n sygnał
Transkrypt
n sygnał
CPS 1 2006/2007 SYGNAŁY DYSKRETNE Definicje: Sygnały dyskretne w czasie reprezentowane są przez ciągi liczb i oznaczane jako {x[n]} U U Elementy tych ciągów nazywa się próbkami , wartości próbek sygnałów oznacza się jako x[n] dla n całkowitych w zakresie −∞ < n < ∞ U U Sygnały dyskretne w czasie mogą być zapisane: 1. jako zależności pozwalające obliczyć n-tą wartość ciągu. Na przykład: () ⎧ 1 x ⎡⎣ n ⎤⎦ = ⎪⎨ 3 ⎪⎩ 0 lub {x ⎡⎣n⎤⎦} = ⎧⎨⎩1, n n≥0 <0 , ,…, ( 13 ) ,…⎫⎬ 1 1 3 9 n ⎭ 2. jako listy wartości ciągów. Na przykład: −1.2,…} {x ⎡⎣n⎤⎦} = {…,1.1, −0.2,2.1,3.0, ↑ gdzie strzałka oznacza próbkę o indeksie n=0, lub … x ⎡⎣ −1⎤⎦ = −0.2, x ⎡⎣0⎤⎦ = 2.1, x ⎡⎣1⎤⎦ = 3.0 … Graficzna reprezentacja sygnału dyskretnego w czasie : U U MATLAB clear; n=-8:1:27; x=0.2+sin(0.13*n); plot(n,x); grid CPS 2 2006/2007 1.5 1 0.5 n 0 T -0.5 x[-3]=xa(-3T) -1 -10 -5 0 5 10 15 20 25 30 Sygnał dyskretny najczęściej otrzymuje się w wyniku próbkowania w równych odstępach czasu sygnału ciągłego w czasie (analogowego). U U Wtedy n-tą próbkę opisuje zależność: x ⎡⎣ n ⎤⎦ = xa ( t ) t =nT = xa ( nTp ) , n = …, −2, −1,0,1,2,… p Odległość między kolejnymi próbkami próbkowania lub okresem próbkowania . U U ( Tp ) B B nazywa się przedziałem U U Odwrotność okresu próbkowania nosi nazwę częstotliwości próbkowania i oznacza się jako f p U B U B fp = 1 Tp Klasyfikacja: Rzeczywiste i zespolone sygnały: U Ze względu na typ wartości próbek sygnały dzielimy rzeczywiste i zespolone. W wielu aplikacjach cyfrowego przetwarzania sygnały zespolone mają duże zastosowanie. Sygnały zespolone wyraża się jako sumę części rzeczywistej i urojonej: z ⎡⎣ n ⎤⎦ = x ⎡⎣ n ⎤⎦ + jy ⎡⎣ n ⎤⎦ CPS 3 2006/2007 lub w postaci wykładniczej: z ⎡⎣n⎤⎦ = z ⎡⎣n⎤⎦ e j arg( z n ) ⎡⎣ ⎤⎦ Deterministyczne i przypadkowe U Sygnały deterministyczne są sygnałami, których wartości są znane dla każdej chwili czasu. Sygnały takie można zamodelować jako funkcje czasu. Sygnały przypadkowe posiadają przypadkowe wartości i muszą być opisywane statystycznie. Program wykładu nie obejmuje klasy sygnałów przypadkowych. U U U U Parzyste i nieparzyste U Sygnał x[n] nazywa się parzystym jeżeli: U U x ⎡⎣ −n ⎤⎦ = x ⎡⎣ n ⎤⎦ x[n] n -4 -3 -2 -1 0 1 2 3 4 Sygnał x[n] nazywa się nieparzystym jeżeli: U U x ⎡⎣ −n ⎤⎦ = − x ⎡⎣ n ⎤⎦ x[n] n -4 -3 -2 -1 0 1 2 3 4 CPS 4 2006/2007 Okresowe i nieokresowe U Sygnał dyskretny x[n] nazywa się okresowym z okresem N (N jest dodatnią liczbą całkowitą) jeżeli: U U x ⎣⎡ n + N ⎦⎤ = x ⎡⎣ n ⎤⎦ dla wszystkich n x[n] n -N 0 2N N Sygnały o skończonej energii i skończonej mocy: U Jeżeli prąd „i” płynący przez rezystor o wartości „R” wywołuje spadek napięcia „u” to chwilowa moc na jednostkę rezystancji jest definiowana jako: p (t ) = i (t ) ⋅ u (t ) 2 = i (t ) R Wtedy energia całkowita na jednostkę rezystancji wynosi: E= ∞ 2 ∫−∞ i (t ) dt oraz średnia moc na jednostkę rezystancji wynosi: T /2 1 P = Tlim i 2 ( t ) dt →∞ T ∫ −T / 2 Analogicznie, dla sygnału dyskretnego x[n] definiuje się znormalizowaną energię sygnału jako: U U E= ∞ ∑ n =−∞ x ⎡⎣ n ⎤⎦ 2 CPS 5 2006/2007 oraz znormalizowaną moc średnią sygnału dyskretnego: N 2 1 P = lim x ⎡⎣ n ⎤⎦ ∑ 2 N + 1 n=− N N →−∞ Bazując na tych definicjach sygnały dzieli się na: - sygnały o skończonej energii , jeżeli 0 < E < ∞ oraz P=0; U U sygnały o skończonej mocy 0 < P < ∞ oraz E = ∞ U U Podstawowe przebiegi dyskretne: Skok jednostkowy: U ⎧1, n ≥ 0 1[ n ] = ⎨ ⎩0, n < 0 1[n] 1 ... n 0 1 2 3 4 1[-n+1] 1[n-2] 1 1 ... n 0 1 2 3 4 5 6 ... n -2 -1 0 1 2 CPS 6 2006/2007 Impuls jednostkowy: U ⎧1, n = 0 ⎩0, n ≠ 0 δ [ n] = ⎨ δ [n] n -1 0 1 2 3 δ [n-2] δ [n+1] n n 0 1 2 3 4 5 6 -2 -1 0 1 2 Z definicji skoku jednostkowego i impulsu jednostkowego wynikają następujące zależności: x ⎡⎣ n ⎤⎦ δ ⎡⎣ n ⎤⎦ = x ⎡⎣0⎤⎦ δ ⎡⎣ n ⎤⎦ x ⎡⎣ n ⎤⎦ δ ⎡⎣ n − k ⎤⎦ = x ⎡⎣ k ⎤⎦ δ ⎡⎣ n − k ⎤⎦ oraz: δ ⎡⎣n ⎤⎦ = 1 ⎡⎣ n ⎤⎦ − 1 ⎡⎣ n −1⎤⎦ 1 ⎡⎣ n ⎤⎦ = n ∑ δ ⎡⎣k ⎤⎦ k =−∞ CPS 7 2006/2007 Rzeczywisty sygnał wykładniczy: U x ⎡⎣n ⎤⎦ = a n dla −∞ < n < ∞ Często analizowane są sygnały wykładnicze jednostronne: x [ n] = a n ⋅1[ n] 1 x[n]=(0.8)n1[n] 0.5 n 0 1 2 3 4 5 6 7 8 9 1 1 x[n]=(0.8)n1[n-3] 0.5 x[n]=(0.8)(n-3)1[n-3] 0.5 n n 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 Zespolony sygnał wykładniczy: U x ⎡⎣n ⎤⎦ = e jω n 0 dla −∞ < n < ∞ Tak opisany sygnał jest okresowy z okresem N jeżeli spełniony jest warunek: ω0 2π gdzie m jest liczbą całkowitą dodatnią =m N CPS 8 2006/2007 Konwersja analogowo-cyfrowa: Proces próbkowania opisuje się jako mnożenie sygnału analogowego f(t) i nieskończonego szeregu impulsów (delt) Diraca d(t). Impulsy w takim szeregu powtarzają się z okresem próbkowania T p . B B Szereg impulsów Diraca opisuje zależność: ∞ d ( t ) = ∑ δ ( t − nTp ) −∞ Na wykresie przedstawia się taki szereg w postaci strzałek o jednostkowej długości ( jest to miara pola powierzchni delty), oddalonych od siebie o stały przedział czasu równy Tp (okres próbkowania). d(t) δ (t − nTp ) 1 t 0 t0 = nT p Tp Oznaczając sygnał spróbkowany jako: f * (t ) = f (t ) ⋅ d (t ) ∞ f * ( t ) = f ( t ) ⋅ ∑ δ ( t − nTp ) −∞ i wykorzystując własność filtracyjną delty Diraca otrzymujemy opisujące sygnał dyskretny: ∞ f * ( t ) = ∑ f ( nTp ) ⋅ δ ( t − nTp ) −∞ wyrażenie CPS 9 2006/2007 Zapis ten należy interpretować jako szereg