Kapitel 6
Diskret representation av kontinuerliga signaler
I digital signalbehandling ¨ar det vanligt att en kontinuerlig signal representeras i form av en diskret sekvens, t.ex. f¨or att ¨overf¨oras eller lagras i digital form, s˚asom i digital telekommunikation och digitala audiotill¨ampningar. Vid dylika till¨ampningar ¨ar det viktigt att exakt k¨anna till vilka komponenter av en kontinuerlig signal kan represen- teras i form av en diskret sekvens, samt hur och under vilka villkor den kontinuerliga signalen kan rekonstrueras fr˚an den diskreta.
Det ¨ar l¨att att inse att varje kontinuerlig signal ej kan representeras med hj¨alp av en diskret sekvens, d˚a antalet punkter i en kontinuerlig funktion xa(t) ju ¨ar mycket st¨orre
¨an antalet v¨arden i en diskret sekvens {xd(n)}. I allm¨anhet g˚ar d¨arf¨or en viss m¨angd av informationen i den kontinuerliga signalen f¨orlorad vid ¨overg˚ang till en diskret rep- resentation. Det anm¨arkningsv¨arda ¨ar att det g˚ar att exakt karakterisera de funktioner xa(t) som kan representeras med hj¨alp av en diskret sekvens {xd(n)}. Dessutom kan en s˚adan funktion xa(t) rekonstrueras exakt fr˚an sekvensen {xd(n)}. Dessa viktiga resultat g˚ar i litteraturen under ben¨amningen samplingsteoremet.
6.1 Sampling av signaler och aliaseffekten
F¨or att klarg¨ora sambandet mellan kontinuerliga och diskreta signalrepresentationer studerar vi f¨oljande grundl¨aggande situation. Vi betraktar en kontinuerlig signal xa(t).
Denna ”samplas” vid tidpunkterna {nTs}, s˚a att man f˚ar den diskreta sekvensen {xa(nTs)} = {. . . , xa(−2Ts), xa(−Ts), xa(0), xa(Ts), xa(2Ts), . . .} (6.1) Tiden Tskallas samplingstid eller samplingsperiod. Samplingsfrekvensen (i Hz) definieras som
fs = 1
Ts (6.2)
och samplingsfrekvensen angiven som en vinkelfrekvens ¨ar ωs= 2πfs = 2π
Ts (6.3)
Man kan naturligtvis t¨anka sig ett mera komplicerat samband mellan den kontinuerliga och diskreta signalen ¨an den i ekvation (6.1). Det visar sig emellertid att det ¨ar tillr¨ackligt att studera diskretiseringen enligt (6.1) f¨or att utreda sambandet mellan kontinuerliga och diskreta signalrepresentationer.
Analysen av f¨orh˚allandet mellan kontinuerliga och diskreta signaler g¨ors bekv¨amast i frekvensplanet. F¨or att ge en insikt i problematiken skall vi f¨orst betrakta ett enkelt exempel med en sinusformad signal.
Exempel 6.1.
Betrakta en sinusformad signal x0(t) med vinkelfrekvensen ω0,
x0(t) = sin(ω0t) (6.4)
Antag att signalen samplas med samplingsperioden Ts, varvid man f˚ar den diskreta sekvensen {x0(nTs)},
x0(nTs) = sin(ω0Tsn) (6.5)
Om man ur den samplade sekvensen {x0(nTs)} entydigt kunde best¨amma sinusfunk- tionens amplitud och frekvens ω0 s˚a skulle den kontinuerliga signalen x0(t) kunna rekonstrueras ur den samplade sekvensen. Detta ¨ar emellertid inte m¨ojligt, eftersom det fr˚an sinusfunktionens periodicitet f¨oljer att
x0(nTs) = sin(ω0Tsn)
= sin(ω02π ωsn)
= sin(ω02π
ωsn + 2πln)
= sin(2π(ω0+ ωsl) ωs n)
= sin((ω0+ ωsl)Tsn), alla heltal l (6.6) Detta inneb¨ar att signalerna xl(t) = sin((ω0 + ωsl)t) ger samma diskreta sekvens, {xl(nTs)} = {x0(nTs)} f¨or alla heltalsv¨arden l. Sinusfunktioner med vinkelfrekvenserna ωl = ω0+ ωsl, l = 0, ±1, ±2, . . . (6.7) kan s˚aledes inte urskiljas fr˚an varandra efter sampling. Situationen illustreras i det mellersta diagrammet i figur 6.1.
Vinkelfrekvenserna ωl = ω0 + ωsl (motsvarande frekvenserna fl = f0+ fsl) kallas aliasfrekvenser till frekvensen ω0 (respektive f0) i avseende ˚a samplingsfrekvensen
ωs, eftersom de alla f¨orefaller identiska efter sampling. Fenomenet i vilket ett antal frekvenser hos den kontinuerliga signalen blir identiska efter diskretisering kallas alias- effekten (eng. aliasing).
Enligt ovan skulle det b¨asta man kan g¨ora efter sampling vara att beskriva en kontinuerlig signal inom ett frekvensband av bredden ωs. Situationen ¨ar emellertid t.o.m. ¨annu n˚agot s¨amre ¨an s˚a; i kapitel 3 s˚ag vi att spektret f¨or negativa frekvenser ej var oberoende av v¨ardet f¨or positiva frekvenser. Speciellt g¨aller f¨or reella signaler sam- bandet X(−ω) = X∗(ω). Frekvensen ω i intervallet [ωs/2, ωs] har en aliasfrekvens ω−ωs i intervallet [−ωs/2, 0]. Det f¨oljer att signaler med frekvenser i intervallet [ωs/2, ωs] efter sampling ej kan urskiljas fr˚an signaler med frekvenser i intervallet [0, ωs/2], s˚asom ¨aven f¨oljande exempel visar.
Figur 6.1: Sampling av sinusformade signaler med samplingsfrekvensen ωs. ¨Overst: sampling av l˚agfrekvent signal sin(ω0t) med ω0 = ωs/4. Mitten: sampling av signalen sin(ω1t) ger ekvivalent samplad signal d˚a ω1= ω0+ ωs¨ar aliasfrekvens till ω0 (jfr exempel 6.1). Nederst:
sampling av signalen sin(ωft − π) ger ekvivalent samplad signal d˚a ωf = ωs − ω0 ¨ar den frekvens som viks in till frekvensen ω0 (jfr exempel 6.2).
Exempel 6.2.
