus (2.1-57) folgt.
Das Gleichheitszeichen in der Unschärferelation gilt für die Gaußsehe Glockenfunk-

tion exp( - a2 t 2 ) , a reell. Diese gehört zu einer Klasse von Signalen, die für t ... ± co
schneller als jede Potenz mit negativem Exponenten gegen Null streben und außerdem
unendlich oft differenzierbar sind. Funktionen mit solchen Eigenschaften nennen wir
1
sc h ne 11 ab n e h me n d [2. 4J. Sie bilden einen Teilraum von L und werden durch
die Fourier-Transformation wieder auf denselben Teilraum abgebildet . Schnell ab-
nehmend sind beispielsweise die Her mit es ehe n Fun k t ion e n, die uns hier be-
sonders interessieren, weil sie die interessante Eigenschaft besitzen, invariant ge-
gen die Fourier-Transformation zu sein. Diese Funktionen sind für n = 0,1,2, •.•
Lösungen der Differentialgleichung
(2.1-63)
und lassen sich mittels der Her mit es ehe n Poly no me 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
Die Hermiteschen Polynome ihrerseits ergeben sich aus
2
H (x) e -x (2.1-65)
n
und genügen der Rekursionsformel
H
n+
l(x) = 2xH n (x) - 2nH
n-
l(x). (2.1-66)
Es gilt beispielsweise HO(x)

1
= 1,
H (x ) = 2x und H
2(x)
= 4x 2 - 2. Aus (2.1-66)
und (2.1-64) folgt eine Rekursionsformel für die Hermiteschen Funktionen:
(2.1-67)
Bild 2.7 zeigt die Funktionen *0 bis *6' Die Hermiteschen Funktionen bilden ein
vollständiges Orthogonalsystem und sind in der durch (2.1-64) definierten Form
normiert:
f
0:::
für n =m
lIr n (x ) *m (x ) dx = <'>nm (2 .6-68)
-= für n '" rn ,
'l'lxl
Bild 2.7. Hermitesche Funktion
Wir zeigen nun, daß die Hermiteschen Funktionen Eigenfunktionen der Fou-
r i er - T r ans f 0 r m at ion sind. Zuerst berechnen wir die Fourier-Transformierte
von *0 ' lassen dabei aber einen zunächst noch beliebigen reellen Skalenfaktor a zu .
Es gilt dann
f f
=
co
22
lIro ( at ) e - j2TTft dt = (TT)-1/4 e- a t / 2 - j2 TT ft dt •
-= _0:::
Die Integration läßt sich leicht auf
=
f e -z2 dz ='fiT (2.1-69)
-OO
zurückführen, indem man den Exponenten zu einem vollständigen Quadrat ergänzt

und geeignet substituiert :
-= _00
f
00
=V[
2
e -2 (TTf/a}2 e- z dz
_00
= 'f'2TT e -2 (nr/a ) 2 (2.1-70)

a
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
wo('/2ilt}e-i2TTftdt = (TT}-1/4 e-2 TT j /2 = *O( 1{2TTf). (2.1-71)

_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
Y2TT(n+ 1}!2 n +1'fiT co = Hn+1(x}e-x2/2-iXYdx

n+1(y}
_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
Mit (2.1-66) gelangt man leicht zu der Rekursionsformel
(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
cp2(Y} =: - jycp1(Y} +_1_ cpO(Y}

V2
(2.1-75)
=: - Y'l1 +_1_ 'l1 =: - 'l1
1(Y} 0(Y} 2(y}
V2
und allgemein
(2.1-76)
Es gilt also die Korrespondenz
(2.1'-77)
dv h, die Hermiteschen Funktionen sind Eigenfunktionen der Fourier-Transforma-

tion. Der jeweilige zuW gehörige Eigenwert ist (- j)n. Zahlenmäßig ergeben sich
n
daraus die vier Möglichkeiten ± 1 und ± j für die Eigenwerte (vgl , Abschnitt 2.1. 1).
2.2 Distributionen
Distributionen oder ver a 11 gern ein e r te Fun k t ion e n werden in vielen tech-
nischen und naturwissenschaftlichen Bereichen sehr gern verwendet, weil sie eine
elegante mathematische Beschreibung bestimmter physikalischer Zusammenhänge
ermöglichen. Die Beliebtheit dieser Distributionen beruht allerdings zu einem nicht
geringen Anteil auf einer widersprüchlichen Doppelbedeutung : Man stellt sie sich
gern als Funktionen im gewöhnlichen Sinne vor, obwohl sie es nicht sind, und schätzt
sie wegen genau derjenigen ihrer mathematischen Eigenschaften, die gewöhnliche
Funktionen nicht besitzen. Betrachten wir beispielsweise die von Dirac eingeführte
o5-Distribution o5(t - 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
Bild 2.8. Funktionenfolge zur Definition von 5(t)
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)
ö(t) o--e 1. (2.2-6)
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)
Wichtige verallgemeinerte Funktionen sind neben der Distribution ö( t ) auch ihre

Derivierten ö ( k ) ( t ) . Diese können wir als Grenzwerte der k -rnal differenzierten
Funktionenfolge (2.2-3) definieren. Als Beispiel sind in Bild 2.9 einige Funktionen
der Folge gezeigt, die ö (1) (t) definiert. Die Able itungen der Glockenfunktion s ind
ebenfalls schnell abnehmende Funktionen, denn sie lassen sich als Linearkombina-
tionen einer endlichen Anzahl von Hermiteschen Funktionen darstellen. Infolgedes-
sen können wir auch bei den Funktionenfolgen, die die Derivierten von ö( t ) definie-
ren, Fourier-Transformation und limes-Zeichen vertauschen. Durch Anwendung des
Differentiationssatzes (2.1-13) und anschließenden Grenzübergang n .... co ergibt
sich allgemein
(2.2-8)
Nach Vertauschen von t und f erhalten wir ebenso aus (2.1-15)
(2.2-9)
Die Abbildungen (2.2-6) bis (2.2-9) sind umkehrbar eindeutig.

2.2 Distri butionen 33
Die Symmetrieeigenschaften der Glockenfunktion und ihrer Ableitungen gehen beim

Grenzübergang nicht verloren. Es gilt daher
{2.2-10}
100
BO
60
40
0,6
-40
-60 200
Bild 2.9. Funktionenfolge zur Defini- -BO

tion von 5 (1 ) ( t )
-100
Ebenso wie die Differentiationssätze behalten auch die Ver s chi e bu n g s sät z e
der Fourier-Transformation (2.1-11) und (2.1-12), sowie die Sätze der Maßstabs-
ä n der u n g im Bereich der Distri butionen offensichtlich ih r e Gültigkeit. Hinsichtlich
der Maßstabsänderung gilt für die 5-Distribution und ihre Derivierten
5( k ) ( a t ) ~1h (j2 TTf/a)k, (2.2-11)
rh 5( k ) (t/ a ) ~ (j2TTaf)k. (2.2-12)
Für k =0 folgt hieraus speziell
rh 5{t/a ) ~1 (2.2-13)
und wegen der Eindeutigkeit von (2.2-6)
6(t/a) = la!6(t). (2.2-14)
Hiernach läßt sich der 6-Distribution formal eine "Dimension" zuordnen : Die Kon-
stante a habe beispielsweise die Dimension von t , Wir postulieren dann, daß mit
dem Argument t/a auch 6{t/a) dimensionslos sein muß. Aus (2.2-14) folgt somit,
daß 6(t) die Dimension von 1/t hat. Das steht in Einklang mit (2.2-2) .
Hinsichtlich der Argumentverschiebungen gilt für die 6-Distribution und ihre Deri-
vierten
(2.2-15)
(2 .2-16)
Das ergibt sich unmittelbar aus den entsprechenden Verschiebungen der definieren-
den Funktionenfolgen. Für k =0 folgt speziell
- j 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
Wegen der Eindeutigkeit der Abbildung folgt daraus
(2.2-22)
Allgemeiner ergibt sich bei Berücksichtigung des Verschiebungssatzes (2.2-15)
(2.2-23)
Entsprechendes gilt für die Faltung im Frequenzbereich.
Die Faltung zwischen einer Distribution und einer Funktion wird auf die gleiche
Weise erklärt . Für uf t ) ~ u(f) gilt beispielsweise
(2.2-24)
Wenn ul t ) k-mal differenzierbar ist, können wir die Derivation der 6-Distribution
beliebig auf uf t ) abwälzen. Insbesondere gilt dann
(2.2-25)
und für k = 0
6{t) * ul t ) = ul t}, (2.2-26)
Die Distribution 6(t) spielt also die Rolle des Einheitselementes in der Faltung.
Aus dem Verschiebungssatz folgt weiterhin, daß die Faltung mit 6{t - t nur eine
O)
entsprechende Verschiebung von u (t) bewirkt :
(2.2-27)
Die M u I ti p l i kat io n von 6{t) mit einer bei t =0 stetigen Funktion ul t ) E Li

läßt sich mit Hilfe von (2.1-32) und (2.1-4) folgendermaßen erklären:
= =
6(t)U(t) ~ 1 * u{f) f utr - ql)dql = 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
6(t)U(t) = 6(t)u(O). (2.2-28)

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
Bild 2.10. Funktionenfolge zur Definition der Sprungfunktion
wobei jedoch auf der linken Seite kein Differentialquotient im gewöhnlichen Sinne
sondern eine Derivierte im Sinne der Distributionstheorie steht. Die höheren Deri -
vierten der Sprungfunktion ergeben sich dann zu
(2.2-31)
Betrachten wir nun eine Funktion g(t), die überall differenzierbar sei mit Ausnah-
me der Stelle t = 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
und die Derivation ergibt
(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
g(k)(t) = (g(k)(t))t*t + (g(t

o
+ 0) -g(t
o-O))ö(k-1)(t
- t
O)
o
+ (g(l)(t +0) _g(l)(t _0))ö(k-2)(t_t)
o 0 0
• .• + (g (k-1) (t + 0 ) - g (k-j ) ( t o - 0 )) ö ( t - t o ) ' (2.2-34)

o
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.
In Abschnitt 2.3.1 wird noch die Fourier-Transformierte einer periodischen Folge

von ö-Distributionen angegeben. Weitergehende Aspekte der Distributionstheorie
können hier nicht erörtert werden. Zum weiteren Studium wird [2. 4J empfohlen.
Als ein Beispiel für die Anwendung der ö-Distribution in der 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
hf t ) e>----. H(f) (2.2-35)
verknüpft und ermöglicht eine vollständige Beschreibung des Systemverhaltens im

Zeitbereich durch das Superpositionsintegral
f
00
y(t) = hf t ) -I> uf t ) = h( er)u(t - er)der, (2.2-36)

_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
mit der Impulsantwort
(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
Die zugehörige Impulsantwort (Bild 2.11) ist
(2.2-40)
Bild 2.11. Impulsantwort des idealen Tiefpaßfilters

2.3 Signale endlicher Leistung 39
Auch dieses System, das als idealer Tiefpaß bezeichnet wird, ist nicht kausal.
Es läßt sich jedoch für genügend große Werte von 'o approximativ realisieren. Bei
systemtheoretischen Betrachtungen spielt der ideale Tiefpaß eine wichtige Rolle.
2.3 Signale endlicher Leistung
Bisher wurden Signale betrachtet, bei denen wir eine endliche Energie voraussetzen.
Zwei wichtige Klassen von Signalen erfüllen diese Voraussetzung nicht: die per i 0 -
dis ehe n Signale und die s t 0 c h ast i sc h e n Signale. Für ihre Beschreibung im
Frequenzbereich müssen daher andere Methoden als die bisher verwendeten heran-
gezogen werden.
Grundsätzlich interessieren wir uns hier nur für Signale u( t}, deren mittlere Lei-
stung endlich ist:
-&
f lu(t}
2
1 dt <= . (2.3-1)
--&
2.3.1 Periodische Signale
Für ein periodisches Signal u (t ) gilt
u (t) = u (t + ke), (2.3-2)
wobei e die Periode und k eine beliebige ganze Zahl ist. Wir setzen wieder die
beschränkte Variation (vgl , Abschnitt 2.1) voraus, dv h, uf t ) soll in end-
lichen Zeitintervallen nur eine endliche Bogenlänge haben. Ein solches Signal ent-
hält - gegebenenfalls neben einem konstanten Gleichanteil - nur die Grundfrequenz
1/e und sogenannte höhere harmonische Frequenzen, die ganzzahlige Vielfache von
1/e sind. Das zeigt die harmonische Analyse des Signals. Hierunter versteht
man die Approximation von ul t ) durch harmonische Exponentielle der Frequenzen
v/e (v ganzzahlig) im Sinne des minimalen mittleren quadratischen Fehlers:
L
n
c v e j2 vt /e 2 dt =
! MO
TI
utt ) - In. (2.3 -3)
v=-n
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
~~ ~ 0 für alle IJ. (2.3-4)

IJ.
bestimmen. Bei Berücksichtigung der Orthogonalität der harmonischen

Funktionen
für IJ. = \I
(2.3-5)
für
(Integration einer periodischen Funktion mit verschwindendem Gleichanteil über

eine volle Periode bzw. ein ganzzahliges Vielfaches einer Periode ergibt Null) er-
!
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)
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=-=
und wir erhalten die F 0 u r i er s c heR ei h e ne nt w i c k 1 u n g, bei der
L
co
ul t ) c vej2nvt / 8 (2.3-9)
v=- =
überall gilt, wo ul t ) stetig ist, während an Unstetigkeitsstellen von uf t ) das arith-

metische Mittel der Grenzwerte von links und rechts angenommen wird :
co
\' j2 n vt/8 1 (( )
~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)
Das Spektrum einer periodischen Funktion ist diskontinuierlich, ein sogenanntes

Li nie n s p e k t rum. Die Spektrallinien liegen auf äquidistanten Rasterpunkten v/8
( v = 0, ± 1, ± 2, ••• ). Der Rasterabstand 1/ 8 bestimmt die Grundperiode 8 des Si-
gnals. Umgekehrt entspricht einem diskreten Spektrum genau dann eine periodische
Funktion, wenn ein Raster der beschriebenen Art gefunden werden kann, in das die
gegebenen Spektrallinien hineinpassen. Hieraus folgt beispielsweise, daß eine Line-
arkom bi nation oder das Produkt zweier periodischer Funktionen mit den Perioden
8 und 8 genau dann wieder auf eine periodische Funktion führt, wenn 8 /8 eine
1 2 2
rationale Zahl ist.
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
Bild 2.12. Periodische Pulsfolge
co=b/8 /
I \
I \
I C, Cl \
Bild 2.13. Fourier-Koeffizienten der Pulsfolge von Bild 2.12
Speziell für iEl = 2b ergibt sich hieraus
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, ••• ,
und die Fourier-Reihendarstellung lautet für das Periodizitätsintervall Itl ,;;;; 8/2:
1 für [t I < 8/4

(_l)m
n(2m + 1) cosf zm + t Jt = 11~2 für ItI = 8/4 (2.3-14)
für 8/4 < It I ,; ; 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
-8/2 -8/5 -8/10 0 8/10 8 /5 8 /2
Bild 2.14. Approximation der Pulsfolge von Bild 2.12 durch eine endliche Anzahl
von Gliedern der Fourier-Reihe
Wir betrachten nun eine Signalfunktion
xf t ) = g(t)u(t), (2.3-15)
die durch Bewertung mit einer Gewichtsfunktion g(t) aus der periodischen Puls-
folge ul t ) entstanden sein möge. Die Gewichtsfunktion habe die Fourier-Transfor-
mierte G(f). Aus dem Faltungssatz folgt dann für das Spektrum der Signalfunktion
x( t )
= co
xf t ) ~ xrr) = G(f) * L c \I ö(f - \1/8)
L c G(f - \1/8).
\I
(2.3-16)
\1=-=
Anstelle des Linienspektrums (2.3-11) für ul t) ergibt sich nun eineUberlagerungder

mit den Fourier-Koeffizienten von uf t ) bewerteten Spektren crr - v/e) . Für den
Fall der rechteckförmigen Gewichtsfunktion
für [t ] < (rn + 1/2) e

.(t) ~ 1'~2 für
für
Itl = (rn + 1/2) e
It! > ( m + l / 2 ) e
(2.3-17)
mit der Fourier-Transform ierten
otr) = (sin TT(2m + 1)fe)/(TTf) (2.3-18)
hat das Spektrum die in Bild 2.15 dargestellte Form. Für genügend große Werte von
m wird die Bandbreite von G (r) klein gegen 1/e, und man erhält ein "fast diskon-
tinuierliches" Spektrum mit "endlicher Linienbreite". Von dieser Art sind beispiels-
....c----
slrin tb
_-----.10 1ttb
---
----- 0.8
x(fl
-- -- --
0.6
0.4
0.2
Bild 2.15. Spektrum einer endlichen Anzahl von äquidistanten Rechteckimpulsen
weise die Spektren von Radarsignalen, etwa beim Mittelbereichsradar, wo man eine
Folge von 10 bis 20 Echoimpulsen erhält, während der Radarstrahl über das Zielob-
jekt hinwegstreicht. Bei unbewegten Zielobjekten liegen die Spektrallinien im Raster
v/ e ( v = 0, ± 1, ± 2, ••• ), bei bewegten Zielobjekten (Flugzeugen) sind sie um die
Dopplerfrequenz gegenüber diesem Raster verschoben. Diesen Effekt macht man sich
bei der sogenannten Fes t z ei c h e n lös c h u n g oder m 0 v i n g t arg e tin d i c a -
t i 0 n (MT!) zunutze, indem man im Empfänger ein Kammfilter verwendet, das alle
Spektralanteile in der unmittelbaren Umgebung der Frequenzen v/e und dam it alle
Echosignale von unbewegten Objekten (clutter }, die die Flugzielerkennung erschwe-
ren, weitgehend unterdrückt.
Wir betrachten nun noch eine wichtige Beziehung zwischen Fourier-Integral und Fou-
rier-Reihe. In Bild 2 .13 bzw. Gleichung (2.3-12) kann man erkennen, wie die Spek-
tren der periodischen Pulsfolge einerseits und des einzelnen Impulses (bei t = O) an-
dererseits zusammenhängen. Die Fourier-Koeffizienten c\l der Pulsfolge sind bis auf
den Faktor 1/iEl durch die Werte der Fourier-Transformierten des einzelnen Impulses
an den Stellen \I/iEl gegeben. Das läßt sich leicht allgemein beweisen. Wir "periodisie-
ren" dazu eine Signalfunktion y(t} ~ Y(f}, d.h. wir erzeugen durch Uberlagerung
(Bild 2.16) die periodische Funktion
L= y(t - \JiEl} =y(t - miEl}, m ganzzahlig, (2.3-19)

\J=-=
y(t+9l y (tl y(t -Sl
Bild 2.16. Periodisierung eines Signals y(t)
deren Abbildung auf den Frequenzbereich durch
co
yÜ} ~ L ckö(f - k/iEl} (2.3-20)

k=- =
I ~
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)
Es gilt somit
y (t ) ~~ L= Y(k/ e) etr - k/e) = Y(f) ~ L= ö( f - k/ e), (2.3-22)

k=- = k=- =
d, h, durch die Periodisierung von y( t ) wird die zugehörige Fourier-Transformierte

y(f) in der angegebenen Weise " dis k r e t isi e r t" . Diesem Sachverhalt entspricht eine
wichtige Beziehung in der Distri butionstheorie : Wir können die Periodisierung von
y(t) offensichtlich durch Faltung m it einer periodischen Folge von ö-Distributionen
- einem sogenannten Im pul s kam rn-darstellen,
y(t ) = y (t ) * L= e (t - ve ) , (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
Y(f) L= Y(f - kB) --.0 ~ L= y( v/ B ) ö(t - v/ B ) , (2.3-25)

k=- = v=-=
auf den wir im Abschnitt 2.4 zurückkommen werden.
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
(2.3-5) folgt dann
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
Periodische Signale können nur eine diskontinuierliche spektrale Leistungsdichte

haben, und zwar müssen die Spektrallinien bei den Frequenzen v/8 (v ganzzahlig)
liegen, wenn 8 die Periode ist. Mit (2.3-26) und (2.3-27) gilt dann offensichtlich
=
s(f)
u L
j.L=-OO
(2.3-28)
Im folgenden beschränken wir uns auf re e 11 e Signale endlicher Leistung. Für

diese ist die Autokorrelationsfunktion allgemein durch
-&
-n (T) = u(t)u(t + T) = lim
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•
Hieraus ergibt sich mit (2.3-5)
= =
R (-r)
U L
~=-=
c ce
~
J "
-~
'2 TT II -r/ iEI
= L
j.l.=-=
(2.3-30)
wobei die für reelle Signale geltende Relation c

-~
= c ~* verwendet wurde. Ein Ver-
gleich von (2.3-28) und (2.3-30) zeigt, daß die spektrale Leistungsdichte und die
Autokorrelationsfunktion durch die Fourier-Transformation miteinander verknüpft
sind:
(2.3-31)
2. 3.2 Stochastische Signale
Bisher haben wir deterministische Signale betrachtet, deren Verlauf u (t ) für alle
Zeiten festliegt und prinzipiell bestimmbar ist. Viele der uns interessierenden Si-
gnale sind nicht von dieser Art, sondern können zumindest hinsichtlich des zukünf-
tigen Verlaufes nicht genau oder überhaupt nicht bestimmt werden, sei es, daß es
sich um Nutzsignale handelt, die uns Nachrichten übermitteln, deren Inhalt wir nicht
kennen, oder um regellose Störsignale, deren Eigenschaften wir studieren wollen,
um sie besser unterdrücken zu können. Uber solche Signale, die wir zufällig, regel-
los oder s t 0 c h ast i sc h nennen, können im allgemeinen nur Wahrscheinlichkeits-
aussagen gemacht werden. Einige wesentliche PrInztpten der statistischen Signal-
beschreibung werden im folgenden kurz erörtert. Wir beschränken uns dabei auf
den praktisch wichtigen Fall re e 11 e r Signalfunktionen x (t ) •
Wir gehen aus von der Wahrscheinlichkeitsverteilungsfunktion P(X).

