Univerzitet u Novom Sadu

Prirodno-matematiki fakultet
Departman za matematiku
i informatiku

Andrija Stamenkovi

enonova teorema o uzorcima

- seminarski rad -

Mentor:
dr Nenad Teofanov

Novi Sad, 2016.

Sadraj
1 Poznati pojmovi i tvrenja
1.1 Furijeova transformacija . . . . . . . . . . . . . . . . . . . . .
1.2 Poasonova formula . . . . . . . . . . . . . . . . . . . . . . . .

1
1
2

2 Uzorkovanje i rekonstrukcija signala

2.1 Signal . . . . . . . . . . . . . . . .
2.2 Uzorkovanje signala . . . . . . . . .
2.3 Rekonstrukcija signala . . . . . . .
2.4 enonova teorema o uzorcima . . .

5
5
6
7
8

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

3 Primena enonove teoreme o uzorcima

10
3.1 Aliasing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
Literatura

12

Poznati pojmovi i tvrenja

1.1

Furijeova transformacija

U ovom poglavlju emo navesti neke poznate pojmove i tvrenja, bez

dokaza, koja su nam potrebna za dalji rad.
Oznaimo sa G(R) familiju funkcija f : R C, koje su po delovima
neprekidne i apsolutno integrabilne.
Definicija 1.1. Neka je data funkcija f G(R). Furijeova transformacija
funkcije f je definisana nesvojstvenim integralom:
1
F(f )() =
2

Z+
f (x)eix dx.

Iz prethodne definicije sledi da je F dobro definisana za sve f G(R), a

vai i vie od toga.
Stav 1.1. Za sve funkcije f G(R) vai:
1. F(f )() je definisana za sve R,
2. F(f )() je neprekidna na R,
3.

lim F(f )() = 0.

Primer 1.1. Neka je [a,b] karakteristina funkcija intervala [a, b], <
a < b < +, u odnosu na R. Tada je njena Furijeova transformacija
1
F([a,b] )() =
2

Z+
Zb
1
[a,b] eix dx =
eix dx
2

a

ix b
ia
e
eib
1 e

=
.
=
2 i a
2i

Specijalno, ako je a = b, b > 0, dobija se

F([b,b] )() =

eib eib
sin(b)
=
.
2i

Kao direktnu posledicu linearnosti integrala dobijamo da linearnost vai i

za Furijeovu transformaciju.
1

1 POZNATI POJMOVI I TVRENJA

Stav 1.2 (Linearnost Furijeove transformacije). Za sve f, g G(R), a, b C
vai da af + bg G(R) i
F(af + bg)() = aF(f )() + bF(g)().

Takoe, vai i sledee tvrenje.

Stav 1.3. Neka je F(f )() G(R). Tada je
F(F(f )())(x) =

1
f (x).
2

Primer 1.2. Naimo Furijeovu transformaciju funkcije f () =

a > 0.


sin(a)
F(f ())(x) = F 2
(x) = 2F(F([a,a] )())(x)

1
= 2 [a,a] (x) = [a,a] (x).
2

2 sin(a)
,

U primeni je esto korisna sledea formula.

Stav 1.4 (Formula translacije). Neka je f G(R). Tada funkcija f (x a)
pripada klasi G(R) za sve a R, i vai
F(f (x a))() = eia F(f )().

1.2

Poasonova formula

Poasonova formula daje elegantnu vezu izmeu Furijeovih redova i Furijeove transformacije. Ona se zasniva na korisnom triku periodizacije.
Naime, neka je funkcija f apsolutno integrabilna i neka je dato L > 0. Tada
je funkcija

X
f (x) =
f (x + nL)
n=

periodina s periodom L. Poasonova formula je data sledeom teoremom.

1 POZNATI POJMOVI I TVRENJA

Teorema 1.5 (Poasonova formula). Neka je data funkcija f takva da je
|f (x)| 6 C(1 + |x|)p , |F(f )()| 6 C(1 + ||)p , za sve x, R i konstante
C > 0, p > 1. Tada, za dato L > 0, vai:



2n 2inx
2 X
F
e L , x R.
f (x + nL) =
L
L
n=
n=

Ta formula vai takasto za sve x R, i obe sume su apsolutno konvergentne.