Betrakta en periodisk signal med vinkelfrekvensen ω0 och fasen φ,
x(t) = cos(ω0t + φ) (6.8)
Antag att signalen samplas med samplingsfrekvensen ωs = 2π/Ts, s˚a att ω0 ¨ar i inter- vallet (ωs/2, ωs), dvs ωs/2 < ω0 < ωs. H¨arvid f˚as den diskreta sekvensen {x(nTs)},
x(nTs) = cos(ω0nTs+ φ) = cos(ω0
2π
ωsn + φ) (6.9)
Betrakta sedan en annan signal xf(t) med frekvensen ωf = ωs− ω0 och fasen −φ,
xf(t) = cos(ωft − φ) (6.10)
Tydligen g¨aller 0 < ωf < ωs/2. Sampling av signalen xf(t) ger sekvensen xf(nTs) = cos(ωfnTs− φ)
= cos(ωf2π
ωsn − φ)
= cos(ωf2π ωs
n − φ − 2πn)
= cos((ωf − ωs)2π
ωs n − φ)
= cos(−(ωf − ωs)2π ωs
n + φ) [j¨amn funktion]
= cos(ω02π
ωsn + φ) [ω0 = ωs− ωf]
= x(nTs) (6.11)
H¨ar har vi utnyttjat dels aliasegenskapen fr˚an Exempel 6.1 samt det faktum att cosinus
¨ar en j¨amn funktion; cos(−θ) = cos(θ). Ekvationen (6.11) inneb¨ar att de diskreta sekvenserna {x(nTs)} och {xf(nTs)} ej kan urskiljas fr˚an varandra. Frekvensvikning illustreras i det nedersta diagrammet i figur 6.1.
Exempel 6.2 visar att f¨or varje periodisk signal x(t) med en frekvens ω0 i intervallet [ωs/2, ωs] existerar en annan periodisk signal xf(t) med frekvensen ωf = ωs−ω0 i inter- vallet [0, ωs/2] s˚a att de samplade sekvenserna {x(nTs)} och {xf(nTs)} ¨ar ekvivalenta, och signalerna kan allts˚a ej urskiljas efter sampling. Man s¨ager att frekvensen ω0 fr˚an intervallet [ωs/2, ωs] ”viks” in till frekvensen ωf i intervallet [0, ωs/2] (frekvensvikning, eng. frequency folding), ty frekvenserna ωf och ω0befinner sig symmetriskt i f¨orh˚allande till ωs/2 (ω0 − ωs/2 = ωs/2 − ωf). Frekvensvikning h¨anger ihop med aliaseffekten, ty frekvensen ω0 = −ωf + ωs ¨ar en aliasfrekvens till frekvensen −ωf, som i praktiken ej kan urskiljas fr˚an frekvensen ωf.
F¨or att undvika aliaseffekten och frekvensvikning b¨or en signal samplas med till- r¨ackligt h¨og frekvens. Om man vet att frekvensen ω0 hos en sinusformad signal x(t)
¨ar mindre ¨an ωmax, s˚a b¨or samplingsfrekvensen v¨aljas s˚a att ωmax < ωs/2, dvs den skall satisfiera ωs > 2ωmax, f¨or att frekvensen hos x(t) skall kunna best¨ammas entydigt ur den samplade sekvensen {x(nTs)}. Halva samplingsfrekvensen ωN = ωs/2 ¨ar k¨and
som Nyquist-frekvensen (efter Harry Nyquist (1889–1976), svensk-amerikansk ingenj¨or,
¨aven k¨and f¨or fundamentala bidrag inom klassisk reglerteori).
Det ¨ar ofta av intresse att best¨amma den till absoluta beloppet minsta alias- frekvensen ω0 till en given frekvens ω. Denna ¨ar alltid i intervallet −ωN < ω0 ≤ ωN. Det ¨ar enkelt att visa, att ω0 ges av formeln
ω0 = (ω + ωN) mod (ωs) − ωN, om ω > ωN (6.12) d¨ar a mod b anger resten vid division av a med b.
Det finns flera viktiga praktiska till¨ampningar d¨ar det ¨ar viktigt att beakta alias- effekten och frekvensvikning. Ett exempel ¨ar digitala audiotill¨ampningar. I CD- spelare anv¨ands samplingsfrekvensen 44.1 kHz f¨or lagring av den digitala audiosignalen.
Nyquistfrekvensen ¨ar s˚aledes 22.05 kHz, vilket ¨ar n˚agot ¨over 20 kHz, som ¨ar den ¨ovre gr¨ansen f¨or frekvenser som m¨anniskan uppfattar.
Problem 6.1.
Figur 6.2 visar sampling och rekonstruktionen av n˚agra sinusformade signaler. Best¨am de rekonstruerade signalernas frekvenser.
Exempel 6.3.
Ett vardagsexempel p˚a aliasfenomenet kan man se p˚a en film som visar ett roterande k¨arrhjul eller liknande. Den ursprungligen tidskontinuerliga periodiska rotationen rep- resenteras h¨ar som en diskret bildsekvens (ca 20 bilder per sekund) (figur 6.3). N¨ar man ser p˚a filmen uppfattas rotationen som kontinuerlig med en frekvens som motsvarar den till absoluta beloppet minsta aliasfrekvensen.
Intressant ¨ar att ett liknande fenomen kan observeras med bara ¨ogon genom att titta snett p˚a ett roterande hjul. Detta beror p˚a att nervimpulserna fr˚an syncellerna i synf¨altets perifera delar s¨ands l˚angsammare ¨an vad hj¨arnans kapacitet f¨oruts¨atter. Den bristande informationen kompletteras h¨arvid i hj¨arnan genom rekonstruktion, vilket kan leda till rekonstruktion som uppvisar aliasfrekvenser.
6.2 Shannons samplingsteorem
Resultaten i avsnitt 6.1 kan generaliseras till generella, icke-periodiska signaler. Analy- sen ger ocks˚a en generell formel f¨or hur en samplad kontinuerlig signal kan rekonstrueras fr˚an den samplade sekvensen.
Vi skall betrakta en kontinuerlig signal xa(t) med Fouriertransformen Xa(ω) defin- erad av ekvation (3.61). Signalen samplas med samplingstiden Ts. Vi skall best¨amma Fouriertransformen Xs(ω) hos den samplade sekvensen {xa(nTs)}.
