asb filtry cyfrowe 7

background image

Filtry cyfrowe

Filtr cyfrowy

x

(

n

)

y

(n)

h

(

n

)

Procesory sygnałowe (DSP),

układy programowalne

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

1

h

(

n

)

– odpowiedź impulsowa

x

(

n

)

y

(n)

y

(n) = x(

n

) ∗

h

(

n

)

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

background image

Filtry cyfrowe

Po co filtrujemy sygnały?

Aby uzyskać:



redukcję zakłóceń sygnału

(np. zakłóceń od sieci energetycznej)

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

2

(np. zakłóceń od sieci energetycznej)



zmianę charakterystyki widmowej sygnału

(preemfaza, deemfaza)



wyodrębnienie zadanych składowych sygnału

spośród jego innych składowych (detekcja)

background image

Charakterystyki

częstotliwościowe - filtry idealne

f

A(f)

A(f)

dolnoprzepustowy

górnoprzepustowy

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

3

f

f

f

A(f)

pasmowoprzepustowy

f

A(f)

pasmowozaporowy

background image

Charakterystyki

częstotliwościowe filtrów

Filtr

dolno-przepustowy

(np. filtr anty-alisingowy,
redukcja zakłóceń)

A(f)

pasmo
zaporowe

pasmo

pasmo
przejściowe

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

4

f

f

A(f)

Filtr

górno-przepustowy

(np. preemfaza)

przepustowe

f

p

f

s

background image

Filtr ś

rodkowo-przepustowy

(np. detekcja cech sygnału)

f

A(f)

Charakterystyki

częstotliwościowe filtrów

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

5

f

f

A(f)

Filtr ś

rodkowo-zaporowy

(np. redukcja zakłóceń od sieci
energetycznej
)

50 Hz

background image

Charakterystyki

częstotliwościowe filtrów - przykłady

f

A(f)

Filtr

dolnoprzepustowy

(redukcja zakłóceń)

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

6

200

400

600

800

1000

0

500

1000

1500

200

400

600

800

1000

0

500

1000

1500

0 V

0 V

background image

Charakterystyki

częstotliwościowe filtrów - przykłady

f

A(f)

Filtr

górno-przepustowy

(np. usuwanie wartości średniej)

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

7

200

400

600

800

1000

0

500

1000

1500

0 V

0

200

400

600

800

1000

-150

-100

-50

0

50

100

0 V

background image

Charakterystyki

częstotliwościowe filtrów - przykłady

Filtr ś

rodkowo-przepustowy

(np. detekcja cech sygnału)

f

A(f)

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

8

200

400

600

800

1000

0

500

1000

1500

0 V

0

200

400

600

800

1000

-2000

0

2000

4000

6000

f

background image

Charakterystyki

częstotliwościowe filtrów - przykłady

Filtr ś

rodkowo-zaporowy

(np. redukcja zakłóceń o
zadanej częstotliwości
)

f

A(f)

50 Hz

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

9

f

50 Hz

0

200

400

600

800

1000

900

1000

1100

1200

1300

1400

1500

1600

0

200

400

600

800

1000

900

1000

1100

1200

1300

1400

background image

Zastosowania filtrów cyfrowych w

przetwarzaniu elektrokardiogramu



donoprzepustowe (redukcja zakłóceń o
częstotliwościach radiowych, aktywności mięśni
szkieletowych)



górnoprzepustowe (eliminacja pełzania linii

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

10



górnoprzepustowe (eliminacja pełzania linii
izoelektrycznej, f

g

=0.5 Hz, zob. ‘ecg_mit.mat’)



pasmowoprzepustowe (wydzielanie
składowych sygnału EKG, np. fali P, T, QRS)



pasmowozaporowe (redukcja zakłóceń od sieci
energetycznej, f=50 Hz)

background image

Rodzaje filtrów

Filtr

?

A

B

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

Filtr

- Dolnoprzepustowy

- Pasmowo-przepustowy

- Górnoprzepustowy

?

C

background image

Filtry cyfrowe – SOI i NOI

0.2

0.4

0.6

0.8

1

Filtry dzielimy również na:

filtry o

skończonej

odpowiedzi impulsowej (SOI)

tzw. filtry nierekursywne

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

12

0

5

10

15

20

0

tzw. filtry nierekursywne

filtry o

nieskończonej

odpowiedzi impulsowej (NOI)

tzw. filtry rekursywne

0

5

10

15

20

0

0.2

0.4

0.6

0.8

1

background image

Filtry cyfrowe – SOI i NOI

Elementy wykonawcze potrzebne do realizacji
filtru cyfrowego:

Sumator

Mnożenie

Opóźnienie

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

13

u(k)

z

-1

y(k)

u

1

(k)

u

2

(k)

y(k)

u(k)

c

y(k)

( )

( )

( )

k

u

k

u

k

y

2

1

+

=

( )

( )

k

cu

k

y

=

( )

(

)

1

k

u

k

y

=

Sumator

przez stałą

jednostkowe

background image

Idea filtracji cyfrowej

z

-1

b

0

x(k)

b

1

y(k)

współczynniki

ruchomej średniej

współczynniki

autoregresji

z

-1

a

2

a

1

=1

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

14

z

-1

z

-1

x(k-1)

x(k-M)

x(k-2)

b

1

b

M

b

2

z

-1

z

-1

y(k-2)

y(k-1)

y(k-N)

a

2

a

3

a

N

background image

( )

( )

(

)

1

5

.