Dokaz. Podsetimo se, ako je funkcija f (x) periodina sa periodom L > 0,

P
2inx
njen Furijeov red u kompleksnom obliku je
cn e L , gde je
n=

1
cn =
L

ZL

f (x)e

2inx
L

dx, n N.

Dalje, kao posledicu uslova teoreme dobijamo da oba reda uniformno i apsolutno konvergiraju za sve x R, to nam omoguava razmenu graninih

P
procesa1 . Prema tome, za f (x) =
f (x + kL) vai:
k=

1
cn =
L

ZL X

f (x + kL)e

2inx
L

dx

k=
L

Z
2inx
1 X
=
f (x + kL)e L dx
L k=
0

smena: t=x+kL

(k+1)L
Z

2int
1 X
f (t)e L e2ink dt
L k=
kL

Z+
2int
1
=
f (t)e L dt
L



2
2n
, n N.
=
F
L
L
1

Za
detalje
videti
http://math.stackexchange.com/questions/603759/
details-for-proof-of-poisson-summation-formula i Teoremu 5.30 u knjizi P.
L. Walker: The Theory of Fourier Series and Integrals, first edition, Wiley, 1986.

1 POZNATI POJMOVI I TVRENJA

Sada, na osnovu jedinstvenosti razvoja funkcije u Furijeov red, dobijamo
traeno tvrenje.
Na slian nain se moe dokazati da, ako je F Furijeova transformaciija
funkcije f i ako vae uslovi prethodne teoreme, vai sledea formula:

X
T X
f (nT )einT =
F( ns ), R,
2 n=
n=

gde je T =

2
,
s

a s > 0 zadata konstanta.

(1.1)

Uzorkovanje i rekonstrukcija signala

2.1

Signal

Signalima se moe opisati irok spektar fizikih fenomena. Iako mogu biti
predstavljeni na mnogo naina, u svim sluajevima informacije u signalu se
nalaze u obrascima varijacija nekog oblika.
Primer 2.1. Posmatrajmo prosto RC kolo na slici 2.1. U ovom sluaju
obrasci varijacija tokom vremena u izvoru i kondenzatoru napona, VS i VC ,
su primeri signala.

Slika 2.1: Prosto RC kolo sa izvorom napona VS i kondanzatorom napona VC

Signali se matematiki predstavljaju kao funkcije jedne ili vie nezavisnih
promenljivih.
Primer 2.2. Audio signal se stvara promenom u vazdunom pritisku, i stoga
moe biti predstavljen kao funkcija vremena f (t), gde f predstavlja pritisak
vazduha zbog zvuka u vremenu t. Primer audio signala neijeg izgovora rei
Matlab je prikazan na slici 2.2.
U ovom radu emo razmatrati dva osnovna tipa signala:
1. kontinualne vremenske signale, kod kojih je nezavisna promenljiva neprekidna
(to ne mora da vai i za zavisnu promenljivu), i
2. diskretne vremenske signale, kod kojih nezavisna promenljiva uzima najvie
prebrojivo mnogo vrednosti.
Primer 2.3. Audio signal iz prethodnog primera jeste kontinualni vremenski
signal, dok je na slici 2.3 grafiki ilustrovan jedan diskretni vremenski signal.

2 UZORKOVANJE I REKONSTRUKCIJA SIGNALA

Slika 2.2: Audio signal neijeg izgovora rei Matlab

Slika 2.3: Primer diskretnog vremenskog signala

Kako bi razlikovali kontinualni i diskretni vremenski signal, koristiemo
t, unutar zagrada (), da oznaimo nezavisnu promenljivu u kontinualnom
vremenskom signalu, dok emo u sluaju diskretnog vremenskog signala
koristiti oznaku n, unutar zagrada [], da oznaimo nezavisnu promenljivu,
kao to je uinjeno na slici 2.3.
Definiimo sada jedan veoma bitan pojam u obradi signala.
Definicija 2.1. Neka funkcija (signal) f ima osnovni period T0 . Tada je
L = T10 frekvencija, a = 2
ugaona frekvencija funkcije (signala) f .
T0
Primer 2.4. Frekvencija signala x(t) = sin(t), gde je t vreme dato u sekun1
dama, je L = 2
Hz 0.16 Hz, dok je ugaona frekvencija = 1 rad
.
s