Observera f¨orst att d˚a en sinusfunktion sin(ωt) samplas vid tidpunkterna {nTs} = {. . . , −2Ts, −Ts, 0, Ts, 2Ts} f˚as den diskreta signalen {sin(ωTsn)}. Enligt exempel 6.1 ger sinusfunktioner med frekvensen ω och dess aliasfrekvenser ω+ωsl upphov till samma diskreta sekvens (ekvation (6.6)). En frekvensutveckling av den samplade signalen
(a) (b)
(c) (d)
Figur 6.2: Sampling och rekonstruktion av sinusformade signaler. De heldragna kurvorna anger ursrunglig signal och de streckade kurvorna anger motsvarande rekonstruerad signal.
{xa(nTs)} best˚ar d¨arf¨or av frekvenser begr¨ansade till intervallet [−ωs/2, ωs/2]. Frek- vensutvecklingen av sekvensen {xa(nTs)} kan i analogi med ekvationerna (4.24) och (4.23) skrivas
xa(Tsn) = Ts 2π
Z ωs/2
−ωs/2Xs(ω)ejωTsndω (6.13) d¨ar Fouriertransformen Xs(ω) ges av
Xs(ω) =
X∞ n=−∞
xa(Tsn)e−jωTsn (6.14) Observera att de tidigare formlerna (4.24) och (4.23) f¨or Fouriertransformen av en diskret sekvens ¨ar ett specialfall av (6.13), (6.14) med samplingstiden Ts = 1 och ωs= 2π/Ts = 2π.
Figur 6.3: Exempel p˚a aliasing vid filmning av roterande hjul.
˚A andra sidan har den kontinuerliga signalen xa(t) Fouriertransformrepresentatio- nen i enlighet med (3.60), (3.61),
xa(t) = 1 2π
Z ∞
−∞Xa(ω)ejωtdω (6.15)
d¨ar
Xa(ω) =
Z ∞
−∞xa(t)e−jωtdt (6.16)
Representationen (6.15) ger f¨or xa(Tsn), xa(Tsn) = 1
2π
Z ∞
−∞Xa(ω)ejωTsndω, n = 0, ±1, ±2, . . . (6.17) Genom att dela upp integralen i intervall av bredden ωs, [ωsl − ωs/2, ωsl + ωs/2], l = . . . , −1, 0, 1, . . ., kan vi skriva (6.17) i formen
xa(Tsn) = 1 2π
Z ωs/2
−ωs/2
X∞ l=−∞
Xa(ω + ωsl)ej(ω+ωsl)Tsndω (6.18) Fr˚an periodiciteten hos exponentialfunktionen f¨oljer
ej(ω+ωsl)Tsn= ej(ωTsn+ωsTsln) = ej(ωTsn+2πln) = ejωTsn, l = 0, ±1, ±2, . . . och (6.18) kan skrivas
xa(Tsn) = 1 2π
Z ωs/2
−ωs/2
X∞
l=−∞
Xa(ω + ωsl)ej(ω+ωsl)Tsndω
= Ts 2π
Z ωs/2
−ωs/2
1 Ts
h X∞
l=−∞
Xa(ω + ωsl)iejωTsndω
= Ts 2π
Z ωs/2
−ωs/2Xs(ω)ejωTsndω (6.19) d¨ar vi introducerat
Xs(ω) = 1 Ts
X∞
l=−∞
Xa(ω + ωsl) (6.20)
Ekvationerna (6.13), (6.19) och (6.20) visar, att sambandet mellan den kontinuerliga signalens xa(t) och den samplade sekvensens {xa(Tsn)} Fouriertransformer Xa(ω) och Xs(ω) ges av ekvation (6.20).
Ekvation (6.20) ¨ar den kvantitativa formuleringen av aliasfenomenet uttryckt med hj¨alp av signalernas Fouriertransformer. Sambandet mellan Xa(ω) och Xs(ω) visar explicit hur alla aliasfrekvenserna {ω+ωsl} bidrar till den samplade signalens spektrum.
Faktorn 1/Ts = fs = ωs/(2π) beh¨ovs f¨or att kompensera f¨or att samplingsperioden ¨ar olikt ett.
Sambandet (6.20) ger ocks˚a en insikt i m¨ojligheterna att rekonstruera den kontin- uerliga signalen xa(t) fr˚an den samplade sekvensen {xa(Tsn)}. Observera att sekvensen {xa(Tsn)} definierar entydigt spektret Xs(ω) och vice versa, och p˚a samma s¨att definie- rar spektret Xa(ω) entydigt signalen xa(t) och vice versa. Det f¨oljer att rekonstruktion
¨ar m¨ojlig om och endast om spektret Xa(ω) p˚a ett entydigt s¨att kan ber¨aknas fr˚an Xs(ω). Sambandet (6.20) mellan de kontinuerliga och diskreta signalernas spektra visar exakt n¨ar detta ¨ar m¨ojligt. Om Xa(ω) ¨ar olikt noll inom ett frekvensomr˚ade
−ωmax ≤ ω ≤ ωmax f¨or vilken ωmax > ωs/2, ¨ar rekonstruktion inte m¨ojlig, eftersom det inte g˚ar att best¨amma hur stor andel av Xs(ω) h¨arstammar fr˚an de olika alias- frekvenserna. F¨or en bandbegr¨ansad signal xa(t) d¨aremot, f¨or vilken Xa(ω) f¨orsvinner f¨or alla |ω| ≥ ωs/2, s˚a kan Xa(ω) best¨ammas p˚a ett entydigt s¨att fr˚an Xs(ω), och rekonstruktion blir m¨ojlig. Situationen illustreras i figurerna 6.4 och 6.5. Resultatet kan kvantitativt sammanfattas i det sk. samplingsteoremet.
0 Xa(ω)
ωmax
−ωmax
0 ωs/2 ωs
−ωs
Xa(ω+ωsl)
0 ωs/2
−ωs/2
Xs(ω)
Figur 6.4: Spektret Xa(ω) hos en kontinuerlig signal (¨overst), komponenterna Xa(ω + ωsl) (i mitten), samt den diskreta signalens spektrum Xs(ω) (nederst). Villkoret ωmax < ωs/2 g¨aller och ingen aliasing f˚as. Rekonstruktion ¨ar s˚aledes m¨ojlig.
Shannons samplingsteorem.