Diese gibt die Wahrscheinlichkeit dafür an, daß das Signal x( t ) zu irgendeinem
Zeitpunkt t eine Schranke der Höhe X nicht überschreitet (Bild 2. 17) :
P ( X) = W (x ~ X ), X reell. (2.3-32)
x
x(t)
XI--f!\---I--'''I-- - --+---'''<,tL--t-- - - - --I-+--
Bild 2.17. Zur Definition der Wahrscheinlichkeitsverteilungsfunktion

Diese Wahrscheinlichkeit kann mit wachsender Schrankenhöhe nicht abnehmen, d, h,

es muß für Xl <X gelten : P(X ~ P(X Wegen 0 ~ p(X) ~ 1 folgt dann P( co)=l
2 1) 2).
und p(_ co) = 0 .
Aus P(X) ergibt sich durch Differentiation die Wahrscheinlichkeitsdichte-

funktion
- 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
die in Bild 2.18 dargestellt ist.
Die experimentelle Bestimmung [2.6J von P(X) ist im allgemeinen unproblema-

tisch, wenn die Signalfunktion xt t ) durch einen stationären Vorgang erzeugt wird,
dessen statistische Eigenschaften sich nicht mit der Zeit ändern. Man summiert
dann alle Zeitintervalle, für die das Signal unterhalb der Schranke X liegt, und di-
vidiert durch die gesamte Beobachtungszeit. Bei nichtstationären Vorgängen ist die-
ses Verfahren nicht ohne weiteres anwendbar. Um auch hier eine Bestimmungsvor-
schrift überhaupt definieren zu können, ist eine mathematische Abstraktion notwen-
dig: Man stellt sich die Gesamtheit aller möglichen Signale vor, die unter den ge-
gebenen Bedingungen anstelle des beobachteten Signals auch hätten auftreten können,
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
liebigen Zeitpunkt zu erklären gestattet. Durch die Gesamtheit der Ensemblefunk-

tionen ist dann ein s t 0 eh ast i sc her Pro z e ß definiert, der eine mathematische
Beschreibung des zugrundeliegenden physikalischen Vorgangs darstellt. Aufgrund
dieser Modellvorstellung können wir nun zwischen einer z ei t 1 ich e n Mittelung und
einer s tat ist i s ehe n Mittelung (Ensemble-M ittelung, Mittelung über den Pz-oz eß ]
unterscheiden. Die Ergebnisse der letzteren nennen wir Er war tun g s wer te •
Sie sind immer dem gesamten stochastischen Prozeß zuzuordnen , während die zeit-
lichen Mittelwerte spezifisch für das einzelne stochastische Signal sind.
Die einfachsten Mittelwerte sind der lineare und der quadratische Mittel-
wert. Bei zeitl icher Mittelung erhalten wir mit
f
-&
x- = I"im 1 x( t ) dt (2.3-38)
-& .... = 2-& --&
den Gleichanteil des Signals xf t ) und mit
2" I"
x = rm
1
2-& (2.3-39)
-& .... co
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
p(x) = -1- - (2.3-43)

er '{2TT x
eindeutig festgelegt.
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
grxy = E[g(x)J. (2 .3-46)

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}
-=
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)
der Verbundwahrscheinlichkeitsverteilungsfunktion P(X X die ihrerseits durch

1, 2),
die Verbundwahrscheinlichkeit definiert ist, daß die Signalwerte x und x die je-
1 2
weils beliebig vorgebbaren Schranken X bzw. X nicht überschreiten:
1 2
(2 .3 -54)
Wenn die Signalwerte x und x voneinander statistisch unabhängig sind,

1 2
was für genügend großen Abstand ,. der Fall sein wird, so gilt
(2.3-55)
wobei P1 und P2 die eindimensionalen Wahrscheinlichkeitsdichtefunktionen der

Variablen x
1
und x
2
sind. Bei stationären Vorgängen muß P1 = P2 sein.
Da die statistische Mittelung über alle Signalfunktionen des Ensembles erfolgt, nen-
nen wir zur Unterscheidung von der Definition (2.3-48) den Erwartungswert
(2.3-56)
die Autokorrelationsfunktion des stochastischen Prozesses. Sie

hängt im allgemeinen von der Lage der Zeitpunkte t und t ab, durch die die Signal-
1 2
werte x und x definiert sind. Wenn der betrachtete Prozeß stationär ist, so spielt
1 2
die Wahl des Zeitnullpunktes keine Rolle mehr, und die Autokorrelationsfunktion des
Prozesses hängt nur noch vom Abstand T =t21

- t
ab. Es gibt aber auch nichtstatio-
näre V orgänge , bei denen R auch nur eine Funktion von T ist :
x
(2.3-57)
Prozesse mit dieser Eigenschaft nennen wir allgemein s tat ion r im w e i t er e n

ä
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)
die für Prozesse, die mindestens im weiteren Sinne stationär sind, in
(2 .3-60)
übergeht. Durch einfache Substitution der Integrationsvariablen in (2. 3-29) erhält

man die entsprechende Beziehung auch für die Autokorrelationsfunktion des einzel-
nen Signals x ( t ) :
(2.3-61)
Die Autokorrelationsfunktionen sind reell und symmetrisch. Nach (2.1-42) müssen

also die spektralen Leistungsdichten ebenfalls reell und symmetrisch sein :
S" (e)
x =S"x (- f), S (r)
x =Sx {- f}, reell. (2.3-62)
Die Be s c h r ä n k t h e i t der Autokorrelationsfunktionen ergibt sich durch Anwen-

dung der Schwarzsehen Ungleichung
(2.3-63)
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)
woraus bei stationären Prozessen
(2.3-68)
folgt. Für R ( T) läßt sich ein entsprechendes asymptotisches Verhalten generell

x
nicht herleiten. Man kann daher nur für ergodisehe Prozesse folgern, daß
lim RX(T) = liTt) 12 (2.3-69)

T'" ±=
gilt.
Wir betrachten zur Veranschaulichung der Ergebnisse einfache Beispiele stochasti-

scher Prozesse, bei denen wir die Autokorrelationsfunktion und die spektrale Lei-
stungsdichte geschlossen berechnen können :
a) Binäre stochastische Pulsfolge
Das in Bild 2 .19 dargestellte Signal xf t ) soll in jedem Zeitintervall 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)
x
,--@-
- I--- Xo ,.....---
"'1 0-2@ 10 lo+@ 1'-1 0+ 3@ 1
- I'-xo -
Bild 2. 19. Binäre stochastische Pulsfolge
und die Signale in verschiedenen Zeitintervallen seien voneinander statistisch unab-

hängig. Die Verschiebung 'o des Zeitrasters gegen den Ursprung ist eine statisti-
sche Variable, die über das Intervall 0 ~ t
o
~ e gleichverteilt ist :
(2.3-71)
Der betrachtete Prozeß ist offensichtlich stationär. Die folgenden Mittelwerte las-
sen sich unmittelbar angeben:
m = E[x] = x = 0, (2.3-72)
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
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
Die Autokorrelationsfunktion des Prozesses ist damit durch
für
(2.3-77)
für
gegeben (Bild 2.21) .
Bild 2.21. Autokorrelationsfunktion der binären stochastischen Pulsfolge
Durch zeitliche Mittelung über eine einzelne Pulsfolge gelangen wir zum gleichen
Ergebnis: Verschieben wir die Pulsfolge von Bild 2.19 um l' >0, so ist das Pro-
dukt x(t}x(t + 1') als Folge von Pulsen der Breiten S -( r Irnod Sund (1') mod ® dar-
stellbar. Für l' > ® haben beide Pulsarten jede für sich mit gleicher. Wahrscheinlich-
keit die Pulshöhen + x~ und - x~. Die zeitliche Mittelung führt also auf Rx (1' > S ) =O.
Für T';; ® haben die Pulse der Breite S - T immer den Wert + x~, während die Pulse
der Breite r die Werte + x~ und - x~ mit gleicher Wahrscheinl ichkeit besitzen. Im
zeitlichen Mittel wirken sich daher nur die ersteren aus, und wir erhalten
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
S t'f ) :: S (f) :: ex2 {SinTTfe}2 • (2.3-78)

x x 0 TTfe
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
b) Pulsfolge mit beliebigen Pulshöhen
Die in Bild 2 .22 dargestellte stochastische Pulsfolge unterscheidet sich von der oben
betrachteten binären Folge dadurch, daß nun Pulse verschiedener Höhe zugelassen
sind. Die Wahrscheinlichkeitsdichtefunktion pl x ) kann dabei kontinuierlich oder
diskontinuierlich sein.
x(I)
Bild 2.22. Stochastische Pulsfolge mit Pulsen verschiedener Höhe
Wir haben nun im wesentlichen wieder die gleichen Betrachtungen anzustellen wie im
Fall der binären Pulsfolge. Wenn der Gleichanteil E[x] :: 0 ist, verschwindet für
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
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.
Wir betrachten zwei stochastische Prozesse mit den reellen Signalfunktionen x( t )

bzw, y(t), die wir durch Kreuzkorrelation miteinander verknüpfen wollen. Durch
zeitliche Mittelung erhalten wir die Kr eu z kor r el at ion s fu n k ti 0 ne n zweier
reeller Signale xf t ) und y(t):
R xy (T)=X(t)y(t+T), (2.3-83)
~ (T) = y(t)x(t + T) (2.3-84)

yx
Es gilt, wie man leicht zeigen kann,
(2.3-85)
Die entsprechenden Kreuzkorrelationsfunktionen der Pro z es s e ergeben sich durch

statistische Mittelung. Dabei seien t und t =t + T die beiden betrachteten Zeit-
1 2 1
60 2 . Signale und Spektren
punkte und xl = x(t l), x

2
= x(t 2), Yl = y(t l) und Y2 = y(t 2) die zugehörigen Signal-
werte. Es gilt dann
f f
CD CD
R xy(t l,t2) = E[x l Y2] xlY2P(xl'Y2)dxldY2 (2.3-86)

_ 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)
wobei die Verbundwahrscheinlichkeitsdichten analog zu (2.3-53) definiert sind.

Durch Anwendung der Schwarzsehen Ungleichung kann man leicht zeigen, daß auch
die Kreuzkorrelationsfunktionen beschränkt sind:
Entsprechende Beziehungen gelten für die Kreuzkorrelationsfunktionen R ( T) und

xy
R ( T), wobei die jeweiligen zeitlichen Mittel werte einzusetzen sind.
xY
Bei Prozessen, die mindestens im weiteren Sinne verbundweise stati-

on ä r sind, hängen die Kreuzkorrelationsfunktionen nur noch von T =t2 - t
1
ab.
Dabei gilt R
xy
( T) = R yx (- T) . Für T -> ± cx: folgt aus der statistischen Unabhängig-
keit der beteiligten Signalwerte das asymptotische Verhalten
(2.3-88)
(2.3-89)
Eine entsprechende Beziehung für die durch zeitliche Mittelung gewonnenen Kreuz-
korrelationsfunktionen existiert nur bei verbundweise ergodisehen Prozessen, wo
alle zeitlichen Mittelwerte gleich den entsprechenden statistischen Mittelwerten sind:
lim R ( T) = lim l'i ( T) = Xy. (2.3-90)

T->± CD yx T-+±CD yx
Die verschiedenen Kr e u z lei s t u ng s s p e k t ren sind als Fouriertransformierte

der entsprechenden Kreuzkorrelationsfunktionen definiert, wobei im Falle der durch
Ensemble-Mittelung gewonnenen Kreuzkorrelationsfunktionen vorausgesetzt werden
muß, daß die Prozesse mindestens im weiteren Sinne verbundweise stationär sein
müssen:
R (,.) ~ S (r), R (,.) ~ S (f),

xy xy yx yx
(2.3-91)
Da die Kreuzkorrelationsfunktionen in sich selbst nicht symmetrisch sein müssen,

sind die zugehörigen Kreuzleistungsspektren im allgemeinen komplexe Funktionen
der Frequenz, jedoch mit geraden Realteilen und ungeraden Imaginärteilen wegen
der vorausgesetzten Reellität der Signale und damit auch ihrer Kreuzkorrelations-
funktionen. Die Kreuzleistungsspektren enthalten also Phaseninformationen, die zu
interessanten systemtheoretischen Beziehungen führen, von denen im
folgenden die wichtigsten erörtert werden sollen.
Wir betrachten ein lineares zeitinvariantes System, das durch seine Impulsantwort
h l t ) bzw. seine Ubertragungsfunktion H(f) beschrieben sei (Bild 2.23). Für ein
beschränktes stochastisches Eingangssignal xl t ) gilt die Eingangs-Ausgangs-Rela-
tion nach (2.2-36)
=
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
= lim 1-& f xl t ) h(o)x(t + ,. - cr)dodt

-&-.=
--& -=
= =f
-=
h(O)/lim
-& ... = 1-& J
--&
x(t)x(t + ,. - o)dt )dO.
Der in geschweiften Klammern stehende Ausdruck entspricht der um 0 verschobenen

Autokorrelationsfunktion des Eingangssignals. Hieraus folgt, daß sich die Kreuzkorre-
lationsfunktion von Eingangs- und Ausgangssignal aus der Faltung der Autokorrelati-
onsfunktion des Eingangssignals mit der Impulsantwort des Systems ergibt :
f
00
n (,.)
~
h(o)n (,. - o)do
x
=: h(") lf-n x (,.). (2.3-93)
_00
Diese Beziehung ermöglicht ein wichtiges Verfahren zur S y s te man a 1y s e , Man

gibt auf den Eingang des zu analysierenden Systems ein genügend breitbandiges Ge-
räusch xl t}, das innerhalb der System bandbreite näherungsweise als weißes Rau-
schen aufgefaßt werden kann. Seine Autokorrelationsfunktion strebt dann nach (2.3-82)
gegen 1\(,.) =: So 6( "), und die Impulsantwort des Systems
(2.3-94)
läßt sich somit durch Kreuzkorrelation von Eingangs- und Ausgangssignal ermitteln.
Wendet man auf (2.3-93) die Fourier-Transformation an, so ergibt sich die ent-
sprechende Verknüpfung im Spektralbereich :
sxy (f) =:H(f)~

x
(f). (2.3-95)
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
=: h(o)R (,. - o)do =: h(") lf-R (,.). (2.3-96)

yx yx
_ 00
2.3 Signale endlicher Lei stung 63
Durch Fourier-Transformation erhalten wir hieraus
8 (r) =H(f)8 (f). (2.3-97)

y yx
Wegen (2.3-85) und (2.3-95) gilt aber
8 (r) =8* (f) = H*(f)8 (f), (2.3-98)

yx xy x
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
Bild 2.24. Zur Messung der spektralen Leistungsdichte
einem nachgeschalteten Wattmeter besteht. Das Bandpaßfilter habe die (idealisierte)

Leistungsübertragungsfunktion
/HBP(f) I =
2 j 1 für fO - M/2 ~ Ifl ,;;;; fO + M /2
(2.3-100)
o sonst
mit sehr schmalem Durchlaßbereich (M« f in der Umgebung der Frequenz f

O) O'
für die wir den Wert der spektralen Leistungsdichte ermitteln wollen. Das Wattme-
ter bestimmt die mittlere Leistung des an seinem Eingang anliegenden Signals y{t).
Für diese gilt mit (2.3-99) und (2.3-51)
co co 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)
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.
In Kapitel 7 wird die Bestimmung von Leistungsspektren stochastischer Signale aus-

führlich behandelt.
2.4 Diskontinuierliche Signale
2.4.1 Definition und systemtheoretische Bedeutung
Die Verarbeitung von Signalen wird seit der Entwicklung der digitalen Filtertechnik
und der Verfügbarkeit leistungsfähiger Digitalrechner in Verbindung mit besonders
effektiven Algorithmen wie der schnellen Fourier-Transformation in ständig zuneh-
mendem Maße auf digitale Weise ausgeführt [2.9-2. 11J. Das Schema einer solchen
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.
u(t) o--------t~--- AID

~ Digitales System ~ DIA ~y(t)
Abtastung Wandlung Verarbeitung Rückwandlung
Bild 2.25. Schema einer digitalen Signalverarbeitung nach [2. 9J
Die Wirkungsweise des digitalen Systems läßt sich prinzipiell ohne die Verwendung
der Begriffe Zeit und Frequenz beschreiben. Denkt man beispielsweise an den Ein-
satz eines Digitalrechners, der in Feldern angeordnete Zahlen verarbeitet, so fehlt
auch zunächst eine Motivation für die Einführung dieser Begriffe. Vorn systemtheo-
retischen Standpunkt aus jedoch ist es wünschenswert, ein geschlossenes 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)
u*(t) : =u(t)T s (t - vr) = T u ( \lT) ö (t - vr). (2.4-1)

