Transformada de Fourier en tiempo discreto

Técnica de análisis de Fourier aplicada a secuencias.

En matemáticas , la transformada de Fourier en tiempo discreto ( DTFT ) es una forma de análisis de Fourier que es aplicable a una secuencia de valores discretos.

El DTFT se utiliza a menudo para analizar muestras de una función continua. El término tiempo discreto se refiere al hecho de que la transformada opera con datos discretos, a menudo muestras cuyo intervalo tiene unidades de tiempo. A partir de muestras uniformemente espaciadas, produce una función de frecuencia que es una suma periódica de la transformada continua de Fourier de la función continua original. Bajo ciertas condiciones teóricas, descritas por el teorema de muestreo , la función continua original se puede recuperar perfectamente a partir de la DTFT y, por tanto, de las muestras discretas originales. La DTFT en sí es una función continua de la frecuencia, pero sus muestras discretas se pueden calcular fácilmente mediante la transformada discreta de Fourier (DFT) (ver § Muestreo de la DTFT), que es, con diferencia, el método más común del análisis de Fourier moderno.

Ambas transformadas son invertibles. La DTFT inversa es la secuencia de datos muestreada original. La DFT inversa es una suma periódica de la secuencia original. La transformada rápida de Fourier (FFT) es un algoritmo para calcular un ciclo de la DFT, y su inversa produce un ciclo de la DFT inversa.

Introducción

Relación con la transformada de Fourier

Comenzamos con una definición común de la integral de transformada de Fourier :

${\displaystyle X(f)\triangleq \int _{-\infty }^{\infty }x(t)\cdot e^{-i2\pi ft}dt.}$

Esto se reduce a una suma (ver transformada de Fourier § Integración numérica de una serie de pares ordenados ) cuando se reemplaza por una secuencia discreta de sus muestras, para valores enteros de también se reemplaza dejando : ${\displaystyle x(t)}$ ${\displaystyle x(nT),}$ ${\displaystyle n.}$  ${\displaystyle dt}$ ${\displaystyle T,}$

${\displaystyle X_{1/T}(f)\triangleq \sum _{n=-\infty }^{\infty }\underbrace {T\cdot x(nT)} _{x[n]}\ e^{-i2\pi fTn},}$

que es una serie de Fourier en frecuencia, con periodicidad. El subíndice la distingue de la forma de frecuencia angular de la DTFT. Es decir, cuando la variable frecuencia tiene unidades normalizadas de radianes/muestra , la periodicidad es y la serie de Fourier es : ^{[1] : p.147} ${\displaystyle 1/T.}$ ${\displaystyle 1/T}$ ${\displaystyle X(f)}$ ${\displaystyle \omega ,}$ ${\displaystyle 2\pi ,}$

Fig 1. Representación de una transformada de Fourier (arriba a la izquierda) y su suma periódica (DTFT) en la esquina inferior izquierda. La esquina inferior derecha muestra muestras de DTFT que se calculan mediante una transformada discreta de Fourier (DFT).

La utilidad de la DTFT tiene sus raíces en la fórmula de suma de Poisson , que nos dice que la función periódica representada por la serie de Fourier es una suma periódica de la transformada de Fourier : ^{[a] [A]}

Suma de Poisson

El número entero tiene unidades de ciclos/muestra y es la frecuencia de muestreo ( muestras/seg ). Por lo tanto, comprende copias exactas que se desplazan en múltiplos de hercios y se combinan mediante suma. Para un término suficientemente grande, se puede observar en la región con poca o ninguna distorsión ( aliasing ) de los otros términos.  La figura 1 muestra un ejemplo en el que no es lo suficientemente grande como para evitar el alias. ${\displaystyle k}$ ${\displaystyle 1/T}$ ${\displaystyle f_{s}}$ ${\displaystyle X_{1/T}(f)}$ ${\displaystyle X(f)}$ ${\displaystyle f_{s}}$ ${\displaystyle f_{s}}$ ${\displaystyle k=0}$ ${\displaystyle [-f_{s}/2,f_{s}/2]}$ ${\displaystyle 1/T}$

También observamos que es la transformada de Fourier de Por lo tanto, una definición alternativa de DTFT es : ^[B] ${\displaystyle e^{-i2\pi fTn}}$ ${\displaystyle \delta (t-nT).}$

La función de peine de Dirac modulada es una abstracción matemática a la que a veces se hace referencia como muestreo por impulso . ^[3]

transformada inversa

Una operación que recupera la secuencia de datos discretos de la función DTFT se llama DTFT inversa . Por ejemplo, la transformada continua inversa de Fourier de ambos lados de la ecuación 3 produce la secuencia en forma de función de peine de Dirac modulada :

