Digitale Signalverarbeitung - Grundlagen

Hochschule Ravensburg-Weingarten
Technik | Wirtschaft | Sozialwesen
Studiengang - Elektrotechnik und Informationstechnik

- Elektrotechnik / Physik +
Digitale Signalverarbeitung
2152
SS 2013
Vorlesungsmanuskript - Lecture Notes
Prof. Dr.-Ing. Wolfgang Schulter
Dieses Vorlesungsskript dient ausschließlich der Lehre an der Hochschule Ravensburg-

Weingarten. Jegliche Art der Veröffentlichung bedarf der Zustimmung des Autors.
This lecture notes are used exclusively for teaching at the Hochschule Ravensburg-
Weingarten. Any type of publication requires the permission of the author.
basierend
0. auf dem Originalskript von
Allgemeines
Prof. Dr.-Ing. Hans-Jürgen Adermann
HOCHSCHULE RAVENSBURG-WEINGARTEN DIGITALE SIGNALVERARBEITUNG
Prof. Dr.-Ing. W. Schulter 0 Allgemeines
Zeit und Raum im SS 2013

- Dienstag 11:30 – 13:00 H143
- Mittwoch 16:00 – 17:30 H002, H107 (Rechnerraum MATLAB)
© W. Schulter DSV-ss2013 - 01 Grundlagen.doc, 2

1.2 Literatur
Digitale Signalverarbeitung:
[Wern] Werner, M. Digitale Signalverarbeitung mit MATLAB

Vieweg, Braunschweig 2003
[Opp] Oppenheim, Schafer, Buck Zeitdiskrete Signalverarbeitung

Pearson, 2004
[Grue] von Grüningen, d. Ch. Digitale Signalverarbeitung

Fachbuchverlag Leipzig, 2002
[Stearn] Stearn, S. D. Digitale Verarbeitung analoger Signale

Oldenbourg Verlag, München 1991
[Brigh] Brigham, E. O. FFT – Schnelle Fourier-Transformation

Oldenbourg Verlag, München 1989
[Goetz] Götz, H. Einführung in die Digitale Signalverarbeitung

Teubner Verlag, Stuttgart 1998
[Kamm] Kammeyer, K.-D., Kroschel, K. Digitale Signalverarbeitung

[Hess] Hess, W. Digitale Filter

Signale und Systeme:
[WernS] Werner, M. Signale und Systeme

[Scheit] Scheithauer, R. Signale und Systeme

Teubner Verlag Stuttgart 2005
[Mild] Mildenberger, O. System- und Signaltheorie

[OppW] Oppenheim, A.V. / Willsky, A. S. Signale und Systeme, Lehrbuch

VCH-Verlagsges. Weinheim 1989
[Lueke] Lüke, H.D. Signalübertragung, Springer 1994
[Bronst] Bronstein, Semendjajew, Taschenbuch der Mathematik

Musiol, Mühlig Verlag Harri Deutsch

1.3 Links
- http://www.dspguru.com
- http://www.mikrocontroller.net/articles/Digitale_Signalverarbeitung
- http://de.wikipedia.org/wiki/Digitale_Signalverarbeitung
www
Homepage bei der Hochschule Weingarten
http://portal.hs-weingarten.de/web/schultew/startseite
Lecture Notes (Script), Übungen auf Moodle
1.4 Skript, Support Files …
sftp://uranus2.hs-weingarten.de/home/PUB/doz/Stud/Schulter (div/install)
sftp Protocol sftp-client, z.B.

• FireFTP https://addons.mozilla.org/de/firefox/addon/fireftp, or
• WinSCP http://winscp.net

1.5 Übersicht
1. Grundlagen
2. Analyse im Zeitbereich
3. Frequenzbereich Diskrete Fouriertransformation
4. z-Transformation
5. Entwurf digitaler Filter
Inhalt:
• Einführung in MATLAB
• Analoge und diskrete Signale, Abtasttheorem und Aliasing,

ideale und praxisgerechte Abtastung,
• Eigenschaften des LTI-Systems.
• Analyse im Zeitbereich: Diskrete Faltung und Korrelation,

Differenzengleichung, FIR und IIR-Systeme
• Analyse im Frequenzbereich: DFT und FFT, Implementationen in MATLAB
• Definition und Eigenschaften der Z-Transformation, Z-Übertragungsfunktion,

Stabilität diskreter Systeme
• Entwurf digitaler Filter: Eigenschaften von IIR -und FIR-Filtern
• Entwurfsverfahren von FIR-Filtern nach der Fenstermethode und Parks-McClellan
• Entwurfsverfahren von IIR-Filter: Bilineare Z-Transformation und die Impuls-

Invarianz-Methode
• Entwurfsbeispiele digitaler Filter mit Realisierung auf einem µC – Board

in Verbindung mit Echtzeitprogrammierung.

0. ALLGEMEINES ............................................................................................1
1.2 Literatur ............................................................................................3
1.3 Links..................................................................................................4
1.4 Skript, Support Files … ...................................................................4
1.5 Übersicht...........................................................................................5
1 GRUNDLAGEN ............................................................................................7
1.1 Einführung ........................................................................................7
1.2 Beschreibung abgetasteter Signale .............................................13
1.2.1 Kontinuierliche LTI-Systeme..................................................13
1.2.2 Impuls- und Sprungantwort eines kontinuierlichen LTI Systems 14
1.2.3 Stabilität eines LTI Systems ..................................................15
1.2.4 Kausalität eines LTI Systems ................................................15
1.2.5 FOURIER Transformation ........................................................15
1.2.6 LAPLACE-Transform................................................................15
1.3 DIRAC-Impuls...................................................................................16
1.3.1 Definition................................................................................16
1.3.2 Siebeigenschaft (Ausblendeigenschaft) von δ(t)....................17
1.3.3 Ideale Abtastung mit Dirac-Impulsen.....................................17
1.4 Abtasttheorem und Aliasing .........................................................20
1.5 Darstellung diskreter Signale........................................................28
1.5.1 Sprung- und Impulsfolge........................................................28
1.5.2 Diskrete sin- und cos- Signale ...............................................30
1.5.3 Beschreibung zeitdiskreter Signale mit Impulsfunktionen......32
1.5.4 Stabilität eines diskreten LTI Systems...................................34
1.5.5 Kausalität eines diskreten LTI Systems.................................35

Prof. Dr.-Ing. W. Schulter 1 Grundlagen
1 Grundlagen
1.1 Einführung
Was ist ein Signal ?
Definition nach DIN 19229:
"Ein Signal ist die Darstellung von Informationen. Die Darstellung erfolgt durch den Wert
oder den (zeitlichen) Werteverlauf einer physikalischen Größe."
Signale sind also Träger von Informationen: Prozessdaten, Multimedia (Sprache, Bilder)
Bei der Signalverarbeitung gehen wir meist davon aus, dass die Signal in elektronischer
Form vorliegen, d.h. durch Spannungen oder Ströme repräsentiert werden.
In dieser Vorlesung geht es um die Verarbeitung digitaler Signale mit Hilfe digitaler
Systeme. Solche Systeme sind oftmals spezielle Prozessrechner, die sogenannten
Digitalen Signalprozessoren (DSP), oder aber vermehrt Mikrocontroller mit DSP-Features.
Der Schwerpunkt wird hierbei die Beschreibung der Vorgehensweisen sein. Die Hardware
und ihre Programmierung ist hier nur am Rande das Thema. Jedoch werden im Rahmen
von Übungen die einzelnen Effekte mit Hilfe des Programms MATLAB realisiert und
dargestellt.
Was versteht man nun unter digitalen Signalen ?