\1 = - <X) \1= - <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.
Die S h a n non - I nt e r pol at ion ist in technischer Hinsicht außerordentlich wich-

tig, weil sie einer Bandbegrenzung entspricht, die man bei vielen zu verarbeiten-
den Signalen zumindest näherungsweise als gegeben voraussetzen bzw, leicht her-
stellen und kontrollieren kann. Zu ihrer Darstellung betrachten wir ein bandbegrenz-
tes Signal uf t ) mit einem Amplitudenspektrum utr), das außerhalb des Bandes
lr] ~fg identisch verschwindet (Bild 2.26). Tastet man uf t ) mit der Frequenz
(2.4-2)
Bild 2.26. Periodisierung eines begrenzten Spektrums
ab, so ist damit nach (2.3-25) eine Periodisierung im Frequenzbereich verbunden,

die in diesem Fall aber einer periodischen Fortsetzung von U(f) außerhalb des
Bandes 'f I ~ f mit der Periode fA entspricht (Bild 2.26) :

g
co
UW= L U(f-kfA)..-ou*(t). (2.4-3)
k=-co
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
Wandlung und Rückwandlung können im mathematischen Modell der digitalen Signal-

verarbeitung demnach durch einen idealisierten Abtaster, der das analoge Signal mit
einem Impulskamm multipliziert, und durch einen idealisierten Tiefpaß erfolgen
(Bild 2 .27) . Zwischen diesen beiden Wandlern liegt das Signal in diskontinuierlicher
Form vor, und hier ist zur Vervollständigung des Modells das digitale System einzu-
fügen (Bild 2.28). Wir vernachlässigen dabei die nichtlinearen Effekte , die sich in
ull-I I} = idealer Tielposs

u(t) idealer
ahne uIt)
Abloster =11: u(v1)olt-vl) Verzögerung
"
11: ött-vl )
v
Bild 2.27. Wandlung und Rückwandlung eines bandbegrenzten Signals u( t )
ull} idealer ull-(t) { U (k)} Yll-It) idealer lielposs Y1t)

0-- ahne
U(fl
Ablosler Ü(fl {y(kl} Y(fl Y(f)
-+ Verzögerung
diskontinuierliches Syslem
utt) h (I) y(I)= h(tlll-u(t)

1-_-0
UII} H(f I Ylfl=H(fl U(II
konlinuierliches Syslem
Bild 2.28. Lineare Modelle der analogen und digitalen Signalverarbeitung

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
die ebenfalls die gewünschte Eingangs-Ausgangs-Beziehung
Y{f} = H (f)U{f) {2.4-7}

w
herstellt . Wenn wir nun H (f) periodisch fortsetzen

w
I:
CD
Hw{f} Hw(f + kf A}, {2.4-8}

k=-co
und auch die Signalspektren periodisieren, so gilt offensichtlich
Y{f) =Hw (f)U{f). {2.4-9}
Damit haben wir eine Beschreibung des diskontinuierlichen Systems im Frequenz-

bereich gefunden. Hieraus folgt für den Zeitbereich die Verknüpfung der entspre-
chenden diskontinuierlichen Signale durch die Faltung
CD
y*{t} = T
c:
\'
n=-o:>
y{nT}ö{t - nT} = h
w*
(t ) * u*{t}
~ IT ,~'" hw(,T),(t -'T)) T.~CX' ·1 u(.T),(t - .T))

ce ce
=T
2
I: I:
~=-CD v=- CD
hw{ vT}u{~T}ö{t - -r - ~T}
n=-OO {2.4-10}
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
y(nT) =T L h (vT)u( nT - v'I')

w
(2.4-11)
v=-=
verknüpft sind. Formal erhält man die gleiche Beziehung, wenn man auf das Fal-
tungsi ntegral
I
co
y(t) = hw(t) '"" uf t ) hw(.,.)u(t - .,.)d.,. (2.4-12)

-=
die Rechteckformel der numerischen Integration anwendet.
2.4.2 Probleme der Signaldarstellung durch Abtastwerte
Die bisherigen Betrachtungen erfolgten unter der Voraussetzung der Bandbe-

grenzung. Ist diese nicht gegeben, so bewirkt die Abtastung des Signals eine
Uberlagerung im Frequenzbereich nach (2.4-3), die das Spektrum verfälscht
(Bild 2.30). Wenn man zusätzliche Informationen über den Verlauf der Signale zwi-
schen den Abtastpunkten hat oder von geeigneten Hypothesen hierüber ausgeht , läßt
sich der Uberlagerungseffekt in gewissen Fällen geschlossen eliminieren (vgl. Ka-
pitel 6). Im allgemeinen aber muß man, wenn das Signal uf t ) am Eingang des Sy-
stems nicht bandbegrenzt ist, einen Uberlagerungsfehler (englisch: aliasing) inner-
halb des Bandes If I :!G; fg hinnehmen, der durch den Tiefpaß am Ausgang des Systems
nicht mehr unterdrückt werden kann. Als vorbeugende Maßnahme dagegen läßt sich
in vielen Fällen eine entsprechende Bandbegrenzung des Signals u (t ) vor der A b-
tastung vornehmen, wenn der relevante Frequenzbereich bekannt ist, und wenn die
durch die Tiefpaßfilterung verursachte Signalveränderung (Bandbegrenzung , Lauf-
zeitverzerrung) toleriert werden kann. Wenn das nicht möglich ist, muß die Abtast-
frequenz f so hoch angesetzt werden, daß der Uberlagerungsfehler innerhalb je-
A
weils festzusetzender Schranken bleibt. Praktisch läßt sich das so durchführen, daß
man f schrittweise erhöht bzw, erniedrigt und feststellt, ob und wie sich die Spek-
A
tralfunktion dabei ändert.
Wir betrachten dazu zwei einfache Beispiele, bei denen die Spektralfunktionen ge-
schlossen berechnet werden können. Die in Bild 2.29 dargestellte symmetrische
Signalfunktion u( t ) = exp( - It l ) hat die Fourier-Transformierte
u(f) (2.4-13)
-2,5 -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 :
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
Hier erhält man
1
U(f) (2.4-18)
1 + j2TTf
und
T
(2.4-19)
-( 1+j2TTOT '
1 - e
und die Taylor-Entwicklung für kleine T liefert mit
+ ••• (2.4-20)
einen proportional zu T verschwindenden Approximationsfehler.
Bei den betrachteten Beispielen konnte U(f) geschlossen berechnet werden. Im all-
gemeinen aber läßt sich die Formel (2.4-14) nur numerisch auswerten, dvh, es
kann nur eine endliche Anzahl von Abtastwerten berücksichtigt werden. Hieraus re-
sultier.t zusätzlich ein Fehler, der durch das Ab s c h n eid e n der Signalfunktion,
bei dem zuletzt betrachteten Beispiel etwa an der Stelle t = NT entsteht (Bild 2 .31).
Dieser Fehler muß mit wachsendem Wert des Produktes NT abnehmen. Reduziert
man nun den Diskretisierungsfehler durch Verkleinern von T, ohne das Produkt NT
zu verändern , so nähert sich der aus Diskretisierungsfehler und Abschneidefehler
bestehende Gesamtfehler der numerischen Fourier-Transformation asymptotisch
dem konstanten Wert des Abschneidefehlers, und eine weitere Reduzierung von T
ist sinnlos. Man muß daher gleichzeitig auch das Produkt NT vergrößern. Ein all-
gemeines Verfahren hierzu ergibt sich aus der folgenden Betrachtung.
Die Verfügbarkeit schneller Algorithmen zur numerischen Fourier-Transformation

(Kapitel 4 und 6) stellt es uns weitgehend frei, die Signale wahlweise im Zeitbereich
oder im Frequenzbereich darzustellen und bei der Signalverarbeitung aus dem
einen in den anderen Bereich überzugehen. Ein typisches Beispiel hierfür ist
die Simulation von umfangreichen Systemen. Es ist dabei grundsätzlich anzustreben,
daß die Signale im Zeitbereich und im Frequenzbereich m öglichst gleich gut durch
die entsprechenden diskreten Werte repräsentiert werden. Gehen wir von dem all-
gemeinen Fall aus, daß die Signale zeitlich und spektral nur näherungsweise be-
grenzt sind, so entstehen Abschneide- und Diskretisierungsfehler. Uber die Ab-
schneidefehler können wir nur von Fall zu Fall Aussagen machen . Von den Diskre-
tisierungsfehlern aber wissen wir, daß sie proportional zum jeweiligen Abtastinter-
vall im Zeit- bzw. im Frequenzbereich verschwinden. Wenn T das Abtastintervall
im Zeitbereich ist, so hat nach dem Uberlagerungssatz die ermittelte Spektralfunk-
tion die Periode 1/T. Wir setzen voraus , daß eine solche Periode das wahre Spek-
trum weitgehend richtig wiedergibt. Man wird dann auch von diesem Bereich aus-
gehen, um die inverse Fourier-Transformierte der Spektralfunktion numerisch zu

bestimmen. Verwendet man hier ebenfalls N Stützwerte, die äquidistant über den
Bereich r/r verteilt sind, so ergibt sich das Abtastintervall im Frequenzbereich
zu
Q = l/(NT) • (2.4-21)
Somit verschwindet der Diskretisierungsfehler bei der Transformation aus dem Zeit-
in den Frequenzbereich proportional zu T und der bei der umgekehrten Transfor-
mation proportional zu l/(NT). Sollen sich beide Fehler in gleichem Maße verän-
dern, so ist T ~ l/(NT) zu wählen; wobei die Proportionalitätskonstante, die wir a 2
nennen wollen, von dem jeweiligen Problem abhängt. Die gesuchte Relation zwischen
T und N ist dann
T = a/ VN , a > 0, reell, konstant. (2.4-22)
Zu dem gleichen Ergebnis gelangt man auch, wenn der mittlere quadratische Gesamt-
fehler beider Approximationen zu einem Minimum gemacht wird. Für das Abtastin-
tervall im Frequenzbereich folgt aus (2.4-21) und (2.4-22)
Q=l/(aVN). (2.4-23)
Die Diskretisierungsfehler im Zeit- und im Frequenzbereich lassen sich nun durch

Vergrößerung von N in gleichem Maße reduzieren. Darüber hinaus werden wegen
NT = aVN und NQ = VN/a auch die Abschneidefehler in beiden Bereichen verkleinert.
Der jeweilige Optimalwert der Konstanten a läßt sich entweder aus Abschätzungen
der Abschneide- und Diskretisierungsfehler oder durch numerische Untersuchungen
mit variablem a ermitteln. Als grobe Abschätzungen kann man beispielsweise
a = VelB verwenden, wobei e und B Signaldauer bzw. Bandbreite sind, oder a so
bestimmten, daß die Signalenergien innerhalb des Frequenzintervalls NQ = r/r ei-
nerseits und des Zeitintervalls NT andererseits gleich sind.
2.4.3 Diskontinuierliche Signale und diskrete Fourier-Transformation
Die Repräsentation von Signalen und Spektren durch jeweils endlich viele Abtastwerte
ist für die digitale Verarbeitung von fundamentaler Bedeutung. Die bisherigen Be-
trachtungen waren insofern nicht ganz befriedigend, als noch keine eindeutig umkehr-
baren Beziehungen zwischen endlich vielen Signalwerten und endlich vielen Spektral-
werten gefunden werden konnten. Wir haben festgestellt, daß ein diskontinuierliches
Signal u*( t ) das periodisierte Spektrum U( r) hat. Entsprechend besitzt das diskre-
tisierte Spektrum U*(f) nach (2.3-22) als inverse Fourier-Transformierte das pe-
riodisierte Signal ~(t). Diese Beziehungen entsprechen im wesentlichen den Fourier-
reihendarsteIlungen der periodischen Funktionen ~ (t ) und lJ< f) : Die Periode von
~(t) ist NT und die von U(f) ist r/r. Es gilt dann, wie man aus (2.3-22) leicht er-
2.4 Di skontinuierliche Signale 73
sehen kann,
= L
co
~( t )
L
k=- =
1
uf t - kNT) = NT
k=- =
U ( ~) ej2 nkt/(NT) (2.4-24)
und aus einer ähnlichen Betrachtung folgt
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 ,
das sich auch in der Form
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
entspricht der- S u m m e no r t h 0 gon al i t ä t der diskreten harmonischen Funktionen:
~ 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
Nichtverschwinden dieses Ausdrucks ergibt sich wegen der Summenorthogonalität

(2.4-29) für k = m+nN mit ganzzahligem n, Hieraus folgt
=
cm = ~T L U (mN;N) = ~T u( ~) (2.4-33)
n=- =
2.5 Literatur 75
und mit (2.4-30)

N-1
u( NT
m) = T ~ ~(vT}e-j2TTmv/N,
i....J m=0,1, .•• N-1. (2.4-34)
v=O
Die Umkehrung hiervon ergibt sich aus (2.4-31) :
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.
Hinsichtlich solcher Konvergenzbetrachtungen ist noch eine Bemerkung notwendig.

Die Approximationsbereiche wurden hier, so wie es allgemein üblich ist, durch
o .,;: t .,;: NT und 0 .,;: f .,;: 1/T festgelegt. Wegen der Periodizität der approximieren-
den Funktionen ~(t) und U( f) bedeutet diese Wahl keine Beschränkung auf positive
Zeiten und Frequenzen. Man findet beispielsweise die Spektralfunktion U(-1 /(2T} ~
f ~ 0 im Intervall 1/ (2T) ~ f ~ 1/T. Für N ... = aber verschiebt sich das letztere In-
~
tervall ebenfalls ins Unendliche. Zum Konvergenznachweis U ... U muß man daher
von dem Intervall Ifl ~ 1/(2T} ausgehen. Entsprechendes gilt für die Signalfunk-
tion u( t) •
2.5 Literatur
2.1 Papoulis, A .: The Fourier Integral and Its Applications. New York, London,
Toronto: McGraw-Hill 1962.
2.2 Unbehauen, R. : Systemtheorie. München, Wien: Oldenbourg 1971.
2 .3 Abramowitz, M.; Stegun, I.A. (Hrsg.): Handbook of Mathematical Functions ,
New York: Dover Publications 1965.
2.4 Doetsch, G.: Funktionaltransformationen; in: Mathematische Hilfsmittel des
Ingenieurs, 1. Teil; Hrsg.: R. Sauer und I. Szabo, Berlin, Heidelberg, New
York: Springer 1967.
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
3.1 Definition und Darstellung
Die diskrete Fourier-Transformation muß nicht notwendig als Approximation der

Fourier-Transformation kontinuierlicher Funktionen angesehen werden. Sie stellt
eine völlig eigenständige lineare Transformation dar, die eine Folge von N kom-
plexen Zahlen lx v I = lx o' x l ' •.. ' x N_ 1 1 vermöge der Beziehung
~= 0 , 1 , ••• ,N-1 (3 .1-1)
eindeutig umkehrbar auf di e Folge !y~ I = !yo' y1"" 'YN-1 1 abbildet. Die Trans-
format ionskonstante T soll reell und positiv, i m übrigen aber beliebig definierbar
sein. Die Eindeutigkeit de r Umk ehrtransformation
v = 0 , 1 , ••• ,N-1 (3. 1-2)
folgt aus der Summenorthogonalität (2.4-29)
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)
Wir nennen (3.1-1) die dis krete Fourier-Transformation (DFT) und

(3.1-2) die inverse diskrete Fourier-Transformation (IDFT).
Häufig gebrauchte allgemeine i: astlegungen der Transformationskonstanten si nd

T = 1 und T = l /N. Zweckmäß ig is t besonders auch die Definition T = 1/'/N, nicht
nur wegen der im Abschnitt 2.4 diskutierten Zusammenhänge, sondern auch, weil
die DFT dann eine uni t ä r e Transformation ist , wie unten noch näher erläutert
78 3. Die diskrete Fourier-Transformation
wi r d . Bezüglich der Wahl von T wird hier keine 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.
Wir verwenden i m fo lgenden wahl weis e verschiedene Darstellungen bzw. Symbole

fü r die diskrete Fourier-Transformation und ihre Umkehrung , die alle i m Sinne der
Gleichungen (3.1-1) bzw. (3.1-2) zu ve r s t e h e n s ind :
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)
Wenn man die Zahlenfolgen [x I und !y I als Spaltenvektoren x bzw. v darstellt,

v ~ - ~
lassen sich die Transformationen auch i n der Form
-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
Dabei wurde zur Ab kürzung die Größe
-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
di e i m folgenden erörtert werden : Si e s i nd s y m m e t r i sc h
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}
Ma trizen mit dieser Eigenschaft nennt man un i t ä r (z , B. [ 3. 1] }. Sie vermi tteln

e ine un itäre Transformation.
Für den allgemeinen Fall mit e i ne r beliebigen Tr a nsfor m a ti onskonst a nte n T ergibt
s ich entsprechend
{3.1 -13}
Die Umrechnungsbeziehungen zwischen ~ und Wo sind
{3.1-14}
Führen wir den Spaltenvektor
1 1
k -j2 nk /N
w e
Zk -j2 nZk/N
w e
~k .- = {3.1-15}
(N-t)k -j2n(N-1 }k/N

.w e
ein, so lassen sich die Beziehungen (3.1-6) auch folgendermaßen darstellen:
N-1
1. = ~!. = T L
k=O
xk ~k' (3.1-16 )
N- 1
!. =~
-1
l. =NT
1
L
k=O
{3.1-17 }
Im folgenden ist W immer als DFT-Matrix für die Transformation von N Werten auf-
zufassen. Wenn die Anzahl der zu transformierenden Elemente n *N ist, so erhält
die zugehörige DFT -Matrix den Index n,
3.2 Abbildungsgesetze
Bei der vektoriellen Darstellung Gar diskreten Fourier-Transformation (3.1-6) sind

.! und y.. Vektoren in e inem N-dimensionalen komplexen Punktraum IR Wir gehen
N•
zunächst kurz auf die Metrik dieses Raumes ein.
Das in ne r e Pro du k t zweier Vektoren ~ E IR und.! E IR ist durch

N N
*
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
Die No r m eines Vektors .! E IR ist erklärt durch

N
(3.2-3)
In IR gelten die Schwarzsehe Ungleichung

N
I (u,x) I ~ I I~III~II, (3.2-4)
die D r eie c k s u n g lei c h u n g
II~ + .!II ~ II!!II + I~II (3.2-5)

3.2 Abbil dungsgesetze 81
und die Par a 11 e log ra m m g 1e ich u n g
(3.2-6)
Beweise für diese Beziehungen findet man z. B. in [ 3 . 2J .
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)
Die Beziehung (3.2-7) ist e in diskretes Analogon der Parsevalschen Gleichung,

aus der die Gleichheit der Signal energie im Zeit- und im Frequenzbereich folgt. Es
ist daher zweckmäßig, die Energie der diskontinuierlichen Signale so zu definieren,
daß sie gegen die entsprechenden Integralausdrücke in (2.1-35) konvergiert, wenn
wir die Abtastintervalle T und 1/(NT) gegen 0 gehen lassen, also durch T(~,~)" bzw.
(y",y")/(NT). Genau dann ist die Signalenergie invariant gegen die DFT, was sich bei
Beachtung von (3.1-13) leicht zeigen läßt :
(3.2-9)
Wir betrachten eine Reihe von weiteren Abbildungseigenschaften der DFT.
Die Li ne ar i t ä t der Transformation entspricht der Gültigkeit des Superpositions-

prinzips. Die DFT einer Linearkombination von Vektoren ~\i ist danach gleich der
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
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
d, h, die Elemente a und a. N . für i = 1,2, •.• ,N - 1 sind gleich 1, während