${\displaystyle \sum _{n=-\infty }^{\infty }x[n]\cdot \delta (t-nT)={\mathcal {F}}^{-1}\left\{X_{1/T}(f)\right\}\ \triangleq \int _{-\infty }^{\infty }X_{1/T}(f)\cdot e^{i2\pi ft}df.}$

Sin embargo, teniendo en cuenta que es periódico, toda la información necesaria está contenida dentro de cualquier intervalo de longitud.   Tanto en la ecuación 1 como en la ecuación 2 , las sumas son una serie de Fourier , con coeficientes.   Las fórmulas estándar para los coeficientes de Fourier también son las transformadas inversas. : ${\displaystyle X_{1/T}(f)}$ ${\displaystyle 1/T.}$ ${\displaystyle n}$ ${\displaystyle x[n].}$

Datos periódicos

Cuando la secuencia de datos de entrada es periódica, la ecuación 2 se puede reducir computacionalmente a una transformada discreta de Fourier (DFT), porque : ${\displaystyle x[n]}$ ${\displaystyle N}$

• Toda la información disponible está contenida en muestras. ${\displaystyle N}$
• ${\displaystyle X_{1/T}(f)}$converge a cero en todas partes excepto en múltiplos enteros de frecuencias conocidas como armónicas . En esas frecuencias, la DTFT diverge a diferentes velocidades dependientes de la frecuencia. Y esas tasas están dadas por la DFT de un ciclo de la secuencia. ${\displaystyle 1/(NT),}$ ${\displaystyle x[n]}$
• La DTFT es periódica, por lo que el número máximo de amplitudes armónicas únicas es ${\displaystyle (1/T)/(1/(NT))=N.}$

La DFT de un ciclo de la secuencia es : ${\displaystyle x[n]}$

${\displaystyle X[k]\triangleq \underbrace {\sum _{N}x[n]\cdot e^{-i2\pi {\frac {k}{N}}n}} _{\text{any n-sequence of length N}},\quad k\in \mathbf {Z} .}$

Y se puede expresar en términos de la transformada inversa : ${\displaystyle x[n]}$

${\displaystyle x[n]={\frac {1}{N}}\underbrace {\sum _{N}X[k]\cdot e^{i2\pi {\frac {k}{N}}n}} _{\text{any k-sequence of length N}},\quad n\in \mathbf {Z} .}$

La DFT inversa a veces se denomina serie discreta de Fourier (DFS). ^{[1] : pág. 542}

${\displaystyle {\begin{aligned}X_{1/T}(f)&\triangleq \sum _{n=-\infty }^{\infty }x[n]\cdot e^{-i2\pi fnT}\\&=\sum _{n=-\infty }^{\infty }\left[{\frac {1}{N}}\sum _{k=0}^{N-1}X[k]\cdot e^{i2\pi {\frac {k}{N}}n}\right]\cdot e^{-i2\pi fnT}\\&={\frac {1}{N}}\sum _{k=0}^{N-1}X[k]\underbrace {\left[\sum _{n=-\infty }^{\infty }e^{i2\pi {\frac {k}{N}}n}\cdot e^{-i2\pi fnT}\right]} _{\operatorname {DTFT} \left(e^{i2\pi {\frac {k}{N}}n}\right)}\\&={\frac {1}{N}}\sum _{k=0}^{N-1}X[k]\cdot {\frac {1}{T}}\sum _{M=-\infty }^{\infty }\delta \left(f-{\tfrac {k}{NT}}-{\tfrac {M}{T}}\right)\end{aligned}}}$      ^[b]

Debido a la periodicidad de ambas funciones, esto se puede simplificar a : ${\displaystyle N}$ ${\displaystyle k,}$

${\displaystyle X_{1/T}(f)={\frac {1}{NT}}\sum _{k=-\infty }^{\infty }X[k]\cdot \delta \left(f-{\frac {k}{NT}}\right),}$

que satisface el requisito de transformación inversa :

