UNIVERSIDADE FEDERAL DO CEARÁ

CENTRO DE TECNOLOGIA
DEPARTAMENTO DE ENGENHARIA DE TELEINFORMÁTICA
SEMESTRE 2022.2
SINAIS E SISTEMAS

RELATÓRIO – Reconstrução de sinais

Matheus De Almeida Esteban - 496091

INTRODUÇÃO

Para começar a falar de reconstrução de sinais, primeiro deve-se ter

uma base sólida em teoria de amostragem. De acordo com Lathi, a
amostragem é a ponte entre o contínuo e o discreto, isto é, um sinal em tempo
contínuo pode ser processado, a partir de suas amostras, por um sistema que
opere em tempo discreto. Em outras palavras, a amostragem de um tempo
contínuo consiste apenas na troca dos valores do sinal em pontos de valores
discretos iguais aos valores do sinal em determinados instantes ao longo do
mesmo. A partir disso surge o teorema da amostragem, (explicado adiante) que
é fundamental para entendermos como se dá a reconstrução de um sinal, pois
a mesma se baseia no teorema.

Chegando na parte de reconstrução de sinais, podemos afirmar que se

consiste em obter o sinal original no tempo contínuo, a partir de suas amostras
para todo instante de tempo, ou seja, pegar toda a sequência de números
discretos da amostragem e transformar de volta no sinal original. Como
mencionado anteriormente, a reconstrução de um sinal se baseia no teorema
da amostragem, logo, caso o sinal original tenha sua frequência comprometida
(aliasing), o sinal jamais poderá ser reconstruído ao que era anteriormente.

Desenvolvimento

Como apresentado anteriormente a amostragem é a ponte do contínuo

para o discreto. Esse processo consiste em pegar um sinal e transformá-lo em
pequenas amostras, a partir disso um sinal contínuo pode ser representado.
Porém, para isso acontecer é de suma importância escolher uma boa taxa de
amostragem, ou seja, uma boa quantidade de dados. Quando são insuficientes
a construção do sinal é falha, assim podem ocorrer erros. Esse processo é
muito importante para a computação, pois é através dele que podemos
representar sinal nos computadores, por exemplo: músicas, fotos, vídeos, etc.

Converter um sinal de Sistema de tempo Converter um sinal de

tempo contínuo em discreto tempo discreto em
discreto contínuo
 Desse modo, o aspecto é mostrado como as funções ω e ƒ (hertz),
sendo à amostragem de x(t) uma taxa de ƒs Hz, podendo ser realizada
multiplicando x(t) por um trem de impulsos δ T (t ), constituído por impulsos
unitários periodicamente repetidos a cada T segundos, sendo T= 1/ƒs. O sinal
amostrado é constituído de impulsos espaçados a cada T segundos (o intervalo
de amostragem). O enésimo pulso, localizado em t = nT, possui uma força
x(nT), sendo o valor de x(t) em t= nT.

x (t)=x (t )δ T (t )=∑ x (nT )δ (t−nT ) Eq.1

n

Tendo o trem de impulso δ T (t )um sinal periódico de período T, ele pode ser
descrito como uma serie trigonométrica de Fourier:

1 2π
δ T (t )= [1+ 2cos ωs t+ 2cos 2 ω s t+2 cos 3 ω s t +...] ωs= = 2 π ƒs Eq.2
T T

Logo,

1
x (t)=x (t )δ T t ¿= [ x(t)+ 2 x (t) cos ω s t+2 x (t) cos 2 ω s t +2 x (t )cos 3 ω s t+...] Eq.3
T

Para obtemos X ( ω), a transformada de Fourier de x (t), obtemos a

transformada do ao lado direito da Eq.3 tendo termo por termo. Este termo
representa o espectro X ¿). deslocado por ωs e – ωs. A transformada do terceiro
termo 2 x(t) cos 2 ωst é X ¿-2ω s ¿+ X ¿+2ω s ¿representando X ¿). deslocado por
2ωs e -2 ωs e assim em seguinte, até o infinito. Sendo esse resultado o espectro
de X (ω) consiste em X(ω) repetindo periodicamente com o período ωs = 2 π /T
rad/s, ou ƒs = 1/T Hz.

∞
1
X (ω)=
T
∑ X ( ω−nω) Eq.4
n−∞

Para reconstruir o x(t) de x ¿), devemos recuperar X(ω) de X (ω). Sendo

possível se não houver sobreposição entre os ciclos sucessivos, portanto, para
indicar que:
ƒs > 2B Eq.5

Além disso, temos o intervalo de amostragem é T=1/ ƒs. Logo;

1
T< Eq.6
2B
Assim, a frequência de amostragem ƒs seja duas vezes maior do que a largura
de faixa B do sinal, X (ω) será constituído das repetições não sobrepostas de
X ¿).