OO 1, -1
alle übrigen Elemente verschwinden. Für N =4 gilt beispielsweise
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)
Die zu W konjugiert-komplexe Matrix läßt sich dann durch
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)
nach der die Hermiteschen Funktionen Eigenfunktionen der Fourier-Transformation

sind. Nach (2.4-34) muß nun
(_j}n L= 'l1 ( \f2iT ( IJ. + k N )

n
~T} 'l1 (\f2iT ( v + kN) T}e -j2 TTIJ.v/N
n
k=-= v=O k=-=
(3.2-19)
gelten. Setzen wir hierin T = 1/VN, so sind die periodisierten Hermiteschen Funk-
tionen auf beiden Seiten zahlenmäßig gleich. Die Größen
=
L v = 0 , 1 , ••• ,N-1 (3.2-20)
84 3. Die diskrete Fourier -Transformation
bilden daher die Elemente von Eigenvektoren
pn = (3.2-21)
der diskreten Fourier-Transformation
(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.
Wir betrachten nun Symmetrien der Abbildung durchdieDFT. Dazubenut-

zen wir die Eigenschaft der Matrix ~~, die Reihenfolge der Elemente eines Vektors,
auf den sie angewendet wird, in der geschilderten Weise zu invertieren, und definie-
ren einen Vektor x als "gerade", wenn!. = ~~ ist, und als "ungerade", wenn
!. =- ~~ gilt. Wir können dann jeden Vektor!. mit
2
!.g = (!. + ~o!.) /2 , (3.2-23)
!.U = (!. - ~~) / 2 (3.2-24)
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
n=3 0,2 "\ 'I'/ t8'

1", ~
\ 01 I
\ ' I
1I
I 2 v
\ I
\ I
\ \,
\~
Bild 3. 1. Element e v o n E igenvektoren der DFT für N = 8 nach [3 . 4J

einen konstanten skalaren Faktor unterscheiden, vertauschbar sind :
(3.2-25 )
(3.2-26)
Wir zerlegen nun x und x sowie y _ und 1.. in Realteile (Index r-) und Imaginär-
-g -u -g 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'
=-21 (v....u * =-21 (Wx ** 1

x ) =-2 W(x
* = jWx
v
....ur + ....u
v )
--u + -W -u - -u - -u
x ) --Ul, ,
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 •
Die Zusammenfassung dieser Ergebnisse führt auf eine vollständige Analogie zu

der entsprechenden Beziehung (2. 1-42) der Fourier-Transformation:
.. .
-x =-gr
x + x
-ur + jx , + jx ,
-gl -Ul
9 9 Q 9 _0
: 1.. (3.2-27)
...- -...
.:>
I i .....
1.. = 1..gr + 1..ur + j1..gi + j1..ui
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
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
a=TCb. (3. 2-2 9)
Die Matrix C ist eine sogenannte Z ir k u la nt e. Sie hat auf allen Diagonalen je-
weils gleiche Elemente. Darüber hinaus geht jede ihrer Spalten durch zyklische
Vertauschung der Elemente aus der vorhergehenden hervor . Die zyklische Vertau-
schung der Elemente der letzten Spalte führt wieder auf die erste Spalte. Die Matrix
läßt sich also durch "Zirkulation" der Elemente der ersten Spalte aufbauen und ist
damit durch den Spaltenvektor
c = (3.2-30)
eindeutig festgelegt. Wir können dementsprechend die zyklische diskrete Faltung

auch als Operation zwischen den Vektoren E. und ~ definieren und folgendermaßen
sym bolisieren:
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) •
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:
k=O,l, ••. ,N-1. (3.2-32)
Für die Eigenwerte "k gilt
N-1
A - ~ c wk v (3.2-33)
k - L v
v=O
sie entsprechen also im wesentlichen der DFT des Vektors Q .
Die Gültigkeit von (3.2-32) läßt sich zeilenweise leicht nachprüfen. Für die (IJ,+ 1)-
te Zeile gilt
IJ, 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)
Ebenso gilt natürlich auch
-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)
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)
Um den Zusammenhang etwas deutlicher hervorzuheben, führen wir nun die M u 1-

tiplikation zweier Folgen als Vektor-Operation ein:
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
Die Gleichung (3.2-37) läßt sich dann folgendermaßen darstellen:
(3.2-40)
Multiplizieren wir von links mit Y:!., so ergibt sich ein Analogon zum Faltungssatz
der Fourier-Transformation:
(3.2-41)
Die zyklische Faltung wird also durch die DFT auf die Multiplikation im Sinne von
(3.2-39) abgebildet. Ebenso läßt sich zeigen, daß die Multiplikation zweier
F 0 I gen durch die DFT auf die zyklische Faltung abgebildet wird :
(3.2-42)
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-
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)
~ .(;; ",~} ;; 0' (a

v -
* bv ) •
(3.2-49)
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)
Diese Eigenschaften sind anhand der entsprechenden Matrizendarstellungen leicht

zu erkennen. Die gemischten Operationen sind i , a, nicht assoziativ :
(~ 0 ~) * c '" a 0 (~*.!2.).
Wir betrachten schließlich noch Analoga zu den Ver schi e bu n g s sät zen (2.1-11)
und (2.1-12) der Fourier-Transformation. Dazu definieren wir die N-zeiligen Spal-
tenvektoren
~k=(l/T) (ö vk)' Zeilenindex v=0,1, ••• ,N-1, (3.2-52)
die aus ~O durch k-fache zyklische Vertauschung der Elemente hervorgehen (ö =

vk
Kronecker-Symbol: ö = 1, ö = 0 für v*, k}, So wie sich die Verschiebung eines
kk vk
kontinuierlichen Signals uf t ) um t als Faltung von uf t ) mit ö(t - t ) schreiben
o O
läßt, so können wir nun die k-fache zyklische Vertauschung der Elemente eines Vek-
tors x durch zyklische Faltung mit ~ darstellen. Beispielsweise gilt für N = 4 und
k =2
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.
Dem Verschiebungssatz (2.1-12) entspricht die Abbildung der k-fachen zyklischen

Vertauschung der Elemente von 1. durch die IDFT:
(3.2-56)
Bei Multiplikation eines Vektors ~ mit 4: gilt
(3.2-57)
wobei x das {k+l)-te Element von ~ ist. Die Abbildung dieser Operation durch
k
die DFT führt auf
(3.2-58)
Abschließend geben wir noch einige einfache Multiplikations- und Faltungsbeziehun-

gen der Vektoren ~k und ~k an, die unmittelbar einzusehen sind:
w 0 w = w (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
3.3 Dezimierung und Segmentierung von Folgen
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
N = nm mit n, m > 1, ganz (3.3-1)
voraus . Ein N-zeiliger Vektor ~ läßt sich dann auf mindestens zwei verschiedene
Weisen durch dezimierte Folgen darstellen :
n-1 m -1
=TL Lk=O 1-1 =0

(3.3 -2)
m-1 n-1
=T LL
k=O \)=0
m-1 n-1
=T LL
k =O \)=0
xk+\)m ~k+ \)m
(3.3-3 )
Die Gültigkeit dieser Beziehungen ersieht man daraus, daß die in geschweiften Klam-
mern stehenden Doppelsummen genau den Einheitsvektor :y!O darstellen. Zur Verein-
fachung der Schreibweise definieren wir den Dezimierungs-Operator
Ö k=O,l, ••• ,n-l, (3.3-4)

-k+iJ,n'
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
Für N = 6 mit n = 2 und m = 3 gilt danach beispielsweise
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)
Für das Beispiel mit N = 6 gilt danach für n = 2 und m = 3
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
Hinsichtlich der Bezeichnungsweise ist festzuhalten: Bei beiden Operatoren d( \I)

( ) -n,m
und s \I bestimmt der erste Index n die Anzahl der erzeugten Folgen, der zweite
-n,m
Index m die Anzahl der nichtverschwindenden Elemente pro Folge und der hochge-
stellte Index \I die laufende Nummer der erzeugten Folgen.
Zur Bestimmung der Abbildungen von Dezimierung und Segmentierung durch die
DFT müssen wir zunächst die diskreten Fourier-Transformierten der entsprechen-
den Operatoren berechnen. Hier genügt es, die Fälle k = 0 bzw. ~ = 0 zu betrach-
ten und dann den Verschiebungssatz (3.2-55) anzuwenden. Zur Vereinfachung der
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
Die Anwendung von (3.2-55) liefert dann allgemein
Ws (J.l.) = W(Tö
--m,n -
Das (i + 1 ) - te EIern ent von W d

-J.l.
* -m,n
s ) =w °
-J.l.
I n-1
T '\' w
~ - k
k=O
)
ergibt sich nach der Sum m enorthogonal i t ät

• (3.3-9)
--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)
Es gilt also speziell
Wd =mTd (3.3-11)
--n,m -m ,n
und allgemein nach (3.2-55)
Wd{k) =W{Tö *d )=mTwkod • (3.3-12)

- - n, m - -=-k - 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
nach dem Multiplikationssatz (3.2-42) die zyklische Faltung von d mit 1. = Wx :

-m,n --
(3.3 -13)
Diese Beziehung ist ein Spezialfall des sogenannten U be r 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)
Die (k+l) -te Zeile dieser Vektorgleichung ergibt sich demnach zu
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.
Für N = 6 mit n = 3 und m = 2 gilt dann beispielsweise:
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
Der Vektor g läßt sich daher auch folgendermaßen darstellen:
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.
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
a ) weitgehende Ausnutzung der Symm etri en in den har m onischen Funkti on en

exp(- j2 nk /N) un d
b ) geeignete Zusamm en fa s sung von Te ilsumm en, die m it de m glei c he n F aktor mul-
t ipli z iert werden,
100 4. Die numerische Ausführung der diskreten Fourier-Transformation
Auf dem Prinzip a basieren die meisten klassischen Methoden zur Ausführung der
DFT (z.B. [4.1]). Für relativ kurze Zahlenfolgen (z.B. N = 32) sind diese Metho-
den noch recht effektiv. Bei wesentlich längeren Zahlenfolgen , die früher jedoch
ohne Digitalrechner sowieso nicht verarbeitet werden konnten, s ind diese klassi-
schen Methoden ungeeignet, weil bei ihnen dann die Anzahl der auszuführenden Mul-
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.
Das Prinzip b ist der Kern der schnellen Fourier-Transformation (en-

glisch : Fast Fourier Transform = FFT), sowie sie beispielsweise von Cooley und
Tukey angegeben worden ist [4.3]. Hier steigt die Anzahl der erforderlichen Mul-
tiplikationen im wesentlichen proportional zu N log N an. Für großen Wert von N
(z , B. N = 1024) wird somit die Anzahl der erforderlichen Multiplikationen um Grös-
senordnungen gegenüber den klassischen Verfahren reduziert. Das Prinzip der FFT
ist nur anwendbar, wenn N keine Primzahl ist. Hohe Effektivität erreicht man für
Werte von N, die in sehr viele Primfaktoren zerlegbar sind (z.B. Zweierpotenzen) •
Es gibt sowohl klassische als auch moderne Verfahren zur numerischen Ausführung
der DFT , die beide Prinzipien a und b ausnutzen. Der Grundgedanke der FFT ist
also nicht neu, sondern schon vor Cooley und Tukey - allerdings in jeweils spezi-
eller Form bei klassischen Verfahren ausgenutzt worden [4.4-4. 7J. Moderne Ver-
fahren, die das FFT-Prinzip mit der Ausnutzung von Symmetrien der harmonischen
Funktionen koppeln , sind insbesondere Algorithmen der Basis 4, Basis 8 und Basis
16, sowie gemischter Basis [4.8-4.11].
Im folgenden werden einige wichtige Prinzipien der schnellen Fourier-Transforma-

tion erörtert. Es ist hier nicht möglich, auf die vielen Methoden zur FFT ausführ-
lich einzugehen. Detaillierte Darstellungen findet man in [4.12-4. 14J. Umfang-
reiche Literaturangaben sind in [4.14-4.16J enthalten.
4.2 Prinzip der schnellen Fourier-Transformation

4.2.1 Der Cooley-Tukey-Algorithmus
Wenn N nach (3.3-1) in mindestens zwei ganzzahlige Faktoren n und m zerlegbar

ist, die größer als 1 s ind , so läßt sich der zu transformierende Vektor ~ nach
(3.3-5) dezimieren. Wegen der Linearität der DFT ergibt 1. sich dann als Summe
der diskreten Fourier-Transformierten der durch die Dezimierung entstandenen
Teilvektoren n-l
1.=Y!.~= L
k=O
W(x
- -
0 d(k) )
-n,m (4.2-1)
4.2 Prinzip der s chnellen F ou ri er-Transform ation 101
Nach e infache r Um rechnung folgt hi e r aus für T = 1 di e Beziehung
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)
a us z urec hnen und dann i n e in e m z weiten Schritt Y.. nach
n-l
Y.. = L
k =O
~k 0 9.k (4.2-5)
zu b estimmen. Di e Be stimmung der Vektoren 9.k e nts pr icht im Aufwand - ge mes -

sen an der An z ahl de r erforderlichen a r it h metisc h en Operationen - de r Ausführung
der DF T vo n n F o lge n z u je m El e m enten: Di e e r s ten m E l e m e nte vo n 9. k e rgeb e n
si ch na ch (4.2-4) a us
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:
r=1,2, ••• , n - l . ( 4.2-7)
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
Ausführung der Operation (4. 2-5). Der Gesamtaufwand zur Transformation y.. = Y!.. ~
entspricht somit Nf n- m ) Multiplikationen.
Wenn N noch weiter faktorisierbar ist, so läßt sich das geschilderte Prinzip wie-
derholt anwenden. Beispielsweise sei m = rp mit r,p > 1, ganzzahlig. Die n dis-
kreten Fourier-Transformationen , die nach (4.2-4) auszuführen sind, lassen sich
dann ihrerseits in je p (bzw , r) diskrete Fourier-Transformationen von jeweils
r (bzw , p ) Elementen unterteilen, wobei jede dieser Transformationen m (p-r )
Multiplikationen erfordert . Der Gesamtaufwand bei der DFT einer Folge von N = npr
komplexen Zahlen entspricht dann der Ausführung von Nn + nrnf p-r-) = N{n+p+r)
Multiplikationen. Es ist leicht einzusehen , daß die DFT von
n
n
N = Pk' ganzzahlig (4.2-8)

k=1
komplexen Zahlen einen Aufwand von

n
M =N L
k=1
Pk (4.2-9)
Multiplikationen erfordert. Im Falle gleicher Faktoren Pk = P ist N = pn und M =

Nnp = pN 10gpN.
Die Anzahl der erforderlichen Multiplikationen läßt sich noch weiter reduzieren
durch Nichtausführung von Multiplikationen mit dem Faktor wO, durch Anwendung
des Uberlagerungssatzes der DFT (Abschnitt 4.3) und durch Ausnutzung von Sym-
metrien in den harmonischen Funktionen (Abschnitt 4.4) •
4.2.2 Bestimmung von FFT-Signalflußgraphen
Zunächst stellen wir einige Uberlegungen zur S p ei c her p l atz - Öko n 0 m i e an.
Würde man alle Elemente der nach (4. 2-4) berechneten Vektoren g k speichern,
so wären hierfür insgesamt nN Speicherplätze erforderlich. Da jeder Vektor
<I.k jedoch nur m relevante Elemente enthält, die durch (4. 2-6) definiert sind, wäh -
rend die übrigen sich durch periodische Fortsetzung nach (4. 2-7) ergeben , ist es
plausibel, daß man auch mit nm = N Speicherplätzen auskommen kann. Wir bilden
dazu aus den n Vektoren gk einen N-zeiligen Vektor ~ derart, daß die ersten m
Elemente von ~ den relevanten Elementen von go' die nächsten m Elemente von
~ denen von g l' usw. entsprechen. Der Vektor ~ ist also durch
n-1
~=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
n =(z os{k) )*d (4.2-11)

.::J.k - -n,m -m,n
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)
Wir betrachten nun die Matrizendarstellung dieser Operationen. S(k} und Qk

( ) -n m -
seien di e aus den Elementen der Vektoren s k bzw , w gebildete~ Diagonal -
-n,m - k
m atrizen und D die aus derzeugte Zirkulante. Es gilt dann
-m,n -m,n
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)
Es ist nicht zweckmäßig, hierin das Matrizenprodukt 9 1!: auszumultiplizieren,

da wir durch Schachtelung das b eschriebene Prinzip nach Belieben fortsetzen, d.h.
jede der DFT -Matrizen ~ m in 91 ebenfalls durch eine (4.2-18) entsprechende
Darstellung ersetzen können m öchten. So nehmen wir zuerst die Permutation ~~
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
F ür die Matrix 91 gilt
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
und die Matrix 92 lautet
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
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 .
Se tze n wir nun n =3 und m = 2, so ergibt sich der folgende Zusammenhang,
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

Y4 Xz von N = 6 Werten bei
m = 2 und n = 3
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
Di e in di e s em Abschnitt b e s chri eb en e Methode zur schne llen Fourier-Transforma-

tion b a si ert auf einer Dezimierung des zu transformi erenden Vekto rs ~. Man spricht
deshalb von "Dezimierung i m Z eitbereich" • Auf ähnliche Wei s e läßt sich ein anderer,
hinsichtlich des Rechen aufwandes ä q ui va l ent e r Algorithmus e nt wicke ln , der von Gent-
leman und Sande angegeben wurde und auf einer " Dez i m i e r ung im Frequenzbereich",
d h , Dezimierung des Vektors 1. b eruht [4.17J. Auf eine entsprechende Darstellung
s
dies e s Prinzips wi r d hi er verzichtet.
4.3 Anwendung des Überlagerungssatzes
Die Anw endung des Überlagerungssatzes der OFT in der speziellen Form (3. 3-13)
ermöglicht 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
In diesen m linear unabhängigen Gl e ichungen kommt je de s El em ent des Vekto r s il.

gena u ein m a l vor. Somit lassen sich m dieser Elem ente - b ei spi elsweise die Werte
Ym 'Y m+ 1 ' Ym+2"" ' Y2m-1 - ohne Multiplikation bestimmt en, wenn di e übri gen Ele-
mente Yv und die El emente Zv b ek annt sind .
Zur Veranschaulichung di eser Methode betrachten wir wieder da s Beispiel N = 6,

zunächst mit der Aufspaltung m = 3 und n = 2. Das Gleichungs system (4. 3-1) lautet
dann
(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 '
di e Werte Y und Y hingegen ohne weitere Multiplikation aus

2 3
Y2 = 3z 0 - Y0 - Y4 = Zo - z2 - z4 (4 .3-7)
(4 .3-8 )
Ein möglicher Signalflußgraph hierfür ist in Bild 4 .4 dargestellt .
Wir berechnen nun a llgemein die Anzahl der erforderlichen Multiplikationen für den
modifizierten FFT -Algorithmus. Dabei nehmen wir außerdem an, daß die Multipli-
kationen mit dem Faktor wO nicht ausgeführt werden . Be i der Faktorisierung N =mn
entspricht die Berechnung der Elemente des Vektors z der Ausführung der DFT von
n Folgen zu je m Werten, wobei nun nl m - 1)2 MUltiplikationen notwendig sind .
N - m der Elemente y müssen direkt nach (4.2 -5) bestimmt werden. Unter diesen
~
sollte sich das Element YO befinden, da seine Berechnung ohnehin keine Multiplika-
tionen erfordert. Für diesen zweiten Schritt ergibt sich dann ein Aufwand von
(N - m - 1) (n - 1) Multiplikationen , da die übrigen m Elemente von 1. ohne weitere
4.3 Anwendung des Überlagerungssatzes 109
Multiplikationen durch Anwendung des Überlagerungssatzes gewonnen werden . De r