Wir unterscheiden dazu folgende Eigenschaften von Signalen:
a) zeitkontinuierlich oder auch analog

b) zeitdiskret
c) digital
wertkontinuierlich
value
continuous
e.g. CCD analog signal
wertdiskret
value
discrete
digital signal
zeitdiskret zeitkontinuierlich
time discrete time continuous

Wobei sich die beiden letzteren dadurch unterscheiden, dass die analogen Werte zu den
diskreten Zeitpunkten infolge der Digitalisierung quantisiert werden.
zeitdiskrete Signale
a) Sie liegen auf Grund des Messverfahrens vor.

Beispiel: Echolot, (Laufzeit), Chem. Analysen (Bearbeitungszeit),
Erfassung von Aktienwerten.
b) entstehen durch Abtastung zeitkontinuierlicher Signale (meist äquidistant)
x(kTs) N
sensor fg x(t) A
SH D
Qx[k]
Computer-I/O Conv-x
zeit- und zeitdiskret zeit- und

wertkontinuierlich wertdiskret
=analog =digital
In digitaler Form liegen zeitdiskrete Signale also erst nach Quantisierung mit Hilfe von
A/D-Wandlern vor.
Die meisten Prozesse sind aber durch kontinuierliche (analoge) Signale bestimmt:
(a) C2
analog +
input analog
R1 R2
voltage - output
signal (v -1)R3 voltage
signal
Ux C1 Uy
R3
Analog Signal Processing (Active RC-Filter, Sallen-Key Circuit)
(b)
analog digital digital analog
signal signal signal signal
F SH AD DSP SH DA F
F Anti-Alias Filterung DSP Digitale Signalverarbeitung

SH Sample & Hold (Echtzeit-) Software,
AD Analog-Digital Wandler Algorithmen
DA Digital- Analog Wandler
Bild 1.1: (a) Analoges System zur Verarbeitung analoger Signale
(b) Digitales Systems zur Verarbeitung analoger Signale

Digitale Signale können in digitaler Hardware in Form von Zeitreihen ganzer Zahlen
darstellt (mit einer begrenzten Wortgröße) werden, und repräsentieren so Analogwerte!
Digitale Signalverarbeitung ist im Grunde die (Online-) Transformation einer Zeitreihe in

eine andere Zeitreihe mit Echtzeit-Anforderungen: Die Verarbeitung muss spätestens nach
einer vordefinierten zeit abgeschlossen sein (z.B. 1 Abtastperiode) Deadline !
Digitale Signalverarbeitung (DSP) kann offline ausgeführt werden (ohne Echtzeit-

Anforderungen). Beispiel für die Offline-DSP : gleitender Durchschnitt für den Gold-Preis
Bild 1.2: Goldpreis
Im folgenden werden einige wichtige Aufgaben der Digitalen Signalverarbeitung an kleinen

Beispielen mit Hilfe von MATLAB vorgestellt:

Signalerzeugung:
Synthese eines Audio-Signals: Erkennungsmelodie: EURO-Vision (Prelude von

Charpentier): Werner_DSV\dsplab2_2.m
dsplab2_2.m.lnk
mit anschließender Signalverarbeitung einer sog. ADSR-Hüllkurve

Werner_DSV\dsplab2_3.m
dsplab2_3.m.lnk
Spektralanalyse (DFT)
DFT-Spektrum einer Gitarrenmusik

Werner_DSV\dsplab4_2.m Werner_DSV\dsplab7_1.m
dsplab4_2.m.lnk
oder dsplab7_1.m.lnk
(mit accords.wav)
Filterung
MATLAB Demo Spectral Analysis of DTMF (Dial Tone Multi Frequency)

Hier müssen die entsprechenden Frequenzpaare durch Filterung identifiziert und können
dann, z.B. für die Gesprächsvermittlung weiterverarbeitet werden
MATLAB2007b sigdemos\dtmfdemo.m
dtmfdemo.m.lnk
Zuordnung der DTMF-Frequenzen
1209 Hz 1336 Hz 1477 Hz
1 2 3 697 Hz
4 5 6 770 Hz
7 8 9 852 Hz
0 # 941 Hz
*
Bild 1.3: Zifferntastatur mit Zuordnung der DTMF

Die Digitale Signalverarbeitung hat in den letzten Jahren eine stürmische Entwicklung
erlebt. Die Ursache dafür ist vielfältig:
a) immer preiswertere, leistungsfähige und kompakte Hardware

(Mikrocontroller, DSP) als Folge von Moore’s Law
b) Wegfall einiger Nachteile der Analog-Elektronik, wie Rauschen, Drifts u.

Ungenauigkeiten.
c) durch Abrücken von klassischen analogen Strukturen sind neue Filter- und
Übertragungstechniken entwickelt worden (ohne die z.B. das Handy nicht
denkbar wäre).
(with CMOS Technology, "digital revolution")
Price Per Chip:

~ chip area (at high volumes)
Possible Future Limits

• cost
• basic transistor function at
molecular sizes
• leakage currents
• thermal limits
wikipedia.de
2010
 1972 Microcontroller
Computing DSP Features (MAC)
Center size: 14x14 mm
cost: ~1,50 €
Heute sind Mikrocontroller Single-Chip Computer mit leistungsfähiger CPU + Peripherie.

Ausnahme: schlecht nicht in CMOS realisierbare Analog und Power IC's
Digital IC's können dagegen sehr gut miniaturisiert (shrinked) werden !