${\displaystyle {\begin{aligned}x[n]&=T\int _{0}^{\frac {1}{T}}X_{1/T}(f)\cdot e^{i2\pi fnT}df\\&={\frac {1}{N}}\sum _{k=-\infty }^{\infty }X[k]\underbrace {\int _{0}^{\frac {1}{T}}\delta \left(f-{\tfrac {k}{NT}}\right)e^{i2\pi fnT}df} _{{\text{zero for }}k\ \notin \ [0,N-1]}\\&={\frac {1}{N}}\sum _{k=0}^{N-1}X[k]\int _{0}^{\frac {1}{T}}\delta \left(f-{\tfrac {k}{NT}}\right)e^{i2\pi fnT}df\\&={\frac {1}{N}}\sum _{k=0}^{N-1}X[k]\cdot e^{i2\pi {\tfrac {k}{NT}}nT}\\&={\frac {1}{N}}\sum _{k=0}^{N-1}X[k]\cdot e^{i2\pi {\tfrac {k}{N}}n}\end{aligned}}}$

Muestreo del DTFT

Cuando la DTFT es continua, una práctica común es calcular un número arbitrario de muestras de un ciclo de la función periódica : ^{[1] : págs. 557–559 y 703} ${\displaystyle (N)}$ ${\displaystyle X_{1/T}}$ 

${\displaystyle {\begin{aligned}\underbrace {X_{1/T}\left({\frac {k}{NT}}\right)} _{X_{k}}&=\sum _{n=-\infty }^{\infty }x[n]\cdot e^{-i2\pi {\frac {k}{N}}n}\quad \quad k=0,\dots ,N-1\\&=\underbrace {\sum _{N}x_{_{N}}[n]\cdot e^{-i2\pi {\frac {k}{N}}n},} _{\text{DFT}}\quad \scriptstyle {{\text{(sum over any }}n{\text{-sequence of length }}N)}\end{aligned}}}$

donde hay una suma periódica : ${\displaystyle x_{_{N}}}$

${\displaystyle x_{_{N}}[n]\ \triangleq \ \sum _{m=-\infty }^{\infty }x[n-mN].}$     (ver serie discreta de Fourier )

La secuencia es la DFT inversa. Por tanto, nuestro muestreo de la DTFT hace que la transformada inversa se vuelva periódica. La matriz de valores se conoce como periodograma y el parámetro se llama NFFT en la función de Matlab del mismo nombre. ^[4] ${\displaystyle x_{_{N}}}$ ${\displaystyle |X_{k}|^{2}}$ ${\displaystyle N}$

Para evaluar un ciclo numéricamente, necesitamos una secuencia de longitud finita. Por ejemplo, una secuencia larga podría truncarse mediante una función de ventana de longitud, lo que daría como resultado tres casos dignos de mención especial. Para simplificar la notación, considere los valores siguientes para representar los valores modificados por la función de ventana. ${\displaystyle x_{_{N}}}$ ${\displaystyle x[n]}$ ${\displaystyle L}$ ${\displaystyle x[n]}$

Caso: Diezmación de frecuencia. para algún número entero (normalmente 6 u 8) ${\displaystyle L=N\cdot I,}$ ${\displaystyle I}$

Un ciclo de se reduce a una suma de segmentos de longitud.   La DFT recibe varios nombres, como por ejemplo : ${\displaystyle x_{_{N}}}$ ${\displaystyle I}$ ${\displaystyle N.}$

• FFT de presunción de ventana ^[5]
• Ponderar, superponer, agregar (WOLA) ^{[6] [7] [8] [9] [10] [11] [C] [D]}

• DFT polifásico ^{[9] [10]}
• banco de filtros polifásicos ^[12]
• ventanas de bloques múltiples y alias de tiempo . ^[13]

Recuerde que la destrucción de datos muestreados en un dominio (tiempo o frecuencia) produce superposición (a veces conocida como aliasing ) en el otro, y viceversa. En comparación con una DFT de longitud, la suma/superposición causa una disminución en la frecuencia, ^{[1] : p.558} dejando solo las muestras DTFT menos afectadas por la fuga espectral . Esta suele ser una prioridad al implementar un banco de filtros FFT (canalizador). Con una función de ventana convencional, la pérdida de festoneado de longitud sería inaceptable. Por lo tanto, las ventanas de bloques múltiples se crean utilizando herramientas de diseño de filtros FIR . ^{[14] [15]}   Su perfil de frecuencia es plano en el punto más alto y cae rápidamente en el punto medio entre las muestras DTFT restantes. Cuanto mayor sea el valor del parámetro , mejor será el rendimiento potencial. ${\displaystyle L}$ ${\displaystyle x_{_{N}}}$ ${\displaystyle L,}$ ${\displaystyle I,}$