En kontinuerlig signal xa(t) vars Fouriertransform Xa(ω) f¨orsvinner f¨or |ω| ≥ ωmax, kan entydigt rekonstrueras fr˚an den samplade sekvensen {xa(Tsn)} om samplings-
0 Xa(ω)
ωmax
−ωmax
0 ωs/2 ωs
−ωs
Xa(ω+ωsl)
0 ωs/2
−ωs/2
Xs(ω)
Figur 6.5: Spektret Xa(ω) hos en kontinuerlig signal (¨overst), komponenterna Xa(ω + ωsl) (i mitten), samt den diskreta signalens spektrum Xs(ω) (nederst). H¨ar ¨ar ωmax> ωs/2 och aliasing f˚as. Rekonstruktion ¨ar s˚aledes inte m¨ojlig.
frekvensen satisfierar ωs > 2ωmax. Den kontinuerliga signalen ges d˚a av interpola- tionsformeln
xa(t) =
X∞ n=−∞
xa(nTs) sin(ωs(t − nTs)/2)
ωs(t − nTs)/2 (6.21)
Samplingsteoremet ¨ar ett klassiskt resultat inom signalteori, som h¨arleddes ˚ar 1949 av Claude Shannon (”Communication in the Presence of Noise,” Proceedings of the Insti- tute of Radio Engineers, vol. 37, ss. 10–21). Shannon ¨ar mest k¨and f¨or fundamentala arbeten inom informationsteori och kodning, vilka ligger som grund f¨or den moderna informationsteorin.
Rekonstruktionsformeln (6.21) kallas Shannons rekonstruktionsformel. Den kan enkelt h¨arledas med hj¨alp av signalernas Fouriertransformer. Principen illustreras i figur 6.6. Vi skall f¨or fullst¨andighetens skull presentera en h¨arledning av formeln (6.21) nedan.
H¨arledning av Shannons rekonstruktionsformel (6.21).
Antagandet att signalen xa(t) ¨ar bandbegr¨ansad, s˚a att Xa(ω) = 0 f¨or |ω| ≥ ωmax, och ωmax < ωs/2 implicerar att inga aliasfrekvenser ger bidrag till summan i (6.20), och sambandet reduceras till
Xs(ω) = 1
TsXa(ω), |ω| < ωs/2 (6.22) Den kontinuerliga signalens spektrum Xa(ω) kan d˚a entydigt ber¨aknas ur den diskreta
-
¾
?
{xa(nTs)}
xa(t)
Xs(ω)
Xa(ω) (6.14)
(6.15)
(6.20) (6.23) (6.21)
?
Figur 6.6: Rekonstruktion av bandbegr¨ansad kontinuerlig signal fr˚an samplad sekvens via Fouriertransformerna.
sekvensens spektrum Xs(ω) enligt Xa(ω) =
½Ts Xs(ω), |ω| < ωs/2
0, |ω| ≥ ωs/2 (6.23)
˚A andra sidan ges signalen xa(t) av (6.15), s˚a att xa(t) = 1
2π
Z ∞
−∞Xa(ω)ejωtdω
= 1
2π
Z ωs/2
−ωs/2Xa(ω)ejωtdω
= Ts 2π
Z ωs/2
−ωs/2Xs(ω)ejωtdω
= Ts 2π
Z ωs/2
−ωs/2
h X∞
n=−∞
xa(Tsn)e−jωTsniejωtdω [(6.14)]
= Ts 2π
X∞ n=−∞
xa(Tsn)
Z ωs/2
−ωs/2ejω(t−Tsn)dω (6.24)
H¨ar ¨ar
Z ωs/2
−ωs/2ejω(t−Tsn)dω = ejω(t−Tsn) j(t − Tsn)
¯¯
¯¯
¯
ωs/2
ω=−ωs/2
= 1
j(t − Tsn)
hej(t−Tsn)ωs/2− e−j(t−Tsn)ωs/2i
= 2
t − Tsn sin((t − Tsn)ωs/2) (6.25) Ins¨attning i (6.24) och beaktande av att ωs = 2π/Ts ger
xa(t) = Ts 2π
X∞ n=−∞
xa(Tsn) 2
t − Tsn sin((t − Tsn)ωs/2)
=
X∞ n=−∞
xa(Tsn) sin((t − Tsn)ωs/2)
ωs(t − Tsn)/2 (6.26)
xa - F x -
f A/D -
xd
Figur 6.7: Analog-till-digital omvandling.
vilket ¨ar (6.21).
6.3 Praktisk analog-till digital och digital-till-analog omvan- dling
Samplingsteoremet ger den teoretiska grunden f¨or vad som ¨ar m¨ojligt vid diskret rep- resentation av en analog signal, och hur den analoga signalen kan rekonstrueras fr˚an den diskreta sekvensen. I praktiken realiseras signalomvandlingarna med hj¨alp av filter av ¨andlig ordning samt A/D- och D/A-omvandlare, som har en ¨andlig resolution.
6.3.1 Praktisk analog-till-digital omvandling
Fr˚an samplingsteoremet vet vi att d˚a en kontinuerlig signal samplas, s˚a ger frekvenser som ¨ar h¨ogre ¨an halva samplingsfrekvensen upphov till en aliaseffekt. I praktiken inneh˚aller kontinuerliga signaler s.g.s. alltid h¨ogfrekventa komponenter. F¨or att und- vika aliaseffekten b¨or dessa filtreras bort f¨ore sampling. Detta ˚astadkommas genom att inf¨ora ett l˚agpassfilter f¨ore A/D-omvandlaren enligt figur 6.7. Filtret F kallas antialias-filter.
Antag att signalen xa(t) har spektret Xa(ω). Filtret F i figur 6.7 p˚averkar frekvens- komponenterna i den analoga signalen xa enligt
Xf(ω) = F (jω)Xa(ω) (6.27)
d¨ar F (s) anger ¨overf¨oringsoperatorn hos filtret F , och Xf(ω) ¨ar spektret hos den filtrerade signalen xf(t).
Ett l˚agpassfilter karakteriseras av ett l˚agfrekvent passband |ω| ≤ ω1, d¨ar F (jω) ≈ 1, och ett h¨ogfrekvent sp¨arrband ω ≥ ω2, d¨ar |F (jω)| << 1. Intervallet ω1 < ω < ω2 utg¨or ett ¨overg˚angsband mellan passband och sp¨arrband. F¨or att undvika aliaseffekten b¨or filtret F v¨aljas s˚a att frekvenser som ¨ar h¨ogre ¨an halva samplingsfrekvensen finns i sp¨arrbandet, dvs ω2 < ωs/2. De frekvenskomponenter som man ¨onskar bevara i den diskreta signalrepresentationen b¨or befinna sig i passbandet.