Beispiele für Embedded Systeme
Automotive Door Contol Unit

mit Einklemmschutz (Anti-Squeeze)
Car with
> 100 ECUs
Herzschrittmacher
- Pacemaker
A319 Cockpit
Arc welding of metal parts with industrial

robots (KUKA). wikipedia.de

1.2 Beschreibung abgetasteter Signale
Abgetastete Signale können als spezielle Form der zeitkontinuierlichen, analogen Signale
mittels der FOURIER- und LAPLACE-Transformation dargestellt werden.
Die Kapitel 10-12 im Anhang wiederholen die wichtigsten Konzepte.
1.2.1 Kontinuierliche LTI-Systeme

Haupteigenschaft zeit-kontinuierlicher (analoger) Systeme
• Linearität
• Zeitinvarianz Linear Time-Invariant continuous systems LTI Systeme
x(t) y(t)
LTI-System
Definitionen
• Linearität ( der Überlagerungssatz gilt)
x1(t) → LTI-System → y1(t)
x2(t) → LTI-System → y2(t)
x1(t)+x2(t) → LTI-System → y1(t)+y2(t)
a⋅x1(t) → LTI-System → a⋅y1(t) mit a reell
Negativ Beispiel #1 (Nicht-Linearität): y(t) = x2(t)
x1(t) → nicht-linear → y1(t) = x12(t)
x2(t) → nicht-linear → y2(t) = x22(t)
x1(t)+x2(t) → nicht-linear → y(t) = (x1(t)+x2(t))2 ≠ y1(t) + y2(t)
Negativ Beispiel #2 (Nicht-Linearität): y(t) = sin( x(t) )
Nicht zu verwechseln mit dem harmonischen sin Signal x(t) = sin(ω⋅t) !!!
• Zeitinvarianz (die Systemeigenschaften sind unabhängig von der Zeit), so dass
x(t) → LTI-System → y(t)
x(t - T) → LTI-System → y(t - T) T beliebig, reell !

1.2.2 Impuls- und Sprungantwort eines kontinuierlichen LTI Systems
• Der Diracimpuls δ(t) als Eingangssignal bewirkt die Impulsantwort g(t),

• die Sprungfunktion σ(t) als Eingangssignal bewirkt die Sprungantwort h(t)
am Ausgang
g(t)
δ(t)
t t
δ(t) g(t)
LTI - System
σ(t) h(t)
σ(t) h(t)
t t
Verbindung zwischen Impuls - und Sprungantwort bei einem LTI System
t t
σ(t ) = ∫ δ( τ) dτ
−∞
LTI h(t ) = ∫ g ( τ ) dτ
−∞
(1.1)
d σ(t ) d h(t )
δ(t ) = σ' (t ) = LTI g ( t ) = h' (t ) =
dt dt
Untersuchung der Impulsantwort eines LTI Systems
Das LTI System wird mit dem Einheitsimpuls angeregt Impulsantwort am Ausgang
δ(t) g(t)
LTI System
der DIRAC Impuls δ(t) ist ultra zeitbegrenzt !

die Impulsantwort g(t) mit |t| > 0 hängt ausschließlich vom LTI System ab,
da der Eingang δ(t) = 0 für alle |t| > 0 !
Die Impulsantwort ist die charakteristische Funktion eines LTI Systems

1.2.3 Stabilität eines LTI Systems

Ein LTI System ist stabil, wenn ein begrenztes Eingangssignal x(t) ein begrenztes
Ausgangssignal bewirkt: y(t) = x*g(t)
BIBO bounded input bounded output
wenn |x(t)| < ∞ LTI System (BIBO stabil) |y(t)| < ∞
In [Opp] wird gezeigt, dass ein LTI System BIBO stabil ist, wenn die Impulsantwort
integrierbar ist
∫ | g (t ) | dt < ∞
−∞
stabiles LTI System (1.2)
1.2.4 Kausalität eines LTI Systems

Ein LTI System ist kausal (und damit realisierbar), wenn die Impulsantwort g(t) 0 ist für alle
Werte t < 0
g(t) = 0 für alle t < 0 kausales LTI System (1.3)
Beispiel: System in 1.2.2:

Die Wirkung kommt erst nach oder mit der Ursache (Kausalitätsprinzip)
1.2.5 FOURIER Transformation

Für eine zeitkontinuierliche Funktion y(t) existiere Y(f), ( Kapitel 11) die
∫ y (t ) ⋅ e
− j 2 πft
Y (f ) = dt FOURIER Transformation
−∞ (11.1)
F ∞ (11.2)
Y(f) y (t ) = ∫ Y (f ) ⋅ e j 2 πft df inverse FOURIER Transformation
−∞
Die inverse FOURIER Transformation von Y(f) hat wieder das Zeitsignal y(t) als Ergebnis.
Damit ist die FOURIER Transformation Y(f) eine alternative Art, ein Signal eindeutig zu be-
schreiben (mit dem Hantelsymbol „FOURIER Hantel“ [Kamm], auch wenn eindeutig)
1.2.6 LAPLACE-Transform
Für eine zeitkontinuierliche, kausale Funktion f (t ) existiere F(s), ( Kapitel 10) die
∞
L{ f(t) } = F (s ) = ∫ f (t ) ⋅ e − st dt (einseitige) LAPLACE Transformation
0
(10.1)
L
F(s) f(t)
Damit ist die LAPLACE Transformation Y(f) eine alternative Art, ein kausales Signal
L
eindeutig zu beschreiben (mit dem Hantelsymbol , auch in klaren Situationen)

1.3 DIRAC-Impuls
Der DIRAC-Impuls ist keine Funktion im üblichen Sinne, vielmehr spricht man von einer
Distribution [Wern]. Man kann sich den DIRAC Impuls als beliebige zeitbegrenzte Funktion
vorstellen, deren Signaldauer T gegen 0 geht, deren Fläche aber konstant bleibt:
1.3.1 Definition
δ(t)
Fläche von d(t)
T
1
A = ∫ d (t ) dt = ⋅ (T − 0) = 1
0
T
d(t)
1/T
t
T
mit dem Grenzwert: lim d (t ) = δ(t ) DIRAC Impuls

T →0
Im Grenzfall:
Amplitude ∞
Impulsfläche = 1
Impulsbreite 0
Dimension [d(t)] = 1/s (bzw. V/s, A/s, ... )
Wegen der Singularität bei t = 0 ist der DIRAC Impuls keine mathematische Funktion im
üblichen Sinne, sondern eine Distribution (L. Schwartz ~1950).
Es gilt somit:
∞ +0
∫ δ(t ) dt = ∫ δ(t ) dt = 1
−∞ −0
Flächeninhalt von δ(t) Impulsgewicht (1.4)
∞ +∞
Aus (1.4) folgt, dass ∫ A ⋅ δ(t ) dt = A ⋅ ∫ δ(t ) dt = A
−∞ −∞

1.3.2 Siebeigenschaft (Ausblendeigenschaft) von δ(t)
Es wird das Integral des Produktes f(t) ⋅ δ(t - t0) gebildet:
δ(t - t0)
f(t)
t0 t
∞ ∞
∫ f ( τ) ⋅ δ( τ − t 0 ) ⋅ dτ = f (t 0 ) ⋅ ∫ δ( τ − t 0 ) ⋅ dτ = f (t0 )
−∞ −∞
der DIRAC Impuls siebt aus f(t) den Wert f(t0) heraus.
Dies entspricht einer idealen Abtastung zu einer Zeit t0 f(t) f(t0)