impulsów Diraca o polach równych wartościom próbkowanej funkcji analogowej w punktach, w których znajdują się impulsy szeregu d(t). f (nTp )⋅ δ (t − nTp ) f*(t) t 0 t0 = nTp Widmo delty Diraca zgodnie z definicją przekształcenia Fouriera wynosi: U U ∞ F {δ ( t )} = ∫ δ ( t ) e − jωt dt = 1 −∞ F →1 δ ( t ) ⎯⎯ Inne pary transformat Fouriera: F → e − jωT δ ( t − T ) ⎯⎯ F → 2πδ ω 1 ⎯⎯ ( ) F → 2πδ ω − ω e jω t ⎯⎯ ( 0) 0 Widmo przebiegu okresowego. Do wyznaczenia wykorzystamy zespolony szereg Fouriera Przebieg okresowy f(t) w postaci zespolonego szeregu Fouriera ma postać U U f (t ) = ∞ ∑ce k =−∞ k jkω0t CPS 10 2006/2007 Jego transformata Fouriera F ( jω ) = F F ( jω ) = { ∞ ∑ce k =−∞ jkω0t k ∞ } ∑ c F{e ω } jk k =−∞ 0t k ostatecznie: F ( jω ) = 2π ∞ ∑ c δ (ω + kω ) k k =−∞ (**) 0 gdzie 1T c k = ∫ f ( t ) e − jkω t dt T0 0 0 0 ω0 = 2π T0 współczynniki szeregu Fouriera odstęp między impulsami widma ω t t ω Wniosek: Widmo dowolnego sygnału okresowego, opisuje szereg impulsów Diraca oddalonych od siebie o stałą wartość ω 0 i o polach równych odpowiednio 2π c k . Sygnał okresowy posiada dyskretne widmo. Wykorzystując właściwość symetrii przekształcenia Fouriera można stwierdzić, że sygnał dyskretny posiada okresowe widmo. B B Ta właściwość charakterystyki widmowej sygnału dyskretnego, ma swoje ważne konsekwencje w teorii próbkowania. CPS 11 2006/2007 Szereg impulsów Diraca rozpatrzymy jako szczególny przypadek przebiegu okresowego U U d (t ) = ∞ ∑ δ ( t − kT ) p k =−∞ Po przedstawieniu d(t) w postaci szeregu Fouriera d (t ) = ∞ ∑ce k =−∞ jkω p t k współczynniki tego szeregu wynoszą Tp / 2 1 1 − jω kt ck = δ (t ) e dt = ∫ Tp − T / 2 Tp p p Stąd charakterystyka widmowa szeregu impulsów Diraca przyjmuje postać (**) D ( jω ) = 2π Tp ∞ ⎛ k =−∞ ⎝ ∑ δ ⎜⎜ ω + k 2π Tp ⎞ ⎟⎟ ⎠ Transformata Fouriera szeregu impulsów powtarzających się z okresem T p (w dziedzinie czasu) jest również szeregiem impulsów powtarzających się z okresem 2π / Tp (w dziedzinie częstotliwości). B B Zmniejszając odstępy między impulsami w dziedzinie czasu ( większa częstotliwość próbkowania ) zwiększają się odstępy miedzy impulsami w dziedzinie częstotliwości (i odwrotnie). Ta prosta zależność ma fundamentalne znaczenie podczas realizacji zadania próbkowania przebiegów analogowych. Obliczenia widma sygnału dyskretnego F { f * ( t )} U U Analiza sygnałów w dziedzinie częstotliwości pozwala lepiej rozumieć zagadnienia przetwarzania sygnałów. Transformata Fouriera iloczynu dwóch przebiegów ( twierdzenie o splocie z dziedzinie częstotliwości ): 1 F { f ( t ) ⋅ d ( t )} = F { f ( t )} ∗ F {d ( t )} 2π 1 F { f * ( t )} = F { f ( t )} ∗ F {d ( t )} 2π CPS 12 2006/2007 W uproszczonej postaci zapiszemy transformatę Fouriera sygnału dyskretnego jako 1 F * ( jω ) = F ( jω ) ∗ D ( jω ) 2π oraz znając transformatę szeregu impulsów Diraca otrzymamy: F * ( jω ) = F ( jω ) ∗ 1 ∞ ⎛ 2π δ ⎜⎜ ω + k ∑ Tp k =−∞ ⎝ Tp ⎞ ⎟⎟ ⎠ Pamiętamy, że splot funkcji z impulsem Diraca powoduje przesunięcie tej funkcji do punktu, w którym znajduje się delta. f T ( t ) ∗ δ ( t − t 0 ) = f T ( t − t0 ) δ (t − t 0 ) f T (t ) A 0 f T (t − t 0 ) t0 T t przesunięcie Dodatkowo jeżeli funkcja splatana jest z szeregiem impulsów, to następuje powielanie tej funkcji i przesuwanie powieleń do miejsc, w których znajdują się impulsy Diraca. f T (t ) ∗ (δ (t − t 0 ) + δ (t − t1 )) = f T (t − t 0 ) + f T (t − t1 ) δ (t − t 0 ) f T (t − t 0 ) f T (t ) A 0 t0 T δ (t − t1 ) f T (t − t1 ) t1 t przesunięcie i powielenie Wnioskujemy zatem, że widmo sygnału dyskretnego powstaje w wyniku powielania widma sygnału analogowego nieskończoną ilość razy i przesuwania tych powieleń o wielokrotności ω p. B CPS 13 2006/2007 2π Tp ωp = Transformata Fouriera sygnału dyskretnego ma zatem następującą postać: F * ( jω ) = 1 ∞ ⎛ 2π ⎞ F ⎜ jω + jk ⎟ ∑ Tp k =−∞ ⎜⎝ Tp ⎟⎠ Operację próbkowania sygnału analogowego f(t) można przedstawić graficznie w postaci wykresów w dziedzinie czasu i częstotliwości. f(t) F(ω ) ω t 0 0 D( ω ) d(t) 2π 1 ω t 0 ωp Tp 0 f*(t) F*(ω ) ω t 0 0 ωp Jak wynika z wyprowadzeń postać widma sygnału dyskretnego zależy od częstotliwości próbkowania. W niektórych wypadkach w wyniku powieleń i przesunięć widma sygnału analogowego, może występować nakładanie się powieleń. CPS 14 2006/2007 SYSTEMY DYSKRETNE Definicja: W systemie dyskretnym, przetwarzanie obejmuje operacje arytmetyczne przeprowadzane na sygnale wejściowym x[n], w wyniku, których na wyjściu systemu otrzymuje się sygnał wyjściowy y[n] w postaci ciągu liczb. W większości przypadków systemy czasu dyskretnego są systemami o jednym wejściu i jednym wyjściu. x[n] y[n] Sygnał wejściowy System dyskretny Sygnał wyjściowy Systemy dyskretne można opisywać, podobnie jak układy analogowe, w konwencji wejście-wyjście, do opisu stosuje się w tym przypadku równania różnicowe , stanowiące algebraiczną zależność między ciągiem wejściowym i wyjściowym. U U Klasyfikacja: Systemy dyskretne można klasyfikować ze względu następujących własności: Liniowość Stacjonarność Pamięć Przyczynowość Stabilność Pasywność CPS Liniowość: U 15 2006/2007 U Definicja: Jeżeli y1 [ n ] jest sygnałem wyjściowym systemu zależnym od sygnału wejściowego x1 [ n ] oraz y2 [ n ] jest sygnałem wyjściowym dla sygnału wejściowego x2 [ n ] to