2.2

Uzorkovanje signala

Uzorkovanje je redukcija kontinualnog vremenskog signala u diskretni

vremenski signal.
Neka je x(t) kontinualni vremenski signal, gde je t vreme dato u sekundama.
Uzorkovanje se vri merenjem vrednosti x(t) svakih T sekundi, koje se naziva
period uzorkovanja. Tada je uzorkovani signal dat sa xs [n] = x(nT ), n Z.
Frekvencija uzorkovanja Ls je prosean broj uzoraka dobijenih u jednoj
sekundi, tj. Ls = T1 .
6

2 UZORKOVANJE I REKONSTRUKCIJA SIGNALA

Primer 2.5. Na slici 2.4 je prikazano uzorkovanje signala kojim je predstavljena promena temperature tokom vremena.

Slika 2.4: Uzorkovanje signala kojim je predstavljena promena temperature

tokom vremena

2.3

Rekonstrukcija signala

Osnovno pitanje je: Da li je pomou poznatih vrednosti diskretnog vremenskog signala xs [n], dobijenog uzorkovanjem za poznati period T , mogue
jedinstveno odrediti, tj. rekonstruisati, kontinualni vremenski signal x(t)?
Primer 2.6. Slika 2.5 ilustruje problem rekonstrukcije kontinualnog vremenskog signala datim uzorcima.

Slika 2.5: Isti uzorci odreuju razliite kontinualne vremenske signale x1 (t),
x2 (t) i x3 (t)
7

2 UZORKOVANJE I REKONSTRUKCIJA SIGNALA

Kao to emo videti u narednom poglavlju, odgovor je potvrdan za kontinualne vremenske signale koje ispunjavaju odreene uslove.

2.4

enonova teorema o uzorcima

Definicija 2.2. Funkcija (signal) f G(R) je ogranienog opsega ako postoji

b R tako da za sve || > b vai F(f )() = 0.
Funkcije (signali) ogranienog opsega se mogu rekonstruisati iz svojih
uzoraka na sledei nain.
Teorema 2.1 (enonova1 teorema o uzorcima). Neka je f G(R) i neka
postoji b R tako da za sve || > b vai F(f )() = 0. Tada za sve s > 2b
vai:

)
X
2 sin s (xnT
2
f (x) =
f (nT )
, x R,
s (x nT )
n=
gde je T =

2
s

i f (nT ) = fs [n] uzorci funkcije (signala) f .

Dokaz. Neka je s > 2b i

F () =

F( ns ).

n=

Tada je F periodina funkcija s periodom s , i vai F() = F ()[ s , s ] .

2
2
Na osnovu jedinstvenosti Furijeove transformacije, dovoljno je da se pokae
da je
!

)
X
2 sin s (xnT
2
() = F ()[ s , s ] ().
F
f (nT )
2
2

(x

nT
)
s
n=
Koristei linearnost Furijeove transformacije i primer 1.2, dobijamo da
vai


2 sin 2s x
F
() = T [ s , s ] ().
s x
2

Prema tome, na osnovu formule translacije, imamo da je

!
)
2 sin s (xnT
2
F
() = einT T [ s , s ] ().
s (xnT )
2

2
1

Claude Elwood Shannon (1916 - 2001), ameriki matematiar i elektro inenjer

2 UZORKOVANJE I REKONSTRUKCIJA SIGNALA

Dakle,
!

)
2 sin s (xnT
T X
2
F
f (nT )
() =
f (nT )einT [ s , s ] ()
2
2

(x

nT
)
2
s
n=
n=

F( ns )[ s , s ] () = F ()[ s , s ] () = F(),
2

n=

gde je u drugoj jednakosti koriena formula (1.1).