Para provar o teorema de amostragem, consideramos amostras ideias obtidas

pela a multiplicação de um sinal x(t) por um trem de impulso que é fisicamente
não realizado, dessa forma, multiplicamos o sinal x(t) por um trem de pulsos de
largura infinita. Sendo a taxa de amostragem não seja inferior à taxa de
Nyquist, o sinal x(t) pode ser recuperado ao passar um filtro passa-baixas x (t)
,com se ele tivesse sido amostrado pelo o trem de impulsos.

Quando consideramos o fato de que a reconstrução de x(t) requer um

conhecimento dos valores das amostras de Nyquist, essa informação está
disponível no sinal x (t), porque a força do n-ésimo pulso é x(nT), podemos
notar isso ao observar o resultado amostrado pT(t), sendo um sinal periódico,
podemos descrever como uma serie trigonométrica de Fourier.

∞
2π
ρ T (t)=C 0 + ∑ C n cos (n ω s ¿ t+θ n) ¿ ω s=
n=1 T
e

x (t)=x (t ) ρT (t)= x(t )¿

∞
¿ C 0 x (t)+ ∑ C n x (t )cos (n ω s ¿ t+θ n) ¿ Eq.7
n=1

Sendo o sinal amostrado x (t) é constituído por C0x(t), C1x(t) cos(ωst+θ1), C2x(t)
cos(2ωst+θ2),...Sendo o primeiro termo C0x(t) o sinal desejado e todos os outros
termos sendo sinais modulados com espectro centro em ±ωs, ±2ωs,
±3ωs,...Podendo notar que o sinal x(t) pode ser recuperado com um filtro
passa-baixas x (t), sendo necessário que ω s >4 πB ou ƒs > 2B.
 Figura 1 – representação de X ( ω)e x (t).

Reconstrução de sinal

O processo de reconstruir um sinal em tempo continuo x(t) a partir de suas

amostras é também conhecido como Interpolação, sendo o sinal de x(t)
limitado em faixa B Hz pode ser reconstruída de suas amostras se a frequência
de amostragem ƒs exceder 2B Hz ou o intervalo de amostragem T for menor do
que 1/2B. Sendo essa reconstrução feita ao passar o sinal amostrado através
de um filtro passa-baixas ideal de ganho T e com a largura de faixa de qualquer
valor B e ƒs – B Hz. Com a escolha de frequência de corte e o ganho T, o filtro
passa-baixas ideal necessário para a reconstrução é:

H (ω)=T ret
( 2 πωƒ )=T ret ( ωT2 π )
s
Eq.8

Figura 2 – Diagrama de bloco do interpolador

Domínio do tempo:

Usando um filtro simples de interpolação, cujo a resposta ao impulso é ret (t/T),

podemos notar que essa resposta é um pulso de porta centrada na origem,
tendo altura e largura T, conseguimos determinar a saída desse filtro quando a
entrada é o sinal amostrado x (t), constituído de um trem de impulso com o n-
ésimo impulso em t=nT com força x(nT). Cada uma das amostras em x (t),
sendo um impulso, produz na saída um pulso de porta de altura igual a força da
amostra, quando esse impulso passa pelo o filtro, produz em sua saída um
pulso de porta de altura x(nT), centrado em t =nT, assim cada amostra de x (t),
gera um pulso de porta que corresponde ao resultado na saída filtrada que é
uma aproximação em degrau de x(t), sendo esse filtro uma forma simples de
interpolação.

Figura 3: Representação da interpolação.

A resposta da frequência de H(ω) desse filtro é a transformada de Fourier da

resposta ao ret (t/T) ao impulso.

h( t)=ret ( Tt ) Eq.9a
e

H (ω)=T sinc ( ωT2 ) Eq.9b

Sendo a resposta em amplitude |H(ω)| desse filtro, explicando assim sua

simplicidade da interpolação.

Esse filtro, também conhecido como filtro de retentor de ordem zero (ROZ), é
uma forma mais simples de um filtro passa-baixas ideal, que são necessários
na interpolação exata. Podemos melhorar o filtro ROZ, utilizando um filtro
retentor de primeira ordem, resultando em uma interpolação linear, em vez de
uma em degrau. O interpolador linear, cuja a resposta é um pulso triangular
Δ(t/2T), resultando em uma interpolação na qual os topos das amostras
sucessivas vão esta conectadas por um segmento de linha reta.