Caso: ${\displaystyle L=N+1}$

Cuando una función de ventana simétrica de longitud ( ) se trunca en 1 coeficiente, se denomina periódica o DFT par . Esta es una práctica común, pero el truncamiento afecta ligeramente la DTFT (fuga espectral). Es al menos de interés académico caracterizar ese efecto. Una DFT de longitud de la ventana truncada produce muestras de frecuencia a intervalos de en lugar de   Las muestras tienen valores reales, ^{[16] : p.52}   pero sus valores no coinciden exactamente con la DTFT de la ventana simétrica. La suma periódica, junto con una DFT de longitud, también se puede utilizar para muestrear la DTFT a intervalos de   Esas muestras también tienen valores reales y coinciden exactamente con la DTFT (ejemplo: Archivo:Muestreo de la transformada de Fourier en tiempo discreto.svg ). . Para utilizar la ventana simétrica completa para el análisis espectral en el espaciado, se combinarían las muestras de datos y (por suma, porque la ventana simétrica las pondera por igual) y luego aplicaría la ventana simétrica truncada y la DFT de longitud. ${\displaystyle L}$ ${\displaystyle x}$ ${\displaystyle N}$ ${\displaystyle 1/N,}$ ${\displaystyle 1/L.}$ ${\displaystyle x_{_{N}},}$ ${\displaystyle N}$ ${\displaystyle 1/N.}$ ${\displaystyle 1/N}$ ${\displaystyle n=0}$ ${\displaystyle n=N}$ ${\displaystyle N}$

Fig 2. EPS de e ^i2πn/8 para L = 64 y N = 256

Fig 3. EPS de e ^i2πn/8 para L = 64 y N = 64

Caso: Interpolación de frecuencia. ${\displaystyle L\leq N}$

En este caso, la DFT se simplifica a una forma más familiar :

${\displaystyle X_{k}=\sum _{n=0}^{N-1}x[n]\cdot e^{-i2\pi {\frac {k}{N}}n}.}$

Para aprovechar un algoritmo de transformada rápida de Fourier para calcular la DFT, la suma generalmente se realiza sobre todos los términos, incluso aunque algunos de ellos sean ceros. Por lo tanto, el caso a menudo se denomina relleno con ceros . ${\displaystyle N}$ ${\displaystyle N-L}$ ${\displaystyle L<N}$

La fuga espectral, que aumenta a medida que disminuye, es perjudicial para ciertas métricas de rendimiento importantes, como la resolución de múltiples componentes de frecuencia y la cantidad de ruido medida por cada muestra DTFT. Pero esas cosas no siempre importan, por ejemplo cuando la secuencia es una sinusoide silenciosa (o una constante), formada por una función de ventana. Entonces es una práctica común utilizar relleno con ceros para mostrar gráficamente y comparar los patrones de fuga detallados de las funciones de ventana. Para ilustrar eso para una ventana rectangular, considere la secuencia: ${\displaystyle L}$ ${\displaystyle x[n]}$

${\displaystyle x[n]=e^{i2\pi {\frac {1}{8}}n},\quad }$y ${\displaystyle L=64.}$

Las Figuras 2 y 3 son gráficos de la magnitud de dos DFT de diferentes tamaños, como se indica en sus etiquetas. En ambos casos, el componente dominante está en la frecuencia de la señal: . También es visible en la Fig. 2 el patrón de fuga espectral de la ventana rectangular. La ilusión de la Fig. 3 es el resultado de muestrear la DTFT justo en sus cruces por cero. En lugar de la DTFT de una secuencia de longitud finita, da la impresión de una secuencia sinusoidal infinitamente larga. Los factores que contribuyen a la ilusión son el uso de una ventana rectangular y la elección de una frecuencia (1/8 = 8/64) con exactamente 8 ciclos (un número entero) por 64 muestras. Una ventana de Hann produciría un resultado similar, excepto que el pico se ampliaría a 3 muestras (consulte DFT-ventana de Hann par). ${\displaystyle f=1/8=0.125}$ ${\displaystyle L=64}$

Circunvolución

El teorema de convolución para secuencias es :

${\displaystyle x*y\ =\ \scriptstyle {\rm {DTFT}}^{-1}\displaystyle \left[\scriptstyle {\rm {DTFT}}\displaystyle \{x\}\cdot \scriptstyle {\rm {DTFT}}\displaystyle \{y\}\right].}$^{[17] : p.297  [c]}