Sample and Hold !
SH
t0
Diese Eigenschaft gilt auf der gesamten Zeitachse, so dass man auch schreiben kann:
−∞
∫ f ( τ) ⋅ δ(τ − t ) ⋅ dτ = f (t ) Siebeigenschaft von δ(t) (1.5)
1.3.3 Ideale Abtastung mit Dirac-Impulsen

Nach der Abtastung liegt eine zeitdiskrete Wertefolge vor, die prinzipiell mit Hilfe eines
digitalen Prozessors verarbeitet werden kann.
Dies erfolgt mit der Vorstellung, dass die Wertefolge aus einem kontinuierlichen Signal mit
Hilfe eines idealen Abtasters (Sample & Hold) vorgenommen wird. Der Abtastvorgang wird
dabei durch die Multiplikation des kontinuierlichen Signals f(t) mit einem Dirac-Impuls zu
den entsprechenden Abtastzeitpunkten k·Ts beschrieben:

x(t) x(n·Ts) x[n]
time-continuous, SH time discrete signal

analog signal t = n ·T s
äquidistante Abtastung
equidistant sampling
xs(t) x(t) x[n]
t / Ts
Ts
Bei äquidistanter Abtastung handelt es sich um eine periodische Impulsfunktion, die als
Überlagerung zeitverschobenen Einzelimpulse beschrieben werden kann:
∞
ШTs(t) dTs(t)
dTs (t ) = ∑ δ(t − n Ts ) = ШTs(t)
n = −∞
t (1.6)
¨Shah¨ [Lueke] Ts
Mit dem FOURIER Transformationspaar 13.3.6 ist die FOURIER Transformierte von (1.6) für
eine gegebene Abtastperiode Ts
∞
Щfs (f) Dfs(f)
Dfs (f ) = fs ∑ δ(f − k ⋅ f )
k = −∞
s = Щfs(f)
¨Tsha¨ [Lueke] f (1.7)

1 -fs fs
mit fs = , ωs = 2π ⋅ fs
Ts
Die Fouriertransformierte Щfs(f) ШTs(t) ist ebenfalls periodisch
Ts sampling period (de: „Abtastperiode“) in s

fs sampling frequency (de: „Abtastfrequenz, Abtastrate“) in Hz
ωs sampling angular frequency (de: “Abtast-Kreisfrequenz”) in s-1
Äquidistante Abtastung heißt: das analoge Signal x(t) wird multipliziert mit ШTs(t).
abgetastetes (sampled) Signal xs(t):
∞ ∞
xs (t ) = x (t ) ⋅ dTs (t ) = x (t ) ∑ δ(t − n Ts ) = ∑ x(nT ) δ(t − n T )
a a
n = −∞ n = −∞
Multiplikation im Zeitbereich korrespondiert mit einer Faltung im Frequenzbereich (11.7)

mit X(f) x(t) und
Xs(f) xs(t) = x(t)·dTs(t)

Im Folgenden wird angenommen, dass x(t) auf fg bandbegrenzt ist, d.h.
x(f) = 0 für f ≥ fg „Bandbegrenzung“
X s (f ) = X ∗ Dfs (f )
∞ ∞ ∞
= ∫ X (ϕ) ⋅ Dfs (f − ϕ) d ϕ = ∫ X (ϕ) ⋅ fs ∑ δ(f − k ⋅ f
k = −∞
s − ϕ) d ϕ
−∞ −∞
∞
∞
1 ∞
= fs ⋅ ∑ ∫ X (ϕ) δ(f − k ⋅ f
k = −∞ − ∞
s − ϕ) d ϕ = ⋅ ∑ X (f − k ⋅ fs )
Ts k = −∞
∞
.. mit der Siebeigenschaft der δ-Funktion (1.4): ∫ f ( τ) ⋅ δ(t − τ) ⋅ dτ = f (t )
−∞
Allgemein folgt für eine konstante Abtastfrequenz fs = Ts-1 das Spektrum Xs(f) des
abgetasteten Signals xs(t)
∞
1 ∞
x s (t ) = ∑ x(nT ) δ (t − n T )
h = −∞
s s X s (f ) =
Ts
∑ X (f − k ⋅ f )
k = −∞
s (1.8)
Das Spektrum des abgetasteten Signals tritt als eine unendliche Wiederholung
(Spiegelung, Periodisierung) des Frequenzspektrums des kontinuierlichen Signals auf.
Spektrum des ideal abgetasteten Signals:
x(t) X(f) bandbegrenzt
f
-fg fg
xs(t) Xs(f)⋅Ts idealer

Tiefpass
k = -2 k = -1 k=0 k=1 k=2 f

-2 fs -fs -½ fs 0 ½ fs fs 2 fs
-fg fg
Bei idealer Abtastung gemäß Abtasttheorem sind alle Teilspektren bis auf die Konstante
Ts gleich dem Ausgangsspektrum X(f).
Mit einem geeigneten Filter, z.B. einem idealen Tiefpass der Grenzfrequenz fg ≤ ½ fs, kann
das ursprüngliche Signalspektrum X(f) aus dem periodischen Spektrum Xs(f)
rekonstruiert werden Abtasttheorem
Ohne Bandbegrenzung kann das ursprüngliche Signal Spektrum X(f) im allgemeinen nicht
rekonstruiert werden ! Aliasing

1.4 Abtasttheorem und Aliasing
Aus (1.8) folgt als Voraussetzung dafür, ob eine unverfälschte Rekonstruktion des Original
Signals möglich ist, dass die gespiegelten Spektren bei allen Vielfachen der
Abtastfrequenz sich nicht überlappen (aliasing).
Dies wird durch die Bedingung für Bandbegrenzung erreicht
fs ≥ 2 · fg
oder
1
fg ≤ 0.5 fs mit fs = Abtastfrequenz (sampling frequency)
Ts (1.9)
0.5·fs Nyquist-Frequenz
Die Bedingung (1.9) heißt Abtasttheorem, und ist 1949 von C.E. Shannon formuliert
worden. Unabhängig davon wurde das Abtast-/Rekonstruktionstheorem bereits 1933
von A. Kotelnikow gefunden. Nach einem Vorschlag von Shannon heißt die halbe
Abtastfrequenz 0.5·fs auch Nyquist-Frequenz.
Das Nyquist-Shannonsche Abtasttheorem, in neuerer Literatur auch WKS-
Abtasttheorem (für Whittaker-Kotelnikow-Shannon) genannt, ist ein grundlegendes
Theorem der Nachrichtentechnik, Signalverarbeitung und Informationstheorie.
Begründung:
Das ursprüngliche Signalspektrum kann bis auf eine Konstante fehlerfrei durch einen
idealen TP aus dem abgetasteten Signal wieder gewonnen, also rekonstruiert werden.
Das heißt dass die Signaldarstellung eines kontinuierlichen Signals x(t) als digitale Folge
x[n] exakt ist, wenn das Abtasttheorem erfüllt ist.
gegeben: xs(t) gesucht: x(t) = ?
Lösung: X(f) = Xs(f) · rectfs(f) xs * sinc(t·fs)
Multiplikation mit idealem TP Faltung. mit sinc Funktion: Interpolation