Gesamtaufwand für die Aufspaltung N = nm beträgt dann beim a bgewandelten Algo -
rithmus n(m - 1) 2 + (N - m - 1)(n - 1 ) = N(m + n - 4) + m + 1 Multiplikationen .
Wenn n und m nicht gleich groß sind, hängt der Aufwand von der Art der Aufspal-
tung ab, wobei der Fall m < n günstiger ist als der Fall n < rn , Wie man anhand
der Signalflußgraphen in den Bildern 4 .3 und 4 .4 nachprüfen kann, erfordert die
AUfspaltung m =3 und n =2 die Ausführung von 10 Multiplikationen, während für
m =2 und n =3 nur 9 Multiplikationen notwendig sind .
Yo ~-----------,p----<lO::->--.,....-----__",Q Xo
Y, ~-----''-<------,-r------,P---~=---''''-~~--'''::::;;IO X Z
Yz ~-----:~-----:~----..,p---$:::"""'>:-------='O x4
Yl <5-_----:~-____:~-----'o-_-~---i>-------__",Q Xl
Ys <5-_----------'0-_-$:::.......>:--- - - - - = ' 0 Xs
Bild 4.3 . Modifikation des Signalflußgraphen von Bild 4.1 bei Anwendung des 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-
Läßt sich m weiter in die Faktoren p und raufspalten, so ist das gleiche Prinzip
auch auf die DFT der n Folgen zu je m = pr Werten anwendbar, und man muß für
diese dann nur noch n [m(p + r - 4)+ P + l)J Multiplikationen ausführen, was ins-
gesamt zu einem Aufwand von N (n + p + r - 6 + l/n + l/r) Multiplikationen führt.
Dabei ist es für verschieden große Faktoren n,p und r wiederum am günstigsten,
die Aufspaltung so zu wählen, daß p der kleinste der drei Faktoren ist.
Die fortgesetzte Anwendung dieses Prinzips führt bei einer nach (4.2-8) zerleg-
baren Zahl N auf die Ausführung von
(4.3-9)
Multiplikationen. Bei verschieden großen Faktoren Pi sind die günstigen Gruppie-

rungen für p
n
~Pk gegeben. Im Falle gleicher Faktoren p.
1
=p folgt aus (4.3-9):
M(N = pn) = Nn(p - 2) + N(n - l)/p + 1 (4.3-10)
Für verschiedene Werte der Basis p ist die Anzahl der erforderlichen Multiplika-
tionen in Abhängigkeit von n in Bild 4.5 dargestellt. Der OptimalfaU liegt hiernach
bei der Basis p = 2, wo
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
Bild 4.5. Anzahl M der erforderlichen

Multiplikationen bei der FFT
für N = a n nach [ 3 . 19J
4.4 Schnelle Fourier-Transformation bei Zweierpotenzen 111
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 Schnelle Fourier-Transformation bei Zweierpotenzen

Die Faktorisierung N = Zn ist besonders vorteilhaft für die schnelle Fourier-Trans-
formation : Einmal ist die erforderliche Rechenzeit minimal, wie man aus den Bil-
dern 4. Sund 4.6 entnehmen kann. Sodann lassen sich für diesen Spezialfall FFT-
Programme von sehr einfacher Struktur e nt wi c k e ln . Schließlich bestehen - da N
durch 4 teilbar ist - Möglichkeiten, die Quadrantsymmetrien der Sinus- und der
Cosinusfunktion auszunutzen.
4.4.1 FFT-Signalflußgraphen
Betrachten wir zunächst das einfachste Beispiel N = 4. Die Permutation der Ele-
mente des zu transformierenden Vektors!. führt auf die Folge lx O ,x z ,xl ,x3 1. Die
Mat rizen9 1 und 9 z des Signalflußgraphen ergeben sich zu
(4.4-1)
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,
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
Y2 = 2z0 - Y0 = Zo - z2' Y3 = 2z 1 - Y1 = z 1 - wZ3 {4.4-4}
ermittelt, während YO und Y1 wie vorher nach YO = Zo + z2 und Y1 = z1 + wz 3 be-

rechnet werden. Das hierbei auftretende Produkt wz wird natürlich nur einmal
3
ausgerechnet. Der entsprechende modifizierte Signalfluß graph ist in Bild 4.8 darge-
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 -
4.4 Schnelle Fourier -Transformation bei Zweierpotenzen 113
stellt. Die eingeführte Zwischenebene beschreibt die Abbildung des Vektors ~ auf
einen Vektor ~'. Nur bei dieser Abbildung treten noch Multiplikationen auf, während
die Abbildungen von ~ auf ~ und von ~I auf i!... multiplikationsfrei erfolgen , wobei
nur noch die Summen und Differenzen jeweils zweier Elemente gebildet werden. Die-
se Grundoperation, die bei allen FFT-Algorithmen für Zweierpotenzen immer wieder
auftritt, wird im englischen Sprachgebrauch als "Butterfly" bezeichnet. Bild 4.9
zeigt die Butterfly-Operationen für das Beispiel N = 4. Zu bemerken ist noch, daß
in Bild 4.8 der Pfeil von z2 nach z2 mit dem Faktor wO bewertet ist, weil diese
Multiplikation bei dem unten angegebenen einfachen FFT-Programm tatsächlich aus-
geführt wird.
Bild 4.9. "Butterfly"-Operationen
Die Signalflußgraphen für höhere Zweierpotenzen lassen sich nach dem Schachte-
lungsprinzip sehr leicht aufbauen. Die Schlüsseloperation hierzu ist die Bestimmung
der Matrix 22 für jeden Teilschritt der FFT und ihre Modifikation durch Anwendung
des Uberlagerungssatzes. Die zugehörige Lösung läßt sich allgemein angeben. Zu-
nächst gilt für die Faktorisierung N =2 (N/2), wenn man in (4.2-17) n =2 und
m = N/2 setzt
(4 .4-5)
Man sieht leicht e in, daß sich hieraus eine N-reihige quadratische Matrix ergibt,
die in vier (N/2)-reihige Diagonalmatrizen aufgeteilt werden kann :
1 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
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
ein. Dann ist (4.4-6) darstellbar als
(4.4-8)
wobei.!. und Q die Einheitsmatrix bzw. die Nullmatrix der Reihenzahl N/2 sein sol-
len. Das Matrizenprodukt rechts in (4.4-8) gibt den Signalflußgraphen an: die Dia-
gonalmatrix ganz rechts die Abbildung von ~ auf ~' und die links davon stehende die
Butterfly-Operationen.
Für N = 4 gilt beispielsweise (Bild 4.8)
= [ ;- - - ;
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
Für N =8 erhalten wir
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
Bild 4.10. Teil des Si gnalflußgraphen für

Z6
die FFT von N = 8 Elementen,
welcher der Matrix 2 entspricht
2
Y7 O - - - - - - - - - 4 > - _ - - - - - < l Z7
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
s t e llt . Die Elemente x \) s i nd s c ho n i n pe r m utie r te r Form a ngeo r dnet . D ie Kons t ruk-

tion von Signalflußgraphen l äß t s ich auf diese We i se mit Hilfe der Matrizen 22 für
beliebige Z we ierpotenzen m ühelos vornehmen.
4.4.2 E infaches FFT-Programm
E in einfaches FORTRAN-Programm nach Cooley, Welch und Le wis [4.12,4.13 , 4 .1 9J ,

n
das die FFT für N = 2 nach di e s e m Prinzip ausführt , is t in Bild 4.12 angegeben.
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
Hier werden die im Signalflußgraphen (Bild 4.11) mit wO angegebenen Gewichtsfak-

to r e n auch tatsächlich ausgeführt. Dieser relativ geringe Mehraufwand an Multipli-
kationen ermöglicht die besonders einfache Struktur des angegebenen Programms .
n
Pro FFT-Stufe sind nunmehr N/2 Multiplikationen notwendig. Bei N = 2 gibt es n
Stufen und somit insgesamt einen Aufwand von
M = (N/2)n = (N/2) ld N (4 .4 -11)
Multiplikationen . Würde man d ie Ausführung der Multiplikation mit w

o im Programm
vermeiden, so wären in der ersten Stufe N/4, in der zweiten Stufe N/8, in der drit-
ten N/16 Multiplikation u sw , einzusparen. In der vorletzten Stufe fielen zwei und in
der letzten schließlich noch eine Multiplikation weg. Das würde insgesamt eine Er-
sparni s von N/2-1 Multiplikationen ausmachen, und m an wäre dann wieder bei der
in (4 .3-11) a ngegebenen Minimalzahl von Multiplikationen .
Für di e bei N = 2n vorzunehmende P e rmut a ti on der E lemente x

v
gibt es e ine ein-
fac he Regel: Wir schreiben den Index \) eines jeden E lementes als Biriär zahl , Diese
Binärzahl wird an ihrer Symmetrieachse gespiegelt und entspricht danach dem Index
des jenigen Elementes, mit dem x\) bei der Permutation den Platz tauscht. Elemente
mit Indizes , denen symmetrische Binärzahlen entsprechen , bleiben an ihrem Platz .
F ü r N = 8 ergibt sich beispielsweise die in Tabelle 4 .1 angegebene P e r m uta ti on.
Das ge s childerte Verfahren l äßt sich leicht begründen, wenn man die bei der Ent-
wicklung des Signalflußgraph en erforderlichen Dezimierungen betrachtet: Bei der
Dezimierung mit ~2,N/2 und ~~1,~/2 werden zuerst d ie Elemente mit geraden In-
d i zes (letztes Bit: 0) auf die ersten N/2 Plätze (erstes Bit: 0) und dann die Ele-
mente mit ungeraden Indizes (letztes Bit : 1) auf die P l ä t z e von N/2 bis N - 1 (er-
stes Bit: 1) gesetzt. Be i der zweiten Dezimierung der beiden Teilfolgen von je N/2
Werten mit ~2,N/4 und ~~1,~/4 we r de n dann da s vorletzte B it und das zweite Bit
miteinander vertauscht usw ; , so daß insgesamt schließlich eine vollständige Spiege-
lung der binären Indizes zustande kommt.
Tabelle 4 . 1. Permutation für N = 8 d urc h

Spi e ge lung der bi n ären Indizes
Index Index Index Index

dezimal binär binär , dezimal,
gespiegelt permutiert
0 o 0 0 000 0
1 o 0 1 1 0 0 4
2 o 1 0 010 2
3 o 1 1 1 1 0 6
4 1 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
4.4.3 Algorithmen höherer Basis, reelle Zahlenfolgen
Bei Ausnutzung der Symmetrien in den harmonischen Funktionen ergeben

sich Möglichkeiten zu einer weiteren Reduzierung der Anzahl der erforderlichen Mul-
tiplikationen. Der beschriebene FFT-Algorithmus würde für den Fall N = 4 nach Bild
4.8 ein oder zwei Multiplikationen erfordern, je nachdem, ob man die eine Multiplika-
tion mit wO ausführt oder nicht. Nun ist aber für eine DFT von N = 4 Zahlen offen-
sichtlich überhaupt keine Multiplikation erforderlich, wenn man sie entsprechend der
zugehörigen Matrix
-~ 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)
Für die zugehörige Fourier-Transformierte gilt dann
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
Der Gesamtaufwand an Multiplikationen wird durch das geschilderte Verfahren etwa

auf die Hälfte reduziert. Verwenden wir beispielsweise das in Bild 4.12 angegebene
Programm, so sind für die FFT von N/2 komplexen Zahlen nach (4.4-11) (N/ 4) Id(N/2)
Multiplikationen auszuführen. Hinzukommen N/2 Multiplikationen mit den in (4.4-16)
auftretenden Phasenfaktoren.
Spezielle Programme für die FFT von reellen Zahlenfolgen findet man z , B. in
[4.9,4.11,4.14J.
120 4. 5 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 .
Die im Abschnitt 2 .1 definierten Kor relationsfunktionen von Signalen endlicher Ener-

gie besitzen im wesentlichen die Form des Faltungsi ntegrals . Ihre Diskretisierung
füh rt daher auf Operati onen, die nu meri s ch genauso wie die diskrete F altung a usge-
fü hrt werden können. Di e Methoden hi e r zu we r den im folgenden behand e lt. Das grund -
le gende P r in z ip besteht dar i n, die diskrete F altung a ls zykli s c he Operation darz uste l -
len un d un te r An we ndun g der schnellen Four ier - Tra nsfor mation auszuführen. D iese s
Verfahren, we lches man allgemein a ls s c h n e 11 e F a lt u n g bezeichnet , hat weit -
gehende Anwendungen i n der digitalen Signalverarbeitung gefunden [ 5 . 1-5 . 7 J .
5.1 Diskrete Faltung und Korrelation als zyklische Operationen
Wir gehen von der diskreten F altung ( 2. 4-11) a us , beschränken un s aber zunächst
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
wobei nur für die
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)
y(4) = T(g(1)u(3) + g(2)u(2»,

y(5) = T(g(2)u(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
Bild 5. 1. Zur diskreten F'altung zweier Zahlenfolgen
In der Matrixdarstellung lauten diese Gleichungen
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:
y(O) g(O) 0 0 0 g(2) g( 1) u(O)
y(1) g( 1) g(O) 0 0 0 g(2) u(l)
y(2) g(2) g(l) g(O) 0 0 0 u(2)

=T (5.1-5)
y(3) 0 g(2) g( 1) g(O) 0 0 u(3)
y(4) 0 0 g(2) g(l) g(O) 0 0
y(5) 0 0 0 g(2) g(l) g(O) 0
Für den allgemeinen Fall der diskreten Faltung (5.1-1) würde das entsprechende
Schema folgendermaßen aussehen:
y(O) g(O) 0 0 0 g(K-1) ••• g(l) u(O)
y(l) g( 1) g(O) 0 g(2) u(1)
y(2) g(2) g(1) g(O)
g(K-l)
= 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)
Vektoriell lautet diese Beziehung, wenn wir den links stehenden Spaltenvektor mit 1.,
den rechts stehenden mi t u und die zirkulante Matrix mit G bzeichnen
y.. = T 9..!:! • (5 .1-7)
Definieren wir den Vektor ß. durch die erste Spalte von G, s o läßt sich dieser Zu-
sammenhang auch in der symbolischen Form der zyklischen Faltung schreiben :
(5.1-8)
Aus dem Faltungssatz (3.2 -40) folgt dann
s. = T ß. * .!:! = ~ -1 I (~ß.) 0 (~.!:!) I . (5.1-9)
Somit läßt s ic h d ie diskrete Faltung über die rechts stehenden Operationen , d , h,

i m wesentlichen zwei OFT und eine lOFT mit Hilfe der schnellen Fourier-Transfor-
mation numerisch ausführen (schnelle Faltung). In diesem Zusammenhang sei dar -
auf hingewiesen, daß die Anzahlen L - 1 und K - 1 der an die Zahlenfolgen Ig( \I) I
bzw. lU(\I) I angehängten Nullelemente nur Mindestanzahlen darstellen , die notwen-
dig sind, um die d iskrete Faltung als zyklische Faltung auszudrücken. Man kann
darüber hinaus die Längen beider Folgen in gleichem Maße durch Anhängen weiterer
Nullen vergrößern , ohne das Ergebni s zu verändern. Es ergibt sich dann nur eine
um entsprechend viele Nullelemente verl ängerte Ergebnisfolge \y( \I) I. Auf diese
Weise kann man Werte von N erhalten, die für die FFT günstig sind (z.B. Zweier-
potenzen) •
Die diskreten Korrelationsoperationen lassen sich ebenfalls nach dem Prinzip der
schnellen Faltung numerisch ausführen. Betrachten wir zunächst die d i s k r e t e
Kreuzkorrelation zweier reeller Folgen endlicher Länge !g(O) ,g(1) , ••• ,g(K-1) 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
Man überzeugt s ich leicht, daß nun die diskreten Kreuzkorrelationsoperationen

(5.1-10) und (5.1-11) in gleicher Weise durch
(5. 1-13 )
vektoriell darstellbar s ind, wobei von der Beziehung
p(n ) = cp( - n}, (5.1-14)
die sich unmittelbar aus (5.1 -10) und (5.1-11) ergibt, Gebrauch gemacht wird.
Die sc h ne 11 e Kor re 1a t ion entspricht dann der Ausführung der Operationen
(5.1-15)
mit Hilfe der schnellen Fourier-Transformation.
Betrachten wir nun die dis k r e t e Au t 0 kor re 1at ion einer reellen Folge
19( v) I von K = L Werten:
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:
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)
Nach (3.2-16) ist wegen der vorausgesetzten Reellität von ~
(5.1-19)
und hieraus folgt, daß r s ich mi t
(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
multipliziert werden, was insgesamt einen Aufwand von KL Multiplikationen erfor-

dern würde. Bild 5.2 zeigt einen Vergleich der beiden Verfahren für den F all L=K=N/2.
Bild 5.2. Aufwandsvergleich zwischen

der schnellen und der direk-
ten Ausführung der diskreten
Faltung zweier komplexer
Folgen von je N/2 Elementen
(bei reellen Folgen verschiebt
sich das Verhältnis um etwa
einen Faktor 2 zugunsten der
/
d irekten Ausführung) •
Etwas anders liegt der Fall der diskreten Faltung bzw. Kreuzkorrelation zweier
re e 11 er Zahlenfolgen. Hier wären bei der direkten Ausführung dieser Operatio-
nen KL reelle Multiplikationen nötig. Diesen stünden 4N(3n/2 + 1) reelle Multi-
plikationen bei der schnellen Faltung gegenüber, wenn man die reellen Folgen als
komplexe Folgen mit verschwindendem Imaginärteil verarbeiten würde. Bei Anwen-
dung spezieller Algorithmen für die FFT von reellen Folgen lassen sich die a 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
wesentlichen auf einen relativ schmalen Bereich um die Hauptdiagonale konzentriert.