Un caso especial importante es la convolución circular de secuencias xey definidas por donde es una suma periódica. La naturaleza de frecuencia discreta de significa que el producto con la función continua también es discreto, lo que resulta en una simplificación considerable de la transformada inversa : ${\displaystyle x_{_{N}}*y,}$ ${\displaystyle x_{_{N}}}$ ${\displaystyle \scriptstyle {\rm {DTFT}}\displaystyle \{x_{_{N}}\}}$ ${\displaystyle \scriptstyle {\rm {DTFT}}\displaystyle \{y\}}$

${\displaystyle x_{_{N}}*y\ =\ \scriptstyle {\rm {DTFT}}^{-1}\displaystyle \left[\scriptstyle {\rm {DTFT}}\displaystyle \{x_{_{N}}\}\cdot \scriptstyle {\rm {DTFT}}\displaystyle \{y\}\right]\ =\ \scriptstyle {\rm {DFT}}^{-1}\displaystyle \left[\scriptstyle {\rm {DFT}}\displaystyle \{x_{_{N}}\}\cdot \scriptstyle {\rm {DFT}}\displaystyle \{y_{_{N}}\}\right].}$^{[18] [1] : p.548}

Para secuencias xey cuya duración distinta de cero es menor o igual a N , una simplificación final es :

${\displaystyle x_{_{N}}*y\ =\ \scriptstyle {\rm {DFT}}^{-1}\displaystyle \left[\scriptstyle {\rm {DFT}}\displaystyle \{x\}\cdot \scriptstyle {\rm {DFT}}\displaystyle \{y\}\right].}$

La importancia de este resultado se explica en Algoritmos de convolución circular y convolución rápida .

Propiedades de simetría

Cuando las partes real e imaginaria de una función compleja se descomponen en sus partes pares e impares , hay cuatro componentes, indicados a continuación por los subíndices RE, RO, IE e IO. Y hay un mapeo uno a uno entre los cuatro componentes de una función de tiempo compleja y los cuatro componentes de su transformada de frecuencia compleja : ^{[17] : p.291}

${\displaystyle {\begin{aligned}{\mathsf {Time\ domain}}\quad &\ x\quad &=\quad &x_{_{RE}}\quad &+\quad &x_{_{RO}}\quad &+\quad i\ &x_{_{IE}}\quad &+\quad &\underbrace {i\ x_{_{IO}}} \\&{\Bigg \Updownarrow }{\mathcal {F}}&&{\Bigg \Updownarrow }{\mathcal {F}}&&\ \ {\Bigg \Updownarrow }{\mathcal {F}}&&\ \ {\Bigg \Updownarrow }{\mathcal {F}}&&\ \ {\Bigg \Updownarrow }{\mathcal {F}}\\{\mathsf {Frequency\ domain}}\quad &X\quad &=\quad &X_{RE}\quad &+\quad &\overbrace {i\ X_{IO}} \quad &+\quad i\ &X_{IE}\quad &+\quad &X_{RO}\end{aligned}}}$

De esto se desprenden varias relaciones, por ejemplo :

• La transformada de una función de valor real es la función simétrica par. Por el contrario, una transformada simétrica par implica un dominio del tiempo de valor real. ${\displaystyle (x_{_{RE}}+x_{_{RO}})}$ ${\displaystyle X_{RE}+i\ X_{IO}.}$
• La transformada de una función de valor imaginario es la función simétrica impar y lo contrario es cierto. ${\displaystyle (i\ x_{_{IE}}+i\ x_{_{IO}})}$ ${\displaystyle X_{RO}+i\ X_{IE},}$
• La transformada de una función simétrica par es la función de valor real y lo contrario es cierto. ${\displaystyle (x_{_{RE}}+i\ x_{_{IO}})}$ ${\displaystyle X_{RE}+X_{RO},}$
• La transformada de una función simétrica impar es la función de valor imaginario y lo contrario es cierto. ${\displaystyle (x_{_{RO}}+i\ x_{_{IE}})}$ ${\displaystyle i\ X_{IE}+i\ X_{IO},}$

Relación con la transformada Z

${\displaystyle X_{2\pi }(\omega )}$es una serie de Fourier que también se puede expresar en términos de la transformada Z bilateral . Es decir :

${\displaystyle X_{2\pi }(\omega )=\left.{\widehat {X}}(z)\,\right|_{z=e^{i\omega }}={\widehat {X}}(e^{i\omega }),}$

donde la notación distingue la transformada Z de la transformada de Fourier. Por lo tanto, también podemos expresar una parte de la transformada Z en términos de la transformada de Fourier : ${\displaystyle {\widehat {X}}}$