Interpolação ideal

Em uma interpolação ideal a resposta em frequência do filtro ao impulso desse

filtro, a transformada de Fourier inversa de H(ω), é:

h( t)=sinc ( πtT ) Eq.10a

Para a taxa de amostragem de Nyquist, T=1/2B é:

h(t)=sinc(2 πBt) Eq.10b

Sendo cada amostra em x (t), um impulso que gera um pulso sinc de altura igual a
força da amostra, h(t) é um pulso sinc, em vez de um pulso porta. A soma dos pulsos
sinc gerados por todas as amostras resulta em x(t), sendo a n-ésima amostra da entra
x (t) o impulso x (nT ) δ (t−nT ) e a saída do filtro amostra é x (nT )h(t−nT ). Logo
sua saída do filtro a x (t), a qual x(t) é expressa como o somatório:

x (t)=∑ x(nT ) h(t−nT )

n

¿ ∑ x (nT ) sinc
n
[ π
T
(t −nT )
] Eq,11a
Para caso a taxa de amostragem de Nyquist seja T=1/2B, podemos simplificar
para obter:

x (t)=∑ x(nT ) sinc(2 πBt −nπ ) Eq.11b

n

Sendo a formula de interpolação, na qual resulta nos valores de x(t) entre as

amostras como sendo o somatório ponderado de todos os valores amostrados.

Aliasing

Como o sinal de x(t) é limitado em faixa, todos os sinais práticos são limitados
no tempo, ou seja, eles são de duração ou largura finita, não podendo ser
limitado no tempo e limitado em faixa simultaneamente, se o sinal é limitado no
tempo, ele não pode ser limitado em faixa, e vice versa, dessa forma, todos os
sinais práticos, os quais são necessariamente limitados no tempo, são não
limitados em faixa e possuem uma largura de faixa infinita, sendo o espectro
X ( ω) constituído por ciclos sobrepostos de X (ω), repetindo a cada ƒs Hz.
Figura 4: Representação das Aliasing

Devido a largura de faixa infinita nesse caso a sobreposição espectral é

inevitável, independente da taxa de amostragem, embora amostrar em taxas
mais altas reduza, mas não elimina a sobreposição entre os ciclos espectrais
repetidos. A sobreposição das caudas, X (ω) não possui mais informação
completa de X ( ω), assim não é possível recuperar exatamente x(t) do sinal
amostrado x (ω).
Antialiasing

Uma forma de suprimir esses componentes de x(t) antes de amostrar x(t), pode
ser feito através de um filtro passa-baixas ideal com frequência de corte ƒs / 2
Hz, esse filtro é conhecido como filtro antialiasing. O filtro antialiasing limita em
faixa o sinal x(t) a ƒs / 2 Hz, desse jeito, perdemos apenas as componentes
acima da frequência do dobramento ƒs / 2 Hz. Essas componentes suprimidas
não podem reaparecer para corromper as componentes de frequência abaixo
da frequência de corte.

Ao utilizar um filtro antialiasing resultamos no espectro do sinal reconstruído

X aa (ω)=X ( ω) para |ƒ| < ƒs / 2. Dessa forma, apesar de termos perdido o
espectro além de ƒs / 2 Hz, de todas as frequências abaixo de ƒ s / 2
permanecem intactas, logo a distorção de aliasing efetiva é cortada pela
metade em função da eliminação do dobramento.

Aliasing em senoides

Como a amostragem de um sinal a uma taxa abaixo de Nyquist causa o

aliasing, o qual faz com que as frequências superiores do sinal (ƒs / 2) + ƒz Hz
possam ser mascaradas como frequências mais baixas (ƒs / 2) - ƒz Hz.
Podemos provar assim a proposição mostrando que amostras de senoides de
frequências (ω /2)+ω z e (ω /2)−ω z são idênticas quando a frequência de
amostragem é ƒs = ω s /2 π Hz.

Sendo para a senoide x(t)= cos ωt , amostrada em intervalor de T segundos,

x(nT), a n-ésima amostra (em t=nT) é:

x (nT )=cos ωnT n inteiro

As amostras das senoides de frequência ω=( ω/2)± ω z são

x (nT )=cos ( ω2 ± ω ) nT
s
z

¿ cos ( ω2 )nT cos ω nT ∓ sen( ω2 ) ω nT

s
z
s
z Eq.12
Reconhecendo assim, obtemos que:

x (nT )=cos ( ω2 ) nTcos ω nT

s
z Eq.13

Sendo assim as amostras de uma senoide de frequência (ƒs / 2) + ƒz Hz

idênticas as amostras da senoide (ƒs / 2) - ƒz Hz.

EXPERIMENTOS 

      Nessa parte recriamos o conceito de reconstrução de sinal no matlab. Esse

programa grava um áudio, faz a amostragem e aplica um filtro para reconstruir
o sinal original de um sinal de áudio.