D¨ampningen av frekvensen ω enligt (6.27) ges av f¨orh˚allandet
|Xf(ω)|
|Xa(ω)| = |F (jω)| (6.28)
Filterf¨orst¨arkningar och f¨orh˚allandet mellan signalers storlek brukar anges i en speciell logaritmisk skala som kallas decibel (dB). F¨orst¨arkningen |F (jω)| i (6.28) angiven i deci- bel ¨ar 20 log(|F (jω)|) decibel. Faktorn 20 kommer fr˚an det faktum, att 20 log(|F (jω)|) = 10 log(|F (jω)|2). Fr˚an avsnitt 3.3.1 har vi att en signals energi vid en frekvens ¨ar pro- portionell mot spektrets kvadrat vid frekvensen. En decibel ¨ar allts˚a 10 ggr logaritmen av energin. En decibel ¨ar en tiondedel av log(|F (jω)|2), som ej ov¨antat kallas bel, och som f˚att sitt namn efter Alexander Graham Bell (1847–1922).
Det analoga l˚agpassfiltret b¨or implementeras i form av en elektronisk krets och konstrueras i praktiken vanligen med hj¨alp av standardkomponenter. En vanlig typ av l˚agpassfilter ¨ar Butterworth-filtren. Ett Butterworth-filter Bn(s) av ordningen n ¨ar konstruerad s˚a att dess frekvensf¨orst¨arkning ¨ar
|Bn(jω)| =
"
1 1 + (ω/ωc)2n
#1/2
(6.29) H¨ar anger ωc filtrets bandbredd, och ¨ar en frekvens mitt i ¨overg˚angsbandet, s˚a att
|Bn(jωc)| = 1/√
2. Ju h¨ogre filterordningen n ¨ar, desto brantare ¨overg˚ang mellan passbandet och sp¨arrbandet f˚as. Filtrets bandbredd anges ofta i Hz; fc = ωc/(2π).
Formeln f¨or filtrets f¨orst¨arkning kan d˚a uttryckas som
|Bn(jω)| =
"
1 1 + (f /fc)2n
#1/2
, d¨ar f = ω
2π (6.30)
Figurerna 6.8 och 6.9 visar f¨orst¨arkningen hos Butterworth filter i linj¨ar respektive logaritmisk skala.
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
0 0.2 0.4 0.6 0.8 1 1.2
Figur 6.8: F¨orst¨arkning hos Butterworth filter med n = 1, 2, 4 och 8.
Vid specifikationen av antialias-filtret ¨ar det ocks˚a ¨andam˚alsenligt att beakta res- olutionen vid A/D-omvandlingen. I praktiken konstrueras filtret s˚aledes s˚a, att det d¨ampar frekvenser ovanf¨or Nyquistfrekvensen ωs/2 till en niv˚a som inte p˚averkar A/D- omvandlaren. Detta ¨ar fallet om det kan garanteras att frekvenserna d¨ampas till en niv˚a som understiger kvantiseringsbruset i A/D-omvandlaren.
10−1 100 101
−80
−60
−40
−20 0
Figur 6.9: F¨orst¨arkning hos Butterworth filter med n = 1, 2, 4 och 8 i logaritmisk skala (dB).
Kvantiseringsfelet vid A/D-omvandling kan best¨ammas p˚a f¨oljande s¨att. Vid digital representation kan signalv¨ardena ej anta vilka realtalsv¨arden som helst, utan avrundas till en av 2B niv˚aer, som beror av antalet bin¨ara siffror som anv¨ands vid representatio- nen. Detta introducerar ett kvantiseringsfel e. Om V anger hela talomr˚adet som skall representeras, s˚a ges avst˚andet q mellan kvantiseringsniv˚aerna av
q = V /(2B− 1) ≈ V /2B (6.31)
Om man antar att det analoga signalv¨ardet avrundas till n¨armaste kvantiseringsniv˚a
¨ar det maximala kvantiseringsfelet ±q/2. En skattning av den genomsnittliga storleken hos kvantiseringsfelet kan best¨ammas genom att anta att det ¨ar likformigt f¨ordelat i intervallet [−q/2, q/2]. Det har d˚a en konstant sannolikhetst¨athetsfunktion P (e) = q−1, v¨antev¨ardet noll, och variansen ges av
σe2 =
Z q/2
−q/2e2P (e)de = 1 q
Z q/2
−q/2e2de
= 1 q
e3 3
¯¯
¯¯
¯
q/2 e=−q/2
= 1 3q
"
q3
8 −³−q3 8
´#
= q2
12 (6.32)
Exempel 6.4.
Betrakta ett system f¨or analog-till-digital omvandling med samplingsfrekvensen 100 kHz. Det kr¨avs att felet p˚a grund av aliasfenomenet ¨ar h¨ogst 2% av signalniv˚an. Man anv¨ander ett Butterworth filter av f¨orsta ordningen, och ¨onskar best¨amma l¨amplig bandbredd f¨or filtret.
Det g¨aller allts˚a att best¨amma l¨ampligt v¨arde f¨or frekvensen ωc i ekvation (6.29) f¨or Butterworth-filtrets f¨orst¨arkning. Kravet att felet p˚a grund av aliasfenomenet skall vara h¨ogst 2% av signalniv˚an motsvarar enligt (6.28),
|Xf(ω)|
|Xa(ω)| = |Bn(jω)| < 0.02, alla ω > ωN
I detta fall ¨ar Nyquistfrekvensen ωN = 12 · 2π100 · 103 = 105π (rad/s). Kravet uppfylls av ett Butterworth filter av f¨orsta ordningen om frekvensen ωc v¨aljs s˚a att
"
1 1 + (ω/ωc)2
#1/2
< 0.02 g¨aller f¨or alla ω > ωN. Detta ¨ar fallet om
"
1 1 + (ωN/ωc)2
#1/2
=
"
1 1 + (105π/ωc)2
#1/2
< 0.02 som ger ωc= 2π · 103, eller fc = 1.0 kHz.
Problem 6.2.
Best¨am l¨ampligt v¨arde f¨or frekvensen ωc om man anv¨ander ett Butterworth-filter av fj¨arde ordning i exempel 6.4.
Exempel 6.5.
Betrakta problemet att best¨amma l¨amplig samplingsfrekvens och antialias-filter d˚a man anv¨ander en 12 bitars A/D-omvandlare, och det intressanta frekvensbandet som man ¨onskar representera i den digitala signalen best˚ar av frekvenser mellan 0 och 4 kHz.