Beispiel 1: Abtastung eines Cosinus Signals x1(t ) , (1.9) erfüllt (Shannon_ad.m)
Das Signal x1(t ) = cos(2πf1t ) mit f1 = 1 Hz wird mit einer Abtastfrequenz von fs = 8 Hz
abgetastet keine Verletzung der Abtastbedingung (1.9) !
Anschließend wird aus den Abtastwerten eine kontinuierliche Funktion rekonstruiert, durch
"Ausschneiden" des Frequenzbereichs -fs /2 .. fs /2 (Funktion des idealen TP):
Man erhält ein Cosinus Signal x2(t) ebenfalls mit f1 = 1 Hz. Die Rekonstruktion gelingt also
perfekt die Abtastwerte repräsentieren das kontinuierliche Signal perfekt und eindeutig !
x1(t) X1(f)
-1 1 f
x1s(t) X1s(f)⋅Ts
k = -2 k = -1 k=0 k=1 k=2

f
-2fs -fs -½ fs 0 ½ fs fs 2fs
-8 -4 -1 1 4 8
X2(f) x2(t)
Bild 1.4: Eindeutige Rekonstruction bei Erfüllung des Abtasttheorems (1.9) mit einem
Cosinus Signal der Frequenz 1 Hz und einer Abtastfrequenz fs = 8 Hz.
The Abtastfrequenz könnte gesenkt werden bis zu fs > 2 Hz.

Beispiel 2: Abtastung eines Cosinus Signals x1(t ) , (1.9) nicht erfüllt (Shannon_ad.m)
Das Signal x1(t ) = cos(2πf1t ) mit f1 = 7 Hz wird mit einer Abtastfrequenz von fs = 8 Hz
abgetastet absichtliche Verletzung der Abtastbedingung (1.9) !
Anschließend wird aus den Abtastwerten eine kontinuierliche Funktion rekonstruiert, durch
"Ausschneiden" des Frequenzbereichs -fs /2 .. fs /2 (Funktion des idealen TP):
Wieder wird ein Signal x2 (t ) = cos(2πf2t ) mit f2 = 1 Hz rekonstruiert, durch die Spiegelung
des Linienspektrums !!! Wegen der Verletzung des Abtasttheorems ist also kein
eindeutiger Rückschluss auf das ursprüngliche Signal möglich (Aliasing) !
x1(t) X1(f)
-7 7 f
x1s(t) X1s(2πf)⋅Ts “alias” von k = 1
k = -2 k = -1 k=0 k=1 k=2

f
-2fs -fs -½ fs 0 ½ fs fs 2fs
-8 -4 -1 1 4 8
X2(f) x2(t)
Bild 1.5: Mehrdeutigkeit bei Verletzung des Abtasttheorems (1.9). Die scheinbare Frequenz
1 Hz der Folge x2 entsteht als Spiegelung der Frequenz 7 Hz bei einer (zu
geringen) Abtastfrequenz von fs = 8 Hz. Aliasing kann hier verhindert werden mit
einer minimalen Abtastfrequenz fs > 14 Hz !

Praktische Konsequenzen:
Die Abtastrate fs eines Systems liegt normalerweise fest. Um Aliasing zu vermeiden, ist
am Analogeingang eines DSP-Systems mittels Analogfilter eine Bandbegrenzung auf
fg < 0.5 fs vorzusehen analoges ANTI – ALIASING Filter !
Die Abtastung muss dabei streng periodisch erfolgen mit der Abtastfrequenz fs.
Dies stellt harte Echtzeitbedingungen an die Abtastung und AD-Wandlung und muss
durch geeignete Softwaremaßnahmen sichergestellt werden.
Echtzeitprogrammierung !
Anwendungsbeispiel: Digitale Sprachübertragung (PCM)
Analog- Digital-
signal signal
s(nTs) N
fg s(t) A
CPU, Netzwerk
SH D Soft-
Anti- ware
Aliasing
Filter
Abtastung S&H
Abtastfrequenz fs
Positiv Beispiel: (1.9) erfüllt, fg < 0.5 fs
|S(f)|
s(t)
f tagesschau.m
-fg fg
|Ss(f)|⋅Ts
f
-2fs -fs -½ fs 0 ½ fs fs 2 fs
-fg fg
Negativ Beispiel: (1.9) nicht erfüllt, fg > 0.5 fs Alias Spektren überlappen
|Ss(f)|⋅Ts
f
-4fs -fs -½ fs 0 ½ fs fs 2fs 3fs 4fs
-fg fg
nicht behebbare Signalverzerrungen durch Aliasing Informationsverlust !

Klausuraufgabe (SS2007)
Am Eingang eines digitalen Signalprozessors (DSP) liege ein sinusförmiges Signal x(t)
mit einer Frequenz von f0 = 20 kHz. Nach gleichmäßiger Abtastung mit der Abtastfrequenz
fs entsteht im DSP ein diskretes harmonisches Signal x[n] der Frequenz fx = 5 kHz.
x(t) x[n]
x [n ] = xˆ ⋅ sin(2π ⋅ fx ⋅ nTs )
1. Mit welcher Abtastfrequenz wird das System vermutlich betrieben?

