Multidisciplinary Digital Signal Processing A

Functional Approach Using Matlab Gopi download

https://ebookbell.com/product/multidisciplinary-digital-signal-
processing-a-functional-approach-using-matlab-gopi-6751720

Explore and download more ebooks at ebookbell.com

Here are some recommended products that we believe you will be
interested in. You can click the link to download.

Agile Enterprise Risk Management Riskbased Thinking Multidisciplinary

Management And Digital Transformation Howard M Wiener

https://ebookbell.com/product/agile-enterprise-risk-management-
riskbased-thinking-multidisciplinary-management-and-digital-
transformation-howard-m-wiener-46163040

Exploring Digital Design Multidisciplinary Design Practices 1st

Edition Dagny Stuedahl

https://ebookbell.com/product/exploring-digital-design-
multidisciplinary-design-practices-1st-edition-dagny-stuedahl-1959034

Drug Delivery Of Sirna Therapeutics Gaetano Lamberti Anna Angela Barba

https://ebookbell.com/product/drug-delivery-of-sirna-therapeutics-
gaetano-lamberti-anna-angela-barba-58264160

Impact Of Bioactive Peptides On Human Health Kaustav Majumder Ed

https://ebookbell.com/product/impact-of-bioactive-peptides-on-human-
health-kaustav-majumder-ed-21963844
Addressing Food And Nutrition Security In Developed Countries
Christina Pollard

https://ebookbell.com/product/addressing-food-and-nutrition-security-
in-developed-countries-christina-pollard-36371122

Travel Medicine Series Larry Goodyer

https://ebookbell.com/product/travel-medicine-series-larry-
goodyer-36372262

Nonparametric Econometric Methods And Application Thanasis Stengos

https://ebookbell.com/product/nonparametric-econometric-methods-and-
application-thanasis-stengos-36372322

Probiotics And Prebiotics In Pediatrics Francesco Savino

https://ebookbell.com/product/probiotics-and-prebiotics-in-pediatrics-
francesco-savino-37329308

Advanced Mobile Robotics Volume 1 Daeeun Kim

https://ebookbell.com/product/advanced-mobile-robotics-
volume-1-daeeun-kim-43894498
E.S. Gopi

Multi-Disciplinary
Digital Signal
Processing
A Functional Approach Using Matlab
Multi-Disciplinary Digital Signal Processing
E.S. Gopi

Multi-Disciplinary Digital
Signal Processing
A Functional Approach Using Matlab

123
E.S. Gopi
Department of ECE
National Institute of Technology,
Tiruchirappalli
Trichy, Tamil Nadu
India

ISBN 978-3-319-57429-5 ISBN 978-3-319-57430-1 (eBook)

DOI 10.1007/978-3-319-57430-1
Library of Congress Control Number: 2017938129

© Springer International Publishing AG 2018

This work is subject to copyright. All rights are reserved by the Publisher, whether the whole or part
of the material is concerned, specifically the rights of translation, reprinting, reuse of illustrations,
recitation, broadcasting, reproduction on microfilms or in any other physical way, and transmission
or information storage and retrieval, electronic adaptation, computer software, or by similar or dissimilar
methodology now known or hereafter developed.
The use of general descriptive names, registered names, trademarks, service marks, etc. in this
publication does not imply, even in the absence of a specific statement, that such names are exempt from
the relevant protective laws and regulations and therefore free for general use.
The publisher, the authors and the editors are safe to assume that the advice and information in this
book are believed to be true and accurate at the date of publication. Neither the publisher nor the
authors or the editors give a warranty, express or implied, with respect to the material contained herein or
for any errors or omissions that may have been made. The publisher remains neutral with regard to
jurisdictional claims in published maps and institutional affiliations.

Printed on acid-free paper

This Springer imprint is published by Springer Nature

The registered company is Springer International Publishing AG
The registered company address is: Gewerbestrasse 11, 6330 Cham, Switzerland
Dedicated to my wife G. Viji, my son
A.G. Vasig, and my daughter A.G. Desna.
Acknowledgements

I would like to thank Prof. Dr. Mini Shaji Thomas (Director, NITT),
Prof. M. Chidambaram (IITM, Chennai), Prof. K.M.M. Prabhu (IITM, Chennai),
Prof. S. Soundararajan (Former Director, NIT, Trichy), Prof P. Palanisamy,
Prof. B. Venkataramani, and Prof. S. Raghavan (NIT, Trichy) for their support.
I would also like to thank those who helped directly or indirectly in bringing out
this book successfully. Special thanks to my parents Mr. E. Sankara Subbu and
Mrs. E.S. Meena. I thank the research scholars Ms. C. Florintina and Ms. G. Jaya Brinda
for their assistance in proof reading the final manuscript.

Thanks,
E.S. Gopi

vii
Contents

1 Sampling and Reconstruction of Signals . . . . . . . . . . . . . . . . . . . . . . . 1

1.1 Sampling of Sinusoidal Signal . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Fourier Series (FS) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2.1 Dirichlet Conditions . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3 Fourier Transformation (FT) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4 Discrete Time Fourier Transformation (DTFT) and Sampling
Theorem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 13
1.5 Discrete Fourier Transformation (DFT)
(Sampling the Frequency Domain) . . . . . . . . . . . . . . . . . . . . . . . . 18
1.5.1 Vector Space Interpretation of DFT . . . . . . . . . . . . . . . . 20
1.5.2 Fast Fourier Transformation . . . . . . . . . . . . . . . . . . . . . . 21
1.5.3 Sub-band Discrete Fourier Transformation . . . . . . . . . . . 25
1.6 Continous System . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.7 Laplace Transformation (s-Transformation) . . . . . . . . . . . . . . . . . 30
1.7.1 Properties of the ROC of the Laplace Transformation
for the Right Sided Sequence . . . . . . . . . . . . . . . . . . . .. 30
1.7.2 Inverse Laplace Transformation . . . . . . . . . . . . . . . . . .. 31
1.8 Geometrical Interpretation of Computation of Magnitude
Response of the Filter Using Pole-Zero Plot
of s-Transformation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 32
1.9 Discrete System . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 32
1.10 Z-Transformation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 35
1.10.1 Properties of the ROC of the Z-Transformation
for the Right-Sided Sequence . . . . . . . . . . . . . . . . . . . .. 35
1.10.2 Inverse Z-Transformation . . . . . . . . . . . . . . . . . . . . . . .. 36
1.11 Response of the Digital Filter with the Typical Transfer
Function (Obtained Using DTFT) to the Periodic Sequence . . .. 37
1.12 Geometrical Interpretation of Computation of Magnitude
Response of the Filter Using Pole-Zero Plot
of z-Transformation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 40

ix
x Contents

2 Infinite Impulse Response (IIR) Filter . . . . . . . . . . . . . . . . . . . . . . . . . 43

2.1 Impulse-Invariant Mapping . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.2 Bilinear Transformation Mapping . . . . . . . . . . . . . . . . . . . . . . . . 44
2.2.1 Frequency Pre-warping . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.2.2 Design of Digital IIR Filter using Butterworth
Analog Filter and Impulse-Invariant Transformation . . .. 47
2.2.3 Design of Digital IIR Filter using Butterworth
Analog Filter and Bilinear Transformation . . . . . . . . .. 47
2.2.4 Design of Digital IIR Filter Using Chebyshev
Analog Filter and Impulse-Invariant Transformation . . .. 49
2.2.5 Design of Digital IIR Filter Using Chebyshev
Analog Filter and Bilinear Transformation . . . . . . . . . .. 49
2.2.6 Comments on Fig. 2.7 and Fig. 2.8 . . . . . . . . . . . . . . .. 58
2.2.7 Design of High-Pass, Bandpass, and Band-Reject IIR
Filter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
2.3 Realization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
2.3.1 Direct Form 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
2.3.2 Direct Form 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
2.3.3 Illustration. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
3 Finite Impulse Response Filter (FIR Filter) . . . . . . . . . . . . . . . . . . . . 77
3.1 Demonstration of Four Types of FIR Filter . . . . . . . . . . . . . . . . . 78
3.2 Design of Linear Phase FIR Filter-Windowing Technique . . . . . . 90
3.2.1 Design of Low-Pass Filter . . . . . . . . . . . . . . . . . . . . . . . 90
3.2.2 Design of High-Pass Filter . . . . . . . . . . . . . . . . . . . . . . . 97
3.2.3 Design of Band Pass and Band Reject Filter . . . . . . . . . 97
3.2.4 Windows Used to Circumvent Ripples
in the Magnitude Response . . . . . . . . . . . . . . . . . . . . . .. 105
3.3 FIR Filters that Have Identical Magnitude Response . . . . . . . . .. 113
4 Multirate Digital Signal Processing . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
4.1 Sampling Rate Conversion by the Factor M N . . . . . . . . . . . . . . . . . 121
4.1.1 Upsampling (with N ¼ 1) . . . . . . . . . . . . . . . . . . . . . . . . 121
4.1.2 Downsampling (with M ¼ 1) . . . . . . . . . . . . . . . . . . . . . 122
4.1.3 Comments on the Fig. 4.1 . . . . . . . . . . . . . . . . . . . . . . . 123
4.2 Poly-phase Realization of the Filter for Interpolation . . . . . . . . . . 125
4.3 Poly-phase Realization of the Filter for Decimation . . . . . . . . . . . 130
4.4 Quadrature Mirror Filter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
4.5 Transmultiplexer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
5 Statistical Signal Processing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
5.1 Introduction to Random Process . . . . . . . . . . . . . . . . . . . . . . . . . 147
5.1.1 Illustration on W.S.S.R.P and Nonstationary Random
Process . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
Contents xi

5.2 Auto Regressive (AR), Moving Average (MA) and Auto

Regressive Moving Average (ARMA) Modeling . . . . . . . . . . . . . 150
5.2.1 Linear Prediction Model . . . . . . . . . . . . . . . . . . . . . . . . . 151
5.3 Adaptive Filter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
5.3.1 System Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
5.3.2 Filtering Noise . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163
5.4 Spectral Estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166
5.4.1 Eigen Decomposition Method
for Spectral Estimation . . . . . . . . . . . . . . . . . . . . . . . . .. 166
5.4.2 Pisarenko Harmonic Decomposition . . . . . . . . . . . . . . .. 168
5.4.3 MUSIC (Multiple Signal Classification) Method . . . . .. 169
5.4.4 ESPRIT (Estimation of Signal Parameters
Via Rotational Invariance Technique) . . . . . . . . . . . . . .. 170
6 Selected Applications in Multidisciplinary Domain . . . . . . . . . . . . .. 177
6.1 Multipath Transmission in Wireless Communication . . . . . . . . .. 177
6.2 Cyclic Prefix in Orthogonal Frequency Division Multiplexing
(OFDM) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 180
6.3 Projection Slice Theorem for Computed Tomography
Imaging . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 182
6.4 Warped Discrete Fourier Transformation for Speech Signal . . . .. 185
6.5 Nonuniform Discrete Fourier Transformation
for the Compressive Sensing Applications . . . . . . . . . . . . . . . . .. 187
6.6 Nonuniform Sampling of Real Data in Multidisciplinary
Applications-Linear Model for Regression . . . . . . . . . . . . . . . . . . 187
6.6.1 Maximum Likelihood Estimation . . . . . . . . . . . . . . . . . . 188
6.6.2 Least Square Estimation . . . . . . . . . . . . . . . . . . . . . . . . . 189
6.6.3 Bayes Estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190
6.6.4 Kernel Smoothing Function for Regression . . . . . . . . . . 191
List of m-files . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195
Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 199
Chapter 1
Sampling and Reconstruction of Signals

1.1 Sampling of Sinusoidal Signal

Consider the signal x(t) = sin(2π fi t), where i=1,2,3 with f1 = 1 Hz, f2 = 11 Hz and
f3 = 21 Hz that are sampled with the identical sampling frequency fs = 10 Hz to
obtain the discrete sequence x(nTs ) = sin(2π fi nTs ) (refer Fig. 1.1). From the figure,
we observe that amplitude of the discrete sequence obtained from all the three signals
ends up with identical values. In fact, we get the identical sequence for infinite
number of sinusoidal signals with frequencies given as fr = f1 + rfs . The discrete
sequences obtained from the signal x1 (t) = sin(2π f1 t) and x2 (t) = sin(2π fr t), with
fr = f1 + rfs , where fs is the identical sampling frequency used to sample both the
signals are obtained as follows.

x1 (t) = sin(2π f1 ∗ t) (1.1)

⇒ x1 (nTs) = sin(2π f1 ∗ nTs ) (1.2)

Also the discrete sequence obtained from the signal x2 (t) is obtained as follows.

x2 (t) = sin(2π fr ∗ t) (1.3)

⇒ x2 (nTs) = sin(2π(f1 + rfs ) ∗ nTs ) = sin(2π(f1 ∗ nTs ) (1.4)

Thus we observed that the identical sequences are obtained by sampling the signals
x1 (t) and x2 (t) when sampled using the identical sampling frequency. Intuitively we
understand that the frequency content of the discrete sequence obtained are f1 + rfs ,
i.e., the spectrum is periodic with the period fs . If the analog low pass filter

t
h1 (t) = sinc( ) (1.5)
Ts

© Springer International Publishing AG 2018 1

E.S. Gopi, Multi-Disciplinary Digital Signal Processing,
DOI 10.1007/978-3-319-57430-1_1
2 1 Sampling and Reconstruction of Signals