${\displaystyle {\begin{aligned}{\widehat {X}}(e^{i\omega })&=\ X_{1/T}\left({\tfrac {\omega }{2\pi T}}\right)\ =\ \sum _{k=-\infty }^{\infty }X\left({\tfrac {\omega }{2\pi T}}-k/T\right)\\&=\sum _{k=-\infty }^{\infty }X\left({\tfrac {\omega -2\pi k}{2\pi T}}\right).\end{aligned}}}$

Tenga en cuenta que cuando el parámetro T cambia, los términos de permanecen a una separación constante y su ancho aumenta o disminuye. Los términos de X _{1/ T} ( f ) mantienen un ancho constante y su separación 1/ T aumenta o disminuye. ${\displaystyle X_{2\pi }(\omega )}$ ${\displaystyle 2\pi }$

Tabla de transformadas de Fourier en tiempo discreto

En la siguiente tabla se muestran algunos pares de transformadas comunes. Se aplica la siguiente notación :

• ${\displaystyle \omega =2\pi fT}$es un número real que representa la frecuencia angular continua (en radianes por muestra). ( está en ciclos/seg y en segundos/muestra). En todos los casos de la tabla, la DTFT es 2π-periódica (en ). ${\displaystyle f}$ ${\displaystyle T}$ ${\displaystyle \omega }$
• ${\displaystyle X_{2\pi }(\omega )}$designa una función definida en . ${\displaystyle -\infty <\omega <\infty }$
• ${\displaystyle X_{o}(\omega )}$designa una función definida en y cero en otros lugares. Entonces: ${\displaystyle -\pi <\omega \leq \pi }$
  $${\displaystyle X_{2\pi }(\omega )\ \triangleq \sum _{k=-\infty }^{\infty }X_{o}(\omega -2\pi k).}$$
• ${\displaystyle \delta (\omega )}$es la función delta de Dirac
• ${\displaystyle \operatorname {sinc} (t)}$ es la función sinc normalizada
• ${\displaystyle \operatorname {rect} \left[{n \over L}\right]\triangleq {\begin{cases}1&|n|\leq L/2\\0&|n|>L/2\end{cases}}}$
• ${\displaystyle \operatorname {tri} (t)}$es la función triangular
• n es un número entero que representa el dominio del tiempo discreto (en muestras)
• ${\displaystyle u[n]}$es la función de paso unitario de tiempo discreto
• ${\displaystyle \delta [n]}$es el delta de Kronecker ${\displaystyle \delta _{n,0}}$

Propiedades

Esta tabla muestra algunas operaciones matemáticas en el dominio del tiempo y los efectos correspondientes en el dominio de la frecuencia.

• ${\displaystyle *\!}$es la convolución discreta de dos secuencias
• ${\displaystyle x[n]^{*}}$es el conjugado complejo de x [ n ] .

Ver también

• Análisis espectral de mínimos cuadrados
• Transformación multidimensional
• transformación de zak

Notas

1. Cuando la dependencia de T no es importante, una práctica común es reemplazarla con Entonces f   tiene unidades de ( ciclos/muestra ), llamada frecuencia normalizada . ${\displaystyle 1.}$
2. De hecho, la ecuación 2 a menudo se justifica de la siguiente manera : ^{[1] : p.143}
   $${\displaystyle {\begin{aligned}{\mathcal {F}}\left\{\sum _{n=-\infty }^{\infty }T\cdot x(nT)\cdot \delta (t-nT)\right\}&={\mathcal {F}}\left\{x(t)\cdot T\sum _{n=-\infty }^{\infty }\delta (t-nT)\right\}\\&=X(f)*{\mathcal {F}}\left\{T\sum _{n=-\infty }^{\infty }\delta (t-nT)\right\}\\&=X(f)*\sum _{k=-\infty }^{\infty }\delta \left(f-{\frac {k}{T}}\right)\\&=\sum _{k=-\infty }^{\infty }X\left(f-{\frac {k}{T}}\right).\end{aligned}}}$$
3. WOLA no debe confundirse con el método de convolución por partes de superposición y adición .
4. Ejemplo de WOLA: Archivo: ejemplo de canalizador WOLA.png
5. Esta expresión se deriva de la siguiente manera: ^{[1] : p.168}