2. Wie kann die genaue Abtastfrequenz festgestellt werden?
Vor den Eingang des obigen DSPs wird ein Tiefpassfilter mit einer Grenzfrequenz von
fg = 10 kHz geschaltet. Signale über fg sollen beliebig gut unterdrückt, Signale unter
10 kHz dagegen nicht geschwächt werden (idealer Tiefpass).
x(t) fg x[n]
3. Welche Wirkung hat diese Schaltungsergänzung?
1. Nach (1.8) periodisches Spektrum, 2 Spektrallinien in x(t) bei ±f0 werden periodisch
fortgesetzt
Bedingung fx ≤ 0.5 fs
x (t ) = a ⋅ sin(2π ⋅ f0 ⋅ t )
x [n ] = xˆ ⋅ sin(2π ⋅ fx ⋅ nTs ) = xˆ ⋅ sin(2π ⋅ fx / fs ⋅ n ) = xˆ ⋅ sin(2π ⋅ (f0 + kfs ) / fs ⋅ n )
fx = f0 + k·fs 20 kHz + k·fs = 5 kHz k·fs = -15 kHz fs = -15 kHz / k

beliebige Ganzzahl k
mit k = -1 fs = 15 kHz am wahrscheinlichsten, wegen fg unten

k = -2 fs = 7.5 kHz
k = -3 fs = 5 kHz
2. Frequenz f0 von 0 Hz (DC) beginnend erhöhen, am "Umkehrpunkt" fx = 0.5 fs ist die

halbe Abtastfrequenz erreicht, die Abtastfrequenz erscheint als Frequenz 0 (DC):

x[n]: Zeit-Frequenz Darstellung: Sweep von 0 … 20 kHz, fs = 44.1 kHz
20 kHz
sweep_0_20k_fs_44k.wav
x[n]: Zeit-Frequenz Darstellung (Spektrogramm)

Sweep von 0 … 20 kHz, fs = 15.0 kHz
5 kHz
sweep_0_20k_fs_15k.wav
3. Mit Tiefpassfilter fg = 10 kHz wird das 20 kHz Signal unterdrückt x[n] 0

Dies ist im Sinnde der Eindeutigkeit sinnvoll.

Bandpass Signale
x[n] y[n]
x(t) xs(t) A D ys(t) y(t)
fg
B0 D A
amplifier
t = n · Ts CPU
f0
kein analoger AD Tiefpass !
kleine SH Aperturzeit
Das analoge Originalspektrum X(f) hat eine kleine Bandbreite B0 aufgrund der Selektions-
eigenschaft des Empfängers. Die Resonanzfrequenz des Empfängers bestimmt die
Mittenfrequenz f0, diese wird direkt durch Abtastung heruntergemischt (digital tuning).
Aufgrund der Abtastung mit der Abtastfrequenz fs, ist das Spektrum Xs(f) nach (1.8)
1 ∞
periodisch: X s (f ) = ∑ X (f − k ⋅ fs )
Ts k = −∞
Mischung ins Basisband: 0 = f0 + N·fs
Obwohl fs viel kleiner ist als f0, ist das Abtasttheorem (1.9) offenbar erfüllt, wenn die
Bandbreite B0 kleiner ist als fs/2, was durch die Spektraldarstellung verdeutlicht wird
Original Spektrum
Y(f)
Xs(f), Ys(f) “Alias” Spektren X(f)
2B0
f
-½ fs 0 ½ fs fs 2fs 3fs f0
= N·fs
Thus, the sampling theorem for bandpass signals can be stated in general with respect to
the bandwidth B0 of the original spectrum
1
B0 ≤ 0.5·fs with fs = sampling frequency,
Ts (1.10)
B0 bandwidth of a bandpass signal

Beispiel 3: Abtastradio (SamplingRadio.m)
Ein AM-Radiokanal bei f0 = 152 kHz mit der Bandbreite B0 = 4 kHz soll durch ein
Abtastsystem demoduliert werden, d.h. das NF-Signal soll über einen DA-Wandler durch
eine analoge Audiohardware ausgegeben werden.
Bestimmen Sie eine geeignete Abtastfrequenz fs und die Grenzfrequenz fg des analogen
Tiefpassfilters nach dem DAC !
Lösung: fs ≥ 2·B0 = 2·4 kHz ≥ 8 kHz, Bedingung nach (1.10)
f0 sollte ein ganzzahliges Vielfaches N der Abtastfrequenz fs sein

(einfache Verarbeitung: y[n] = x[n])
fs = f0 / N , fs ≥ 2·B0 ≥ 8 kHz
N ≤ int(f0 / fs) ≤ int(152 kHz / 8 kHz) ≤ 19
f f f f 
fs ∈  0 , 0 , 0 ,K, 0  = [8.0 8.44 8.94 9.50 10.13, …, 152] kHz
19 18 17 1
die niedrigst mögliche Abtastfrequenz ist als 8 kHz
DAC-Tiefpass Grenzfrequenz: B0 = 4 kHz.

1.5 Darstellung diskreter Signale
Die Abtastwertefolge x(k·Ts), welche nach Abtastung mit der konstanten Abtastfrequenz fs
im Rechner vorliegt, wird im Folgenden durch eine Wertefolge x[k] (eckige Klammern)
ausgedrückt:
x[k] = x(k·Ts)
1.5.1 Sprung- und Impulsfolge
Die Sprungfolge σ[n]

0, n < 0
σ[n] σ[n] =
1, n ≥ 0
1 n
0
Der Einheitsimpuls δ[n]

0, n ≠ 0
δ[n] =
δ[n] 1, n = 0
1
0 1 n
Zusammenhang zwischen σ[n] und δ[n] :
Es gilt
n
σ[n] = ∑ δ[k]
k = −∞
(1.11)
und umgekehrt
δ[n] = σ[n] - σ[n -1] (1.12)
δ[n] ist die "Differenz 1.Ordnung" von σ[n].

Die Rampenfunktion r[n]
r[n] = n·σ[n]
n
r[n] = ∑ σ [k − 1]
k = −∞
r[n]
0 11 n
Übungsbeispiele: Impulsfolgen (ueb_1_5.m)
Beispiel 1:
σ[n]
x[n] = -2·σ[-n-4] σ[-n]
-4
σ[n-4]
n
-2
σ[-(n+4)] = σ[-n-4]
Beispiel 2:
x[n] = σ[n + 4] - σ[n – 5]
1
-4 4 n
Beispiel 3:
x[n] = 8 δ[n – 7]
8
1 n
Beispiel 4:
x[n] = 8/3·(r[n+6] – r[n+3]) = 2·(r[n+6] – r[n+2])
8
-6 1 n

1.5.2 Diskrete sin- und cos- Signale

Gegeben sind:
Abtastfrequenz fs = 1/Ts Abtastintervall Ts
Abtastzeitpunkte tn = n⋅Ts n = ... -1,0,1,2,3 ...
analoges sin Signal: x (t ) = sin(ω ⋅ t ); ω = 2π ⋅ f f Signalfrequenz
Durch Abtastung entsteht das digitale Signal x[n] = x(n·Ts) = x(tn)
x [n ] = sin(ω ⋅ n ⋅ Ts ) = sin(n ⋅ Ω) (1.13)
mit der normierten Kreisfrequenz (normalized angular frequency) Ω
f ω
Ω = ωTs = 2π ⋅ = 2π ⋅ = 2π ⋅ f ⋅ Ts
fs ωs
Einheit: [Ω] = 1 rad = 1 (dimensionslos)
Periodizität:
Die Abtastwerte der diskreten sin- / cos- Signale liegen auf einer periodischen
Einhüllenden, aber die Folge der Abtastwerte selbst muss nicht periodisch sein:
Periodische diskrete Signalfolge Nicht-periodische diskrete Signalfolge
x1[n] x2[n]
n n
Beachte: x[n] ist dann periodisch, wenn sich die Folge der Abtastwerte nach N
Abtastwerten wiederholt, d.h. es besitzt N Abtastwerte pro Periode.
Dann gilt: x [n ] = A ⋅ cos(n ⋅ Ω ) = A ⋅ cos((n + N ) ⋅ Ω) = A ⋅ cos(n + Ω + 2π )