(a)

(b)

Fig. 1.1 Illustrating sampling of three sinusoidal signals (with different frequencies) with fixed
sampling frequency ends up with identical sequence

Fig. 1.2 a Impulse response of the Low pass filter sinc( Tst ) (that allows 1 Hz) used to reconstruct
the signal back from the discrete sequence generated in the Fig. 1.1. b Corresponding magnitude
response
1.1 Sampling of Sinusoidal Signal 3

Fig. 1.3 a Impulse response of the Band pass filter constructed using the low pass filter used in
Fig. 1.2 (that allows 11 and 9 Hz) used to reconstruct the signal back from the discrete sequence
generated in the Fig. 1.1. b Corresponding magnitude response

Fig. 1.4 a Impulse response of the Band pass filter constructed using the low pass filter used in
Fig. 1.2 (that allows 19 and 21 Hz) used to reconstruct the signal back from the discrete sequence
generated in the Fig. 1.1. b Corresponding magnitude response
4 1 Sampling and Reconstruction of Signals

Fig. 1.5 a, b and c are the reconstructed signals obtained using the filter used in Figs. 1.2, 1.5 and
1.6 respectively. d, e and f shows the corresponding spectrum

Fig. 1.6 a Impulse response of the narrow Band pass filter (that allows 11 Hz) used to reconstruct
the signal back from the discrete sequence generated in the Fig. 1.1. b Corresponding magnitude
response
1.1 Sampling of Sinusoidal Signal 5

Fig. 1.7 a Impulse response of the narrow Band pass filter (that allows 21 Hz) used to reconstruct
the signal back from the discrete sequence generated in the Fig. 1.1. b Corresponding magnitude
response

Fig. 1.8 a, c and e Are the continuous signals reconstructed from the samples using the filter
described in Figs. 1.2, 1.6 and 1.7 respectively. b, d and f Shows the corresponding spectrum
6 1 Sampling and Reconstruction of Signals

Fig. 1.9 Demonstrating nonoverlapping of spectrum in DTFT domain when Fmax < F2s . a Low
pass signal with the maximum frequency content of 0.1 Hz in time domain. b Corresponding
spectrum. c Discrete version of the signal in (a) with Fs = 1 Hz. d Corresponding spectrum obtained
using DTFT. e Low pass signal with the maximum frequency content of 0.3 Hz in time domain. f
Corresponding spectrum. g Discrete version of the signal in (e) with Fs = 1 Hz. h Corresponding
spectrum using DTFT
1.1 Sampling of Sinusoidal Signal 7

Fig. 1.10 Demonstrating marginal overlapping of spectrum in DTFT domain when Fmax = F2s . a
Low pass signal with the maximum frequency content of 0.5 Hz in time domain. b Corresponding
spectrum. c Discrete version of the signal in (a) with Fs = 1 Hz. d Corresponding spectrum obtained
using DTFT

(refer Fig. 1.2) that allow 1 Hz signal is used to reconstruct the sequence x1 (nTs ),
we get the sinusoidal signal with frequency 1 Hz. If the identical sequence is recon-
structed using the band pass analog filter with mid-band frequency 11 Hz

1 t t
h2 (t) = sinc( )e−j2π11t + sinc( )ej2π11t ; (1.6)
2 Ts Ts

(refer Fig. 1.3), we get two sinusoidal signal with frequencies 9 and 11 Hz. Note
that the bandwidth is constructed such that it allows both 9 and 11 Hz. Similarly if
the identical sequence is reconstructed using the narrow band pass analog frequency
with mid-band frequency 21 Hz

1 t t
h2 (t) = sinc( )e−j2π21t + sinc( )Ts ej2π21t ; (1.7)
2 Ts Ts

(refer Fig. 1.4), we get two sinusoidal components with frequencies 19 and 21 Hz.
Figure 1.5 demonstrates the reconstruction of three different single tone signals
using three different filters from the identical discrete sequence. But if we have two
narrow Band pass filters that allow 11 Hz ( 21 sinc( 10Tt
s
)e−j2π11t + sinc( 10T
t
s
)ej2π11t ),
8 1 Sampling and Reconstruction of Signals

Fig. 1.11 Demonstrating Overlapping of spectrum in DTFT domain when Fmax > F2s . a Low
pass signal with the maximum frequency content of 0.7 Hz in time domain. b Corresponding
spectrum. c Discrete version of the signal in (a) with Fs = 1 Hz. d Corresponding spectrum obtained
using DTFT. e Low pass signal with the maximum frequency content of 0.9 Hz in time domain. f
Corresponding spectrum. g Discrete version of the signal in (e) with Fs = 1 Hz. h Corresponding
spectrum using DTFT
1.1 Sampling of Sinusoidal Signal 9

21 Hz ( 21 sinc( 10T
t
s
)e−j2π11t + sinc( 10T
t
s
)ej2π11t ) frequency, we get the corresponding
sinusoidal components as the output of the filters (refer Figs. 1.6, 1.7 and 1.8). Ideally
we would like to use the analog filter to reconstruct the samples back to the continu-
ous domain. But to demonstrate this, we simulate reconstruction in discrete domain.
The resolution to represent the impulse response of the analog filter is 1/1000 s. It
is noted that it is not the actual sampling frequency used to sample the signal to get
the discrete sequence (as described above). The spectrum of the low pass, bandpass
filters used to demonstrate the reconstruction involves the periodic spectrum of 1000
Hz. This is due to discrete filter used to reconstruct the signal back. We reconstruct
the signal back with the resolution 1/1000 s. In reality, the reconstruction is done
using the analog filter to obtain the continuous signal.

function [res]=demonstratereconstruction(option)
%option=1: Using the band pass filters constructed
%using the low pass reconstruction filter
%opition=2: Using 10 times narrow band pass filters
figure
subplot(2,1,1)
t=-2:1/1000:2;
x1=sin(2*pi*1*t);
plot(t,x1,’r’)
hold on
x2=sin(2*pi*11*t);
plot(t,x2,’b’)
hold on
x3=sin(2*pi*21*t);
plot(t,x3,’k’)
Ts=1/10;
n=-20:1:20;
hold on
xn1=sin(2*pi*1*n*Ts);
plot(n*Ts,sin(2*pi*1*n*Ts),’m*’)
subplot(2,1,2)
stem(n*Ts,sin(2*pi*1*n*Ts),’m*’)

switch option
case 1
%Reconstruction using low pass filter
%Reconstruction using band pass filter 1
%Reconstruction using band pass filter 2
t1=-2:1/1000:2;
h1=sinc(t1/Ts);
w=window(@hamming,length(h1));
h1=h1.*w’;
h2=(sinc(t1/Ts).*exp(-j*2*pi*11*t1)+sinc(t1/Ts).* ...
exp(j*2*pi*11*t1))/2;
h2=h2.*w’;
h3=(sinc(t1/Ts).*exp(-j*2*pi*21*t1)+sinc(t1/Ts).*...
exp(j*2*pi*21*t1))/2;
h3=h3.*w’;
figure
subplot(2,1,1)
plot(-2:1/1000:2,h1)
subplot(2,1,2)
10 1 Sampling and Reconstruction of Signals

plot(linspace(0,1000,length(h1)),abs(fft(h1)))
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%OR%
case 2
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%Reconstruction using low pass filter
%Reconstruction using 10 times narrow band pass filter 1
%Reconstruction using 10 times narrow band pass filter 2
t1=-2:1/1000:2;
h1=sinc(t1/Ts);
w=window(@hamming,length(h1));
h1=h1.*w’;
h2=(sinc(t1/10*Ts).*exp(-j*2*pi*11*t1)+sinc(t1/10*Ts).* ...
exp(j*2*pi*11*t1))/2;
h2=h2.*w’;
h3=(sinc(t1/10*Ts).*exp(-j*2*pi*21*t1)+sinc(t1/10*Ts).* ...
exp(j*2*pi*21*t1))/2;
h3=h3.*w’;
figure
subplot(2,1,1)
plot(-2:1/1000:2,h1)
subplot(2,1,2)
plot(linspace(0,1000,length(h1)),abs(fft(h1)))
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
end

figure
subplot(2,1,1)
plot(-2:1/1000:2,h2)
subplot(2,1,2)
plot(linspace(0,1000,length(h2)),abs(fft(h2)))
figure
subplot(2,1,1)
plot(-2:1/1000:2,h3)
subplot(2,1,2)
plot(linspace(0,1000,length(h3)),abs(fft(h3)))

%Inserting zeros
temp=[];
for i=1:1:41
temp=[temp xn1(i) zeros(1,99)];
end
temp=temp(1:1:4001);
temp=temp.*window(@hamming,length(temp))’;

y1=conv(temp,h1);
y2=conv(temp,h2);
y3=conv(temp,h3);
figure
subplot(2,3,1)
plot([-4:1/1000:4],y1,’b’)
subplot(2,3,2)
plot([-4:1/1000:4],y2,’b’)
subplot(2,3,3)
plot([-4:1/1000:4],y3,’b’)
temp1=[];
temp2=[];
temp3=[];
t=-4+(1/1000):(1/1000):4-(1/1000);
1.1 Sampling of Sinusoidal Signal 11

%Trapezoidal rule
temp1=[];
temp2=[];
for f=0:1/231:50
temp1= [temp1 abs(y1(1)*(exp(-j*2*pi*f*(-4))+ ...
sum(y1(2:1:length(y1)-1).*exp(-j*2*pi*f*t))+ ...
y1(length(y1))*exp(-j*2*pi*f*(4))))];
temp2=[temp2 abs(y2(1)*(exp(-j*2*pi*f*(-4))+ ...
sum(y2(2:1:length(y2)-1).*exp(-j*2*pi*f*t))+ ...
y2(length(y2))*exp(-j*2*pi*f*(4))))];
temp3=[temp3 abs(y3(1)*(exp(-j*2*pi*f*(-4))+ ...
sum(y3(2:1:length(y3)-1).*exp(-j*2*pi*f*t))+ ...
y3(length(y3))*exp(-j*2*pi*f*(4))))];
end
f=0:1/231:50;
subplot(2,3,4)
plot(f, temp1)
subplot(2,3,5)
plot(f, temp2)
subplot(2,3,6)
plot(f,temp3)

1.2 Fourier Series (FS)

Any periodic signal (satisfying Dirichlet conditions) x(t) with time period T0 = f10
(f0 is the fundamental frequency) can be represented as the summation of sinusoid,
cosines, and constant amplitude signal as follows.


k=∞ 
k=∞
x(t) = a0 + ak sin(2π kf0 t) + bk cos(2π kf0 t) (1.8)
k=1 k=1

As the signal is periodic, we consider the signal for one time period T0 (represented
as xT (t)) as the vector. Also, we represent the set of sine and cosine signals in (1.8)
for one period as follows.

ST ,k (t) = sin(2π kf0 t), CT ,k (t) = cos(2π kf0 t) (1.9)

The vector xT (t) is viewed as the vector in the space spanned by the orthonormal
basis vectors T20 ST ,k (t), T20 CT ,k (t) and T10 (constant over the period 0 to T0 ) and we
obtain the co-efficients a0 , ak and bk (k = 1, 2 · · · ) as follows.
 T0  T0
1 1
a0 = xT (t)dt = x(t)dt (1.10)
T0
0 T0 0
 T0  T0
2 2
ak = xT (t)ST ,k (t)dt = x(t)sin(2π kf0 t)dt (1.11)
T0 0 T0 0
12 1 Sampling and Reconstruction of Signals
 T0  T0
2 2
bk = xT (t)CT ,k (t)dt = x(t)cos(2π kf0 t)dt (1.12)
T0 0 T0 0

1.2.1 Dirichlet Conditions

• x(t) is absolutely integrable.

• x(t) should have finite number of extrema in any given bounded interval.
• x(t) must have finite number of discontinuities in any given bounded interval.

In this case, the signal in time domain is continuous and periodic and the frequency
domain is discrete.

1.3 Fourier Transformation (FT)

Consider the aperiodic signal x(t). It is assumed that the signal xT0 (t) is periodic with
period T0 = f10 and limT0 →∞ xT0 (t) = x(t). Rewriting the Fourier series to represent
the signal xT0 (t) as follows.


k=∞
xT0 (t) = ck ej2πkf0 t (1.13)
k=−∞

The co-efficient ck is obtained as follows.

 T0
1 2
ck = xT0 (t)e−j2πkf0 t dt (1.14)
T0 −T0
2

Let ck T0 = X(kf0 )
Rewriting (1.13) using X(kf0 ), we get the following.

1 
k=∞
xT0 (t) = X(kf0 )ej2πkf0 t (1.15)
T0
k=−∞

By applying the limit limT0 →∞ on both sides of (1.15), we get the following.
 ∞
x(t) = X(f )ej2πft df (1.16)
−∞

(1.16) implies,
1.3 Fourier Transformation (FT) 13
 ∞
X(f ) = x(t)e−j2πft dt (1.17)
−∞

In this case, time domain is non-periodic and continuous.