F¨or att aliaseffekten ej skall p˚averka diskretiseringen skall antialias-filtret d¨ampa frekvenser som ger upphov till aliaseffekt till en niv˚a som motsvarar kvantiseringsfelets storlek. Kvantiseringsfelets storlek ¨ar maximalt q/2, d¨ar q = V /(2B− 1) ≈ V /2B, och V anger insignalens maximala amplitud. Om vi betraktar kvantiseringsfelet statistiskt som ett brus, s˚a ¨ar dess genomsnittliga storlek enligt (6.32) σe = q/√
12 = q/(2√ 3).
F¨or att garantera att en signal av maximal storlek V d¨ampas till en niv˚a som motsvarar kvantiseringsfelets storlek b¨or frekvenserna i sp¨arrbandet d¨ampas minst med faktorn V /σe≈√
3 × 2B+1. I detta exempel antogs B = 12, och vi har s˚aledes kravet
|Xf(ω)|
|Xa(ω)| ≤ 1
√3 × 2B+1
¯¯
¯¯
¯B=12
= 1
14189 = −83 dB
Antialias-filtret b¨or s˚aledes satisfiera |F (jω)| ≤ 1/14189 f¨or alla ω ≥ ωs/2. Om vi som antialias-filter v¨aljer ett Butterworth filter, s˚a f˚ar vi villkoret
"
1 1 + (f /fc)2n
#1/2
≤ 1
14189, f ≥ fs/2
Om vi v¨aljer fc = 4 kHz (motsvarande den h¨ogsta frekvens som skall representeras) och filterordningen n = 6 (ett vanligt anv¨ant Butterworth filter) f˚as
"
1 1 + (f /4)12
#1/2
= 1
14189 vid f ≈ 20 kHz
Det f¨oljer att samplingsfrekvensen skall vara minst fs= 2 × 20 kHz = 40 kHz.
Vi skall till slut ¨aven uppskatta aliasfelet vid 4 kHz. Det st¨orsta bidraget till aliasfelet vid denna frekvens h¨arstammar fr˚an aliasfrekvensen fs− 4 kHz, allts˚a den frekvens i intervallet (fs/2, fs), som genom frekvensvikning blandas med frekvensen 4 kHz, j¨amf¨or avsnitt 6.1. Frekvensen fs− 4 kHz = 36 kHz d¨ampas med faktorn
"
1 1 + (36/4)12
#1/2
= 1.88 × 10−6
D˚a en signal vid fc = 4 kHz av Butterworth filtret d¨ampas med faktorn 1/√ 2,
¨ar f¨orh˚allandet mellan aliasfelet och signalniv˚an vid 4 kHz approximativt (1.88 × 10−6)/(1/√
2) = 2.7 × 10−6.
6.3.2 Praktisk digital-till-analog omvandling
Shannons rekonstruktionsformel (6.21) definierar den ideala rekonstruktionsformeln, som exakt rekonstruerar en bandbegr¨ansad signal. Formeln ¨ar emellertid fr¨amst av teoretiskt intresse, och ¨ar inte speciellt anv¨andbar i praktiken. En begr¨ansning hos (6.21) ¨ar att xa(t) ¨ar en funktion av alla sampel xa(Tsn), −∞ < n < ∞. Formeln l¨ampar sig d¨arf¨or i allm¨anhet inte f¨or realtidstill¨ampningar, eftersom ber¨akning av xa(t) kr¨aver kunskap om (alla) framtida sampelv¨arden xa(Tsn), med Tsn > t. En annan egenskap som begr¨ansar anv¨andningen av (6.21) ¨ar det faktum att vikterna sin((t − Tsn)ωs/2)/(ωs(t − Tsn)/2) konvergerar r¨att l˚angsamt mot noll d˚a |t − Tsn|
v¨axer, vilket medf¨or att m˚anga termer b¨or medtas f¨or att approximera summan i (6.21) noggrant. Vid digitala implementeringar har den ideala rekonstruktionsformeln dock funnit praktiska till¨ampningar, j¨amf¨or nedan.
P˚a grund av dessa orsaker anv¨ands i praktiken rekonstruktionsmetoder som ¨ar en- klare att implementera. Den ideala rekonstruktionsformeln (6.21) ger en insikt i hur en s˚adan metod skall konstrueras. Man kan enkelt visa att signalen xa(t) enligt (6.21) ges som utsignalen fr˚an ett idealt l˚agpassfilter, vars insignal ¨ar sekvensen {xa(Tsn)}.
Det ideala l˚agpassfiltret har f¨orst¨arkningen 1 f¨or |ω| ≤ ωs/2 och f¨orst¨arkningen 0 f¨or
|ω| > ωs/2. Ett s¨att att approximera den ideala rekonstruktionsformeln ¨ar d¨arf¨or att anv¨anda ett reellt, icke-idealt, analogt l˚agpassfilter H med en l¨ampligt vald bandbredd ωb < ωs/2. J¨amf¨or figur 6.10.
Ett reellt filter har alltid ett ¨overg˚angsband mellan passbandet, d¨ar f¨orst¨arkningen
¨ar ungef¨ar 1, och sp¨arrbandet, d¨ar f¨orst¨arkningen ¨ar liten. Ju smalare ¨overg˚angs- bandet ¨ar, desto h¨ogre krav st¨alls p˚a det analoga filtret. Vid rekonstruktion av en bandbegr¨ansad signal med bandbredden ωmax b¨or ωmax befinna sig i filtrets passband,
xd - D/A -
x H x-a
Figur 6.10: Digital-till-analog omvandling.
f¨or att alla frekvenser hos signalen skall f˚as med, medan Nyquistfrekvensen ωN = ωs/2 b¨or befinna sig i filtrets sp¨arrband, f¨or att undvika aliasfrekvenser. Ju mindre skill- naden ωN − ωmax ¨ar, desto h¨ogre krav st¨alls s˚aledes p˚a rekonstruktionsfiltret. Det
¨ar av denna orsak som signalen i en CD-spelare ¨oversamplas med fyrfaldig frekvens 4 × fs = 4 × 44.1 kHz f¨ore D/A omvandling. ¨Oversamplingen l¨amnar ωmax of¨or¨andrad, men fyrdubblar ωs/2. Detta g¨or den maximalt till˚atna bredden hos det analoga filtrets
¨overg˚angsband betydligt st¨orre, vilket medger mera realistiska filterspecifikationer f¨or det analoga rekonstruktionsfiltret. I den ¨oversamplade signalen b¨or de mellanliggande signalv¨ardena {xa(Tsn+Ts/4)}, {xa(Tsn+2Ts/4)} och {xa(Tsn+3Ts/4)} rekonstrueras fr˚an sekvensen {xa(Tsn)}, men d˚a detta kan g¨oras digitalt utg¨or strikta filterspecifika- tioner inget problem. I CD-teknik rekonstrueras de tre mellanliggande signalv¨ardena med hj¨alp av den ideala rekonstruktionsformeln (6.21). CD-spelaren anv¨ander s˚aledes ocks˚a ”framtida” signalv¨arden. Det analoga filtret som rekonstruerar den kontinuerliga signalen b¨or d¨aremot implementeras i form av h˚ardvara med hj¨alp av elektroniska kret- sar.