x [n ] = A ⋅ sin(n ⋅ Ω) = A ⋅ sin((n + N ) ⋅ Ω ) = A ⋅ sin(n + Ω + 2π ⋅ N )
mit der Eulerschen Formel: e j ⋅ x = cos x + j sin x
x [n ] = A ⋅ e j ⋅n ⋅Ω = A ⋅ e j ⋅( n + N )⋅Ω = A ⋅ e j ⋅n ⋅Ω ⋅ e j ⋅N ⋅Ω = A ⋅ e j ⋅n ⋅Ω ⋅ e j ⋅N ⋅2π
Bedingung für Periodizität: e j ⋅N ⋅Ω = e j ⋅2⋅ π⋅k = 1 , d.h. N ⋅ Ω = 2 ⋅ π ⋅ k k = 0,±1,±2,±3...

Bei diskreten sin- und cos-Signalen gibt man daher oft statt der "Frequenz" Ω die Anzahl N
der Abtastwerte/Periode an
2π
„diskrete Periodendauer“ N= Abtastwerte / Periode
Ω

Übungsbeispiele
2π 2π
1. N = 9 Abtastwerte/Periode Ω = → x[n ] = A ⋅ sin(n ⋅ )
9 9
π π
2. x1[n ] = cos(n ⋅ ), x2 [n ] = sin(n ⋅ ) Man ermittle jeweils N und Ω.
4 6
x1: Ω = π/4, N = 2π/Ω = 8 x2: Ω = π/6, N = 2π/Ω = 12
Mehrdeutigkeit diskreter sin- und cos- bzw. Exponential-Signale (siehe Bild 1.5)
Problem: x [ n ] = e j ⋅ Ω ⋅ n = e j ( Ω + 2 π )⋅ n = e j ⋅ Ω ⋅ n ⋅ e j ⋅2 π⋅n
123
=1
Ein diskretes sin-, cos- oder komplexes exp- Signal der normierten Frequenz Ω ist
identisch mit einem anderen diskreten Signal der normierten Frequenz Ω ± (2π⋅k)
Mehrdeutigkeit !
Zusammenhang mit dem Abtasttheorem (1.9):
fs ≥ 2 fg bedeutet für eine periodische Folge N ≥ 2 Abtastwerte/Periode
2π
mit Ω= und N ≥ 2 Ω≤π
N
Allgemein gilt
Die Einhaltung des Abtasttheorems (1.9) im analogen Signalbereich bedeutet, dass die
normierte Frequenz Ω des diskreten Signals auf den Bereich 0 ≤ Ω ≤ π begrenzt ist.
Damit wird Mehrdeutigkeit vermieden!
Übungsbeispiele Mehrdeutigkeit :
1. Das analoge Signal u(t) = sin(2π f1 t) mit f1 = 5 kHz wird durch Abtastung mit
fs = 20 kHz in das diskrete Signal u[n] gewandelt. Man ermittle Ω und N.
Man weise anhand von Ω nach, dass das Abtasttheorem erfüllt ist.
Ω1 = 2π·f1/fs = π/2 OK, da π/2 < π
2. Man wiederhole Aufgabe 1 für den Fall f2 = 15 kHz.
Ω2 = 2π·f2/fs = 3π/2 nicht OK, da 3π/2 > π
3. Welche maximale Nutzsignalfrequenz f1 ist bei der Abtastfrequenz fs = 20 kHz zulässig?
f1 = fg < (0.5 fs = 10 kHz)

1.5.3 Beschreibung zeitdiskreter Signale mit Impulsfunktionen

Gegeben: diskretes Signal x[n] als beliebige Signalfolge
x[n]
n
0
x[n] kann als Überlagerung von gewichteten Einheitsimpulsen aufgefasst werden !
x1[n]
x2[n]
x3[n]
x4[n]
Das abgetastete diskrete Signal kann somit wie folgt dargestellt werden:
x[n] = . . . + x1[n] + x2[n] + x3[n] + x4[n] + . . .
Im allgemeinen Fall gilt daher für jedes diskrete Signal
∞
x [n ] = ∑ x[k ] ⋅ δ[n − k ]
k = −∞
(1.14)

1.5 Das diskrete LTI - System
Betrachtet werden diskrete digitale Systeme, bei denen folgende Eigenschaften vorliegen
( vgl. Abschnitt 1.2.1)
• Linearität
• Zeit-Invarianz Linear Time-Invariant discrete systems diskrete LTI Systeme
• Diskretes Signal
x[n] y[n]
diskretes
LTI System
Definitionen:
• Linearität: es gilt der Überlagerungssatz (Superpositionssatz)
x1[n] → LTI-System → y1[n]
x2[n] → LTI-System → y2[n]
x1[n]+x2[n] → LTI-System → y1[n]+y2[n]
a⋅x1[n] → LTI-System → a⋅y1[n] a reell
Negativbeispiel 1: Nicht-Linearität: y[n] = x2[n]
x1[n] → nicht-linear → y1[n] = x12[n]
x2[n] → nicht-linear → y2[n] = x22[n]
x1[n]+x2[n] → nicht-linear → y[n] = (x1[n]+x2[n])2 ≠ y1[n] + y2[n]
Negativbeispiel 2: Nicht- Linearität: y[n] =sin( x[n] )
Nicht zu verwechseln mit dem harmonischen Sinus-Signal x[n] = sin(n⋅Ω)
• Zeitinvarianz: die Systemeigenschaften sind zeitunabhängig, es gilt dann:
x[n] → LTI-System → y[n]
x[n - i] → LTI-System → y[n - i] i beliebig !