1.4 Discrete Time Fourier Transformation (DTFT)

and Sampling Theorem

The continuous time domain signal is sampled to obtain the discrete sequence. Based
on the discussion in the Sect. (1.1), we understand that the corresponding frequency
domain is periodic with the period of sampling frequency Fs . We also see that the
amplitude of the frequency domain obtained with sampling is scaled by the factor
Fs . Thus in the case of DTFT, time domain is discrete and the frequency domain is
continuous and periodic. The DTFT pair is as given below.


n=∞
X(f ) = x(nTs )e−j2πfnTs (1.18)
n=−∞
 Fs
1 2
x(nTs ) = x(n) = X(f )ej2πfnTs df (1.19)
Fs − F2s

The spectrum (DTFT) of the discrete sequences sampled with the sampling fre-
quency of 1 Hz from the continous signal whose maximum frequency is gradually
increased from 0.1 Hz to 0.9 Hz is illustrated in the Figs. 1.9, 1.10, 1.11. It is seen
in Fig. 1.9, there is no overlapping of spectrum occur in the case when Fmax < F2s .
Figure 1.10 illustrates the spectrum when Fmax = F2s and in Fig. 1.11 illustrates the
overlapping of one period of the spectrum with neighbor occur that leads to the aliased
component. This indicate that when the sampling frequency is chosen greater than
or equal to twice the maximum frequency content of the signal, overlapping of one
period of the spectrum does not occur (Aliased component will not get introduced)
(Figs. 1.9, 1.10, 1.11).
Let the Fourier transformation of the signal x(t) be represented as X(f ) and is
zero if | f | > W2 . If the signal x(t) is sampled with the sampling frequency Fs , we
get the spectrum that is periodic with Fs . From the Fig. 1.11, it is observed that if

Fig. 1.12 Illustration of

sampling points between 0 to
2π in DTFT domain to
obtain DFT
14 1 Sampling and Reconstruction of Signals

Fs < 2 W2 , overlapping of one period of the spectrum with the neighbor period occur.
This is circumvented by choosing Fs ≥ 2 W2 . This is known as sampling theorem. It
is possible to reconstruct the signal x(t) from the discrete samples x(nTs ) by filtering

Fig. 1.13 a DFT computed using DIT. b DFT computed using the direct method (It is seen that
both are identical)

Fig. 1.14 a Time required to compute DFT using DIT method. b Time required to compute DFT
using the direct method as the function of N
1.4 Discrete Time Fourier Transformation (DTFT) and Sampling Theorem 15

Fig. 1.15 a DFT computed using DIF. b DFT computed using the direct method (It is seen that
both are identical)

Fig. 1.16 a Time required to compute DFT using DIF method. b Time required to compute DFT
using the direct method as the function of N

the discrete samples through the ideal low pass filer with cutoff frequency = F2s . This
is equivalently represented in time domain (using sinc function based interpolation)
as follows.
16 1 Sampling and Reconstruction of Signals

Fig. 1.17 Magnitude response computed using 1024-DFT using. a Direct method. b One level
Sub-band decomposition. c Two-level Sub-band decomposition. (It is seen that all are identical)

%samplingtheorem.m
Demonstration of non-overlapping of spectrum in DTFT
m=1;
for cutoff=0.1:0.2:0.9
figure(m)
h=fir1(1000,cutoff);
Fs=2;
Ts=1/Fs;
%Assuming fmax=1 Hz
%(satisfying the sampling theorem)
n=0:1:length(h)-1;
subplot(4,1,1)
plot(n*Ts,h)
subplot(4,1,2)
m1=[];
for f=-6*Fs:0.01:6*Fs
m1=[m1 abs(sum(h.*exp(-j*2*pi*f*n*Ts)))];
end
f=-6*Fs:0.01:6*Fs;
1.4 Discrete Time Fourier Transformation (DTFT) and Sampling Theorem 17

Fig. 1.18 Magnitude response: a 256 points of 1024-point DFT computed (0.2514 s) using the
direct method. b 256-points of 1024-point DFT computed (0.0057 s) using Two-level sub-band
decomposition

Fig. 1.19 a s-Plane with the shaded ROC. b z-Plane with the shaded ROC

plot(f,m1)
Ts1=2*Ts;
Fs1=Fs/2;
h1=h(1:2:1001)
n=0:1:length(h1)-1;
subplot(4,1,3)
stem(n*Ts1,h1)
m2=[];
for f=-2*6*Fs1:0.01:2*6*Fs1
m2=[m2 abs(sum(h1.*exp(-j*2*pi*f*n*Ts1)))];
18 1 Sampling and Reconstruction of Signals

Fig. 1.20 Illustration of the Geometrical method of computing magnitude and phase response of
the continous system transfer function H(s)

end
Fs1=1/Ts1;
f=-2*6*Fs1:0.01:2*6*Fs1;
%(Not satisfying the sampling theorem)
subplot(4,1,4)
plot(f,m2)
m=m+1;
end


n=∞
t
x(t) = x(nTs )sinc( − n) (1.20)
n=−∞
Ts

DTFT can also be viewed as the dual property of Fourier series. In case of Fourier
series, time domain is periodic in nature and the frequency domain is discrete. Sim-
ilarly in the case of DTFT, the time domain is discrete and the frequency domain is
periodic in nature.

1.5 Discrete Fourier Transformation (DFT) (Sampling

the Frequency Domain)

The spectrum of the discrete samples (DTFT) is periodic with sampling frequency
Fs . DFT is obtained by sampling the DTFT for one period. Let us assume N = 11
number of samples are obtained from one period of the frequency domain DTFT.
DTFT is represented as shown below.
1.5 Discrete Fourier Transformation (DFT) (Sampling the Frequency Domain) 19


k=∞
X(ejw ) = x(n)e−jwn (1.21)
k=−∞

DFT sequence is obtained by sampling X(ejw ) for the duration 0 ≤ w ≤ 2π once in

2 Nπ and is represented as follows.


n=N−1
x(n)e−j N nk
2π
X(k) = (1.22)
n=0


The sequence x(n) is obtained from the sequence X(k) as x(n) = N1 k=N−1
k=0
2π
X(k)ej N nk and the proof is as shown below. Substitute (1.22) in
 2π
x(n) = N1 k=N−1
k=0 X(k)ej N nk , we get the following.

1  
k=N−1 l=N−1
x(l)e−j N lk ej N nk
2π 2π

N
k=0 l=0

1 
l=N−1 
k=N−1
e−j N lk ej N nk
2π 2π
= x(l)
N
l=0 k=0

1 
l=N−1 
k=N−1
e−j N (l−n)k
2π
= x(l)
N
l=0 k=0

1 
k=N−1 
k=N−1
e−j N (0−n)k + x(1) e−j N (1−n)k + · · · +
2π 2π
= x(0)
N
k=0 k=0


k=N−1
e−j N (n−n)k + · · ·
2π
x(n)
k=0


k=N−1
e−j N (N−1−n)k
2π
+x(N − 1)
k=0
⇒ x(n) = 0 + 0 + · · · + Nx(n) + 0 + · · · + 0
= x(n)

Hence proved. In this case, both time domain and frequency domain are discrete.
20 1 Sampling and Reconstruction of Signals

1.5.1 Vector Space Interpretation of DFT

The
⎛ typical DFT matrix DN for arbitrary N ⎞ is as shown below.
1 1 1 ··· 1
⎜ 1 W 1∗1 WN1∗2 · · · WN1∗(N−1) ⎟
⎜ N ⎟
⎜ ⎟
⎜ 1 WN2∗1 WN2∗2 · · · WN2∗(N−1) ⎟ j2π
⎜ ⎟ where, WN = e N is the twiddle fac-
⎜ 1 WN3∗1 WN3∗2 · · · WN3∗(N−1) ⎟
⎜ ⎟
⎝··· ··· ··· ··· ··· ⎠
1 WN(N−1)∗1 WN(N−1)∗2 · · · WN(N−1)∗(N−1)
tor. The columns of the DFT matrix DN is orthogonal to each other, i.e., DNH DN = NIN ,
where IN is the identity matrix of size N × N. Also DFT matrix is the unitary matrix,
i.e., DNH DN = DN DNH = NIN . The arbitrary vector v ∈ C n is represented as the linear
combinations of the columns of the DFT matrix, i.e., v = N1 DN u. The corresponding
co-efficients are obtained as u = DNH v. The vector u is known as DFT coefficients
and are obtained using DFT. The method of obtaining v is known as IDFT. Prop-
erties of the DFT matrix is summarized below. The frequency in radians and in Hz
corresponding to the sample number in DFT domain is illustrated in Fig. 1.12.
1. The columns of the scaled DFT matrix N1 is orthogonal to each other. To make it
1
as the orthonormal vectors, they are scaled with √(N) . Let it be SDN = N1
2. The eigenvectors of the DFT matrix takes the value i, −i or 1
3. Circulant matrix (A (say)) is diagonalized using DFT matrix as SDN ASDNH =
1
N N
D ADNH = D, D is the diagonal matrix.
This implies A = N1 DNH DDN . The vector y = Ax (A as the circulant matrix) is the
circular convolution of the vector x and the first column of the matrix A and is
computed as N1 DNH DDN x. In this DN x is viewed as computing the DFT OF the
vector x (say z1 ). DDN x is viewed as the scaled version of the vector z1 , with
the diagonal elements of the matrix D (say z2 ). Further N1 DNH DDN x is viewed as
the IDFT of the vector z2 . It is also observed that the diagonal elements of the
matrix D is the DFT of the⎛first column
⎞ of the matrix A.
1432
⎜2 1 4 3⎟
4. Demonstration with A = ⎜ ⎝ 3 2 1 4 ⎠.
⎟

4321
x = 5⎛6 7 8 we get the following. ⎞
1.0000 1.0000 1.0000 1.0000
⎜ 1.0000 0.0000 + 1.0000i −1.0000 + 0.0000i −0.0000 − 1.0000i ⎟
DN = ⎜ ⎝ 1.0000 −1.0000 + 0.0000i 1.0000 − 0.0000i −1.0000 + 0.0000i ⎠
⎟

1.0000 −0.0000 − 1.0000i −1.0000 + 0.0000i 0.0000 + 1.0000i

⎛ ⎞
1432
⎜2 1 4 3⎟
z1 = ⎜⎝3 2 1 4⎠
⎟

4321
1.5 Discrete Fourier Transformation (DFT) (Sampling the Frequency Domain) 21
⎛ ⎞
26.0000 0 0 0
⎜ 0 −2.0000 + 2.0000i 0 0 ⎟
D=⎜ ⎝
⎟
⎠
0 0 −2.0000 − 0.0000i 0
0 0 0 −2.0000 − 2.0000i
⎛ ⎞
10.0000
⎜ −2.0000 + 2.0000i ⎟
z2 = ⎜ ⎟
⎝ −2.0000 − 0.0000i ⎠
−2.0000 − 2.0000i
⎛ ⎞
66.0000 + 0.0000i
⎜ 68.0000 + 0.0000i ⎟
z3 = ⎜ ⎟
⎝ 66.0000 + 0.0000i ⎠
60.0000 − 0.0000i
The z3 thus obtained is the circular convolution of the vector x and the first column
of the matrix A, which is obtained as Ax.

%circconvusingDFT.m
%Circular convolution of a with b using DFT-IDFT
a=[1 2 3 4]’;
b=[5 6 7 8]’;
%Constructing DFT matrix
twf=exp(j*2*pi/4);
n=0:1:3;
k=[0:1:3]’;
DN=[twf.ˆn; twf.ˆn; twf.ˆn; twf.ˆn];
DN=[DN(:,1).ˆk DN(:,2).ˆk DN(:,3).ˆk DN(:,4).ˆk]
%DFT of a
z1=DN’*a;
temp=DN’*b;
D=diag(temp);
z2=D*z1;
z3=(1/4)*DN*z2;
%Constructing circulant matrix
C=[1 2 3 4;4 1 2 3;3 4 1 2;2 3 4 1]’;
%Circular convolution of two sequence
z3_direct=C*b;

1.5.2 Fast Fourier Transformation

The number of computations to compute DFT is reduced by the algorithm namely

Fast Fourier Transformation as described below.

1.5.2.1 Decimation in Time for N-Point DFT

The DFT of the sequence x(n) is decomposed as the summation of two terms as
described below.
22 1 Sampling and Reconstruction of Signals


n=N−1
−j2πnk
X(k) = x(n)e N (1.23)
n=0
n= N2 −1 n= N2 −1
 −jπ2nk
−j2πk  −j2πnk

= +e x(2n + 1)e
N N
x(2n)e 2 N 2 (1.24)
n=0 n=0

This is realized using recursive technique. Refer Figs. 1.13 and 1.14 for illustration.

