Ao de la Diversificacin Productiva y del Fortalecimiento de la

Educacin

FACULTAD DE CIENCIAS

ESCUELA

:
ING. ELECTRNICA Y TELECOMUNICACIONES

CURSO

:
PROCESAMIENTO DIGITAL DE SEAL I

TEMA

:
TRANSFORMADA DE FOURIER DE TIEMPO REDUCIDO
TRANSFORMADA RPIDA DE FOURIER

PROFESOR

:
ING. MIGUEL ANGEL PANDURO ALVARADO

ALUMNO

:
FARIAS CASTILLO ROBERTO CARLOS

TRANSFORMADA DE FOURIER DE TIEMPO REDUCIDO

La Transformada de Fourier de Tiempo Corto (Short-time Fourier transform, STFT) o
Transformada de Fourier de Trmino Reducido (short-term Fourier transform) est relacionada
con la transformada de Fourier usada para determinar el contenido en frecuencia sinusoidal y
de fase en secciones locales de una seal as como sus cambios con respecto al tiempo.

STFT de tiempo contino

Simplemente, en el caso del tiempo continuo, la funcin a ser transformada se multiplica por
una funcin ventana que solo es diferente de cero por un pequeo perodo. La trasformada de
Fourier (una funcin de una sola dimensin) de la seal resultante es tomada como la ventana
que se desliza a lo largo del eje del tiempo, resultando una representacin en dos dimensiones
de la seal. Matemticamente, se escribe como:

{()} (, ) = ()( )

donde (t) es la funcin ventana, comnmente una ventana de Hann o ventana

campana Gaussiana centrada en cero, y x(t) es la seal a ser transformada, X(t, w) es
esencialmente la Transformada de Fourier de x(t)x(t ) , una funcin compleja que
representa la fase y magnitud de la seal sobre tiempo y frecuencia. A menudo se emplea la
fase instantnea junto con el eje del tiempo y el eje de la frecuencia w para suprimir
cualquier discontinuidad por salto en la fase resultante en la STFT. El ndice de tiempo
normalmente se considera un tiempo "lento" y usualmente no se expresa con tan alta
resolucin como con el tiempo t

STFT en tiempo discreto

En el caso del tiempo discreto, la informacin a ser transformada podra ser dividida en
pedazos o tramas (que usualmente se traslapan unos con otros, para reducir irregularidades
en la frontera). Cada pedazo una transformacin de Fourier, y el resultado complejo se agrega
a una matriz, que almacena magnitud y fase para cada punto en tiempo y frecuencia. Esto se
puede expresar as:

{[]} (, ) = [][ ]
=

Donde, [] es la seal y [] es la ventana. En este caso m es discreta y es continua, pero

en la mayora de aplicaciones tpicas la STFT se hace en un computador usando la
Transformada Rpida de Fourier, as ambas variables son discretas y cuantizadas. De nuevo, el

ndice de tiempo discreto m es normalmente considerado como un tiempo "lento" y

usualmente no se expresa con tan alta resolucin como con el tiempo .
La magnitud cuadrada de la STFT origina el espectrograma de la funcin:

Espectrograma {()} |(, )|2

STFT inversa
La STFT es invertible, esto es, la seal original puede ser recuperada de la transformacin por
medio de la STFT inversa. La forma ms ampliamente aceptada de invertir la STFT es usando el
mtodo suma solapada (overlap-add, OLA), que tambin permite modificar al espectro
complejo de STFT. Esto lo hace un mtodo de procesamiento de seal verstil, referido como
el mtodo de solapamiento y suma con modificaciones.