Apresentação do código. 

clc
clear 
close

%variaveis
fs = 100000;
bits= 16;
canal = 1;
 
%gravando audio
r = audiorecorder(fs, bits,canal);
duracao = 10;
disp("Recording started"); 
recordblocking(r, duracao);
disp("Recording stop");
x = getaudiodata(r); %passando valores para x
 
%Som no dominio do tempo
t = 0:1/fs:(numel(x)-1)/fs; %contagem para o eixo X
subplot(4,1,1)
plot(t,x);
xlabel("Frequência (Hz)")
ylabel("Magnitude")
title("Som no Domínio do tempo")
 

%FFt sem filtro (Som ruidoso)

fft_x = fft(x);
fft_xO = fftshift(fft_x);
n = length(fft_x);
f = linspace(-n/2,n/2-1,n)./(duracao);
subplot(4,1,3);
plot(f,abs(fft_xO)/(n/2));
xlabel("Frequência (Hz)")
ylabel("Magnitude")
xlim([-4250 4250])
title("Dominio da frequência sem filtro")
 
%Filtro passa-baixa
filtro = designfilt('lowpassfir', 'PassbandFrequency', 250,
'StopbandFrequency', 500, 'PassbandRipple', 1, 'StopbandAttenuation',
60, 'SampleRate', 20000);
filtro_x = filter(filtro, x);
%Ver o comportamento do filtro fvtool(filtro)
subplot(4,1,2);
plot(t,filtro_x);
xlabel("Frequência (Hz)")
ylabel("Magnitude")
title("Som filtrado (passa-baixo)");
 
%fft filtrado
fft_xf = fft(filtro_x);
fft_xfaj = fftshift(fft_xf);
subplot(4,1,4);
plot(f,abs(fft_xfaj)/(n/2));
xlabel("Frequência (Hz)")
ylabel("Magnitude")
xlim([-4250 4250])
title("Dominio da frequência com filtro")

Esse código tem essencialmente duas partes principais. 

A primeira parte faz a amostragem do sinal x(t) e sua FFT.

Figura 5: Exemplo de espectro de um sinal x(t) no domínio do tempo.

Figura 6: Exemplo da FFT de um sinal x(t)

A parte dois consiste em aplicar uma filtragem desse sinal e fazer a sua FFT.

O filtro nessa parte é muito importante, pois é ele que faz a interpolação do
sinal.  O filtro aplicado é um passa-baixa. Ele deixa passar livremente
frequências de 0 até 3500 Hz, de 3500 até 4000 Hz ele começa afunilar as
frequências. Para deixar mais visível a atuação do filtro foi adicionada um ruído
de 4250 Hz e podemos ver essas frequências sumindo. Esse ruído pode ser
observado na figura 7,

Figura 7: Comportamento do filtro.

Os filtros não são ideias, todos possuem uma falhar. No caso dessa
falha é a tolerância do filtro. Podemos vê-la na parte em azul na figura 7. Com
a criação do filtro basta aplicá-lo no sinal amostrado e em seguida fazer a sua
FFT.

Figura 8: Exemplo de espectro de um sinal x(t) no domínio do tempo com Filtro.

Figura 9: Exemplo da fft de um sinal x(t) com filtro.

CONCLUSÃO

 
Após o estudo teórico e os experimentos práticos, podemos concluir
algumas coisas sobre amostragem e reconstrução de sinais. Por exemplo,
percebemos que algumas frequências de amostragem distorcem o sinal
original, isso é, o sinal original é perdido, isso se dá pelo aliasing, e a partir
disso, podemos dizer que a frequência da amostragem a ser utilizada para que
não ocorra distorção, depende da frequência do sinal, mas especificamente a
frequência da amostragem tem que ser duas vezes o valor da frequência do
sinal, o que nos leva ao teorema da amostragem.
Além disso pudemos perceber que não existe uma função única que
gere um determinado número de amostras, pois existem infinitas funções que
geram o mesmo conjunto de amostras 
Sobre os resultados de experimentos, utilizamos o método de
reconstrução de sinal de interpolação através de filtro passa-baixa para evitar a
distorção do sinal. vale dizer que o método da interpolação gera um atraso
igual a um período de amostragem, por isso ele não é o reconstrutor ideal para
alguns tipos de sistemas, mas no geral ele é bom por sua qualidade de
reconstrução e simplicidade. 
REFERÊNCIAS

LATHI, B. P. Sinais e sistemas lineares. 2. ed. Porto Alegre: Bookman, 2008. 

Link da parte experimental; https://edisciplinas.usp.br/mod/resource/view.php?

id=2392220. Acesso dia 09 de fevereiro de 2022.