%dit.m
function [res]=dit(x,N)
%Decimation in time
k=1;
if(N˜=2)
part1=x(1:2:length(x));
part2=x(2:2:length(x));
N=N/2;
k=0:1:N-1;
res1=dit(part1,N)+dit(part2,N).*exp(-j*2*pi*k/(2*N));
res2=dit(part1,N)-dit(part2,N).*exp(-j*2*pi*k/(2*N));
res=[res1 res2];
else
res1=x(1)+x(2);
res2=x(1)-x(2);
res=[res1 res2];
end

%executedit
OPTIONN=[2 4 8 16 32 64 128 256 512 1024];
time1=[];
time2=[];
for i=1:length(OPTIONN)
N=OPTIONN(i);
x=rand(1,N);
tic
res=dif(x,N);
n=0:1:N-1;
c=dec2bin(n);
p=bin2dec([c(:,size(c,2):-1:1)]);
DIFR=res(p+1);
time1=[time1 toc];

tic
for k=0:1:length(x)-1
sum=0;
for n=0:1:length(x)-1
sum=sum+x(n+1)*exp(-j*2*pi*n*k/N);
end
RES(k+1)=sum ;
end
time2=[time2 toc];
end

figure
subplot(2,1,1)
stem(0:1:length(x)-1,abs(DIFR))
subplot(2,1,2)
1.5 Discrete Fourier Transformation (DFT) (Sampling the Frequency Domain) 23

stem(0:1:length(x)-1,abs(RES))

figure
stem(time1)
hold on
stem(time2,’r’)

function [res]=dif(x,N)
Decimation in frequency
part1=x(1:1:(N/2));
part2=x((N/2)+1:1:N);
if(N˜=2)
n=0:1:(N/2)-1;
temp1=part1+part2;
temp2=(part1-part2).*exp(-j*2*pi*n/(N))
N=N/2;
part1=dif(temp1,N);
part2=dif(temp2,N);
res=[part1 part2]
else
res(1)=part1+part2;
res(2)=part1-part2;
end

1.5.2.2 Decimation in Frequency for N-Point DFT

The DFT of the sequence x(n) is decomposed as the summation of two terms as
described below.


n=(N−1)
−j2πnk
X(k) = x(n)e N (1.25)
n=0
n= N2 −1
 −j2πnk 
n=(N−1)
−j2πnk
= x(n)e N + x(n)e N (1.26)
n=0 n= N2

n=N−1 −j2πnk
Consider the second term x(n)e N .
n= N2
m= N −1 −j2π(m+ N
2 )k
Let m = n − N2 , we get the following m=02 x(m + N2 )e N . Thus X(k) is
computed as the following.

n= N2 −1 m= N2 −1
 −j2πnk −j2π(N/2)k  N −j2πmk
X(k) = x(n)e N +e N x(m + )e N (1.27)
n=0 m=0
2

Replacing k = 2k , we get the following.

24 1 Sampling and Reconstruction of Signals

n= N2 −1
 N −j2πnk
X(2k ) = (x(n) + x(n + ))e N/2 (1.28)
n=0
2

Similarly k = 2k + 1, we get the following.

n= N2 −1
 N −j2πnk −j2πn
X(2k + 1) = (x(n) − x(n + ))e N/2 e N (1.29)
n=0
2

This is realized using the recursive method (refer m-file). The order in which the
DFT is obtained is in the bit reversal order, i.e., decimated in the frequency domain
and hence this method is known as Decimation in frequency. Refer Figs. 1.15 and
1.16 for illustration.

%dif.m
Decimation in frequency
function [res]=dif(x,N)
part1=x(1:1:(N/2));
part2=x((N/2)+1:1:N);
if(N˜=2)
n=0:1:(N/2)-1;
temp1=part1+part2;
temp2=(part1-part2).*exp(-j*2*pi*n/(N))
N=N/2;
part1=dif(temp1,N);
part2=dif(temp2,N);
res=[part1 part2]
else
res(1)=part1+part2;
res(2)=part1-part2;
end

%executedif.m
OPTIONN=[2 4 8 16 32 64 128 256 512 1024];
time1=[];
time2=[];
for i=1:length(OPTIONN)
N=OPTIONN(i);
x=rand(1,N);
tic
res=dif(x,N);
n=0:1:N-1;
c=dec2bin(n);
p=bin2dec([c(:,size(c,2):-1:1)]);
DIFR=res(p+1);
time1=[time1 toc];
tic
for k=0:1:length(x)-1
sum=0;
for n=0:1:length(x)-1
sum=sum+x(n+1)*exp(-j*2*pi*n*k/N);
end
1.5 Discrete Fourier Transformation (DFT) (Sampling the Frequency Domain) 25

RES(k+1)=sum ;
end
time2=[time2 toc];
end

figure
subplot(2,1,1)
stem(0:1:length(x)-1,abs(DIFR))
subplot(2,1,2)
stem(0:1:length(x)-1,abs(RES))

figure
subplot(2,1,1)
stem(log2(OPTIONN),time1)
subplot(2,1,2)
stem(log2(OPTIONN),time2,’r’)

1.5.3 Sub-band Discrete Fourier Transformation

Suppose the spectrum of the given sequence occupies only the particular band
between 0 to 2π radians (corresponding to Fmax Hz). It is not efficient to compute
the DFT for the complete range between 0 to 2π . Sub-band DFT paves the way to
compute the DFT in the intended region of the complete spectrum. This is illustrated
with an example as follows.
• Let the given sequence be represented as [X0 X1 X2 · · · X1023 ] that occupies the
spectrum ranging from 0 to π2 . 1024 − point DFT occupies the complete range
of frequency from 0 to 2π . Sub-band DFT to compute DFT points related to the
range 0 to π4 is computed using two-level decomposition as follows.
• g1 = [X0 X2 · · · X1022 ] + [X1 X3 · · · X1023 ]
• g2 = [X0 X2 · · · X1022 ] − [X1 X3 · · · X1023 ]
• g11 = [g0 g2 · · · g510 ] + [g1 g3 · · · g510 ]
• g12 = [g0 g2 · · · g510 ] − [g1 g3 · · · g510 ]
• g21 = [g1 g3 · · · g511 ] + [g1 g3 · · · g511 ]
• g22 = [g1 g3 · · · g511 ] − [g1 g3 · · · g511 ]
• Compute DFT of the sequence g11 to obtain G11 Similarly construct Gij, for i =
1, 2 and j = 1, 2.
• The actual DFT sequence of the given signal over the region 0 to π2 (256-point FFT)
−j2πk −j2π2∗k −j3π2∗k
is computed as the following. X(k) = [1 e 1024 e 1024 e 1024 ] 41 [1111]GT11 (K).
This is computed for k = 0 to k = 255 to obtain the 256-point DFT.
−j2πk
• DFT points from 256 to 512 are computed as the following. X(k) = [1 e 1024
−j2π2∗k −j3π2∗k
e 1024 e 1024 ] 41 [1 − 1 1 − 1]GT21 (K) for k = 0 to k = 255
• Similarly DFT points from 513 to 768 (256-points) are computed respectively as
−j2πk −j2π2∗k −j3π2∗k
the following. X(k) = [1 e 1024 e 1024 e 1024 ] 41 [1 1 − 1 − 1]GT12 (K) for k = 0
to k = 255 and
26 1 Sampling and Reconstruction of Signals

• Similarly DFT points from 769 to 1023 (256-points) are computed respectively as
−j2πk −j2π2∗k −j3π2∗k
the following. X(k) = [1 e 1024 e 1024 e 1024 ] 41 [1 − 1 − 11]GT22 (K) for k = 0 to
k = 255
• The vectors [1 1 1 1], [1 − 1 1 − 1], [1 1 − 1 − 1], [1 − 1 − 1 1] (used in the
computation) form the rows of the 4 × 4 hadamard matrix.
• Figure 1.17 illustrates the magnitude response of the DFT computed using FFT,
Sub-band first-level decomposition, Sub-band second-level decomposition. Also
Fig. 1.18 demonstrates that the first 256 samples of the 1024-point DFT computed
using 1024-point FFT and two-level sub-band DFT are identical. It is also observed
that the time required to compute first 256 samples of the 1024-point DFT are
0.2514 and 0.0057 s when the direct method and the sub-band DFT methods are
used respectively.
• Thus Sub-band DFT helps in obtaining the intended parts of the DFT sequence
without calculating all the samples (like FFT)
• This can also be generalized to obtain the higher level sub-band decomposition.

%subband.m
%Subband Discrete Fourier Transform
X=fir2(1023,linspace(0,1,1024),[2*ones(1,256) zeros(1,512) 4*ones(1,255) 0]);
[H,W]=freqz(X);
figure
plot(W,abs(H));
%First level representation
temp=reshape(X,2,512);
g1=(1/2)*(temp(1,:)+temp(2,:));
G1=fft(g1);
g2=(1/2)*(temp(1,:)-temp(2,:));
G2=fft(g2);
i=0:1:1;
TF=exp(-j*2*pi*i/1024)’;
%Construct matrix
M=[];
for k=0:1:1023
M=[M TF.ˆk];
end
M=M’;
G=[G1’ G2’]’;
G=repmat(G,1,2);
RES=M*inv(hadamard(2))*G;
figure(1)
subplot(2,1,1)
plot(abs(diag(RES)))
subplot(2,1,2)
plot(abs(fft(X)))

%second level representation

temp1=reshape(g1,2,256);
temp2=reshape(g2,2,256);
g11=(1/2)*(temp1(1,:)+temp1(2,:));
G11=fft(g11);
g12=(1/2)*(temp1(1,:)-temp1(2,:));
G12=fft(g12);
g21=(1/2)*(temp2(1,:)+temp2(2,:));
1.5 Discrete Fourier Transformation (DFT) (Sampling the Frequency Domain) 27

G21=fft(g21);
g22=(1/2)*(temp2(1,:)-temp2(2,:));
G22=fft(g22);
%Construction of DFT matrix
i=0:1:3;
TF=exp(-j*2*pi*i/1024)’;
%Construct matrix
M=[];
for k=0:1:1023
M=[M TF.ˆk];
end
M=M’;
G=[G11’ G21’ G12’ G22’]’;
G=repmat(G,1,4);
RES=M*inv(hadamard(4))*G;
figure(2)
subplot(2,1,1)
plot(abs(diag(RES)))
subplot(2,1,2)
plot(abs(fft(X)))

tic
N=1024;
for k=0:1:255
s=0;
for n=0:1:1023
s=s+X(n+1)*exp(-j*2*pi*n*k/N);
end
res1(k+1)=s;
end
time1=toc
tic
RES=M(1:1:256,:)*inv(hadamard(4))*G(:,1:1:256);
res2=diag(RES);
time2=toc
figure
subplot(2,1,1)
plot(abs(res1))
subplot(2,1,2)
plot(abs(res2),’r’)

1.6 Continous System

• Impulse response of the system: The response of the system to the impulse signal as
the input is the impulse response h(t) of the system. The impulse signal δ(t)for the
∞ Δ
continuous case is as described below. −∞ δ(t)dt = −Δ dt = 1 for every values
of Δ > ε > 0. The sifting property of the impulse is given as the following.
 ∞  t0+
f (t)δ(t − t0 )dt = f (t0 ) δ(t − t0 )dt = f (t0 ) (1.30)
−∞ t0−
28 1 Sampling and Reconstruction of Signals

• Response to the eigensignal to the linear system: If the signal ej2πf0 t is the input
to the linear system with impulse response h(t) (with transfer function H(f ), the
output of the system is given as ej2πf0 t H(f0 ). The generalized input signal x(t) is rep-
∞
resented using Inverse Fourier Transformation as −∞ X(f )ej2πft df and hence the
∞
corresponding output signal y(t) is given as y(t) = −∞ X(f )H(f )ej2πft df . Hence
∞
Y (f ) = X(f )H(f ). By taking IFT on both sides, we obtain, y(t) = −∞ h(τ )x(t −
τ )dτ ).This is defined as the convolution of x(t) with h(t)
• Linearity: Let xi (t) be the input to the system and the corresponding output of
the system is yi (t). The systemis said to be linear if the output of the system is
 N N
i=1 ai yi (t) corresponding to i=1 ai xi (t) as the input to the system.
• Causality: Two arbitrary inputs x1 (t) and x2 (t) are identical, i.e., x1 (t) = x2 (t) for
t ≤ t0 , then the corresponding outputs satisfy y1 (t) = y2 (t) for t ≤ t0 for all x1 , x2
and t0 . The necessary and sufficient condition for system to be causal is h(t) = 0
for t < 0.
Proof:Consider the impulse response of the system be h(t). Let x1 (t) and x2 (t) are
identical for t ≤ t0 . For t ≤ t0
 t0
y1 (t0 ) = h(τ )x1 (t − τ )dτ
−∞
 t0
⇒ y1 (t) = h(τ )x1 (t − τ )dτ
0
 t0
y2 (t0 ) = h(τ )x2 (t − τ )dτ
−∞
 t0
⇒ y2 (t) = h(τ )x1 (t − τ )dτ
0
⇒ y1 (t0 ) = y2 (t0 )

Thus if h(t) = 0 for t ≤ 0, the system is the causal system. Consider the system
with h(−5) = 0 and let x1 (t) = 0 ∀ t and x2 (t) = δ(t − 5). It is observed that the
values of x1 (t) and x2 (t) are identical upto t ≤ 0, the values for y1 (0) and y2 (0)
are computed as follows.
 ∞
y1 (0) = x1 (−τ )h(τ )d(τ ) = 0
−∞
 ∞
y2 (0) = x2 (−τ )h(τ )d(τ ) = x2 (5)
−∞

y1 (0) = y2 (0) and hence h(t) is causal only if h(t) = 0 for t ≤ 0. Hence proved.
• Stability: A signal is bounded if its magnitude is limited to a finite value at all
times. If the bounded input gives bounded output (BIBO), it is the stable system.
The system with impulse response h(t) is BIBO stable if and only
1.6 Continous System 29
 ∞
|h(τ )|dτ ≤ ∞ (1.31)
−∞

Proof: Using Schwartz inequality,

 ∞
y(t) =h(τ )x(t − τ )dτ
−∞
∞   ∞
|y(t)| ≤ |h(τ )|dτ x(t − τ )|dτ
−∞ −∞
 ∞
≤K |h(τ )|dτ
−∞