dla sygnału wejściowego: x ⎡⎣ n ⎤⎦ = α x1 ⎡⎣ n ⎤⎦ + β x2 ⎡⎣ n ⎤⎦ na wyjściu systemu otrzymamy y [ n ] = α y1 [ n ] + β y2 [ n ] Zależność powyższa zachodzi dla dowolnie wybranych stałych α , β oraz dowolnych sygnałów wejściowych x1 [ n ] , x2 [ n ] Przykład systemu liniowego: y [ n] = − x [ n] 2 x1 [ n ] = sin(ω nTp ) o częstotliwości f=1Hz próbkowany z f p =20Hz B B x2 [ n ] = sin(3ω nTp ) o częstotliwości f=3Hz próbkowany z f p =20Hz B B Superpozycja sygnałów wejściowych x [ n ] = x1 [ n ] + x2 [ n ] = sin(ω nTp ) + sin(3ω nTp ) Na wyjściu systemu dla kolejnych sygnałów wejściowych otrzymamy: y1 [ n ] = − 12 sin(ω nTp ) y2 [ n ] = − 12 sin(3ω nTp ) y [ n ] = y1 [ n ] + y2 [ n ] = − 12 sin(ω nTp ) − 12 sin(3ω nTp ) oraz inaczej y0 [ n ] = − 12 ( x1 [ n ] + x2 [ n ]) = − 12 ( sin(ω nTp ) + sin(3ω nTp ) ) CPS 16 2006/2007 Dla sygnału liniowego zachodzi równość: y [ n ] = y0 [ n ] MATLAB clear; fp=20; T=1/fp; f=1; omega=2*pi*f; t=0:T:1-T; x1=sin(omega*t); figure(1); stem(t,x1); grid y1=-x1/2; figure(2); stem(t,y1); grid x2=sin(3*omega*t); figure(3); stem(t,x2); grid y2=-x2/2; figure(4); stem(t,y2); grid x=x1+x2; figure(5); stem(t,x); grid y=y1+y2; figure(6); stem(t,y); grid yy=-x/2; figure(7); stem(t,yy,'-r'); grid x1[n] 1 0.5 0.8 0.4 0.6 0.3 0.4 0.2 0.2 0.1 0 system -0.2 0 -0.1 -0.4 -0.2 -0.6 -0.3 -0.8 -1 -0.4 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 -0.5 1 x2[n] 1 0 0.4 0.6 0.3 0.4 0.2 system 0.2 0 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0.1 0 -0.2 -0.1 -0.4 -0.2 -0.6 -0.3 -0.8 0.1 y2[n] 0.5 0.8 -1 y1[n] -0.4 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 -0.5 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 y1[n]+y2[n] 0.8 0.6 0.4 0.2 0 -0.2 -0.4 -0.6 -0.8 x[n]=x1[n]+x2[n] y[n] 2 0.8 1.5 0.6 1 0.4 0.5 0.2 0 system -0.5 -1 0 -0.2 -0.4 -1.5 -2 0 -0.6 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 -0.8 0 0.1 0.2 CPS 17 2006/2007 Przykład systemu nieliniowego: y [ n ] = ( x [ n ]) 2 x1 [ n ] = sin(ω nTp ) o częstotliwości f=1Hz próbkowany z f p =20Hz B B x2 [ n ] = sin(3ω nTp ) o częstotliwości f=3Hz próbkowany z f p =20Hz B Superpozycja sygnałów wejściowych x [ n ] = x1 [ n ] + x2 [ n ] = sin(ω nTp ) + sin(3ω nTp ) Na wyjściu systemu otrzymamy: 1 y1 [ n ] = ⎡⎣1 − cos(2ω nTp ) ⎤⎦ 2 1 y2 [ n ] = ⎡⎣1 − cos(6ω nTp ) ⎤⎦ 2 Sygnał jako suma sygnałów wyjściowych y [ n ] = 1 − 12 cos(2ω nTp ) − 12 cos(6ω nTp ) oraz jako sygnał wyjściowy sumy sygnałów wejściowych y0 [ n ] = 1 + 12 cos(2ω nTp ) − cos(4ω nTp ) − 12 cos(6ω nTp ) Nierówność y [ n ] ≠ y0 [ n ] wskazuje na nieliniowość systemu MATLAB clear; fp=20; T=1/fp; f=1; omega=2*pi*f; B CPS 18 2006/2007 t=0:T:1-T; x1=sin(omega*t); figure(1); stem(t,x1); grid y1=x1.