STFT en tiempo contino

Dado el ancho y definicin de la funcin ventana w(t), se requiere inicialmente que el rea de
la funcin ventana sea ajustada as que

()dt = 1
Es fcil deducir que:

(t )dt = 1 t
Y

() = () ( ) = ()( ) .
La transformada de Fourier continua es:

X() = x(t)ejt dt
Substituyendo X (T) de arriba

X() = [ x(t)(t )dt]ejt

= x(t)(t )ejt ddt

Cambiando el orden de integracin

() = ()( )

= [ ()( ) ]

= ( )
Por lo que la transformada de Fourier puede ser vista como una suma coherente de fases de
todos los STFTs de x(t), debido a que la transformada inversa de Fourier es

x(t) =

X()e+jt d
2

entonces x(T) puede ser recuperada de (, ), como

() =

(, ) +
2

() = [

(, ) + ]
2

Se puede ver que, al comparar arriba que la ventana de grano o wavelet de x (t) es

()( ) =

(, ) +
2

La transformada de Fourier inversa de (, ) para una fija

La STFT en tiempo discreto

Uno de los problemas del STFT es que tiene una resolucin fija. El ancho de la funcin de
ventana est relacionado con el como la seal es representada, esto determina si hay buena
resolucin en frecuencia (las componentes de frecuencia que estn cerca pueden ser
separadas) o buena resolucin en tiempo (el tiempo en cuyas frecuencias cambian). Una
ventana amplia da una mejor resolucin en frecuencia pero tambin una pobre resolucin en
el tiempo. Una ventana angosta da una buena resolucin en el tiempo pero una pobre

resolucin en frecuencia. Estas son llamadas transformadas de banda angosta y de banda

amplia, respectivamente.

La comparacin de resolucin STFT. El de la izquierda tiene una mejor resolucin en el

tiempo y el de la derecha tiene una mejor resolucin en frecuencia
Esta es una de las razones de la creacin de la transformada wavelet (o anlisis multi
resolucin en general), que puede dar una buena resolucin en el tiempo para eventos de alta
frecuencia y buena resolucin en frecuencia para eventos de baja frecuencia, que es el tipo de
anlisis mejor utilizado para muchas seales reales.
Esta propiedad est relacionada con el principio de incertidumbre de Heisenberg, pero no es
una relacin directa. El producto de la desviacin estndar en el tiempo y en la frecuencia es
limitado. La frontera del principio de incertidumbre (la mejor resolucin en frecuencia de
ambas) es alcanzado por una funcin de ventana Gausiana, debido a que el Gausiano minimiza
el principio de incertidumbre de Fourier.
Uno puede considerar la STFT para ventanas de tamao variable como si fuera un dominio en
dos dimensiones (tiempo, frecuencia), como se ha ilustrado en el ejemplo de abajo, que puede
ser calculado al variar el tamao de la ventana. De todas, maneras, esto no es ms que una
estricta representacin del tiempo y la frecuencia

Ejemplo
Usando la siguiente muestra de seal () que est compuesta por un conjunto de 4 formas
de ondas sinusoidales unidas en secuencia. Cada forma de onda est nicamente compuesta
de una de cuatro frecuencias (10, 25, 50, 100 Hz). La definicin de () es.

cos(210)
cos(225)
() =
cos(250)
{ cos(2100)

0 < 5
;
5 < 10
; 10 < 1515
; 15 < 20

Entonces, muestreando a 400 Hz se obtuvo el siguiente espectrograma:

Ventana de 25ms

Ventana de 125ms

Ventana de 375ms

Ventana de 1000ms
La ventana de 25 ms nos permite identificar un tiempo preciso en el cual la seal cambia pero
los cambios precisos en la frecuencia son difciles de identificar- En el otro extremo de la
escala, la ventana de 1000 ms permite que las frecuencias sean vistas de forma precisa pero el
tiempo entre los cambios de frecuencia es borroso.

Explicacin
Tambin puede ser explicado con referencia al muestreo y a la frecuencia de Nyquist
Tome una ventana de N muestras del valor real de una seal arbitraria con una tasa de
muestreo de fs. Tomando la transformada de Fourier se produce N coeficientes complejos. De
estos coeficientes solo la mitad son tiles (el ltimo N/2 siendo el complejo conjugado del
primer N/2 en orden inverso, ya que este es el valor real de una seal).
Estos N/2 coeficientes representan las frecuencias 0 a
consecutivos son espaciados aparte por

2 (Nyquist) y dos coeficientes

Hz.