Valet av l˚agpassfiltret H efter D/A-omvandlaren beror av funktionen hos D/A- omvandlaren. En vanlig typ av D/A-omvandlare producerar en styckevis konstant utsignal enligt
x(t) = xd(nTs), nTs≤ t < nTs+ Ts (6.33) Detta slags element kallas f¨or nollte ordningens h˚allkrets (eng. zero-order hold; ZOH), eftersom signalen x(t) mellan samplingstidpunkterna kan uppfattas som utsignalen fr˚an ett nollte ordningens system. Spektret hos den kontinuerliga utsignalen fr˚an en nollte ordningens h˚allkrets f˚as enligt definitionen,
X(ω) =
Z ∞
−∞x(t)e−jωtdt =
X∞ n=−∞
xd(nTs)
Z nTs+Ts
nTs
e−jωtdt (6.34) H¨ar ges integralen av
Z nTs+Ts
nTs
e−jωtdt =
Z Ts
0 e−jω(t0+nTs)dt0 [t0 = t − nTs]
= e−jωnTs
Z Ts
0 e−jωt0dt0
= e−jωnTs 1 (−jω)
he−jωTs − 1i
= e−jωnTs 1
jωe−jωTs/2hejωTs/2− e−jωTs/2i
= e−jωnTse−jωTs/2 Ts sin(ωTs/2) ωTs/2
= e−jωnTs · Ts· ZOH(ω) (6.35)
d¨ar vi inf¨ort beteckningen
ZOH(ω) = e−jωTs/2 sin(ωTs/2)
ωTs/2 (6.36)
Ins¨attning i (6.34) ger
X(ω) = Ts
X∞ n=−∞
xd(nTs)e−jωnTs· ZOH(ω) (6.37) H¨ar observerar vi i enlighet med (6.14) att spektret Xd(ω) hos den diskreta sekvensen {x(nTs)} ¨ar
Xd(ω) =
X∞ n=−∞
xd(nTs)e−jωnTs (6.38)
s˚a att (6.37) kan skrivas som
X(ω) = ZOH(ω) · Ts· Xd(ω) (6.39) Denna ekvation ger spektret hos den kontinuerliga utsignalen fr˚an en nollte ordnin- gens h˚allfunktion som funktion av den diskreta sekvensens spektrum. Faktorn Ts = 2π/ωs kompenserar f¨or det faktum att det diskreta spektret Xd(ω) definierats f¨or en sekvens som samplats med perioden Ts, och den har motsvarande funktion som faktorn 1/Ts som f¨orekommer i ekvation (6.20). Ekvation (6.39) definierar spektret hos den kontinuerliga utsignalen x(t) fr˚an en nollte ordningens h˚allfunktion f¨or alla frekvenser. Observera att det diskreta spektret Xd(ω) ¨ar periodiskt med perioden ωs; Xd(ω + ωsl) = Xd(ω) (j¨amf¨or t.ex. ekvation (6.38)). Spektret X(ω) best˚ar s˚aledes av alla aliasfrekvenser till frekvenserna hos den diskreta signalen. Dessutom viktas de olika frekvenserna med faktorn ZOH(ω), som karakteriserar h˚allfunktionens dynamik.
Figur 6.11 illustrerar den diskreta signalen {x(nTs)}, den kontinuerliga signalen x(t) fr˚an h˚allkretsen, samt spektren i ekvation (6.39).
Funktionen ZOH(ω) ¨ar densamma som f¨orekom i exempel 3.5. Vi s˚ag tidigare att funktionen inneh˚aller en betydande m¨angd h¨ogfrekventa komponenter (j¨amf¨or anm¨arkning 3.4), som b¨or filtreras bort f¨or att ej ge upphov till icke-¨onskade sidoeffekter i den rekon- struerade analoga signalen.
F¨or att korrekt rekonstruera den analoga signalen filtreras x(t) enligt figur 6.10.
Den analoga signalen xa(t) i figur 6.10 har spektret
Xa(ω) = H(jω) · ZOH(ω) · Ts· Xd(ω) (6.40)
nTs xd(nT
s)
0 ωs 2ωs
Xd(ω)
x(t)
t 0 ωs 2ωs
|ZOH(ω)|
X(ω)
Figur 6.11: Signalerna {x(nTs)} och x(t) samt frekvensfunktionerna i ekvation (6.39).
Enligt sambandet (6.20) eller (6.23) ¨ar vid ideal rekonstruktion Xa(ω) = Ts · Xd(ω) f¨or frekvenser ω < ωs/2 och Xa(ω) = 0 f¨or h¨ogre frekvenser. Valet av l˚agpassfiltret H kan g¨oras p˚a basen av ekvation (6.40) s˚a att ideal rekonstruktion approximeras till en specificerad noggrannhet.
Exempel 6.6.
Betrakta rekonstruktionen av en analog audiosignal enligt figur 6.10 med en nollte ordningens h˚allfunktion. Signalen ¨ar bandbegr¨ansad med bandbredden 20 kHz. Sam- plingsfrekvensen ¨ar 176.4 kHz. Det kr¨avs att aliasfrekvenser d¨ampas med minst 50 dB och de intressanta signalkomponenterna f˚ar ¨andras med maximalt 0.5 dB.
Figur 6.12 illustrerar det diskreta spektret Xd(ω) samt faktorn |ZOH(ω)| fr˚an nollte ordningens h˚allfunktion. Enligt (6.39) d¨ampar nollte ordningens h˚allfunktion frekvenser vid 20 kHz med faktorn
|ZOH(ω)| = sin(ωTs/2)
ωTs/2 = 0.9790 = −0.184 dB vid ω = 2π × 20 · 103
Den totala d¨ampningen av produkten av nollte ordningens h˚allfunktion och filtret H ges av |H(jω) · ZOH(ω)| = |H(jω)| · |ZOH(ω)|. Fr˚an den logaritmiska definitionen av decibelskalan f¨oljer att den totala d¨ampningen i decibel helt enkelt ¨ar summan av de enskilda d¨ampningarna angivna i decibel,
20 log(|H(jω) · ZOH(ω)|) = 20 log(|ZOH(ω)|) + 20 log(|H(jω)|) (dB)
Det f¨oljer s˚aledes fr˚an specifikationerna att filtret H f˚ar ha maximalt en d¨ampning motsvarande 0.5 − 0.184 = 0.316 dB vid 20 kHz. Med andra ord skall filtrets H f¨orst¨arkning vid 20 kHz satisfiera olikheten 20 log(|H(jω)|) ≥ −0.316 dB.