^2; figure(2); stem(t,y1); grid x2=sin(3*omega*t); figure(3); stem(t,x2); grid y2=x2.^2; figure(4); stem(t,y2); grid x=x1+x2; figure(5); stem(t,x); grid y=y1+y2; figure(6); stem(t,y); grid yy=x.^2; figure(7); stem(t,yy,'-r'); grid x1[n] y1[n] 1 1 0.9 0.8 0.8 0.6 0.7 0.4 0.6 0.2 0 system -0.2 0.4 0.3 -0.4 0.2 -0.6 0.1 -0.8 -1 0.5 0 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 x2[n] 1 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 1 0.8 0.9 0.6 0.8 0.4 0.7 system 0.2 0 0.6 0.5 -0.2 0.4 -0.4 0.3 -0.6 0.2 0.1 -0.8 -1 0 y2[n] 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 0 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 y1[n]+y2[n] 2 1.8 1.6 1.4 1.2 1 0.8 0.6 0.4 0.2 0 x[n]=x1[n]+x2[n] y[n] 2 2.5 1.5 2 1 0.5 1.5 0 system -0.5 1 -1 0.5 -1.5 -2 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 CPS 19 2006/2007 Stacjonarność W systemie stacjonarnym przesunięcie w czasie w ciągu wejściowym powoduje równoważne przesunięcie w ciągu wyjściowym Jeżeli na wymuszenie x odpowiedź wynosi y system x [ n ] ⎯⎯⎯ → y [ n] to na wymuszenie x przesunięte w czasie o k próbek układ odpowie sygnałem y tak samo przesuniętym system x [ n − k ] ⎯⎯⎯ → y [n − k ] Przykład systemu stacjonarnego y [ n] = − x [ n] 2 system x2 [ n ] = x [ n + 4] ⎯⎯⎯ → y2 [ n ] = y [ n + 4 ] MATLAB clear; fp=20; T=1/fp; f=1; omega=2*pi*f; t=0:T:1-T; x1=sin(omega*t); figure(1); stem(x1); grid y1=-x1/2; figure(2); stem(y1); grid x2=x1(5:20);figure(3); stem(x2); grid y2=-x2/2; figure(4); stem(y2); grid CPS 20 2006/2007 x1[n] y1[n] 1 0.5 0.8 0.4 0.6 0.3 0.4 0.2 0.2 0.1 0 0 system -0.2 -0.1 -0.4 -0.2 -0.6 -0.3 -0.8 -1 -0.4 0 2 4 6 8 10 12 14 16 18 20 -0.5 x2[n] 0 y2[n] 1 2 4 6 8 10 12 14 16 18 20 0.5 0.8 0.4 0.6 0.3 0.4 0.2 0.2 system 0 0.1 0 -0.2 -0.1 -0.4 -0.2 -0.6 -0.3 -0.8 -1 0 2 4 6 8 10 12 14 -0.4 16 -0.5 0 2 4 6 8 10 12 14 16 Pamięć: W układach bez pamięci odpowiedź systemu y[n] zależy tylko od teraźniejszych wartości wymuszenia x[n]. Przyczynowość: Odpowiedź systemu przyczynowego y[n] zależy tylko od przeszłych i teraźniejszych wartości sygnału wymuszenia x[n]. Stabilność: Układ jest stabilny w sensie BIBO (bounded input, bounded output), jeżeli przy ograniczonym sygnale wejściowym x[n] sygnał wyjściowy y[n] jest także ograniczony. Formalnie można warunek zapisać: x [ n] ≤ M x < ∞ ⇒ y [ n] ≤ M y < ∞ Pasywność: System dyskretny jest pasywny jeżeli dla każdego sygnału wejściowego x[n] o skończonej energii sygnał wyjściowy y[n] posiada energię mniejszą lub równą energii x[n]. ∞ ∑ k =−∞ 2 y [k ] ≤ ∞ ∑ k =−∞ 2 x[k ] < ∞