Infolgedessen kann die Diagonalisierung nur noch einen verhältnismäßig geringen Ge -
winn bringen, dem e in gleichbleibender Aufwand für die Transformationen gegenüber-
steht. Im folgenden Abschnitt wird gezeigt, daß dieser Effekt durch e ine segmentierte
Ausführung der schnellen Faltung umgangen werden kann.
I I§ ~~
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.
5.2 Segmentierung bei langen Datenfolgen
Bei einer Reihe von wichtigen Anwendungen liegt der Fall vor, daß eine der beiden
zu faltenden bzw, zu korrelierenden Folgen endliche Länge besitzt , während die an-
dere unendlich bzw, sehr lang im Vergleich zur ersten ist. Das gilt beispielsweise
für die Verarbeitung von seismischen, oiomedizini schen und radioastronomischen
Signalen , von Sprache und von Radarsignalen. Hier entspricht etwa die Folge! g( 0) ,
g( 1), .•• ,g(K - 1) I z.B. der Impulsantwort eines nichtrekursiven 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
"p(O) g{O) 0 0 g{K-1) g{l) u{ p)
"p{l) g{ 1) g{O) u(p+1)
g(K-1)
=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 :
"p(\I)=y(PN+\I) für \I=K-1,K,K+1, ••• ,L-1, (5.2-2)
während die ersten K - 1 und die letzten K - 1 Elemente unvollständig sind. Be-
nachbarte Blöcke ergänzen sich jedoch bezüglich dieser unvollständigen Elemente:
"p -1 (N - \I) + "p ( \I) = y (p N + \I) ,

\I=0,1, ••• ,K-2 (5.2-3)
" p (N - \I) +" p+ 1(\1) = y«p + 1)N + \I)
Zur Veranschaulichung dieser Methode betrachten wir ein einfaches Beispiel: Das
Eingangssignal habe die Elemente ut v) = \I + 1 für \I = 0,1,2, ••• und sei zu falten
mit dem aus K = 3 Elementen bestehenden Fenster g( 0) = g(1) = g( 2) = 1. Das
Abtastintervall sei T = 1. Wir wählen die Segmentlänge N = 6. Daraus ergibt sich
L = N - K + 1 = 4. Die Matrixdarstellung (5.2-4) zeigt die Bildung der ersten drei
Segmente bei der Overlap-Add-Methode.
Man erkennt die Uberlappung der Segmente im Ausgangssignal. Die nach (5.2-3)
zu addierenden Elemente sind hierin als Summen dargestellt. Die letzten beiden
Elemente sind noch unvollständig, da die zugehörigen Komplemente erst im vierten
130 5. Schnelle F altung und Korrelation
Segment gebildet werden. D ie z irkulante Ma t r ix 2 tritt d rei m a l in d iesem Sc hema

auf, wobei sic h jeweils K - 1 = 2 Zeilen übe r lappen .
1 1 000 1 1 1
3 1 1 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)
Bei der s oge na nnte n 0 v e r I a p - S ave - Met h 0 d e , d ie unabhängig von Stockham

[5.3J und Helms [ 5 . 2 J entwickelt wurde, überlappen s ich d i e Segmente in de r
E ingangsfolge um jeweils K - 1 E lemen te. Das erste Segmen t ent hä lt K - 1 Nul-
len und d ie Werte uf O) bis u(L - 1). Im z we iten Segment befinden sich d ie Ele-
mente u(L - K + 1) b is u(2L - 1), im dritten d ie Elemente u(2L - K + 1) bis
u(3L - 1), usw, Der p-te Block hat dann die folgende Form:
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
Wegen der Überlappung der Segmente in der Eingangsfolge um jewe ils K - 1 = 2

Elemente sind zwei Elemente in jedem Segment der Ausgangsfolge falsch und zu
i gnorieren , wie in ( 5.2-6) angedeutet is t . Pro Block ergeben s ich L = N - K + 1 = 4
richtige Werte der Ausgangsfolge . Die zirkulanten Matrizen in (5 .2-6) übe r la ppe n
sich u m jeweils K - 1 = 2 Spalten.
Beide Me thoden zur segmentierten schnellen Faltung si nd hinsichtlich des Aufwandes

praktisch gleichwertig. Die DFT der e rsten Spalte in der Zirkulanten .9 wird vorab
gebildet. Dann sind pro Segment no ch eine DFT und e ine IDFT von j e N Elementen
n
und zus ätzlich N Multiplikationen a usz uführ e n. Gehen wir davon a u s , daß N = 2
ist, so ergibt s ich bei An we nd ung des i n Bild 4.12 angegebenen FFT-Programms,
welches nN/2 Multiplikationen erfordert, bei i n s ge s a m t R Se gmenten der Auf wa nd
von
M = nN/2 + R nN + RN = nN/2 + RN(n + 1) (5.2-7)

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 .
Tabelle 5. 1. Optimal werte von K für

verschiedene Segmentlän-
gen N
n N K A
3 8 3 5,33
4 16 5 6,67
5 32 7 7,38
6 64 12 8,45
7 128 20 9 ,39
8 256 36 10,43
9 512 66 11 ,45
10 1 024 120 12,45
11 2 048 221 13,44
12 4 096 410 14 ,44
13 8 192 766 15,44
14 16 384 1 439 16,44
15 32 768 2 711 17,44
5 .2 Segmentierung bei langen Datenfolgen 133
Der Minimalwert des Aufwandes Amin' der sich allerdings i ;a , für nichtganzzahlige
Werte von K ergibt, folgt aus (5.2 -8), wenn man (5.2-9) einsetzt:
A 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
der Aufwand A . zu leisten. Das Aufwandsverhältnis bei der di skreten Faltung

min
reeller Signale i s t daher ungefähr durch 2A . /K gege be n, wi e in Bild 5 .5 darge-
mm
stellt.
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.
"-
'", i' 2A/ K

1
i'
'"
'".
AlK " r-, Bild 5.5. Aufwandsvergleich zwischen
t', r-, s c hne ller und direkter Fal-
tung bei optimaler Segmentie-
I"-
rung (komplexe Folgen : A m1 n / K ,
, reelle Folgen : 2 A m1 n / K ) .
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
6.1 Vorbemerkungen zur Signalverarbeitung
Im folgenden betrachten wir Methoden der digitalen Signalverarbeitung [6.6-6. 8J,

welche auf der Annahme beruhen, daß der Signalverlauf zwischen den Abtastwerten
durch Spline-Funktionen beschreibbar ist. Diese Hypothese liegt nicht so fern, wenn
man beachtet, daß Spline-Interpolationen La. sehr gute Approximationseigenschaf-
ten besitzen und überdies auch die Shannon-Interpolation als Spline-Interpolation
unendlich hoher Ordnung interpretierbar ist. Diese letztere Aussage wird plausibel,
wenn man die Operationen im Zeit- und im Frequenzbereich vergleicht, durch wel-
che kontinuierliche und diskontinuierliche Signale jeweils verknüpft sind: Bei der
Shannon-Interpolation sind das einerseits die Faltung des diskontinuierlichen Signals
mit a= (t ) = (sin nt/T) / (rrt ) und andererseits die Multiplikation des periodisierten
Spektrums mit der Rechteckbewertungsfunktion A= (f), die für [r] > 1/(2T) iden-
tisch verschwindet (Bild 6.1). Die entsprechenden Funktionen der Spline-Interpola-
tion - in Bild 6.1 sind sie für die Polygon-Interpolation (Spline 1. Ordnung), die
kubische Spline-Interpolation und die Interpolation mit Spline-Funktionen 7. Ordnung
dargestell t - tendieren mit wachsender Ordnung der interpolierenden Polynome
gegen a= (t) bzw, A= (f).
Zweifellos ist die Shannon-Interpolation in dieser Reihe von herausragender Bedeu-

tung für die Signalverarbeitung. Obwohl der Begriff des bandbegrenzten Signals eben-
falls eine mathematische Abstraktion darstellt - denn Kausalität und Bandbegrenzung
sind streng genommen nicht vereinbar, wie die Shannonsche Interpolationsformel
(2.4-5) zeigt - so ist auf der anderen Seite doch die Voraussetzung der Bandbegren-
zung approximativ immer durch Erhöhung der Abtastfrequenz bzw. durch Tiefpaßfil-
terung des zu verarbeitenden Signals mit hinreichender Genauigkeit zu erfüllen und
technisch verhältnismäßig leicht zu überprüfen. Besonders wichtig ist hier auch die
Erhaltung der Signalklasse bei linearen Abbildungen: Bandbegrenzte Eingangssignale
führen bei linearen Systemen auf bandbegrenzte Ausgangssignale gleicher bzw. gerin-
gerer Bandbrei te.
Bei Spline-Interpolationen endlicher Ordnung ist die Approximationsgüte technisch

nicht so leicht überprüfbar, infolgedessen besteht eine gewisse Unsicherheit hin-
sichtlich der Genauigkeit der Signalverarbeitung. Uberdies bleibt die Signalklasse
6.1 Vorbemerkungen zur Signalverarbeitung 137
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.
Im nächsten Abschnitt wird gezeigt, daß die Fourier-Transformierten bestimmter

Spline-Funktionen aus den periodischen Spektren der zugeordneten diskontinuierlichen
138 6. Fourier-Transformation und Spline-Interpolation in der Signalverarbeitung
Signale durch multiplikative Bewertung mit einfachen Gewichtsfunktionen, von denen

einige in Bild 6.1 bereits dargestellt sind. gewonnen werden können. Das hat die weit-
reichende Konsequenz , daß die Spektren solcher Spline-Signale mit Hilfe der diskreten
Fourier-Transformation ex akt bestimmt werden können.
6.2 Spline-Signale und ihre Spektren
Die Spline-Interpolation (z.B. [6 .1 , 6.2J ist dadurch gekennzeichnet. daß der Funk-
tionsverlauf zwischen den zu interpolierenden Abtastwerten durch Polynome gegeben
ist. deren Koeffizienten durch Stetigkeitsforderungen und durch Rand- bzw. Anfangs-
bedingungen festgelegt werden. Betrachten wir zur Veranschaulichung die Interpola-
tion von N Abtastwerten "o -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...- __
Bild 6.2. Zur kubischen Spline-Interpolation
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(t) = Yn(t) für nT~t~ (n + i rr , n = O,l , ••. •N - 2,
Yn(t) = an + bn(t - nT) + cn(t - nT)2 + dn(t - nT)3 • (6.2-1)
Insgesamt sind hier 4 (N - 1) frei wählbare Koeffizienten a • b , c und d vor-

n n n n
handen , für deren Festlegung die folgenden Stetigkeitsforderungen erhoben werden :
y(nT)
n =u,y«n+1)T)=u
n n n- l' n=O .1 •.•• •N-2, (6.2-2)
y~-l (nT) = y~(nT), y~ -l (nT) = y~(nT), n = 1,2 ••• •• N - 2. (6.2-3)

6.2 Spline-Signale und ihre Spektren 139
Das sind insgesamt 4 (N - 1)- 2 Bedingungen. Die beiden restlichen Freiheitsgrade

können durch Rand- oder Anfangsbedingungen abgedeckt werden. Bei den sogenann-
ten "natürlichen Splines" fordert man YÖ(O) = YN_2«N - 1)T) = 0, wodurch die Krüm-
mung der Gesamtfunktion minimal wird wie bei einem dünnen elastischen Kurvenlineal ,
das im Englischen als "spline" bezeichnet wird und dieser Interpolationsart den Na-
men gegeben hat.
Für die Signalverarbeitung ist es aus Kausali tätsgründen zweckmäßiger, anstelle der
obigen Randbedingungen geeignete An fan g sb e d i n gun gen aufzustellen, also bei-
spielsweise die Werte yÜ(O) = 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)
setzen zu können. Diese einschränkenden Bedingungen werden im Abschnitt 6.4 wie-

der aufgehoben. Die hier betrachteten Spline-Funktionen sind von der in Bild 6.3 dar-
gestellten Art: Die zweite Ableitung ist ein Polygonzug und die dritte eine Stufenfunk-
tion , deren Derivation eine Folge von bewerteten Delta-Distributionen ergibt.
Die Verallgemeinerung solcher Funktionen führt auf die folgende Definition der Klasse
S von Spline-Signalen m-ter Ordnung:
m
Wir nennen p (t) ES ein Spline-Signal der ordnung m e zk e t (k~O,ganz),

m m
wenn die ersten m - 1 Ableitungen von p (t ) stetig sind, die rn-te Ableitung eine
m
Treppenfunktion mit äquidistanten Stufen in den Zeitpunkten t = \lT (\I ganzzahlig) mit
den Stufenhöhen q ist und das Fourier-Integral für p (t) und alle seine Ableitungen
\I m
bis zur m-ten e inschließlich existiert. Die (rn + 1) -te Derivierte des Spline-Signals
hat dann die Form
N-1
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)
D ie e rste Ableitung i st dann di e Stufenfunktion
P 1(1 ) ( t ) = (u \1+1 -u \I)!T für \lT~ t~ ( \I + 1)T, (6.2- 8)
deren Derivation a uf d i e Im pul sfolge
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.
D ie Fourier-Transformation von p~2) (t) führt a uf
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)
Se tzt m an nun für q v die Werte U na ch (6.2-10) e in, so e r gi bt sich wegen

v
U
o = u N _ 1 =0
N-l
P (f) =
1
-1
T(2nf)2 L
v=o
( u v+ 1 - 2u \I + U
\1 - 1 ) e
-j2nfvT
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
Nach Substitution von
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)
die in Bild 6 .1 dargestellt ist.
Wir betrachten als einfaches Testbeispiel hierzu das Spline-Signal ul t) nach Bild 6.4.
1,0
Bild 6.4. Einfaches Spline-Signal 1. Ordnung
Seine Abtastung mit der Frequenz l/T führt auf das diskontinuierliche Signal u* (t) =
n(t - T) mit dem Spektrum u(f) = T exp( - j2TTfT). Die Anwendung von (6.2-15) er-
gibt das Spektrum von u( t ) exakt :
(6.2-17)
Die Beziehung (6.2-15) läßt sich auf Spline-Signale m-ter Ordnung verallgemeinern
[6.5J. Die Fourier-Transformation von (6.2-6) liefert für das Spektrum eines sol-
chen Signals
(j2TTf)m+l P m(f) = L
N-l
Q\Je- j 2TTf\JT. (6.2-18)
\J=O
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
welches mit P (r) durch den Uberlagerungssatz (2.3-25)

m
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
Erneutes Einsetzen von (6.2-18) liefert dann
1
(6.2-21)
(f - k/T)m+1 •
k=-ro
Die Summe hierin läßt sich durch rn-fache Differentiation nach f
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
(f _ k~T)2 = ISi:r;;fT }2 = - ~ gf k~oo f - ~7T •

Da andererseits
j2 = - nTf 2 dfd cot

I -rr
sin nfT
rr
fT
gilt , folgt aus (6.2-22)
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=-=
Aus (6.2-21) ergib.t sich nun die gesuchte Beziehung
P (f) = A (f)p (f) (6.2-25)

m m m
mit
A (f) = (d/df) m( 1/f) • (6.2-26)

m nT(d/df)m c ot nfT
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 , ••• ,
und (6.2-18) geht über in
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
Pm(~/T)=O für ~=±1,±2, ••• , (6.2-29)

und die Gültigkeit von (6.2-25) für f = 0 ergibt sich aus (6.2-20) und (6.2-29):
P (k/T) = P (0). (6 .2-30)

m m
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
= ----".----_3:.,.1:..;5:...-._ _...-- ----".----_ (6.2-32)

2 4 6
17 + 180 cos nfT + 114 cos nrr + 4 cos rrrt
Diese und andere Gewichtsfunktionen sind in Bild 6.5 dargestellt.
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.
Die vorstehenden Betrachtungen lassen deutlich erkennen, daß die Fourier-Trans-

formierten der Spline-Signale auf der gesamten Frequenzachse definiert und aus den
periodisierten Spektren Pm (f) ermittelt werden können. Der Überlagerungseffekt in
(6.2-20) wird also durch die Bewertung mit A (f) vollständig kompensiert. Ande-
m
rerseits wird bei der praktischen Berechnung von Pm (r) eine Diskretisierung der
Frequenzachse vorgenommen, die sich zunächst auf die Frequenzpunkte f = ~/(NT)

~
mit ~ = 0,1, ••• ,N - 1 erstreckt. Die periodische Fortsetzung der Spektral werte
pm (~/{NT» führt dann jedoch auf eine vollständige Abdeckung der Frequenzachse,
d.h.
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.
6.3 Faltung, Korrelation und Deconvolution von Spline-Signalen
Die Fa I tun g zweier Spline-Signale der Ordnungen n und m führt auf ein Spline-
Signal der Ordnung k = n + m + 1: Für u{ t) E Sund h{ t) E S gilt [6.7J
m n
u{t) * h{t) = y{t) E Sk' k=n+m+1. (6.3-1)
Zum Beweis betrachten wir die entsprechende Beziehung im Frequenzbereich
U(f)H(f) = Y{f) (6.3-2)
und multiplizieren mit {j2nf)k+ 1:
(6.3-3)
Die inverse Fourier-Transformation führt dann auf die Faltung der entsprechenden
Derivierten
(6.3-4)
Da nach (6. 2-6) die Darstellungen
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
gelten, folgt aus (6.3-4) bei Anwendung von (2.2-23)
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.
Dieses Verfahren erfordert nur einen geringfügigen Mehraufwand gegenüber der

schnellen Faltung : Es sind zusätzlich lediglich N Multiplikationen mit reellen Fak-
toren auszuführen. Für Spline-Signale sind die Resultate exakt. Bei anderen Funk-
tionen entspricht die Genauigkeit der Approximationsgüte der Spline-Interpolation.
Nehmen wir an, daß uf t ) und hf t ) kubische Spline-Signale sind oder durch solche
approximiert werden, so ergibt sich als Resultat der Faltung ein Spline-Signal der
Ordnung 7. Die Bewertungsfaktoren sind hier nach (6.2-31) und (6.2-32)
2 4 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.
u (I) 0--<>'" ~---l

u(vTl
y (vT) 0------1 I - - - - - - - - - l X } _ - o OlL

L.--_---'
Bild 6.6. Digitale Verarbeitung von kubischen Spline-Signalen: ut t) '"" hf t) = y(t}
Will man statt der Faltung die Kreuzkorrelationsfunktionen von uf t ) und

h l t ) bestimmen, so ist nach (2.1-28) bzw, (2.1-29) in (6 .3-10) DU } bzw. 'HU }
f.l: f.l:
durch den konjugiert-komplexen Wert zu ersetzen.
Eine Deconvolution läßt sich ausführen, wenn man (6.3-1O) nach UU} bzw.
'HU} auflöst und davon die IDFT bildet. Eine mögliche Anwendung ist die System-
I den t i f i kat ion, wo die Impulsantwort h( t) eines linearen zeitinvarianten Systems
bei bekanntem Ausgangssignal y(t} zu bestimmen ist:
N-l
h(vT} = JT L (6.3-13)
f.l:=0
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)
~
105 (2 + cos 2TT~/N) { sin TT~/N 14

2 4 6 TT IN
17 + 180cos TT~/N + 114cos TT~/N + 4cos TT~/N ~
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
v=O ,l • • • •• N-l, (6 .3-18)

worin U = U(~/(NT)) und H = H(~/(NT)) sein sollen. Da die Bewertungsfaktoren
t
~ ~
R =T 91 (2/T) sin TT~/N (6.3-19)

~ \2 + cos 2TT~/N 1
vorab berechnet werden können, besteht der numerische Mehraufwand gegenüber

der schnellen Faltung wiederum nur in den N Multiplikationen mit diesen reellen
Faktoren R •
~
Die Rückwandlung in die analoge Signalform läßt sich mit Hilfe von acht Integrierern
vornehmen, wobei die Werte qv in den Zeitpunkten t = v'I' als Anfangsbedingungen
auf den ersten Integrierer gegeben werden. Das Schema dieser hybriden Signalver-
arbeitung ist in Bild 6.7 dargestellt.
Bild 6.7. Hybride Verarbeitung von kubischen Spline-Signalen
Die beschriebenen Methoden wollen wir nun an einem einfachen Beispiel testen. Das
in Bild 6.4 dargestellte Spline-Signal erster Ordnung
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.
Nach (6.3-10) und (6.2-17) gilt mit f = ~/(NT)

~
Y(f } =
~
u2 (f ~
}A 2 (f }/A (f } =
1 ~ 3 ~
(T2/3)(2+cos2n~/N}e-j2n~2/N
= (T 2/6) 1e -j2n~/N + 4e -j2n~2/N + e -j2n~3/N 1' (6.3-21)
und hieraus ergeben sich die Abtastwerte y(O} = O,y(T} = T/6, y(2T} = 2T/3 , y(3T} =
T/6 und y(4T} = O. Die Richtigkeit dieser Werte folgt aus dem Vergleich mit dem
analogen Signal y(t}, welches in (6.3-22) angegeben ist.
Für die hybride Methode ergibt sich aus (6.3-16) mit N = 5, m =n = 1 und k = 3
4
T ~ -j 2nWv/5 _ T(~) 4 A 2 (L) u2 ( LNT )
1...J q\l e - NT 1 NT
\1=0
_ T3 (~) 4 sin n~/N 14 e -j2n~2/N

- NT 1 n~7N
= (1/T) (2sin n~/N) 4 exp( -j2n~2/N}
='f1 \1 - 4 e -j2n~/5 + 6 e -j2n~2/5 - 4e -j2n~3/5 +e -j2n~4/5l
Durch Koeffizientenvergleich erhält man hieraus die Werte q\l' mit denen das dis-
kontinuierliche Signal
y ( 4 ) ( t) = (1/T 2) I ö ( t ) - 4 ö (t - T) + 6 e(t - 2T) - 4 ö (t - 3T) + s(t - 4T) l
gebildet wird, und nach viermaliger Integration folgt hieraus
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 )
Dieses Signal ist mit seinen Ableitungen in Bild 6.8 dargestellt.