Prema enonovoj teoremi o uzorcima, funkcija (signal) f ogranienog
opsega, sa frekvencijom b , je u potpunosti odreena svojim vrednostima
(uzorcima) u nizu ekvidistantnih taaka sa rastojanjem manjim od b . Pored
toga, enonova teorema o uzorcima nam takoe daje i formulu za rekonstrukciju funkcije (signala) f .
Ako je poznato da je funkcija (signal) f ogranienog opsega sa frekvencijom
b , da bi rekonstrukcija bila mogua, uestalost uzorkovanja s mora da bude
vea od 2b . Frekvencija 2b se zove Nikvistova2 brzina. Slike 2.6 i 2.7
ilustruju ispunjenost i neispunjenost uslova s > 2b , tim redom.

Slika 2.6: Furijeova transformacija uzorkovanog signala koji ispunjava uslov

s > 2b

Slika 2.7: Furijeova transformacija uzorkovanog signala koji ne ispunjava

uslov s > 2b

Harry Nyquist (1889 - 1976), ameriki inenjer elektronike vedskog porekla

Primena enonove teoreme o uzorcima

3.1

Aliasing

Ukoliko se signal uzorkuje sporije od Nikvistove brzine, moe se desiti da

jednom nizu uzoraka odgovara vie razliitih signala, kao to se vidi na slici
3.1. Ova pojava se naziva aliasing.

Slika 3.1: Plava sinusoida je uzorkovana sporije od Nikvistove brzine za taj

signal, pa njenim uzorcima odgovara crvena sinusoida manje frekvencije
Slika 3.1 takoe ilustruje i vanost pretpostavke enonove teoreme o
uzorcima da je frekvencija funkcije (signala) f najvie b . Zaista, ukoliko
smo trebali da rekonstruiemo crvenu sinusoidu, lako primeujemo da su
ispunjeni uslovi enonove teoreme o uzorcima (uzorkovanje je vreno ee
od Nikvistove brzine1 ), ali istim uzorcima odgovara vie signala.
Vratimo se sada na problem aliasinga. Da bi se on spreio ili bar ublaio,
postoje dve stvari koje se mogu uiniti:
1. poveati frekvenciju uzorkovanja;
2. koristiti anti-aliasing filtere.
Primer 3.1. Na slici 3.2 je prikazano dejstvo poveavanja frekvencije uzorkovanja.
Anti-aliasing filteri slue da ogranie opseg signala, pre njegovog uzorkovanja, tako da aproksimativno ili u potpunosti zadovolji uslove enonove
teoreme o uzorcima. Teorija dozvoljava postojanje takvih filtera, ali se problemi javljaju pri njihovoj konstrukciji. Naime, ne mogu se konstruisati
idealni filteri, to izaziva takozvano curenje visokih frekvencija.
1

crvenoj sinusoidi odgovara 5 uzoraka po periodu, a potrebno je vie od 2

10

3 PRIMENA ENONOVE TEOREME O UZORCIMA

Slika 3.2: Postepeno poveanje frekvencije uzorkovanja

Primer 3.2. Na slici 3.3 je prikazano dejstvo anti-aliasing filtera na tekst.

Slika 3.3: Slova A i a bez primene anti-alising filtera (levo) i sa primenom

anti-alising filtera (desno)
Dva tipa aliasinga koja se esto javljaju su vremenski, nastao u signalima
uzorkovanim na vreme (npr. audio signali), i prostorni, nastao u prostorno
uzorkovanim signalima (npr. digitalna slika).
Primer 3.3. Na slici 3.4 vidimo prostorni aliasing i korekciju pomou antialiasing filtera.

Slika 3.4: Prostorni aliasing (levo) i korekcija pomou anti-aliasing filtera

(desno)

11

Literatura
[1] S. R. Kulkarni: Lecture Notes for ELE 201 Introduction to Electrical
Signals and Systems, Princeton, 2002.
[2] A. V. Oppenheim, A. S. Willsky, S. H. Nawab: Signals and Systems,
second edition, Printice-Hall, 1996.
[3] N. Teofanov: Predavanja iz primenjene analize, 1. izdanje, Zavod za
udebenike, 2011.
[4] https://en.wikipedia.org/wiki/Sampling_(signal_processing)
[5] http://www.ee.cityu.edu.hk/~hcso/ee5410_4.pdf
[6] https://en.wikipedia.org/wiki/Aliasing

12