Para incrementar la resolucin en frecuencia de la ventana, la frecuencia de espaciado de los

coeficientes necesita ser reducida. Hay solo dos variables, pero el disminuir fs (y
mantener N constante) causar que el tamao de la ventana aumente, debido a que ahora hay
menos muestras por unidad de tiempo. La otra alternativa es incrementar N, pero esto causa

de nuevo que el tamao de la ventana se incremente. Cualquier intento de incrementar la

resolucin en frecuencia causa un mayor tamao de la ventana y por lo tanto una reduccin en
la resolucin del tiempo y viceversa.

Aplicacin
Las STFTs al igual que las transformaciones estndar de Fourier y otras herramientas son
frecuentemente usadas para analizar msica. El espectrograma puede por ejemplo, mostrar la
frecuencia en el eje horizontal, con las frecuencias ms bajas a la izquierda y las ms altas a la
derecha. La altura de cada barra (resaltada con color) representa la amplitud de las frecuencias
dentro de la banda. La dimensin del fondo representa el tiempo, donde cada nueva barra fue
una transformacin distinta. Los ingenieros de Audio usan este tipo de visualizacin para
obtener informacin acerca de una muestra de audio, por ejemplo, para localizar las
frecuencias de ruidos especficos (especialmente cuando se us con gran resolucin en
frecuencia) o encontrar frecuencias que podran ser ms o menos resonantes en el espacio
donde la seal fue grabada.. Esta informacin puede ser usada para la ecualizacin o
entonacin de otros efectos de audio.

Una STFT est siendo usada para analizar una seal de audio con respecto al tiempo

Transformada rpida de Fourier

FFT es la abreviatura usual (del ingls Fast Fourier Transform) de un eficiente algoritmo que
permite calcular la transformada de Fourier discreta (DFT) y su inversa. La FFT es de gran

importancia en una amplia variedad de aplicaciones, desde el tratamiento digital de

seales y filtrado digital en general a la resolucin de ecuaciones en derivadas parciales o
los algoritmos de multiplicacin rpida de grandes enteros. El algoritmo pone algunas
limitaciones en la seal y en el espectro resultante. Por ejemplo: la seal de la que se tomaron
muestras y que se va a transformar debe consistir de un nmero de muestras igual a una
potencia de dos. La mayora de los analizadores TRF permiten la transformacin de 512, 1024,
2048 o 4096 muestras. El rango de frecuencias cubierto por el anlisis TRF depende de la
cantidad de muestras recogidas y de la proporcin de muestreo.
Uno de los algoritmos aritmticos ms ampliamente utilizados es la transformada rpida de
Fourier, un medio eficaz de ejecutar un clculo matemtico bsico y de frecuente empleo. La
transformada rpida de Fourier es de importancia fundamental en el anlisis matemtico y ha
sido objeto de numerosos estudios. La aparicin de un algoritmo eficaz para esta operacin
fue una piedra angular en la historia de la informtica.
Las aplicaciones de la transformada rpida de Fourier son mltiples. Es la base de muchas
operaciones fundamentales del procesamiento de seales, donde tiene amplia utilizacin.
Adems, proporciona un medio oportuno para mejorar el rendimiento de los algoritmos para
un conjunto de problemas aritmticos comunes.

Definicin
Sean 0 , , 1 nmeros complejos. La transformada discreta de Fourier (DFT, por sus siglas
en ingls) se defino como:
2i

n
fj = n1
k=0 xk e

jk

j = 0, , n 1

La evaluacin directa de esa frmula requiere O (n) operaciones aritmticas. Mediante un

algoritmo FFT se puede obtener el mismo resultado con slo O ( log ) operaciones. En
general, dichos algoritmos dependen de la factorizacin de n pero, al contrario de lo que
frecuentemente se cree, existen FFTs para cualquier n, incluso con n primo.
La idea que permite esta optimizacin es la descomposicin de la transformada a tratar en
otras ms simples y stas a su vez hasta llegar a transformadas de 2 elementos donde k puede
tomar los valores 0 y 1. Una vez resueltas las transformadas ms simples hay que agruparlas en
otras de nivel superior que deben resolverse de nuevo y as sucesivamente hasta llegar al nivel
ms alto. Al final de este proceso, los resultados obtenidos deben reordenarse.
Dado que la transformada discreta de Fourier inversa es anloga a la transformada discreta de
Fourier, con distinto signo en el exponente y un factor 1/n, cualquier algoritmo FFT puede ser
fcilmente adaptado para el clculo de la transformada inversa. Por lo general, tenemos que:

[] = {[]} =

1
({ []})

Un algoritmo que es mucho ms eficiente en cuanto al tiempo de cmputo para grandes

arreglos de entrada cuya longitud es una potencia entera de dos, recibe el nombre de
Transformada de Fourier Rpida (TFR), y dicho algoritmo fue popularizado por Cooley y
Tukey en 1965. Se puede ilustrar mediante el siguiente ejemplo, calculando la TFR de un
conjunto de cuatro muestras de datos utilizando el algoritmo. Defina el conjunto de
muestras de una seal como la seal X[n] en TD de forma que los datos de entrada para
el algoritmo {0 [0], 0 [1], 0 [2], 0 [3]} La frmula de la TFD es la siguiente:
1

[] = [] 2( )
=0

Se recomienda usar la notacin:

= (2)

Ejemplo
Un uso comn de transformadas de Fourier es encontrar los componentes de frecuencia de
una seal enterrado en una seal de dominio de tiempo ruidoso. Considere datos muestreados
a 1000 Hz. Formar una seal que contiene un 50 Hz sinusoide de amplitud 0,7 y 120 Hz
sinusoide de amplitud 1 y corrupto con un poco de ruido aleatorio de media cero:

Fs = 1000;

% Sampling frequency

T = 1/Fs;

% Sample time

L = 1000;

% Length of signal

t = (0:L-1)*T;

% Time vector

% Sum of a 50 Hz sinusoid and a 120 Hz sinusoid

x = 0.7*sin(2*pi*50*t) + sin(2*pi*120*t);
y = x + 2*randn(size(t));

% Sinusoids plus noise

Plot(Fs*t(1:50),y(1:50))
title('Signal Corrupted with Zero-Mean Random Noise')
xlabel('time (milliseconds)')

Es difcil identificar los componentes de frecuencia al ver la seal original. La conversin al

dominio de frecuencia, la transformada de Fourier discreta de la seal con ruido y se
encuentra tomando la transformada rpida de Fourier (FFT):

NFFT = 2^nextpow2(L); % Next power of 2 from length of y

Y = fft(y,NFFT)/L;
f = Fs/2*linspace(0,1,NFFT/2+1);

% Plot single-sided amplitude spectrum.

plot(f,2*abs(Y(1:NFFT/2+1)))
title('Single-Sided Amplitude Spectrum of y(t)')
xlabel('Frequency (Hz)')
ylabel('|Y(f)|')

La principal razn de las amplitudes no son exactamente en el 0,7 y el 1 es por el ruido. Varias
ejecuciones de este cdigo (incluyendo recalculo de y) se producen diferentes aproximaciones
a 0,7 y 1. La otra razn es que usted tiene una seal de longitud finita. El aumento de L 100010000 en el ejemplo anterior producir mucho mejores aproximaciones en promedio.

Referencias
[1] Cooley, J. W. and J. W. Tukey, "An Algorithm for the Machine Computation of the Complex
Fourier Series,"Mathematics of Computation, Vol. 19, April 1965, pp. 297-301.
[2] Duhamel, P. and M. Vetterli, "Fast Fourier Transforms: A Tutorial Review and a State of the
Art," Signal Processing, Vol. 19, April 1990, pp. 259-299.
[3] FFTW (http://www.fftw.org)
[4] Frigo, M. and S. G. Johnson, "FFTW: An Adaptive Software Architecture for the
FFT,"Proceedings of the International Conference on Acoustics, Speech, and Signal Processing,
Vol. 3, 1998, pp. 1381-1384.