152 6 . Fourier-Transformation und Spline-Interpolation in der Signalverarbeitung
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
6.4 Berücksichtigung von Unstetigkeiten in den Spline-Signalen
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
lim uf t) = "o: lim u '{t) = uo' lim u"{t) = U

ö (6.4-1)
t~+O t-++O t-++O
6.4 Berücksichtigung von Unstetigkeiten in den Spline-Signalen 153
vorliegen sollen (Bild 6.9). In [6.6J wurde gezeigt, wie man u(t} zu einem ku-
bischen Spline-Signal vervollständigen kann, indem man das Signal und seine ersten
_""l~_
o
-3T -21 -T 0
Bild 6.9. Kausales Signal mit Spline-Charakter für t > o. Die Ergänzung zum ku-
bischen Spline-Signal ist für t < 0 angedeutet
beiden Ableitungen für t < 0 stetig fortsetzt. Der hinzugefügte Signalverlauf p( t}

erstreckt sich über maximal drei Abtastintervalle bis t = - 3T, wie in Bild 6.9 dar-
gestellt ist. Die Gesamtfunktion u( t ) + p( t) ist dann ein kubisches Spline-Signal,
dessen Spektrum sich nach (6.2-25) durch Bewertung der DFT-Koeffizienten mit
den Gewichtsfaktoren A (r~) ergibt. Subtrahiert man von diesem Spektrum die
3
leicht zu ermittelnde Fourier-Transformierte von p( t) und die DFT-Terme der zu-
sätzlichen Abtastwerte, so erhält man das gesuchte Spektrum von uf t) [6.6J. Zum
gleichen Ergebnis gelangt man auch über die Distributionstheorie , wie im folgenden
gezeigt wird.
Die vierte Derivierte von u ( t}, die nach (2.2-34) sofort angegeben werden kann,
unterscheidet sich von der des kubischen Spline-Signals in (6.2-6) durch drei zu-
sätzliche Distributionen:
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
Hieraus folgt mit (2.2-8) die Fourier-Transformierte von uf t) zu
N-1
utr) 1
L
\1=0
(6.4-3)
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
und müssen daher den Term u beim Uberlagerungssatz wieder abziehen:

OT/2
L
co
u(f) - u o T/2 = urr - k/T)

k=-=
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)
Aus (6.4-5) folgt dann
~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)
die sich von (6.2-25) nur durch das additive Ergänzungsglied
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)
unterscheidet. Dieses Ergebnis gilt auch für f = 0, wo wir
(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.
Das beschriebene Verfahren kann leicht auf beliebige Unstetigkeitsstellen erweitert

werden. Betrachten wir dazu das Signal u( - t} , das also für t < 0 ein kubisches
Spline-Signal ist, für t > 0 verschwindet und bei t = 0 die Unstetigkeiten "o- r: UD
und U
ö hat. Das hierzugehörige Ergänzungsglied ist im wesentlichen der konjugiert-
komplexe Wert von B (f), worin lediglich
O
UD durch - UD ersetzt werden muß. Eine
Kombination der beiden Zusatzglieder für Unstetigkeiten am Beginn und am Ende

eines Signals führt bei Berücksichtigung des Verschiebungssatzes (2.1-11) auf das
Korrekturglied B (f), durch welches Unstetigkeiten an einer beliebigen Stelle t = t
o
(Bild 6.10) berücksichtigt werden können :
(6.4-14)
B(f)
=
-L { 3
zrrr 2 + cos 2nfT
(sin nfT ) 3 jnfT
TTfT e -
j { 3 sin 2nfT 1 11IUll . (6.4-15)

(zrrr) 3 2 + cos 2nfT 2nfT
10-3T 10-2T 10- T
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 •
Ein einfaches Testbeispielläßt sich aus dem in (6.3-22) angegebenen Spline-Signal

konstruieren, indem man YO(t) == 0 setzt. Der Spline-Charakter ist dann bei t = T
gestört , und es gilt
"o = T/6, U
o= 1/2, ö= l/T •
U (6.4-16)
Nach (6.4-14) und (6.4-15) ergibt sich das Zusatzglied
(6.4-17)
3 2
welches genau dem negativen Wert der Fourier-Transformierten von YO(t) = t /(6T )
entspricht.
Das beschriebene Verfahren läßt sich auch zur nu m e r i sch en F ou r i er - Tr ans-

f 0 r m a t i o n von Funktionen einsetzen, die nicht als Spline-Signale interpretierbar
sind. Wir betrachten dazu als einfaches Beispiel die Funktion
-t
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
weise als kubisches Spline-Signal auffaßt, ergibt sich für

ö= 1. Wenn man u( t) für t > 0 näherungs-
utr) die folgende Nähe-
rungslösung:
.. 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)
Eine Taylorentwicklung von U(f) für T« 1 zeigt, daß der Approximationsfehler

4
hier proportional zu T verschwindet:
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
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
(6.4-23)
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
+ U6(2/T)2(sin nfT)2 -uÖ(j/T)sin 2nfT I. (6.4-26)

160 6. Fourier-Transformation und Spline-Interpolation i n der Signalverarbeitung
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)
C~ = - (j/T) (sin 2 TTIJ./N) (2+C:: 2TTIJ./N)· (6.4-31)
Aus (6.4-26) folgt damit
a = G U + u C + U I C' + u" C" (6.4-32)

IJ. IJ. IJ. OIJ. O f]. O IJ. '
wobei wieder D = DU ) gelten soll. Werden die Gewichtsfaktoren G , C , C' und

IJ. IJ. IJ. IJ. IJ.
C" vorab bestimmt und gespeichert, so lassen s ich die a durch eine DFT, welche
IJ. ~ IJ.
auf d ie Werte U führt , und weitere 6N reelle Multiplikationen bestimmen. Ent-
IJ.
s pr e c he nde s gilt für die DFT-Werte der ßA.
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
lCl'vl = lOFT lalJ.l, lß vl = lOFT IblJ.l, lq v I = lOFT ja IJ. b IJ. I (6.4-34)
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.
Der Gesamtaufwand umfaßt i m wesentlichen, wenn man d ie Ausrechnung der Ge-

wichtsfaktoren nicht mitrechnet, eine schnelle Faltung und we ite r e zwei inverse
diskrete Fourier-Transformationen. Hinzu kommen 12 N reelle Multiplikationen
6.5 Literatur 161
bei der Bestimmung der a und b , sowie 6N reelle Multiplikationen mit jeweils
~ ~
einem konstanten reellen Faktor für die Einstellung der Anfangsbedingungen in den
Integrierern.
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)
Bild 6.13. Hybride Verarbeitung von kubischen Spline-Signalen mit Unstetigkeiten

bei t = 0
Die Verarbeitung der Spline-Signale kann se gm en t wei se vorgenommen werden,

wenn man die Signalendwerte eines jeden Segmentes als Anfangswerte im folgenden
Segment verwendet. Die schnelle Faltung zur Bestimmung der q\) muß dabei auch
in segmentierter Form (Abschnitt 5.2) vorgenommen werden.
6.5 Literatur
6. 1 Ahlberg, J. H.; Nilson, E. N .; Wal sh , J. L.: The Theory of Splines and 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
6.3 Dällenbach, W.: Verschärftes rechnerisches Verfahren der harmonischen

Analyse. Arch. Elektrotechn. 10 (1922).
6.4 Quade, W.; Collatz, L.: Zur Interpolationstheorie der reellen periodischen
Funktionen. Sitzungsberichte der preuß , Akad , der Wissenschaften, phys.-
math , Klasse 30 (1938).
6.5 Bauer, F. L.; Stetter, H. J. : Zur numerischen Fourier-Transformation. Numer.
Math. 1 (1959) 208-220.
6.6 Achilles, D.: Pipeline Fourier Transform with Implicit Spline Interpolation.
Arch. elektro Ubertr , 29 (1975) 74-80.
6.7 Achilles, D. : Convolution, Correlation , and Deconvolution of Spline Functions
Via FFT. Nachrichtentechn. Zeitschr. 30 (1977) 654-656.
6.8 Achilles , D.: Digital Processing of Spline Signals. In Vorbereitung.
7 Digitale Methoden zur Spektralanalyse
Digitale Methoden zur Bestimmung von Leistungsspektren [7.1-7. 5J ergänzen bzw,

ersetzen in zunehmendem Maße die analoge Meßtechnik. Ihre Vorteile liegen uva,
in der höheren Flexibilität, der Möglichkeit zur Analyse von extrem niederfrequen-
ten Vorgängen, wie sie beispielsweise in der Seismologie, in der Meteorologie und
in der biomedizinischen Technik auftreten, sowie auch von Signalen, die von vorn-
herein in digitaler Form vorliegen. Darüber hinaus können im Anschluß an eine di-
gitale Spektralanalyse weitere kompliziertere Verarbeitungsprozesse vorgenommen
werden, wie z s B; die Logarithmierung und eine erneute Fourier-Transformation bei
der Cepstrum-Analyse und allgemeinere nichtlineare Operationen bei der homomor-
phen Signalverarbeitung [7. 4J.
Die Grundprinzipien der numerischen Spektralanalyse sind seit langem bekannt, und
man verwendet die klassischen Methoden im wesentlichen auch heute noch. Die Art
der numerischen Ausführung dieser Methoden hat sich allerdings nach Einführung
der FFT grundlegend geändert: In der modernen Technik führt man Korrelations-
und Glättungsoperationen vorwiegend über die schnelle Faltung aus, wohingegen
früher diskrete Fourier-Transformationen nach Möglichkeit vermieden bzw. auf re-
lativ kurze Zahlenfolgen beschränkt wurden.
7.1 Klassische Methoden
Die Per iod 0 g r a m m - A n a I y se diente vorwiegend zur Entdeckung verborgener

Periodizitäten in scheinbar regellosen Vorgängen, wie sie beispielsweise in der
Se ismologie oder in der Meteorologie auftreten. Man entnimmt hierzu dem zu ana-
lysierenden Signal x( t) eine Probe endlicher Länge, etwa
für O~t~e
(7.1-1)
sonst
164 7. Digitale Methoden zur Spektralanalyse
und bildet das Per iod 0 g r a m m
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 .
Ein einzelnes Periodogramm liefert jedoch höchst unzuverlässige Informationen über

das Leistungsspektrum eines s t 0 c ha s ti sc h e n Signals. Als Beispiel hierzu be-
trachten wir weißes Rauschen mit der spektralen Leistungsdichte Sx{f) = 1.
DieVerteilungsdichtefunktion sei glockenförmig nach (2.3-43) mit m = 0 und CT~= 1.
Eine durch einen Pseudo-Zufallszahlen-Generator erzeugte Signalprobe ist in Bild 7.1
dargestellt. Bild 7.2 zeigt ein Periodogramm, das aus 1024 Abtastwerten dieses
x(t )
o ~LJVIjWPIW~WV+iItA-A#tI\AM\JWW~
-2
-4
Bild 7.1. Signalprobe weißen Rauschens {normalverteilt, m = 0 , (J2 = 1)

x
Signals hergestellt wurde. Das Mittel aller 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 ~
Periodogramme eines stochastischen Prozesses als statistisches Ensemble (vgl ,

Abschnitt 2.3), so läßt sich für jede Frequenz f der Erwartungswert und die Varianz
des Periodogramms bilden. Im nächsten Abschnitt wird gezeigt , daß das Periodogramm
asymptotisch erwartungstreu ist, d s h , daß sein Erwartungswert für @J -+ 00 gegen den
wahren Wert der spektralen Leistungsdichte strebt :
lim E!P ",,(f)

ö
1=
.
s x (f) • (7.1-4)
@J -+00
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.
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
Bild 7.3. Klassische Methoden der numerischen Spektralanalyse
R(nT)
1,0
0,8
0,6
0,4
0,2
-0,2
Bild 7.4. Autokorrelationsfunktion des Rauschsignals von Bild 7.1
korrelationsfunktion der Signalprobe durch Bewertung mit einer geeigneten Gewichts-

funktion g( T), welche für ITI> Tmax verschwindet, wird daher zu einem verbes-
serten Schätzwert für die spektrale Leistungsdichte führen, sofern man apriori hin-
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.
7.2 Mittelung über modifizierte Periodogramme
Es wird zunächst festgestellt, welche Bezrehung zwischen der spektralen Leistungs-

dichte S (f) eines stochastischen Signals x( t) und dem Erwartungswert des Perio-
x
dogramms P e(f) einer Signalprobe besteht. Die Signalprobe x t) läßt sich bei Ver-
e(
wendung der Gewichtsfunktion
für O~t~ e
(7.2-1)
sonst
auch in der Form xe(t) = go(t)x(t) schreiben. Auf diese Weise tritt das stocha-
stische Signal x( t) selbst im Periodogramm auf
Pe(f) =~
=
f gO(t)x(t)e-j2TTftdt 2 (7.2-2)
-=
1
='8 f f
-= -=
und ermöglicht so mit (2.3-56) die Ausrechnung des Erwartungswertes
=
EIPe(f)I=~ J
(7.2-3)
7.2 Mittelung über modifizierte Periodogramme 169
Setzen wir voraus, daß x( t ) durch einen stochastischen Prozeß erzeugt wird , der
mindestens im weiteren Sinne stationär ist, so gilt nach (2.3-57) und (2.3-58) für
die Autokorrelationsfunktion die Beziehung
J
00
R x(t1,t2) = R x(t2 - t 1) = (7.2-4)

-=
die in (7.2-3) eingesetzt werden kann. Außerdem führen wir die Fourier-J'ransfor-
mierte
G (r) = ee -jTTfe s in TTfe (7.2-5)

o TTfe
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
Q (f) = 1. I G (f) 1 2 = e { sin TTfe } 2 • (7.2-7)

o e 0 TTfe
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
dars te ll bare Fourier-Tra nsformierte be sitzen. Setzt m an be is pi el swei s e G(O) =e

un d G(k/e) = 0 für k * 0, so ergibt sich GO(f). Durc h Hin zunahme we itere r Glie -
de r de r Summe in (7 .2-8) kann man Spek tr a lfens ter m it kl e inere n Nebenma xima
kons truieren . Da s gesc hieht a lle r d ings a uf Kosten d er spe k tralen Auflö sung , denn
das Hau ptrna x irn a von c rr) wird dabei br e iter . Di e be kann te s ten Funktionen dieser
Art [ 7 . 1] sind das nach J. v , Hann bena nnte Ha n n i n g - F e n s t e r
(7 .2 -9)
un d das nach R . W. Hamming benannte Ham ming -Fe ns te r
( 7. 2-10)
die in 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
0,6 ~ G l I f) ein te (Barllett)

0,4
0,2
2 _1 0
e e
Bild 7 .5 . Klassische F ens te r fun k ti on en

0,511 + cos 2TT(t/e-1/2) l für 0 ~ t ~ e

g2 (t) ={ (7.2-11)
o sonst
und
0,54+0,46 cos 2TT(t/e-1/2) für 0 ~ t ~ e

g3 (t) = { (7.2-12)
o sonst
Ein weiteres häufig verwendetes Spektralfenster (Bild 7.5)
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
2 t/e für 0 ~ t ~ e/2

g 1( t) = 2 ( 1- t/e ) für e/2 ~ t ~ e (7.2-14)
1o sonst.
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)
wobei G(f) die Fourier-Transformierte von g(t) ist.
Die beschriebenen klassischen Fensterfunktionen wurden zur Glättung verwendet.

Insofern interessierte primär die Form von G(f). Bei der Mittelung über modifi-
2
fizierte Periodogramme kommt es aber auf den Verlauf von Q(f) = I G(f) 1 / e an.
Außerdem wirkt sich die Gewichtsfunktion g( t) nur an den Abtastpunkten t = v'I'
\I
aus; zwischen diesen kann sie beliebige Werte annehmen. Diese Uberlegungen bil-
den den Ausgangspunkt zur Konstruktion eines 0 pt i ma 1fen s t e r s nach A. Eber-
hard [7. 7J : Die Abtastung des zu analysierenden Signals x( t) wird hier durch Fal-
tung mit einem bewerteten Impulskamm endlicher Länge
L
N-1
g*(t) Y\I ö(t - \lT) (7.2-16)
\1=0
172 7 . Digitale Methoden zur Spektralanalyse
vorgenommen. Die reellen, positiven Gewichtsfaktoren 'Iv sind dabei so zu wählen,

daß die spektrale Energieverteilung auf einen schmalen Bereich um f = 0 herum kon-
zentriert ist :
max , (7.2-17)
Dabei ist
N-1
L
v=O
'I v e
-j2nfvT
(7.2-18)
die Fourier-Transformierte des Impulskammes gi~(t). Man erhält:
1/8 N-1 N-1
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
Die zu maximierende Größe ß läßt sich durch den Rayleigh-Quotienten [7. 8J
y ' My
ß =-y'y- (7 .2-21)
einer quadratischen Matrix M m it den Elementen
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.
Tabelle 7.1; Bewertungsfaktoren y v für das Optimalfenster nach Eberhard [7. 7J.
Yv = 'IN- i - v ' v = Sn + k , (Berechnung nach [7 .1OJ)
N
X 0 1 2 3 4 5 6 7
16 0 0.30050 0 .42685 0.55816 0 .68604 0.80173 0 .89698 0.96477 1.00000
32 0 0.26923 0.32964 0.39274 0.45760 0.52321 0.58852 0.65242 0 .71383

1 0.77166 0.82487 0.87248 0.91361 0.94749 0 .97349 0.99111 1.00000
64 0 0.25434 0.28370 0.31390 0.34482 0.376 36 0.40840 0.44082 0 .47349

1 0.50629 0.53908 0.57172 0.60409 0.63604 0.66742 0.69813 0.72800
2 0.75691 0 .78473 0.81133 0.83659 0.86040 0.88263 0.90320 0.92200
3 0.93894 0.95395 0.96695 0.97788 0.98668 0.99333 0.99777 1.00000
128 0 0.24706 0.26151 0.27619 0.29109 0 .30619 0 .32147 0.33693 0.35255

1 0.36832 0.38422 0.40024 0.41636 0.43257 0 .44885 0.46519 0.48156
2 0.49796 0.51436 0.53075 0.54712 0.56344 0 .57970 0.59589 0.61197
3 0.62795 0.64379 0.65949 0.67502 0.690 37 0.70552 0.72045 0.73516
4 0.74961 0.76380 0.77771 0.79132 0.80462 0.81760 0.83023 0.84250
5 0.85440 0 .86592 0.87704 0.88774 0.89803 0.90787 0.91727 0.92621
6 0.93469 0.94268 0 .95018 0.95719 0.96369 0.96967 0.97514 0.98007
7 0.98448 0 .98834 0 .99166 0.99443 0.99666 0.99833 0.99944 1.00000
Das Verfahren zur Spektralanalyse durch Mittelung über modifizierte Periodogram-

me wurde von P.D. Welch [7 .9J angegeben : Man unterteilt dazu die Signalprobe in K
Abschnitte vonje M= N/K Werten und bestimmt für jeden dieser Abschnitte das mo-
difizierte Periodogramm in der diskreten Form
L
M-l
x « k + v}T}g( vT } e
8
-j2n~v/N 2,
v=O
f = ~/( MT) , ~ = O, l , ••• ,M-l, k=O,l, ••• ,K-1. (7.2-23)