   ${\displaystyle {\begin{aligned}\sum _{n=-\infty }^{\infty }x(nMT)\ e^{-i\omega n}&={\frac {1}{MT}}\sum _{k=-\infty }^{\infty }X\left({\tfrac {\omega }{2\pi MT}}-{\tfrac {k}{MT}}\right)\\&={\frac {1}{MT}}\sum _{m=0}^{M-1}\quad \sum _{n=-\infty }^{\infty }X\left({\tfrac {\omega }{2\pi MT}}-{\tfrac {m}{MT}}-{\tfrac {n}{T}}\right),\quad {\text{where}}\quad k\rightarrow m+nM\\&={\frac {1}{M}}\sum _{m=0}^{M-1}\quad {\frac {1}{T}}\sum _{n=-\infty }^{\infty }X\left({\tfrac {(\omega -2\pi m)/M}{2\pi T}}-{\tfrac {n}{T}}\right)\\&={\frac {1}{M}}\sum _{m=0}^{M-1}\quad X_{2\pi }\left({\tfrac {\omega -2\pi m}{M}}\right)\end{aligned}}}$

Citas de página

1. Oppenheim y Schafer, ^[1] p 147 (4.20), p 694 (10.1), y Prandoni y Vetterli, ^[2] p 255, (9.33), donde:   por lo tanto   También   y   ${\displaystyle x[n]\triangleq x(nT)={\tfrac {1}{T}}x[n],}$ ${\displaystyle X(e^{i\omega })\triangleq {\tfrac {1}{T}}X_{2\pi }(\omega ).}$ ${\displaystyle \omega \triangleq 2\pi fT,}$ ${\displaystyle X_{c}(i2\pi f)\triangleq X(f).}$
2. Oppenheim y Schafer, ^[1] p 551 (8.35), y Prandoni y Vetterli, ^[2] p 82, (4.43). Con definiciones :     y   esta expresión difiere de las referencias por un factor de porque la perdieron al pasar del 3er paso al 4to. Específicamente, la DTFT de en § Tabla de transformadas de Fourier en tiempo discreto tiene un factor que las referencias omitieron. ${\displaystyle {\tilde {X}}(e^{i\omega })\triangleq {\tfrac {1}{T}}X_{2\pi }(\omega ),}$   ${\displaystyle \omega \triangleq 2\pi fT,}$  ${\displaystyle {\tilde {X}}[k]\triangleq X[k],}$ ${\displaystyle \delta \left(2\pi fT-{\tfrac {2\pi k}{N}}\right)\equiv \delta \left(f-{\tfrac {k}{NT}}\right)/(2\pi T),}$ ${\displaystyle 2\pi }$ ${\displaystyle e^{-ian}}$ ${\displaystyle 2\pi }$
3. Oppenheim y Schafer, ^[1] p 60, (2.169), y Prandoni y Vetterli, ^[2] p 122, (5.21)