Eftersom signalen ¨ar bandbegr¨ansad f¨orsvinner det diskreta spektret Xd(ω) f¨or frekvenser mellan 20 kHz och Nyquistfrekvensen 88.2 kHz. Det f¨oljer att Xd(ω) = 0 ocks˚a f¨or frekvenser mellan 88.2 kHz och frekvensen (176.4 − 20) kHz. Enligt (6.39) ¨ar den l¨agsta aliasfrekvens som p˚averkar signalen s˚aledes frekvensen (176.4 − 20) kHz, ty p˚a grund av periodiciteten ¨ar Xd(ω) ekvivalent vid ω = 176.4 − 20 kHz och ω = −20 kHz. Enligt (6.39) d¨ampas frekvenser vid 176.4 − 20 = 156.4 kHz med faktorn
|ZOH(ω)| = sin(ωTs/2)
ωTs/2 = 0.125 = −18 dB vid ω = 2π × 156 · 103
Det f¨oljer fr˚an specifikationerna att filtret H b¨or d¨ampa frekvenser vid 156.4 kHz
−0.184 dB
−18 dB
Xd(ω)
|ZOH(ω)|
0 20 156.4 176.4 f (kHz)
Figur 6.12: Diskreta signalens spektrum Xd(ω) och faktorn |ZOH(ω)| i exempel 6.6.
minst med en faktor motsvarande 50 − 18 = 32 dB. Med andra ord skall filtrets H f¨orst¨arkning vid 156.4 kHz satisfiera olikheten 20 log(|H(jω)|) ≤ −32 dB.
Om vi antar ett Butterworth filter med ordningen n och bandbredden fcf˚ar vi fr˚an ovan villkoren
20 log[1 + (20/fc)2n]1/2 ≤ 0.316 dB 20 log[1 + (156.4/fc)2n]1/2 ≥ 32 dB
Det minsta (heltals) n f¨or vilket dessa olikheter satisfieras ¨ar n = 3, varvid t.ex. valet fc = 32 kHz uppfyller specifikationerna.
6.3.3 N˚agra exempel fr˚an digital kommunikation
Viktiga till¨ampningar av digital representation av analoga signaler finns inom digital kommunikation. Som tidigare konstaterats, kan bitsekvenser ¨overf¨oras genom modu- lering av b¨arv˚agor. Bitsekvenserna i sin tur representerar symbolsekvenser. Dessa kan kan i sin tur best˚a av de diskreta signaler som representerar en bandbegr¨ansad signal.
En standardmetod f¨or att best¨amma den digitala representationen av en analog sig- nal ¨ar pulskodmodulering (eng. pulse-code modulation – PCM). Vid denna samplas den analoga, bandbegr¨ansade, signalen vid ekvidistanta tidpunkter genom multiplikation med en pulssekvens (se figur 6.13). Resultatet kvantiseras och representeras digitalt.
D˚a endast en br˚akdel av den totala samplingsperioden Ts beh¨ovs f¨or processering och
¨overf¨oring av den digitalt kodade signalen, ¨ar det m¨ojligt att anv¨anda samma kom- munikationskanal (frekvensband) f¨or samtidig ¨overf¨oring av flera signaler. Detta kan
˚astadkommas genom att tilldela de olika signalerna antingen var sin tidsslot (TDMA – Time Division Multiple Access) eller kodord (CDMA – Code Division Multiple Access).
TDMA
Principen f¨or TDMA (Time Division Multiple Access) visas i figur 6.14 och den prak- tiska implementering av f¨orfarandet visas schematiskt i figur 6.15. TDMA anv¨ands t.ex. i GSM mobiltelefonsystem f¨or parallell ¨overf¨oring av flera signaler p˚a samma kommunikationskanal.
||
|| Ts
−−−−−−− −−−−−−−−−−−
Figur 6.13: Pulskodmodulering. Analog signal (¨overst) modulerar en pulssekvens (i mitten) och resultatet ger efter kvantisering en digital samplad signal (nederst).
• • • • • • • • • • • •
• • • • • • • • • • • •
|| ||
Ts
−−−−−−− −−−−−−−−−−−
Figur 6.14: Pulskodmodulering och TDMA. Flera analoga signaler kan ¨overf¨oras p˚a samma kanal genom pulskodmodulering.
CDMA
En svaghet hos TDMA ¨ar att om signal¨overf¨oringen ¨ar korrumperad av brus, kan symbolen under en tidsslot som h¨anf¨or sig till en enskild signal l¨att tappas bort helt.
En metod som ¨ar mera robust mot brus f˚as genom att i st¨allet sprida de enskilda signalernas symboler ¨over alla tidslots genom att representera de olika symbolerna med hj¨alp av givna kodord. F¨or att inse hur detta kan ˚astadkommas betrakta ett trivialt exempel d¨ar fyra separata signaler s¨ands ¨over samma kanal. Antag att under ett samplingsintervall symbolerna s1, s2, s3 och s4 associerade med de fyra signalerna skall s¨andas. I TDMA skulle d˚a symbolerna s¨andas separat under samplingsintervallet som den diskreta sekvensen {x(1), x(2), x(3), x(4)} = {s1, s2, s3, s4}. I CDMA d¨aremot sprids symbolerna ¨over hela sekvensen {x(n), n = 1, 2, 3, 4} med hj¨alp av l¨ampligt valda kodord. Tag t.ex. de fyra kodordsekvenserna
{c1(n)} = {1, 1, 1, 1}
{c2(n)} = {1, 1, −1, −1}
{c3(n)} = {1, −1, 1, −1}
{c4(n)} = {1, −1, −1, 1}
Observera att kodordssekvenserna ¨ar ortogonala, dvs
X4 n=1
ck(n)cl(n) =
½0, om k 6= l 4, om k = l
I CDMA representeras symbolen s1 med hj¨alp av kodsekvensen {c1(n)} i form av