~
E ine Mittelung über alle K modifizierten Programme liefert dann den Schätzwert
(7.2-24)
für die spektrale Leistungsdichte , dessen Varianz um den Faktor t/x gegenüber
der Varianz des einzelnen Periodogramms reduziert ist [7 .9J. Im folgenden werden
einige praktische Ergebnisse gezeigt , die mit dieser Methode in [7. 10] gewonnen
wurden.
Zuerst wird die 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
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.
Tabelle 7.2. Mittelwert, Varianz und mittlerer qua-

dratischer Fehler der Spektral werte von
weißem Rauschen als Ergebnis der Mitte-
lung über 32 modifizierte Periodogramme
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
xl t ) = r'{t ) + 0,5 sin(nt/(8T) + c ) , (7.2-25)

worin r( t} weißes normalverteil tes Rauschen der spektralen Leistungsdichte S (f) =

r
,ir = 1 ist, zeigt Bild 7.7. Der periodische Anteil ist erst in der Autokorrelations-
funktion nach Bild 7.8 erkennbar. Die durch Mittelung über 32 modifizierte Periodo-
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
gramme bei Hamming- und Eberhard-Bewertung bestimmten Spektral funktionen

sind in Bild 7.9 dargestell t. Man erkennt die wesentlich höhere Selektivität des Op-
timalfensters nach Eberhard an den stark reduzierten Nachbarwerten der Spektral-
linie des Sinussignals.
Als letztes Beispiel wird die stochastische Pulsfolge von Bild 7.10 analysiert, d ie
theoretisch schon im Abschnitt 2.3 behandelt wurde. Die Pulse haben die Breite 8T.
Ihre Varianz ist ,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)
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 -
B ild 7 . 10 . Stochastische Folge von Rechteckimpulsen der Breite 8T (x =0 , rlx =1/12)
D ie entsprechenden E rgebn isse de r Mittelung über 32 modifizierte Periodogramme

bei Hamming- und bei Eberhard-Bewertung s ind in Bild 7.11 dargestellt.
-...I
, N
\ Hamming
06f-"- \\ 0,6 ~
, ~
~
y 5,( f) (1)
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.
7.3 Glättung von Periodogrammen
Die klassi sche Methode der Periodogrammglättung durch Bewertung der Autokorre-
lationsfunktion (Bild 7.3) läßt s ich mit Hilfe der schnellen Autokorrelation
(KapitelS) auf sehr effektive Weise ausführen. Im Abschnitt 7.1 wurde bereits da-
r auf hingewiesen, daß die Bewertungsfunktion g( T) für die Autokorrelierte relativ
schmal sein muß , wenn man einen starken Glättungseffekt erreichen möchte. Wir
nehmen daher an, daß g(T) für IT I > T vers chwindet , wobe i T =: MT kl e 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)
Zu s e ine r numerischen Bestimmung benötigen wir di e M Werte. R(O) , R ( T), ••• ,

R( (M - l)T). Das Matrix s chema (5.1-17) für d ie schnelle Autokrrelation zeigt ,
daß an die Folge lx vr ) I dann nur no ch M - 1 Nullelemente anzuhängen sind .
e(
Mithin besteht die Gesam tfolge a us
L =: N + M (7. 3-2)
Werten. Die Gewichtsfunktion g ( T) muß symmetri sch zu T =: 0 sein , damit die Re-
ellitä t des geglätteten Periodogramms ge 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.
Man verwendet die im vorigen Abschnitt beschriebenen klassischen Bewertungsfunk-

tionen auch zur Glättung. Sie haben hier aber die Breite 2Tmax = 2MT und liegen
symmetrisch zu T = O. Die zugehörigen Spektralfenster sind dann reell. Beispiels-
weise gilt für das Bartlett-Fenster anstelle von (7 .2-13) bzw, (7.2-14)
G (f) - MT {sin TIMfT} 2 (7.3-3)

1 - TIMfT '
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 die Rechteckbewertung
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
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.
Tabelle 7.3. Näherungswerte für Varianzreduktion und

spektrale Auflösung (M» 1) •
Bewertung Varianzreduktion V spektrale Auflösung Q
Rechteck 2 M/N l/(MT)

Bartlett 2 M/(3N) 2/(MT)
Hanning 3 M/( 4N) 3/(2MT)
Hamming 4 M/(5N) 3/(2MT)
Bei Rechteck-, Hanning- und Hamming-Bewertung können sich wegen der negativen
Nebenmaxima der zugehörigen Fenster für das geglättete Periodogramm. negative
Werte ergeben. Das muß nicht als Nachteil dieser Fenster angesehen werden, denn
man kann in diesem Fall den Fehler, der durch die Nebenmaxima - ob positiv oder
negativ - in jedem Fall verursacht wird, erkennen und eliminieren.
Im folgenden werden einige Beispiele zur Glättung von Periodogrammen durch Be-
wertung der Autokorrelationsfunktionen gezeigt, die in [7.lOJ behandelt wurden.
Dabei gilt in allen Fällen N = 960, M = 64 und somit L = 1024.
Bild 7. 12 zeigt die geglätteten Periodogramme von weißem Rauschen bei Bartlett-
und Hamming-Bewertung und Tabelle 7.4 den Mittelwert,die Varianz und den mittle-
ren quadratischen Fehler der Spektral werte.
Tabelle 7.4. Mittelwert , Varianz und mittlerer quadra-

tischer Fehler der Spektral werte eines ge-
glätteten Periodogramms von weißem Rau-
schen
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
o 64 128 192 256 320 384 448 512 jl. .....

CD
Bild 7.13. Mit Bartlett-Fenster geglättetes Periodogramm einer stochastischen Pulsfolge nach Bild 7.10. Frequenz- .....
raster: f = ~/ (1024T)
~
...
(Xl
I\)
i;TIi
6 ~
dB
,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
Re sulta t be i Hamming-Be wertung dargestellt . Da s Opti malfens ter na ch Eberhard

[ 7 .7] ist a n sich ni cht für d i e P er iodogrammglättung kon z i pi ert worden . Tr otzdem
wurde ve rsuchsweise e i ne Bewertung der Autokorrela ti on s funkti on mit der Ebe rhard-
Gewichtsfun ktion vo r ge nommen. Da s in Bild 7 .1 4 dargeste llte E r ge bnis zeigt, daß
die Spekt r all in i e de s s in usför migen Si gnal s be s s e r aufgelöst wird a ls mit de m Ham-
mi ng - Fenster . Der Gl ä t tungs e ff e k t ist hi er geri nger .
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
Abbildungsgesetze der Fourier- Basis-8-Algorithmen 118

Transformation 15 rr., 48
beschränkte Variation 13, 39
- der DFT 80 ff.
Breitbandsignal 59, 62
Abbildungssymmetrien der Fourier-
Transformation 20 Butterfly-Operation 113
- 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
- von Signalen endlicher Energie 19 DFT 75, 77 rr.

Abbildungsgesetze der 80 ff ,
- v on Signalen endlicher Leistung 47
Eigenvektoren der 83 ff.
- von periodischen Signalen 47, 48
Eigenwerte der 83
- von stochastischen Signalen 52
Faltungssatz der 123
- von stochastischen Prozessen 53
numerische Ausführung der 99 ff.
Uberlagerungssatz der 96, 107 ff.
Bandbegrenzung 65, 68, 136 Verschiebungssätze der 91 ff.
Bandbreite 24, 25 Differentiationssätze 16
Bandpaßfilter 63 digitale Signalverarbeitung 64 ff., 147 ff ,
Bartlett, M.S. 171 digitale Spektralanalyse 163 ff.
Bartlett-Fenster 170, 171, 174, 179 ff. Dirac, P. 30
Basis-4-Algorithmen 118 diskontinuierliches Signal 64 ff.
Sachverzeichnis 185
diskontinuierliches Spektrum 41 Faltung7, 17, 18, 34, 35

diskontinuierliches System 67, 68 diskrete 121
diskrete Faltung 68, 121 rr. schnelle 121 ff.
diskrete Fourier-Transformation, zyklische 86 ff.
s , OFT
Faltungsintegral 17, 121
diskrete Korrelation 121 ff.
Faltungsmatrix 123
Diskretisierung 46
Faltungssatz 18, 86 ff.
Diskretisierungsfehler 71
Fensterfunktionen 170 ff.
Distributionen 30 ff.
Festzeichenlöschung 44
Doppler-Effekt 2, 44
FFT 100 rr,
Doppler-Frequenz 44
- bei reellen Zahlenfolgen 118, 119
Dreiecksungleichung 80
- bei Zweierpotenzen 111 ff.
- , FORTRAN-Programm zur 116
FFT-Signalflußgraphen 102 ff., 108, 109,
Eberhard, A. 171 111 rr.
Eberhard-Fenster 171 ff. - , mathematische Beschreibung der
Eigenfunktionen 7 ff., 27 ff., 37 104, 113
- linearer zeitinvarianter Systeme Folgen 89 rr.

7 «., 37 Abtastung von 96
- der Fourier-Transformation 27 ff. Dezimierung von 93 ff.
Eigenvektoren 83 ff., 88, 172 Multiplikation von 89 ff ,
- der DFT 83 Segmentierung von 95 ff.
- zirkulanter Matrizen 88 Fourier-Integral 10, 13 ff.
Eigenvektormatrix 83. 88 Fourier-Koeffizienten 41 ff ,
Eigenwerte 9,17,83,88,172 Fourier-Plancherel-Transformation 23
der DFT 83 Fourier-Reihe 41 rr.
der Fourier-Transformati::>n 17 Fourier-Transformation, diskrete,
linearer zeitinvarianter Systeme 9 s , DFT
zirkulanter Matrizen 87, 88 numerische 68 ff., 157 ff.
Einheitsoperator 17 schnelle, s , FFT
Eindeutigkeit der DFT 77 Überlagerungssatz der 143
- der Fourier-Transformation 12 ff. - von Distributionen 30 ff.

- von Spline-Funktionen 137 ff ,
endliche Linienbreite 44
Energie 12, 19, 81 Frequenzverschiebung 16
Energiedichte , spektrale 19 Funktionenfolgen 30 ff.
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
Gl ättung von Periodogrammen 178 ff. Lini enspektrum 41

Gleichverteilung 49
Grundfrequenz 39
Maßstabsänderung 16, 33
Matrix , unitäre 79
Hamming, R. W. 170 - , zirkulante 87
Hamming-Fenster 170 modifiziertes Periodogramm 168 ff ,
Hann, J .v , 170 moving target indication 44
Hanning-Fenster 170 Multiplikation von Folgen 89 ff ,
harmonische Analyse 39 ff. Multiplikationssatz 19, 35 , 90
harmonische Exponentielle 9, 37,
39 ff.
harmonische Frequenzen 39 natürlicher Spline 139
nicht rekursive digitale Filter 112
Helms, H.D. 130
Normalverteilung 51
Hermitesche Funktionen 26 ff ., 83
numerische Fourier-Transformation
- , periodisierte 83, 84
69 ff., 157 ff.
Hermitesche Polynome 26 ff.
homomorphe Signalverarbeitung 163
Operator, zyklischer 17, 82
- der Fourier-Transformation 12
idealer Tiefpaß 38, 39
Optimalfenster 171
Impulsantwort 37, 38, 62, 148
Orthogonalität 27, 40, 82 , 84
Impulskamm 46, 65, 94, 171
Orthogonalsystem , vollständiges 7, 27
inneres Produkt 80
Overlap-Add-Methode 129 ff ,
Integralsinus 21, 22 Overlap-Save-Methode 130 ff.
Interpolationsformel , Shannonsche 66
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
Prozeß, stochastischer 50 Spektralfenster 169 ff.

Pulsfolge , periodische 42 ff. Spektralli nie 2, 34, 44
- , s t oc ha s t is c he 55 ff. Spline-Interpolation 65, 136 ff.
Spline-Signal 138 ff.
Radar -Astonomie 1 ff . Sprungfunktion 21, 36
Ra yl e i gh - Quot i e nt 172 Stationarität im weiteren Sinn 54
statistische Signalbeschreibung 48 ff .
stochastischer Prozeß 50
Sande, G . 107
stochastische Pulsfolge 55 ff. , 175 ff.
schnelle Faltung 121 ff.
Stockham, T.G . 129 , 130
schnelle Fourier -Transformation,
s , FFT St r euung , s . Varianz
schnelle Korrelation 121 ff . Summenorthogonalität 74, 77, 82 , 90, 96
Schwarzsehe Un gl eic hung 25, 55, 60, Su p e r po s itio ns i nt e g r al 37

80 Su p e r po s it ion s p ri nz ip 8 , 8 1
Schwellenkr iterium 24 Sys t e m . lineares zeitinvariantes 7 ff ., 6 1
Segmentlänge, Opt i m a l we r t der 132 - , diskontinuierliches 67
Segmentierung 95 ff., 128 ff. Systemanalyse, statistische 62
- von Folgen 95 ff. Sys t e m i de nt ifi ka t io n 148
- bei der schnellen Faltung 128 ff. Sys t e m s i m ul a t i on 121
Segmentierungs-Operator 95
Shannon-Interpolation 65, 136, 137,
169 Tiefpaß, idealer 38, 39
Signal 7 ff. Tiefpaßsysteme , idealisierte 38, 39, 66
bandbegrenztes 65, 136 T rapezformel 70
diskontinuierliches 64 ff., 81 trigonometris che Interpolation 74
periodisches 39 ff. Tukey, J . W. 100

schnell abnehmendes 26 ff.
stochastisches 48 ff. Überlagerungssatz der Fourier-Trans-
Signaldauer 24, 25 formation 46, 69 , 143
Signalenergie 12 , 19, 81 - der DFT 107 ff .
Signalfußgraph , s , FFT-Signalfl ußgraph Übertragungsfunktio n 10 , 37
Si nussignal , verrauschtes 175, 180, 182 unit ä r e Matrix 83
Speicherplatz-Ökonomi e oei der FFT unitäre Transformation 77, 79

97, 100 ff. Unsc härferelation 25, 26
Spektralanalyse 2, 52, 163 rr.
spektrale Auflösung 180
spektrale Energiedichte 19
Varianz 51, 179, 180
spektrale Leistungsdichte 46 rr., 52, 63
Vektornorm 80
- • diskontinuierliche 47
verallgemeinerte Funktion. s , Distri -
- von periodischen Signalen 46 ff. bution
- von stochastischen Signalen 52, 63 Verschiebungssätze 16, 91 ff.
188 Sachverzeichnis
Wahrscheinlichkeitsdichtefunktion 49, Zahlenfolgen, s , Folgen

53
Zeitinvarianz 8
Wahrscheinlichkeitsverteilungsfunk -
zeitliche Verschiebung 16
tion 48, 53
Zirkulante 87,123
weißes Rauschen 59, 62, 164 ff ,., 180,
181 zyklische diskrete Faltung 86 ff., 123
Welch, P.D. 173 zyklischer Operator 17, 82
Wiener-Khinchin-Beziehung 52 zyklische Verschiebung 91

Die Fourier-Transformation in Der Signalverarbeitung Kontinuierliche Und Diskrete Verfahren Der Praxis Dr.-Ing. Dietmar Achilles 1978

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Die Fourier-Transformation in Der Signalverarbeitung Kontinuierliche Und Diskrete Verfahren Der Praxis Dr.-Ing. Dietmar Achilles 1978

Hochgeladen von

Copyright:

Verfügbare Formate

Dietmar Achilles

~:~ Springer-Verlag Berlin Heidelberg GmbH 1978

ISBN 978-3-540-08362-7 ISBN 978 -3-662-11492-6 (eBook)

Die Fourier-Transformation gehört s e it über 150 Jahren zu den wichtigsten mathe-

Mit der Begründung der Systemtheorie der elektrischen Nachrichtenübertragung ist

Das vorliegende Buch wendet sich an Ingenieure und Naturwissenschaftler, die in

Das einleitende Kapitel illustriert an zwei Beispielen die Begriffe Signalverarbeitung

Die Einführung von Dezimierungs- und Segmentierungs-Operatoren ermöglicht eine

bigen Primfaktorzerlegungen. Ergänzende Prinzipien wie die Anwendung des Uber-

Im sechsten Kapitel werden die Zusammenhänge zwischen Fourier-Transformation,

Das für viele technische und naturwissenschaftliche Anwendunden besonders wichtige

Rio de Janeiro, im Juli 1977 D . Achilles

1 Einleitung • •. •••• ••••••••••••••• • •••••••••• ••••••••••• 1

2 Signale und Spektren • • • • • • • • • • • • . • • 12

3 Die diskrete Fourier-Transformation •••• 77

4 Die numerische Ausführung der d iskreten Fourier-Transformation •••••• 99

4.4 Schnelle Fourier-Transformation bei Zweierpotenzen. • • • • • • • • • •• 111

5 Schnelle Faltung und Korrelation • • • • • • • • • • • . • • • • • • • • • • • • • • • •• 121

6 Fourier-Transformation und Spline-Interpolation in der Signalverarbeitung • 136

7 Digitale Methoden zur Spektralanalyse •• • • • • • • • • • • • • • 163

1.1 Einführendes Beispiel

Aus den zahlreichen Anwendungen der Fourier-Transformation in der Signalverar-

Zunächst einige Vorbemerkungen zur Radar-Astronomie [1.1-1.3J allgemein: Sie

gegeben. Damit läßt sich v aus der Frequenzverschiebung des Empfangssignals

B = 4fO rQ/c (1. 1-3)

verbreitert. Durch Bestimmung von B kann dann auf die Winkelgeschwindigkeit Q

Bild 1. 1. Zur Erläuterung des Doppler-Effektes bei

Eine unmittelbare Winkelauflösung der Oberflächenstrukturen ist daher ausgeschlos-

Oberflächenelemente des Planeten, die zu Teilreflexen der gleichen konstanten Ver-

Die Signalleistung in diesem Intervall hängt von der materiellen Zusammensetzung

Bild 1.2. Orte gleicher Echoverzöge-

Bild 1.3. Kurzzeitspektralanalyse eines Radarechos vom Mond nach [1. 8J

HAYSTACK R(SEARCH fACILITY

LUNAR RADAR CHART

Im nächsten Abschnitt betrachten wir weitere Aspekte der Signaldarstellung i m Fre-

1.2 Bede utung der Signaldarstellung im Frequenzbereich

Unter Si g n ale n verstehen wir allgemein Zeitfunkti onen, di e Informationen tragen.

reagiere auf ein Eingangssignal ut t ) mit dem Ausgangssignal yf t ) ; Wir kennzeich-

S[u(t)J = yf t}, (1.2-1)

u( t ) = sin 2TTft (1. 2-2)

y(t) =a sin(2 TTft + q), (1.2-3)

S[sin 2 TTftJ =a stnf zrrrt + q). ( 1.2-4)

Sf cos 2TTftJ =a cosf zrrrt + q) (1. 2-6)

biegen Eingangssignalen mit genau der gleichen Linearkombination der zugehörigen

S[ e j2TTftJ -_ a e j(2TTft+cp} • (1.2-8)

Fassen wir den Amplitudenfaktor und den Phasenfaktor zu

dvh, eine harmonische Exponentielle beliebiger Frequenz f ist eine Eigenfunk-

Wenn das Eingangssignal eine Linearkombination von Eigenfunktionen verschiedener

'\' j2TTf t] j2TTf t

darstellbar. Das Eingangssignal ul t ) wird hier also durch

mathematisch beschrieben. Die Umkehrung dieser Beziehung führt auf

Wir bezeichnen (1.2-14) als Fourier-Integral und (1.2-13) als inverses

und die Umkehrung hiervon ist

vtr) = H(f)U(f). (1.2-17)

1. 1 Skolnik, M. I. : Introduction to Radar Systems, chapter 14 : Detection of Ex-

1.5 Carpenter, R.L.: StudyofVenusbyC.W. Radar. Astron. J. 69 (1964) 2-11.

2.1 Signale endlicher Energie

Wir betrachten in diesem Abschnitt ausschließlich Signalfunktionen, die quadratisch

2.1.1 Absolut integrierbare Signale

Aus mathematischen Gründen ist es notwendig, eine weitere Klassifizierung der

f lu(t) Idt < = (2.1-2 )

u( t ) U (f) ej2Tlft df (2.1-4)

Bild 2.1. Rechteckimpuls der Dauer