∞
Thus if −∞ |h(τ )|dτ ≤ ∞, |y(t)| ≤ ∞, i.e., stable system.
∞
Suppose that h(t) is not satisfying −∞ |h(τ )|dτ ≤ ∞ and let for instance, there
t0
exists some finite t0 such that −∞ |h(τ )|dτ = ∞. Consider the case the input
satisfy x(t − τ ) = −1 for h(τ ) ≥ 0 and x(t − τ ) = −1 for h(τ ) ≤ 0. This implies
the following.
 t0  t0
y(t0 ) = h(τ )x(t − τ )dτ = |h(τ )|dτ = ∞
−∞ −∞

∞
Thus the system is stable only if −∞ |h(τ )|dτ ≤ ∞. Hence proved.
• Time in-variant system: Let y(t) is the output corresponds to the signal x(t), then
the system is said to time in-variant if y(t − t0 ) is the output corresponds to the
input x(t − t0 )
• Memory system: If the output of the system y(t) depends on x(t + t0 ) and/or
y(t + t0 ), with t0 = 0, then the system is said to memory-less system.
• Linear phase of the system: Let the transfer function of the system is represented
as |H(f )|ejφ(f ) . The magnitude response is given as |H(f )| and the phase response
is given as φ(f ), Let the output signal corresponding to the input signal x(t) =
a1 ej2πf1 t| + a2 ej2πf2 t| is obtained as a1 ej2πf1 t |H(f1 )|ejφ(f1 ) + a2 ej2πf2 t |H(f2 )|ejφ(f2 )
respectively. Suppose the input signal is delayed by t0 , the corresponding out-
put is given as the following.

a1 ej2πf1 (t−t0 ) |H(f1 )|ejφ(f1 ) + a2 ej2πf2 (t−t0 ) |H(f2 )|ejφ(f2 )

which may be equal to y(t − t0 ). But suppose if we choose φ(f ) = −2π τ f , where
τ is constant, we get the output as the following.

a1 ej2πf1 (t−t0 ) |H(f1 )|ejφ(f1 ) + a2 ej2πf2 (t−t0 ) |H(f2 )|ejφ(f2 )

a1 ej2πf1 (t−t0 ) |H(f1 )|e−j2πτ f1 + a2 ej2πf2 (t−t0 ) |H(f2 )|ej2πτ f2
a1 ej2πf1 (t−t0 −τ ) |H(f1 )| + a2 ej2πf2 (t−t0 −τ ) |H(f2 )|
y(t − t0 )
30 1 Sampling and Reconstruction of Signals

Thus if the phase response is linear, we get undistorted delayed version of the
output signal if the linear combinations of the delayed eigensignals are given as
the input to the linear system.

1.7 Laplace Transformation (s-Transformation)

The Laplace transformation of the right-sided signal x(t), i.e. x(t) = 0 for t < 0 is
given as  
∞ ∞
X(s) = x(t)e−st dtX(s) = x(t)e−σ t e−jωt dt (1.32)
0− 0−

where s = σ + jω. The set of all values of s for which X(s) (for the particular x(t)) is
finite is the region of convergence (ROC). It helps in computing the inverse laplace
transformation. For instance consider x(t) = e−at u(t), where u(t) is the unit step
function. we compute the Laplace transformation as shown below.
 ∞  ∞ e−(a+σ +jω)∞ e−(a+σ +jω)0
X(s) = e−at e−σ t e−jωt dt = e−(a+σ +jω)t dt = −
0 0 −(a + σ + jω) −(a + σ + jω)
(1.33)
The value of the first term is zero if a + σ > 0 and ∞ if a + σ < 0 and not defined
for a + σ = 0. Hence to make X(s) to exist, we assume a + σ > 0 and compute the
Laplace transformation as the following.

1
X(s) = (1.34)
s+a

Thus the value of X(s) is finite if a + σ > 0. This is the ROC. (refer Fig. 1.19)
The s-plane is the complex plane with each point represents the complex number
represented in the rectangular form. It is observed that if σ = 0, Laplace transfor-
mation becomes Fourier transformation. Hence if X(s) is finite for all values of ω
with σ = 0, we conclude that Fourier transformation exists. In other words, Fourier
transformation exists if the ROC includes the jω axis. Thus Fourier tansformation
can be viewed as the special case of Laplace transformation with σ = 0. The set of
all values of s for which X(s) = 0 are the zeros of the laplace transformation X(s).
Similarly, the set of all values of s for which X(s) = ∞ are the poles of the X(s).

1.7.1 Properties of the ROC of the Laplace Transformation

for the Right Sided Sequence

1. ROC is of the infinite length vertical rectangular strip shape in the s-plane.
1.7 Laplace Transformation (s-Transformation) 31

2. For the Right Sided Sequence (R.S.S), ROC is in the right side of the vertical
strip passes through the poles of the H(s).
3. Hence to include jw axis in the ROC, all the poles of the Laplace transformation
should lie in the left side of the jw axis. In this context, the transfer function H(s)
is said to be stable if all the poles lie in the left of the jw axis
4. ROC does not contain poles of H(s).
5. Thus to identify the causal real system (with impulse response h(t) = 0 for t < 0)
described by the Laplace transformation H(s) is stable or not, ROC should include
jw axis, This will happen if all the poles should lie in the left of the s-plane.

1.7.2 Inverse Laplace Transformation

c+j∞
The inverse laplace transformation is computed as x(t) = 2πj 1 st
c−j∞ X(s)e ds for
t ≥ 0. x(t) is either ±∞, notdefined or finitevalue by properly choosing the value for
c. If c = Re(s) is chosen in the ROC, x(t) is finite for t ≥ 0. Consider the computation
of Laplace transformation of the signal defined as δ(t) + e−3t for t ≥ 0. The laplace
transformation is computed as follows:
 ∞
X(s) = (δ(t) + e−3t )e−st dt
0−
−(s+3)t
e e−(s+3)t
1+( )∞ − ( )0−
−(s + 3) −(s + 3)
e−(σ +jω+3)t e−(σ +jω+3)t
1+( )∞ − ( )0−
(−(s + 3)) −(s + 3)
−(σ +jω+3)t −(σ +jω+3)t
If (σ + 3) is chosen greater than zero, then ( e −(s+3) )∞ = 0 and ( e −(s−3) )∞ =
−1
1
−(s+3)
Thus X(s) is computed as 1 + 0 − ( s+3 ) = 1 + s+3 1
, provided (σ + 3) > 0.
This is the region of convergence. Thus inverse laplace transformation of 1 + s+3 1
is
given as the following.
 c+j∞
1 1
(1 + )est ds = δ(t) + e−3t (1.35)
2π j c−j∞ s+3

for t ≥ 0 provided c is chosen as greater than −3.

32 1 Sampling and Reconstruction of Signals

1.8 Geometrical Interpretation of Computation

of Magnitude Response of the Filter Using Pole-Zero
Plot of s-Transformation

The magnitude and the phase response of the given transfer function H(s) at s = jw
using geometrical measurement is computed as follows:
1. Let the zeros be represented as z1 , z2 · · · zm and the poles be represented as
p1 p2 p3 · · · pm .
2. Compute the euclidean distance between (0, w) and the point described by z1 .
Let it be dz1 . This is repeated to obtain dz2 , dz3 , dz4 , · · · dzm
3. Similarly the euclidean distance between (0, w) and the point described by p1 .
Let it be dp1 . This is repeated to obtain dp2 , dp3 , dp4 , · · · dzm are computed.
π k=m dzk
4. Magnitude response of the transfer function at (0, w) is computed as πk=1 l=n
l=1 dpl
5. Consider the line joining the point (0, w) and the point described by zero zi makes
an angle θzi with the real line of the pole-zero plot. Let it be. Similarly line joining
the point (0, w) and the point described by pole pi makes an angle θpi with the
real line of the pole-zero plot
6. Similar to magnitude  response, thephase response of the transfer function at
(0, w) is computed as k=m k=1 θzk −
k=n
k=1 θpk

The geometrical method of computing the magnitude response of the transfer

function of the form H(z) = (z−a)
z
is illustrated in Fig. 1.20.

1.9 Discrete System

• Impulse response of the system: The response of the system to the impulse signal
as the input is the impulse response h(n) of the system. The impulse signal δ(n)for
the discrete case is as described below.

δ(n) = 1, n = 0
δ(n) = 0, ∀ n = 0

• Response to the eigensignal to the linear system: If the signal ejw0 n is the input
to the linear system with impulse response h(n) (with transfer function H(ejwd )),
the output of the system is given as ejw0 n H(jw0 ). The generalized input signal
2π
x(n) is represented using Inverse DTFT as 0 X(ejwd )ejwd dwd and hence the
2π
corresponding output signal y(n) is given as y(n) = 0 X(ejwd )H(ejwd )ej2πft dwd .
Hence Y (ejwd ) = X(ejwd )H(ejwd ). By taking IFT on both sides, we obtain, y(n) =
 ∞
k=−∞ h(k)x(n − k). This is defined as the convolution of the sequence x(n) and
h(n)
1.9 Discrete System 33

• Linearity: Let xi (n) be the input to the system and the corresponding output of
Nsystem is yi (n). The systemisN said to be linear if the output of the system is
the
i=1 ai yi (n) corresponding to i=1 ai xi (n) as the input to the system.
• Causality: Two arbitrary inputs x1 (n) and x2 (n) are identical, i.e., x1 (n) = x2 (n)
for t ≤ n0 , then the corresponding outputs satisfy y1 (n) = y2 (n) for n ≤ n0 for all
x1 , x2 and n0 . The necessary and sufficient condition for system to be causal is
h(n) = 0 for n < 0.
Proof: Consider the impulse response of the system be h(t). Let x1 (n) and x2 (n)
are identical for n ≤ n0 . For n ≤ n0


n0
y1 (n0 ) = h(k)x1 (n − k)
k=−∞
n0
⇒ y1 (n) = h(k)x1 (n − k)
k=−∞
n0
y2 (n0 ) = h(k)x2 (n − k)
k=−∞

n0
⇒ y2 (n0 ) = h(k)x2 (n − k)
k=0
⇒ y1 (n0 ) = y2 (n0 )

Thus if h(k) = 0 for k ≤ 0, the system is the causal system. Consider the system
with h(−5) = 0 and let x1 (n) = 0 ∀ n and x2 (n) = δ(n − 5). It is observed that the
values of x1 (n) and x2 (n) are identical upto n ≤ 0, the values for y1 (0) and y2 (0)
are computed as follows.


0
y1 (0) = h(k)x1 (−k) = 0
k=−∞


0
y2 (0) = h(k)x2 (−k) = x2 (5)
k=−∞

y1 (0) = y2 (0) and hence h(k) is causal only if h(k) = 0 for k ≤ 0. Hence proved.
• Stability: A signal is bounded if its magnitude is limited to a finite value at all
times. If the bounded input gives bounded output (BIBO), it is the stable system.
The system with impulse response h(n) is BIBO stable if and only


k=∞
|h(k)|d ≤ ∞ (1.36)
k=−∞
34 1 Sampling and Reconstruction of Signals

Proof: Using Schwartz inequality,


k=∞
y(k) = h(k)x(n − k)
k=−∞


k=∞ 
k=∞
|y(k)| ≤ |h(k)| |x(n − k)|
k=−∞ k=−∞
 ∞
≤K |h(k)|
−∞


Thus if k=∞k=−∞ |h(k)|d ≤ ∞, |y(k)| ≤ ∞, i.e., stable system.
k=∞
n0 k=−∞ |h(k)|d ≤ ∞ and let for instance, there
Suppose that h(k) is not satisfying
exists some finite n0 such that k=−∞ |h(k)| = ∞. Consider the case the input sat-
isfy x(n − n0 ) = −1 for h(n) ≥ 0 and x(n − n0 ) = −1 for h(n) ≤ 0. This implies
the following.

0
k=n 0
k=n
y(n0 ) = h(k)x(n − k) = |h(k)| = ∞
k=−∞ k=−∞


Thus the system is stable only if ∞ −∞ |h(k)| ≤ ∞. Hence proved.
• Time in-variant system: Let y(n) is the output corresponds to the signal x(n), then
the system is said to time in-variant if y(n − n0 ) is the output corresponds to the
input x(n − n0 )
• Memory system: If the output of the system y(n) depends on x(n + n0 ) and/or
y(n + n0 ), with n0 = 0, then the system is said to memory-less system.
• Linear phase of the system: Let the transfer function of the system is repre-
sented as |H(ejwd )|ejφ(wd ) . The magnitude response is given as |H(ejwd )| and the
phase response is given as φ(wd ), Let the output signal corresponding to the
input signal x(n) = a1 ejwd1 n + a2 ejwd2 n is obtained as a1 ejwd1 n |H(ejwd1 )|ejφ(wd1 ) +
a2 ejwd2 n |H(ejwd2 )|ejφ(wd2 ) respectively. Suppose the input signal is delayed by n0 ,the
corresponding output is given as the following.

a1 ejwd1 (n−n0 ) |H(ejwd1 )|ejφ(wd1 ) + a2 ejwd2 (n−n0 ) |H(ejwd2 )|ejφ(wd2 )

which may not be equal to y(n − n0 ). But suppose if we choose φ(wd ) = −τ wd ,

where τ is the integer constant, we get the output as the following.

a1 ejwd1 (n−n0 ) |H(ejwd1 )|ejφ(wd1 ) + a2 ejwd2 (n−n0 ) |H(ejwd2 )|ejφ(wd2 )

= a1 ejwd1 (n−n0 −τ ) |H(ejwd1 )| + a2 ej2πf2 (n−n0 −τ ) |H(ejwd2 )|
= y(n − n0 )
1.9 Discrete System 35

Thus if the phase response is linear, we get undistorted delayed version of the
output signal if the linear combinations of the delayed eigensignals are given as
the input to the linear system.