Referencias

1. Oppenheim, Alan V .; Schafer, Ronald W .; Dólar, John R. (1999). "4.2, 8.4". Procesamiento de señales en tiempo discreto (2ª ed.). Upper Saddle River, Nueva Jersey: Prentice Hall. ISBN 0-13-754920-2. Las muestras de la transformada de Fourier de una secuencia aperiódica x[n] pueden considerarse como coeficientes DFS de una secuencia periódica obtenidos sumando réplicas periódicas de x[n]. 
2. Prandoni, Paolo; Vetterli, Martín (2008). Procesamiento de señales para comunicaciones (PDF) (1 ed.). Boca Ratón, FL: CRC Press. págs.72, 76. ISBN 978-1-4200-7046-0. Consultado el 4 de octubre de 2020 . los coeficientes DFS para la señal periodizada son un conjunto discreto de valores para su DTFT
3. Rao, R. (2008). Señales y Sistemas. Prentice-Hall de la India Pvt. Limitado. Limitado. ISBN 9788120338593.
4. "Estimación de la densidad espectral de potencia del periodograma - periodograma de MATLAB".
5. Gumas, Charles Constantine (julio de 1997). "La FFT de presunción de ventana logra una resolución y un alto rango dinámico". Noticias de instrumentación y ingeniería personal : 58–64. Archivado desde el original el 10 de febrero de 2001.{{cite journal}}: CS1 maint: bot: original URL status unknown (link)
6. Crochiére, RE; Rabiner, LR (1983). "7.2". Procesamiento de señales digitales multivelocidad. Englewood Cliffs, Nueva Jersey: Prentice-Hall. págs. 313–326. ISBN 0136051626.
7. Wang, Hong; Lu, Youxin; Wang, Xuegang (16 de octubre de 2006). "Receptor canalizado con WOLA Filterbank". 2006 Conferencia Internacional CIE sobre Radar . Shanghái, China: IEEE. págs. 1–3. doi :10.1109/ICR.2006.343463. ISBN 0-7803-9582-4. S2CID  42688070.
8. Lyons, Richard G. (junio de 2008). "Trucos DSP: construcción de un analizador de espectro práctico". Tiempos EE.UU. Consultado el 20 de febrero de 2020 .   Sin embargo, tenga en cuenta que contiene un enlace etiquetado como estructura de superposición y adición ponderada que va incorrectamente al método de superposición y adición .
9. Lillington, John (marzo de 2003). "Comparación de Arquitecturas de Canalización de Banda Ancha" (PDF) . Dallas: Conferencia internacional sobre procesamiento de señales. pag. 4 (figura 7). S2CID  31525301. Archivado desde el original (PDF) el 8 de marzo de 2019 . Consultado el 6 de septiembre de 2020 . El "Weight Overlap and Add" o WOLA o su subconjunto, el "Polyphase DFT", está cada vez más establecido y ciertamente es muy eficiente cuando se requieren bancos de filtros grandes y de alta calidad.
10. Lillington, John. "Una revisión de las técnicas del banco de filtros: RF y digital" (PDF) . armms.org . Isla de Wight, Reino Unido: Libra Design Associates Ltd. p. 11 . Consultado el 6 de septiembre de 2020 . Afortunadamente, existe una solución mucho más elegante, como se muestra en la Figura 20 a continuación, conocida como FFT polifásica o WOLA (Weight, Overlap and Add).
11. Hochgürtel, Stefan (2013). "Implementaciones eficientes de espectrómetros FFT de banda ancha de alta resolución y su aplicación a un estudio de línea del Centro Galáctico APEX" (PDF) . hss.ulb.uni-bonn.de . Bonn: Universidad renana Friedrich Wilhelms de Bonn. págs. 26-27 . Consultado el 6 de septiembre de 2020 . Para realizar WOLA multiplicado por M para una DFT de N puntos, M·N muestras de entrada reales a _j primero se multiplican por una función de ventana w _j del mismo tamaño
12. Chennamangalam, Jayanth (18 de octubre de 2016). "La técnica del banco de filtros polifásicos". Grupo CASPER . Consultado el 30 de octubre de 2016 .
13. Dahl, Jason F. (6 de febrero de 2003). Métodos de alias de tiempo de estimación del espectro (Ph.D.). Universidad Brigham Young . Consultado el 31 de octubre de 2016 .
14. Lin, Yuan-Pei; Vaidyanathan, PP (junio de 1998). "Un enfoque de ventana de Kaiser para el diseño de filtros prototipo de bancos de filtros modulados en coseno" (PDF) . Cartas de procesamiento de señales IEEE . 5 (6): 132-134. Código Bib : 1998ISPL....5..132L. doi : 10.1109/97.681427. S2CID  18159105 . Consultado el 16 de marzo de 2017 .
15. Harris, Frederic J. (24 de mayo de 2004). "9". Procesamiento de señales multivelocidad para sistemas de comunicación . Upper Saddle River, Nueva Jersey: Prentice Hall PTR. págs. 226-253. ISBN 0131465112.
16. Harris, Fredric J. (enero de 1978). «Sobre el uso de Windows para Análisis Armónicos con la Transformada Discreta de Fourier» (PDF) . Actas del IEEE . 66 (1): 51–83. Código Bib : 1978IEEEP..66...51H. CiteSeerX 10.1.1.649.9880 . doi :10.1109/PROC.1978.10837. S2CID  426548. 
17. Proakis, John G.; Manolakis, Dimitri G. (1996). Procesamiento de señales digitales: principios, algoritmos y aplicaciones (3 ed.). Nueva Jersey: Prentice-Hall Internacional. Código Bib : 1996dspp.book.....P. ISBN 9780133942897. sAcfAQAAIAAJ.
18. Rabiner, Lawrence R .; Oro, Bernard (1975). Teoría y aplicación del procesamiento de señales digitales . Englewood Cliffs, Nueva Jersey: Prentice-Hall, Inc. p. 59 (2.163). ISBN 978-0139141010.

Otras lecturas

• Porat, Boaz (1996). Un curso de procesamiento de señales digitales . John Wiley e hijos. págs. 27-29 y 104-105. ISBN 0-471-14961-6.
• Siebert, William M. (1986). Circuitos, Señales y Sistemas . Serie de Ingeniería Eléctrica e Informática del MIT. Cambridge, MA: MIT Press. ISBN 0262690950.
• Lyon, Richard G. (2010). Comprensión del procesamiento de señales digitales (3ª ed.). Prentice Hall. ISBN 978-0137027415.