1.6 Impuls- und Sprungantwort des LTI-Systems
• Der Einheitsimpuls δ[n] als Eingangssignal ruft die Impulsantwort g[n],

• der Einheitssprung σ[n] ruft die Sprungantwort h[n] als Systemreaktion hervor.
δ[n] g[n]
n n
δ[n] g[n]
LTI - System
σ[n] h[n]
σ[n] h[n]
n n
n n
σ[n ] = ∑ δ[k ]
k = −∞
h[n ] = ∑ g [k ]
k = −∞
Zusammenhang zwischen Impuls - und Sprungfunktion eines LTI-Systems:
Zwei mögliche Berechnungswege für die Sprungantwort h[n]
n n
1. δ[n ] → σ[n ] = ∑ δ[ j ]
j = −∞
LTI h[n ] = ∑ g[ j ]
j = −∞
direkt, mit Sprung als Eingang
n
2. δ[n ] LTI g [n ] h[n ] = ∑ g [ j ] Summation d. Impulsantworten
j = −∞
1.5.4 Stabilität eines diskreten LTI Systems

Ein LTI-System ist dann stabil, wenn zu jedem begrenzten Eingangssignal x[n] ein
begrenztes Ausgangssignal y[n] = x*g[n] hervorgerufen wird:
BIBO bounded input bounded output

wenn |x(t)| < ∞ LTI System (BIBO stabil) |y(t)| < ∞
| x[n ] | < ∞ ⇒ | y [n ] | < ∞
Für die Impulsantwort eines stabilen LTI-Systems gilt somit:
∑ | g [n ] | < ∞
n = −∞
stabiles, diskretes LTI-System (1.15)

1.5.5 Kausalität eines diskreten LTI Systems

Ein LTI - System ist dann kausal (und damit realisierbar), wenn alle Abtastwerte der
Impulsantwort g[n] für n < 0 gleich Null sind:
g [n ] = 0 für alle n < 0 kausales, diskretes LTI System (1.16)
Beurteilung eines LTI-Systems anhand der Impulsantwort
Zur Gewinnung der Impulsantwort wird das LTI System mit dem Einheitsimpuls angeregt:
δ[n] g[n]
LTI-System
Der Einheitsimpuls δ[n] ist ultra zeitbegrenzt ! Daher sind die Eigenschaften der
Impulsantwort g[n] mit n > 0 allein von den Eigenschaften des LTI-Systems abhängig,
da ja der Eingang δ[n] = 0 ist für n > 0.
Beispiel: Welche wesentlichen Systemeigenschaften lassen sich aus den folgenden

Impulsantworten ableiten ?
δ[n]
g[n]
a)
n stabil, kausal
g[n]
b)
n stabil, nicht kausal
Speicher
g[n]
c) stabil, nicht kausal

n Speicher
g[n]
d) stabil, kausal
n Speicher

Digitale Signalverarbeitung - Grundlagen

Hochgeladen von

Dokumentinformationen

Beschreibung:

Originaltitel

Copyright

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Beschreibung:

Copyright:

Digitale Signalverarbeitung - Grundlagen

Originaltitel:

Hochgeladen von

Beschreibung:

Copyright:

Hochschule Ravensburg-Weingarten

Technik | Wirtschaft | Sozialwesen

Studiengang - Elektrotechnik und Informationstechnik

Vorlesungsmanuskript - Lecture Notes

Prof. Dr.-Ing. Wolfgang Schulter

Dieses Vorlesungsskript dient ausschließlich der Lehre an der Hochschule Ravensburg-

Zeit und Raum im SS 2013

© W. Schulter DSV-ss2013 - 01 Grundlagen.doc, 2

[Wern] Werner, M. Digitale Signalverarbeitung mit MATLAB

[Opp] Oppenheim, Schafer, Buck Zeitdiskrete Signalverarbeitung

[Grue] von Grüningen, d. Ch. Digitale Signalverarbeitung

[Stearn] Stearn, S. D. Digitale Verarbeitung analoger Signale

[Brigh] Brigham, E. O. FFT – Schnelle Fourier-Transformation

[Goetz] Götz, H. Einführung in die Digitale Signalverarbeitung

[Kamm] Kammeyer, K.-D., Kroschel, K. Digitale Signalverarbeitung

[Hess] Hess, W. Digitale Filter

Signale und Systeme:

[WernS] Werner, M. Signale und Systeme

[Scheit] Scheithauer, R. Signale und Systeme

[Mild] Mildenberger, O. System- und Signaltheorie

[OppW] Oppenheim, A.V. / Willsky, A. S. Signale und Systeme, Lehrbuch

[Lueke] Lüke, H.D. Signalübertragung, Springer 1994

[Bronst] Bronstein, Semendjajew, Taschenbuch der Mathematik

© W. Schulter DSV-ss2013 - 01 Grundlagen.doc, 3

Homepage bei der Hochschule Weingarten

Lecture Notes (Script), Übungen auf Moodle

1.4 Skript, Support Files …

sftp Protocol sftp-client, z.B.

© W. Schulter DSV-ss2013 - 01 Grundlagen.doc, 4

3. Frequenzbereich Diskrete Fouriertransformation

5. Entwurf digitaler Filter

• Analoge und diskrete Signale, Abtasttheorem und Aliasing,

• Eigenschaften des LTI-Systems.

• Analyse im Zeitbereich: Diskrete Faltung und Korrelation,

• Analyse im Frequenzbereich: DFT und FFT, Implementationen in MATLAB

• Definition und Eigenschaften der Z-Transformation, Z-Übertragungsfunktion,

• Entwurf digitaler Filter: Eigenschaften von IIR -und FIR-Filtern

• Entwurfsverfahren von FIR-Filtern nach der Fenstermethode und Parks-McClellan

• Entwurfsverfahren von IIR-Filter: Bilineare Z-Transformation und die Impuls-

• Entwurfsbeispiele digitaler Filter mit Realisierung auf einem µC – Board

© W. Schulter DSV-ss2013 - 01 Grundlagen.doc, 5

© W. Schulter DSV-ss2013 - 01 Grundlagen.doc, 6

Was ist ein Signal ?

Definition nach DIN 19229:

Was versteht man nun unter digitalen Signalen ?

a) zeitkontinuierlich oder auch analog

e.g. CCD analog signal

© W. Schulter DSV-ss2013 - 01 Grundlagen.doc, 7

a) Sie liegen auf Grund des Messverfahrens vor.

b) entstehen durch Abtastung zeitkontinuierlicher Signale (meist äquidistant)

zeit- und zeitdiskret zeit- und

Analog Signal Processing (Active RC-Filter, Sallen-Key Circuit)

F Anti-Alias Filterung DSP Digitale Signalverarbeitung

© W. Schulter DSV-ss2013 - 01 Grundlagen.doc, 8

Digitale Signalverarbeitung ist im Grunde die (Online-) Transformation einer Zeitreihe in

Digitale Signalverarbeitung (DSP) kann offline ausgeführt werden (ohne Echtzeit-

Bild 1.2: Goldpreis

Im folgenden werden einige wichtige Aufgaben der Digitalen Signalverarbeitung an kleinen

© W. Schulter DSV-ss2013 - 01 Grundlagen.doc, 9

Synthese eines Audio-Signals: Erkennungsmelodie: EURO-Vision (Prelude von

mit anschließender Signalverarbeitung einer sog. ADSR-Hüllkurve

DFT-Spektrum einer Gitarrenmusik