1.10 Z-Transformation

The z-transformation of the right-sided sequence is given as the following.


k=∞
X(z) = x(k)z−k (1.37)
k=0

where z = reiwd . The z-plane is the complex plane with each point represents the
complex number represented in the polar form. The set of all values of z for which
X(z) (Computed for the particular sequence) is finite is the region of convergence
(ROC). Let us consider computing the z-transformation for an u(n), where u(n) is the
unit step function as shown below.


k=∞
X(z) = ak z−k = 1 + (az−1 ) + (az−1 )2 + · · · (1.38)
k=0

The above equation converges if |az−1 | < 1 and the corresponding z-transformation
is given as (1 − az−1 )−1 = z−a
z
. The region |z| > |a| is known as region of conver-
gence (ROC) (refer Fig. 1.19). It is observed that if r = 1, z-transformation becomes
Discrete Time Fourier transformation. Hence if X(z) is finite for all values of wd
with r = 1, we conclude that Discrete Fourier transformation exists. In other words,
Discrete Time Fourier transformation exists if the ROC includes the r = 1 circle.
Thus Discrete Time Fourier tansformation can be viewed as the special case of z-
transformation with r = 1. The set of all values of z for which X(z) = 0 are the zeros
of the z-transformation X(z). Similarly, the set of all values of z for which X(z) = ∞
are the poles of the X(z).

1.10.1 Properties of the ROC of the Z-Transformation

for the Right-Sided Sequence

1. ROC is of the circular strip shape in the z-plane.

2. For the Right Sided Sequence (R.S.S), ROC is in the outside the circle passes
through the poles of the z-plane.
36 1 Sampling and Reconstruction of Signals

3. Hence to include r = 1 circle in the ROC, all the poles of the z-transformation
should lie inside the unit circle. In this context, the transfer function H(z) is said
to be stable if all the poles lie inside the unit circle.
4. ROC does not contain the poles of H(z).
5. Thus to identify the causal real system (with impulse response h(n) = 0 for n < 0)
described by the z-transformation H(z) is stable or not, ROC should include jw
axis, this will happen if all the poles should lie in the left of the z-plane.

1.10.2 Inverse Z-Transformation

The inverse z-transformation of the X(z) is obtained as the contour integration as

given below. 
1
X(z)zk−1 dz (1.39)
2π j

for k ≥ 0. With the contour selected as the circle with 0 as the origin and lies in the
region of convergence. Consider the z-transformation of the sequence x(n) = 0.5n
for n ≥ 0. The z-transformation is obtained as the following.


k=∞
X(z) = x(k)z−k
k=0


k=∞
= 0.5k z−k
k=0


k=∞
= (0.5z−1 )k
k=0
= 1 + 0.5z−1 + (0.5z−1 )2 + · · ·

If |0.5z−1 | < 1,i.e., |z| = |rejwd | = |r| > 0.5 we get the following. 1 + 0.5z−1 +
(0.5z−1 )2 + · · · = (1 − 0.5z−1 )−1 = z−0.5z
. Thus the inverse z-transformation of
z
z−0.5
is computed as the following.

1 z
zk−1 dz = 0.5n (1.40)
2π j z − 0.5

for n ≥ 0, provided the contour is chosen as the circle with the radius greater than
0.5.
1.11 Response of the Digital Filter with the Typical Transfer Function… 37

1.11 Response of the Digital Filter with the Typical

Transfer Function (Obtained Using DTFT)
to the Periodic Sequence

Let the magnitude response of the digital filter be represented as H(ejwd ). The
response of the filter to the periodic sequence x(n) is obtained as follows.

1 
k=N−1
j2πnk
x(n) = X(k)e N (1.41)
N
k=0

j2πnk j2πnk j2πk

The response to the eigensignal e N is obtained as e N H(e N ). As the system is
linear, the response to the periodic sequence x(n) is obtained as the following.

1 
k=N−1
j2πnk j2πk
y(n) = X(k)e N H(e N ) (1.42)
N
k=0

This is demonstrated using the filter coefficients h (refer Fig. 1.22b) and the cor-
responding transfer function is given in the Fig. 1.21. The response of the system
described by the impulse response h to the input periodic signal x (Fig. 1.22a) is
obtained as the convolution of periodic sequence x and the filer coefficients h as shown
in Fig. 1.22c. Let X(k) be the DFT sequence corresponding to the input sequence
x(n). Then the nth value of the output sequence y is also obtained by computing the
j2πk
linear combinations of the samples given in the Fig. 1.21 (H(e N )) and the sequence
j2πnk
X(k)e N (computed for the typical value of n) as shown in Fig. 1.22d. It is observed
that the output obtained in the Fig. 1.22 c, d are identical.

Fig. 1.21 Magnitude response of the system used for the demonstration. The samples used to obtain
the response of the periodic sequence are indicated in red color
38 1 Sampling and Reconstruction of Signals

Fig. 1.22 a Periodic input sequence. b Impulse response of the filter. c Output sequence computed
using convolution. d Output sequence computed using linear combinations of samples mentioned
in the Fig. 1.21

Fig. 1.23 Illustration of the Geometrical method of computing magnitude and phase response of
the discrete system transfer function H(z)
1.11 Response of the Digital Filter with the Typical Transfer Function… 39

Fig. 1.24 Illustration of the Geometrical method of computing magnitude and phase response of
the discrete system transfer function H(z) (contd.)

%responsetoperiodicsequence.m
%Response to the periodic sequence
h=fir1(11,0.3);
t=0:1:511;
POINTS=512;
N=8;
[H,W]=freqz(h,1,2*pi*t/POINTS);
input=1:1:8;
y=fft(input);
output1=[];
for n=1:1:32
temp=0;
for i=0:1:7
temp=temp+ y(i+1)*exp(j*2*pi*n*i/N)*HRES(2*pi*i/N,h);
end
output1=[output1 temp/(N)];
end
%Considering four period
I=[input input input input]
output2=conv(h,I)
figure
subplot(4,1,1)
stem(I)
subplot(4,1,2)
stem(h)
subplot(4,1,3)
stem(real(output1))
subplot(4,1,4)
40 1 Sampling and Reconstruction of Signals

stem(output2,’r’)
k=1;
temp1=[];
temp2=[];
for i=0:1:7
temp1=[temp1 2*pi*i/N];
temp2=[temp2 HRES(2*pi*i/N,h)];
end
SAMPLE=temp1;
VALUE=temp2;
figure
plot(W,abs(H));
hold on
stem(SAMPLE,abs(VALUE),’r’)

function [res]=HRES(w,h)
n=0:1:length(h)-1;
res=sum(h.*exp(-j*w*n));

1.12 Geometrical Interpretation of Computation

of Magnitude Response of the Filter Using Pole-Zero
Plot of z-Transformation

The magnitude and the phase response of the given transfer function H(z) at z = ejw
using geometrical measurement is computed as follows:
1. Let the zeros be represented as z1 , z2 · · · zm and the poles be represented as
p1 p2 p3 · · · pm . If the system is all zero system, pole at orgin is considered. Simi-
larly if the system is all pole system, zero at orgin is considered
2. Compute the euclidean distance between (cos(w), sin(w)) and the point described
by z1 . Let it be dz1 . This is repeated to obtain dz2 , dz3 , dz4 , · · · dzm
3. Similarly the euclidean distance between (cos(w), sin(w)) and the point described
by p1 . Let it be dp1 . This is repeated to obtain dp2 , dp3 , dp4 , · · · dzm are computed.
4. Magnitude response of the transfer function at (cos(w), sin(w)) is computed as
πk=1
k=m
dzk
πl=1
l=n
dpl
5. Consider the line joining the point (cos(w), sin(w)) and the point described by
zero zi makes an angle θzi with the real line of the pole-zero plot. Let it be.
Similarly line joining the point (cos(w), sin(w)) and the point described by pole
pi makes an angle θpi with the real line of the pole-zero plot
6. Similar to magnitude response,  the phase response
k=n of the transfer function at
(cos(w), sin(w)) is computed as k=m k=1 θzk − k=1 θpk

The geometrical method of computing the magnitude response and phase response
of the transfer function of the form H(z) = (z−a)
z
is illustrated in Figs. 1.23, 1.24 and
1.25.
1.12 Geometrical Interpretation of Computation of Magnitude … 41

Fig. 1.25 Column 1 indicate the actual magnitude response of continuous curve in the typical filter.
Column 2 indicate the cos of the phase response of the filter. Column 3 indicate the sine of the phase
response of the filter. The stem in all the subplots indicate the corresponding values computed using
the Geometrical method

%complexplanegeometry.m
%Demonstration of the geometrical method of computing magnitude
and phase response
z1=1.4+ 2.5*j;
z2=1/z1’;
[mag1,mag2,phase1,phase2]=magrespzplot1(z1,z2);
[H1,W1]=freqz([1 -z1],1);
[H2,W2]=freqz(1,[1 -z2]);
w=linspace(0,pi,6);
figure
subplot(3,3,1)
plot(W1, abs(H1))
hold on
stem(w,mag1,’r’)
subplot(3,3,2)
plot(W2, abs(H2))
hold on
stem(w,mag2,’r’)
subplot(3,3,3)
plot(W1, cos(angle(H1)))
hold on
stem(w,cos(phase1),’r’)
subplot(3,3,4)
plot(W2, cos(angle(H2)))
hold on
stem(w,cos(phase2),’r’)
Exploring the Variety of Random
Documents with Different Content
The Project Gutenberg eBook of Op het
onheilspad
This ebook is for the use of anyone anywhere in the United States
and most other parts of the world at no cost and with almost no
restrictions whatsoever. You may copy it, give it away or re-use it
under the terms of the Project Gutenberg License included with this
ebook or online at www.gutenberg.org. If you are not located in the
United States, you will have to check the laws of the country where
you are located before using this eBook.

Title: Op het onheilspad

Author: James Oliver Curwood

Translator: A. M. Kroon

Release date: October 30, 2012 [eBook #41238]

Most recently updated: October 23, 2024

Language: Dutch

Credits: Produced by The Online Distributed Proofreading Team at

http://www.pgdp.net

*** START OF THE PROJECT GUTENBERG EBOOK OP HET

ONHEILSPAD ***
 Opmerkingen van de bewerker

De tekst in dit bestand wordt weergegeven in de originele,

verouderde spelling. Er is geen poging gedaan de tekst te
moderniseren.
Afgebroken woorden aan het einde van de regel zijn
stilzwijgend hersteld.
Overduidelijke druk- en spelfouten in het origineel zijn
gecorrigeerd; deze zijn voorzien van een dunne rode
stippellijn, waarbij de Brontekst via een zwevende pop-up
beschikbaar is.
Variaties in spelling (met/zonder accent, met/zonder
koppelteken, met/zonder spatie) zijn behouden.
Een overzicht van de aangebrachte correcties is te vinden
aan het eind van dit bestand.

Op het Onheilspad

Op het Onheilspad
door
 James Oliver Curwood
Hollandsche bewerking van A. M. KROON

ROTTERDAM
NIJGH & VAN DITMAR'S UITGEVERS-MAATSCHAPPIJ
MCMXIX
 HOOFDSTUK I.

De Sneeuwjonkvrouw.

Het was misschien voor het eerst van zijn leven, dat Howland in
zijn binnenste sympathie voelde opkomen voor wat romantisch en
avontuurlijk, schilderachtig en ongewoon was. Aan den kouden
poolhemel stonden millioenen en nog eens millioenen van sterren,
als even zoovele strakke, gelige oogen. De stijf bevroren
Saskatchewan, wit glinsterend in haar wendingen door de met
sneeuw bedekte wildernis, lag achter hem en alleen daar, waar een
halve mijl terug het stadje Prince Albert, de laatste voorpost van de
beschaafde wereld, zich tot aan de rivier uitstrekte, flikkerden enkele
lichtjes.
Maar Howland richtte den blik naar het Noorden. Staande op den
top van een heuvel, tuurde hij in de witte duisternis, die duizend
mijlen ver tot aan de IJszee reikte. Heel flauw drong in den stillen
winternacht het zachte sissen tot hem door van het noorderlicht, dat
zijn eeuwenoud lied boven de aardkorst zong. Hij zag hoe de stralen
zich als bleeke pijlen in het witte verschiet boorden; hij luisterde
naar de fluistertonen van een onmetelijke eenzaamheid vol mysterie
en het was hem als gaf dat licht hem een wenk, als riep het hem
toe, dat daar ginds aan den uitersten zoom van de wereld datgene
lag, waarvan hij gedroomd en waarop hij gehoopt had sinds den dag
toen hij begon met voor zichzelf een levensdoel uit te bakenen.
Hij voelde de kou tot in zijn binnenste en huiverend stak hij een
nieuwe sigaar op, zich omwendend om gedekt te zijn voor den fellen
wind, die nu uit het Oosten kwam. Juist toen de lucifer in de holte
van zijn hand opvlamde, liet zich plotseling uit den zwarten chaos
van sparren en laag hout aan zijn voeten een klaaglijk en hongerig
gehuil hooren, dat hem een kreet van schrik ontlokte. Het was als
het gejammer van den Indiaanschen hond bij de wigwam van zijn
kortelings gestorven meester. Howland had het nooit eer gehoord,
maar hij wist, dat het de roepstem was van den wolf. Het boezemde
hem ongekend ontzag in en hij bleef roerloos staan, totdat er uit den
grijzen nachthemel in het Westen een antwoord kwam en even later
uit het Noorden nog een.
„Ik geloof, dat ik wijzer doe met naar de stad terug te gaan,” zei
hij overluid tot zichzelf. „Groote God, wat een verlatenheid!”
Hij ging den heuvel af, stak snel de harde sneeuwkorst over van
de Saskatchewan en voelde zich eerst weer op zijn gemak, toen hij
de lichten van Prince Albert op korten afstand vóór zich zag
glinsteren.
Jack Howland hoorde thuis in Chicago, wat beteekent, dat hij niet
al te veel sentiment bezat en vooruit wou in de wereld. Hij was nu
een en dertig jaar en al vijftien jaar bezig met zich op te werken. Hij
wist niet beter of hij had in al dien tijd maar één ambitie gekend,
maar één hoop gekoesterd. Met een volharding, die hem deed
vervreemden van de meer luchthartige en wereldsche zijden van het
leven, had hij gezwoegd voor de bevrediging van zijn eerzucht en
eerst nu—dezen avond—voelde hij zich voldaan, omdat zijn wensch
op het punt stond van vervuld te worden. Nog nooit was hij zóó
gelukkig geweest. Aan zijn geestesoog gleed opnieuw het beeld
voorbij van den kamp, dien hij had aangebonden voor het bereiken
van zijn doel. De strijd was schitterend geweest en hij mocht daar,
zonder bluf, trotsch op zijn. In den beginne was het hem
tegengeloopen, maar hij had volgehouden. Hij zag zichzelf weer—als
was het gisteren gebeurd—den kleinen boerenwees, die zijn dorp in
Illinois had verlaten, om in de groote stad zich een weg te banen; hij
herinnerde zich hoe hij weken lang honger en gebrek had geleden,
hoe hij eerst kranten had verkocht en daarna door een gelukkig
toeval loopjongen was geworden op een groot technisch bureau. Het
was daar, dat hij de eerzucht in zich had voelen ontwaken. Daar toch
liepen beroemde ingenieurs in en uit—mannen in zijn oog grooter
dan de president van een republiek—mannen, die gewoonweg hun
roeping volgden tot aan het einde der aarde. Hij maakte zich tot een
slaaf van zijn verlangen om hun gelijke te worden—een bouwer van
spoorwegen en bruggen—een ontwerper van tunnels door
bergketens—een schepper van nieuwe dingen in nieuwe werelden.
En zijn zwoegen werd er niet minder op met de jaren; uit eigen
vrijen wil ging hij voort op den eenmaal ingeslagen weg, kampend
met de hindernissen, die hij ontmoette en zegevierend, zooals
weinigen vóór hem hadden gezegevierd. En intusschen was hij
aldoor opgeklommen, langzaam maar zeker, totdat hij nu—
Hij wierp het hoofd in den nek, zijn hart klopte sneller; het was
hem, als hoorde hij weer de woorden die Van Horn, de directeur van
het grootste ingenieurs-bureau op het vasteland van Amerika, tot
hem had gesproken:
„Howland, wij hebben besloten om je den bouw op te dragen van
de Hudsonbaai-lijn. Het is een van de moeilijkste karweien, die wij
ooit ondernemen en het schijnt dat Gregson en Thorne het niet
kunnen klaarspelen. Zij zijn uitstekend voor bruggenbouw, maar in
het oerbosch deugen zij niet. Het geldt den aanleg van een
eenvoudig stalen spoor door driehonderd mijlen van de meest
woeste landstreek in Noord-Amerika en van dit oogenblik af moet je
lijfspreuk zijn: „er op of er onder!” Je kunt je te Le Pas aanmelden,
zoodra je je spullen bijeen hebt.”
Die woorden hadden een einde gemaakt aan het slaven van
Howland. Hij had gevochten om een kans en nu die kans hem
geboden werd, wist hij, dat hij zou slagen.
Met de handen diep in zijn zakken en behaaglijk den geur
opsnuivend van zijn sigaar, liep hij snel door de eenige groote straat
van Prince Albert—elke zenuw trillend van het nieuwe genot, dat er
in zijn leven was gekomen. Den volgenden dag zou hij verder reizen
naar Le Pas, de kleine nederzetting, zestig mijl oostelijk van de
Saskatchewan. Van daar nog honderd mijlen met een sleê en dan
was hij in het groote kamp in de wildernis, waar een driehonderd
man al geruimen tijd bezig waren met het leggen van een spoorbaan
naar de groote baai van het Noorden. Dat werk moest een
schitterend monument worden—een monument, ten eeuwigen dage
getuigend van z i j n moed, z i j n bekwaamheid, z i j n volharding.
Het was over negenen, toen Howland het oude kleine Windsor
Hotel binnenging. De groote kamer met het uitzicht op de straat en
de rivier telde maar weinig bezoekers meer. De boekhouder had het
sigarenkastje gesloten en was naar bed getrokken. In den versten
hoek en gedeeltelijk in het duister zat een half-ras trapper, dien
middag binnengekomen uit de streek om Lac La Ronge en aan zijn
voeten lag een van zijn op wolven gelijkende sleêhonden. Beiden
waren klaar wakker en keken nieuwsgierig op, toen Howland de deur
opendeed. Bij een van de breede vensters hokte een groep
zwijgende mannen in dikke buizen van kariboeleer en in mocassins.
Eén van hen, de agent van de Hudsonbaai-factory te Lac Bain, was
in drie jaar niet tot deze uiterste grens der beschaving genaderd; de
anderen, waarbij twee Cree's en een paar Chippewayans, waren
pelsjagers en squatters, die hun voorraad huiden vele honderden
mijlen ver uit het Noorden hadden aangebracht.
Howland bleef midden in de kamer staan en keek om zich heen.
Op elk ander tijdstip zou hij zich verheugd hebben in de stilte en
naar de ruwe tafel zijn gegaan om brieven te schrijven of zich aan
een van de vraagstukken te wijden, die hij steeds in grooten getale
bij zich droeg. Die vijftien jaren van ingespannen studie en eindeloos
werken hadden hem van lieverlede even stil en teruggetrokken
gemaakt als die grimme lui uit het Noorden, wien het zwijgen
aangeboren scheen. Maar vanavond was er iets anders in hem
gevaren. Hij voelde lust tot praten. Hij zou willen vragen. Hij
verlangde naar menschelijk gezelschap, naar geestelijke
ontspanning, naar wat anders als de eigen gedachten. Hij zette zich
voor een van de ramen, tastte in zijn zak naar een sigaar en
presenteerde die den man van Lac Bain.
„Rooken?” vroeg hij op kameraadschappelijken toon.
 „Graag! Ik werd geboren in een wigwam,” antwoordde de agent
langzaam, terwijl hij zijn hand uitstak naar de sigaar. „Ik dank u
zeer.”
„Drommels welgemanierd voor een vent, die drie jaar lang buiten
de beschaafde wereld heeft geleefd,” dacht Howland, terwijl hij het
zichzelf gemakkelijk maakte met zijn beenen op de vensterbank.
Overluid zei hij: „De Waiter heeft me verteld, dat ge van Lac Bain
komt; dat is een goed eind noordelijk, niet waar?”
„Vierhonderd mijlen,” luidde het korte en zakelijke antwoord. „We
zitten daar op den zoom van het Woeste Gebied.”
„Whew!” Huiverend trok Howland de schouders op, maar dadelijk
vervolgde hij: „Ik ga morgen ook naar het Noorden.”
„Naar een factory?”
„Neen; ik ben ingenieur en belast met den bouw van den
Hudsonbaai-spoorweg.”
Howland sprak op duidelijken toon en naar gelang de woorden
over zijn lippen kwamen, richtte de half-ras die achter hem in het
donker zat, zich met katachtige snelheid en behendigheid op. Hij
boog zich over, zijn zwarte oogen glinsterden en zacht verliet hij zijn
stoel. Geluidloos op zijn mocassins voortsluipend, kwam hij
ongemerkt tot dicht achter Howland, maar het was de groote hond,
die het eerst diens aandacht trok.
De ingenieur keek op en toen zijn blik dien van den half-ras
ontmoette, zag hij een glimp van een gelaat, dat hij nooit meer zou
vergeten—een gelaat mager, donker en heel gevoelig, met zeldzaam
mooie oogen en omlijst door glanzend pikzwart haar. Vaak is bij
mannen één blik voldoende om te beslissen over warme vriendschap
of bitteren haat en ook hier had dit zonderlinge en onverklaarbare
verschijnsel plaats. Eerst toen de half-ras zich had omgekeerd en
zich snel verwijderde, kwam Howland tot het besef, dat hij graag
met dien man had willen spreken, dat hij hem de hand had willen
reiken en hem naar zijn naam had willen vragen. Zijn oog volgde de
lenige gestalte van den man uit het Noorden—buigzaam en vlug in
zijn bewegingen als de schepselen van het oerwoud—totdat deze
door de deur in het nachtelijk duister verdween.
„Wie was dat?” vroeg Howland zich tot den agent wendend.
„Hij heet Croisset en hij komt uit Wholdaia, de landstreek aan den
anderen kant van Lac La Ronge.”
„Fransch?”
„Half Fransch, half Cree.”
De agent ging voort met staren in het witte verschiet van den
nacht en Howland gaf elke poging op om een gesprek aan te
knoopen. Het duurde trouwens ook niet lang of de ander schoof zijn
stoel weg en wenschte hem een goeden nacht. De Cree's en de
Chippewayan's volgden zijn voorbeeld en een minuut of wat later
verdwenen ook de twee blanke jagers, den ingenieur alleen
achterlatend.
„Raar soort,” zei Howland bij zichzelf. „Zouden ze ooit praten?”
Hij leunde voorover in zijn stoel, met de ellebogen op de knieën
en het hoofd op de handen, aldoor turend naar de straat als zocht
hij daar een teeken van leven. Slaap had hij niet; vaak had hij
zichzelf een nachtpitje genoemd, maar zóó wakker als nu was hij
nog nooit geweest.
De vreugde over zijn triomf, over zijn succes, was nog niet
geslonken tot een normale gewaarwording van voldoening;
reikhalzend zag hij uit naar den dag en naar den daarop volgenden
en naar den dan nog weer volgenden, wanneer hij het werk van
Gregson en Thorne zou overnemen. Elke zenuw in hem ging uit naar
actie. Hij zag op zijn horloge. Het was nog maar tien uur. Hij had
sedert het avondeten aldoor gerookt en ook nu stak hij een nieuwe
sigaar op en plaatste hij zich voor een van de vensters.
Daar klonk buiten een flauw geluid van voetstappen op het houten
plaveisel. Het was een vlugge, lichte tred, die juist buiten zijn
gezichtskring even leek te aarzelen. Maar daarop kwam het weer
nader en op eens stond er een vrouw voor het raam. Hoe zij gekleed
was? Zelfs een seconde later had Howland het niet kunnen zeggen.
Hij zag alleen een gelaat, wit in den witten nacht—een gelaat, waar
het schemerlicht van de sterren op viel, toen het zich tot hem ophief
—een gelaat, schoon en zuiver gesneden als een camee, met oogen
die hem half smeekend, half verleidend aankeken en half geopende
lippen als wilden ze gaan spreken. Roerloos bleef hij staren en in het
volgende oogenblik was zij verdwenen. Met een korten uitroep
stormde Howland door de leege kamer naar de deur om de straat af
te kijken, die flauw door de sterren werd verlicht. Dat kostte niet
meer dan een paar seconden, maar toen hij hoofd en schouders
buiten de deur stak, zag hij alleen ver weg aan het eind van de
straat een eenzame figuur en liet een hond zijn onheilspellend
gegrom hooren. Een voetstap vernam hij niet—en evenmin het
openen of sluiten van een deur. Zijn oor werd alleen getroffen door
de zachte muziek van het noorderlicht, vermengd met het
droefgeestige gehuil van de wolven in het woud aan de overzijde
van de Saskatchewan.
 HOOFDSTUK II.

Lippen, die niet spreken.

Howland was van nature niet gevoelig voor een paar mooie oogen
of een knap gezichtje. Zijn zakelijke kant ging zóózeer op in plannen
en ontwerpen van stoffelijken aard, dat hij letterlijk geen
gelegenheid had voor uitstapjes op het gebied der romantiek. Tot nu
toe had hij zichzelf op dit punt altijd een pluimpje gegeven; maar
thans zweefde er, toen hij naar zijn stoel bij het raam terugkeerde,
een zenuwachtig lachje om zijn mond. Hij voelde hoe de opwinding
hem een blos op de wangen had gelegd en zijn practische zijde
schaamde zich over de zege van de meer dichterlijke.
„Wat een verduiveld knap meisje!” zei hij, als trachtte hij zich te
verontschuldigen; „die oogen—”
Op eens hield hij in. Want het was meer geweest dan een paar
mooie oogen, meer dan een knap gezichtje. Waarom was dat meisje
voor het raam blijven staan? Waarom had zij hem zoo
veelbeteekenend aangezien en gedaan alsof zij ging spreken?
Glimlach en blos verdwenen van zijn gelaat en hij vroeg zich af of zij
hem misschien iets had willen duidelijk maken. Trouwens, kon het—
alles wel beschouwd—niet heel goed een vergissing zijn geweest? Zij
had misschien een oogenblik gemeend in hem iemand te herkennen
en was, toen zij het abuis merkte, gauw de straat afgeloopen. Onder
gewone omstandigheden zou Howland een dergelijke oplossing
onmiddellijk hebben aanvaard; maar vanavond was hij in een niet-
gewone stemming. Zelfs al was de laatste veronderstelling juist, dan
nog zou dit niet genoegzaam de doodelijke bleekheid van het meisje
en het zonderling smeekende in haar blik hebben verklaard.
Intusschen—hoe dan ook—de zaak ging hem persoonlijk niet aan
en oogenschijnlijk onverschillig liep hij weer naar de deur. Een
minuut of wat verderop, aan het einde van de straat, zag hij een
rood licht in den voorgevel van een Chineesch restaurant en als
werktuiglijk richtten zijn schreden zich daarheen.
„Ik zal daar eens een kijkje nemen en een kop thee drinken,” zei
hij bij zichzelf, het eindje van zijn sigaar weggooiend en diep
ademhalend om zijn longen te vullen met de droge, koude lucht.
„Heere, wat een mooie avond—ik wou dat Van Horn dien kon zien!”
Hij bleef staan, den blik weer gewend naar het Noorden. De
myriaden van onbeweeglijke, glinsterende sterren, het
geheimzinnige spel van het wonderlijke poollicht, de zwarte zoom
van de woestenij aan de overzijde van de rivier, dat alles begon
meer en meer invloed op hem uit te oefenen. Sedert hij dien morgen
voor het eerst de wildernis had aanschouwd, leek hij verjongd en hij
verheugde zich in het feit, dat het juist deze ongewone omgeving
zou zijn, die hem succes en fortuin moest brengen. Nooit had hij
gedacht, dat het besef alleen van te leven hem zóó blij zou kunnen
maken; dat het aanschouwen van wonderen, aan welker ontstaan hij
part noch deel had, hem zóó'n intens genot zou kunnen geven.
Aldoor starend naar die onmetelijke ruimten aan de overzijde van de
Saskatchewan, vroeg hij zichzelf af, of het romantische element in
hem wel werkelijk dood was. Hij had altijd gelachen om romantiek.
Arbeid,—de grimme werkelijkheid van de actie, waarbij het eene
brein strijdt met het andere, waarbij de bekwaamheid van den een
staat tegenover de bekwaamheid van den ander, dat alles had er
hem vrijwel toe gebracht om de romantiek in het leven te
beschouwen als een illusie van gekken—en vrouwen. Maar toch was
hij eerlijk genoeg om te bekennen, dat hij vanavond had genoten
van al wat hij hoorde en zag en bovenal van het mooie gelaat, dat
uit den nacht naar hem had gekeken en dat zijn bloed in beroering
had gebracht.
 Achter hem klonk een dof gehamer op een piano. Toen hij door de
lage deur naar binnen ging, slopen een man en een vrouw langs
hem heen op wier wezenloos uiterlijk en in wier gluiperigen blik hij
de bevestiging las van zijn vermoedens omtrent het „restaurant”.
Een tweede deur gaf toegang tot een ruim vertrek met stoelen en
tafels en waar een vreemde lucht hing. In den versten hoek zat een
Chinees met een langen staart, het hoofd rustende op de armen,—
terwijl een tweede, roerloos als een obelisk achter de toonbank
stond en in het half-duister van de slecht verlichte kamer den jongen
ingenieur met boosaardigen blik opnam. Het geluid van de piano
kwam van boven en eenigszins uit de hoogte, maar niet
onvriendelijk groetend, ging Howland de trap op.
„Een duffe boel!” mompelde hij, terugvallend in zijn gewoonte om
met zichzelf te praten. „Als de thee tenminste maar goed is!”
Boven gekomen, staarde hij verbaasd in het rond. In scherpe
tegenstelling toch met de walgelijke omgeving van beneden, zag hij
hier een weelderig vertrek met zware Oostersche tapijten en een
stuk of zes kleine tafeltjes van onyx, half verborgen achter
Japansche schermen en fraai geborduurde zijden gordijnen. Hij zette
zich aan een daarvan en drukte op de kleine handbel. Dadelijk
verscheen een jonge Chinees in rok en met geschoren hoofd.
„Een pot thee,” zei Howland en bij zichzelf liet hij er op volgen:
„Niet kwaad voor een nest aan het eindje van de wereld. Ik zou wel
eens willen weten—”
Nieuwsgierig keek hij om zich heen. Hoewel het nog maar elf uur
was, leek de plaats eenzaam en verlaten. En toch wist hij vrij zeker,
dat dit in werkelijkheid niet het geval was. Hij voelde onbestemd de
tegenwoordigheid van anderen en weer viel hem de zwakke en toch
scherpe geur op, die dien van wierook overheerschte. Toen hij een
dollar moest betalen voor zijn thee, wist hij waaraan zich te houden.
„Opium,—zoo waar ik Jack Howland heet!” zei hij. „Ik denk, dat
zij, behalve mijn portie, hier niet veel thee zullen verkoopen!”
Intusschen genoot hij de zijne naar hartelust, zich geheel
overgevend aan het nieuwe gevoel van vrijheid, dat hem vervulde,
toen hij opeens voetstappen hoorde op de trap en er even later bijna
een kreet van verrassing over zijn lippen kwam. Daar toch stond,
een oogenblik aarzelend, maar hem vast aanstarend, het meisje, dat
hij door het raam van het hotel had gezien.
Hun blikken ontmoetten elkaar voor misschien niet meer dan
enkele seconden. Maar in dat korte tijdsverloop grifte zich in het hart
van Howland een beeld, dat hem nooit meer los zou laten. Steeds
onder de heerschappij van zijn eerzucht, had hij nooit meer dan
voorbijgaande belangstelling getoond voor vrouwelijk schoon. Hij
had dikwijls een mooi gezichtje gezien en het bewonderd,—maar
met dezelfde koele, on-hartstochtelijke bewondering, waarmee hij
de scheppingen van meer stoffelijken aard placht te beschouwen. Dit
gelaat daarentegen scheen tot hem uit te gaan en nieuwe
belangstelling in hem wakker te roepen. Dat het een buitengewoon
gelaat was, voelde hij terstond. Het was nu niet zoo bleek, als toen
hij het voor het eerst zag. De wangen droegen een blos en de lippen
waren half geopend. Zij haalde snel adem, misschien ten gevolge
van het trappenklimmen.—Maar het waren de oogen,—de
onvergelijkelijk schoone oogen, die Howland in vervoering brachten.
Het meisje wendde den blik af en zette zich aan een tafeltje, zóó,
dat hij haar alleen in profiel kon zien. Hij was daar niet rouwig om,
want het gaf hem gelegenheid om haar rustig en ongemerkt van
terzijde te bestudeeren,—al hield hij zich overtuigd, dat zij zeer goed
voelde hoe hij naar haar keek. Hij glimlachte even, toen hij bedacht
hoe gemakkelijk zij zich achter een van de schermen had kunnen
neerzetten. En intusschen gleed zijn blik al door critiseerend van den
blos op haar wangen naar den lichtgloed in het glanzige bruine haar,
dat in dichte golven tot half over de ooren hing, om laag in den nek
te worden saamgebonden tot één enkele, dikke wrong. Eerst nu
lette hij ook op haar kleeding, die hem eenigszins vreemd aandeed.
Haar pelsmuts en haar handmof waren van donkergrijs lynx. Om
haar schouders hing een kraag van hetzelfde bont. Haar handen
staken in onberispelijke handschoenen. Elke lijn van haar lief gelaat,
elk onderdeel van haar toilet droeg het kenmerk van beschaving. De
spottende glimlach verdween van Howland's lippen en hij liet het
vermoeden, dat één oogenblik bij hem was opgekomen, snel varen.
Wie was zij en wat deed zij hier?
Een oogenblik later gleed de jonge Chinees, zacht en behendig als
een kat, tusschen de schermen door tot vlak bij haar tafeltje. Zij
scheen haar bestelling te schrijven op een leitje, dat Howland tot
hier toe nog niet had opgemerkt. Ook zag hij, dat zij den man, toen
hij haar de thee bracht, met een biljet van een dollar betaalde en
dat zij geld terugkreeg.
„Zij weet er alles van,” lachte hij bij zichzelf. „Zij is hier niet
vreemd. Zij kent de prijzen.”
Hij schonk zich een laatste kopje in en toen hij de oogen weer
ophief, merkte hij tot zijn verbazing, dat zij naar hem keek. Even
was haar blik vast en helder; maar al gauw werd de blos op haar
wangen dieper en toen het koude grijs van Howland's oogen de hare
onverschrokken uitdaagden, sloeg zij de lange wimpers neer en
maakte zij zich weer druk met haar thee. Hij zag hoe de hand, die
het kleine Japansche potje optilde, lichtelijk beefde. Hij boog zich
voorover en als aangetrokken door die beweging, keerde het meisje
hem opnieuw haar gelaat toe, terwijl zij den trekpot boven het kopje
hield. In haar donkere oogen las hij een uitdrukking, die hem bijkans
deed opspringen,—een veelbeteekenende gloed,—een pathetisch en
tegelijkertijd half angstig beroep op zijn persoon. Hij stond op met
vragenden blik; haar lippen plooiden zich tot een roode, ronde O en
zij wees op den stoel tegenover haar.
„Ik hoop, dat u het mij niet ten kwade duidt,” zei Howland, terwijl
hij ging zitten, „maar mag ik u mijn kaartje geven?”
Hij had het gevoel alsof hij iets zeer vrijpostigs had gedaan en die
gewaarwording joeg hem een oogenblik het bloed naar de wangen.
Het meisje las zijn naam en noodigde hem met een glimlach en een
vriendelijk gebaar om verder de thee met haar te gebruiken. Hij ging
even terug naar zijn eigen tafeltje en toen hij met zijn kopje in de
hand weer bij haar kwam, schoof zij hem het leitje toe, waarop zij
deze woorden had geschreven:
 „Gij zult me wel willen excuseeren, als ik niet spreek. Ik ben,
helaas, stom.”
Howland kon een zachten uitroep van verbazing en medelijden
niet weerhouden en toen zijn gezellin tegelijkertijd naar hem
opkeek, las hij op haar gelaat weer de uitdrukking, die hem zoozeer
had getroffen, toen hij in het hotel voor het venster stond.
Alledaagsche flirtations waren hem vreemd; hij miste de noodige
gevatheid daarvoor en ook nu klonk zijn stem koel en zakelijk, terwijl
hij haar met zijn grijze oogen eerlijk en oprecht aankeek.
„Ik zag u vanavond door het raam van het Hotel Windsor,” begon
hij, „en iets op uw gelaat gaf mij het vermoeden, dat ge in
verlegenheid waart. Het is daarom, dat ik de stoute schoenen heb
aangetrokken. Ik ben de ingenieur, belast met den bouw van de
Hudsonbaai-lijn en op mijn weg van Chicago naar Le Pas. Ik ben hier
geheel vreemd. Ik was nooit eer in dit—etablissement. Het is een
aardige theesalon,—en een kostelijk masker voor de opium-banken
achter die gordijnen.”
Met die enkele woorden maakte hij haar, als gold het een gewoon
en zakelijk geval, de situatie op eens duidelijk. Zij wist nu wie en wat
hij was en tevens de reden van zijn belangstelling voor haar
persoon, terwijl hij haar terzelfder tijd te verstaan had gegeven,
welke vermoedens hij koesterde, ten opzichte van hun
oogenblikkelijke omgeving. Hij lette naijverig op de uitwerking van
zijn woorden en een seconde later speet het hem, dat hij zoo bruusk
was geweest. Het meisje toch keek om zich heen; hij zag hoe haar
boezem hijgde, hoe de blos op haar wangen kwam en ging en hoe
er angst uit haar oogen sprak, toen zij die groot en vragend op hem
vestigde.
„Ik wist dat niet,” schreef zij schielijk. Haar gelaat was nu even
bleek als toen Howland het voor het eerst zag. Haar hand trilde
zenuwachtig en één oogenblik beefden haar lippen zóó, dat zijn hart
luider begon te kloppen. „Ook ik ben hier vreemd,” voegde zij er aan
toe. „Ik ben hier nooit eer geweest—ik kwam—”
Welcome to our website – the perfect destination for book lovers and
knowledge seekers. We believe that every book holds a new world,
offering opportunities for learning, discovery, and personal growth.
That’s why we are dedicated to bringing you a diverse collection of
books, ranging from classic literature and specialized publications to
self-development guides and children's books.

More than just a book-buying platform, we strive to be a bridge

connecting you with timeless cultural and intellectual values. With an
elegant, user-friendly interface and a smart search system, you can
quickly find the books that best suit your interests. Additionally,
our special promotions and home delivery services help you save time
and fully enjoy the joy of reading.

Join us on a journey of knowledge exploration, passion nurturing, and

personal growth every day!

ebookbell.com