0

5

.

0

+

=

k

x

k

x

k

y

Filtr o Skończonej odpowiedzi
Impulsowej(SOI) - przykład

z

-1

x(k)

t

b

0

=0.5

LP:

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

b

1

=0.5

z

x(k-1)

t

( )

( )

(

)

1

5

.

0

5

.

0

=

k

x

k

x

k

y

HP:

BP: ?

background image

( )

(

)

( )

k

x

k

y

a

k

y

+

=

1

1

Filtr o Nieskończonej odpowiedzi
Impulsowej (NOI) - przykład

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

t

x

(k)

y

(k)

a1

y

(k-1)

a

1

y

(k-1)

background image

Równanie różnicowe filtru

( )

( ) (

)

( ) (

)

=

=

=

N

n

M

n

n

k

y

n

a

n

k

x

n

b

k

y

1

0

Z uwagi na implementację programową filtrów w

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

17

( ) ( )

( ) (

)

( ) (

)

=

=

+

+

=

N

n

M

n

n

k

y

n

a

n

k

x

n

b

k

y

a

2

1

1

1

1

Z uwagi na implementację programową filtrów w
programie Matlab (zob. funkcję ‘filter’) stosujemy
następujące indeksowanie współczynników filtru:

1=

*

background image

Równanie różnicowe filtru

( )

( ) (

)

( ) (

)

=

=

+

+

=

N

n

M

n

n

k

y

n

a

n

k

x

n

b

k

y

2

1

1

1

Jeżeli wszystkie współczynniki

a

(n)

są zerowe to

*

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

18

Jeżeli wszystkie współczynniki

a

(n)

są zerowe to

równanie różnicowe opisuje filtr cyfrowy SOI, w
przeciwnym przypadku filtr NOI

SOI – ang. Finite Impulse Response (FIR)

NOI – ang. Infinite Impulse Response (IIR)

background image

Równanie różnicowe filtru

( )

( ) ( )

( ) (

)

( ) (

)

K

+

+

+

=

2

3

1

2

1

k

x

b

k

x

b

k

x

b

k

y

Zwróćmy uwagę na indeksowanie
współczynników filtru i próbek sygnału:

*

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

19

( )

( ) ( )

( ) (

)

( ) (

)

( ) (

)

( ) (

)

( ) (

)

K

K

+

+

+

=

3

4

2

3

1

2

2

3

1

2

1

k

y

a

k

y

a

k

y

a

k

x

b

k

x

b

k

x

b

k

y

*

Jest to równanie filtru przyczynowego, …...

background image

Prosty filtr górnoprzepustowy
(freqz)

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

-60

-40

-20

0

×π

M

a

g

n

it

u

d

e

(

d

B

)

h=[0.5 -0.5]

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

0

50

100

Normalized Frequency (

×π

rad/sample)

P

h

a

s

e

(

d

e

g

re

e

s

)

Normalized Frequency (

×π

rad/sample)

background image

Prosty filtr dolnoprzepustowy
(freqz)

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

-60

-40

-20

0

×π

M

a

g

n

it

u

d

e

(

d

B

)

h=[0.5 -0.5]

-3dB

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

-100

-50

0

Normalized Frequency (

×π

rad/sample)

P

h

a

s

e

(

d

e

g

re

e

s

)

Normalized Frequency (

×π

rad/sample)

background image

Prosty przykład filtru SOI

Filtr o ruchomej średniej:

( )

(

)

(

)

(

)

(

)

( )

[

]

( )

=

=

+

+

+

+

=

k

k

n

n

x

k

x

k

x

k

x

k

x

k

x

k

y

4

5

1

1

2

3

4

5

1

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

22

Określ wektory współczynników a i b dla tego filtru (wzór

*

).

Odpowiedź:

a=[1];
b=[0.2 0.2 0.2 0.2 0.2];

Zatem jest to filtr SOI – „kiepski” filtr dolnoprzepustowy.

background image

Prosty przykład filtru SOI

Jaka jest odpowiedź impulsowa tego filtru?

( )

(

)

(

)

(

)

(

)

( )

[

]

( )

=

=

+

+

+

+

=

k

k

n

n

x

k

x

k

x

k

x

k

x

k

x

k

y

4

5

1

1

2

3

4

5

1

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

23

Odpowiedź:

h=[0.2 0.2 0.2 0.2 0.2];

Wniosek:

Wniosek:

dla filtru SOI

współczynniki filtru i jego

odpowiedź impulsowa to jest to samo!

!!

background image

Korzystając z instrukcji:

- conv
- filter

Prosty przykład filtru SOI

Ć

wiczenie:

Ć

wiczenie:

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

24

- filter

Wyznacz odpowiedź zdefiniowanego filtru SOI na
pobudzenie sygnałem:

Na tym samym wykresie wyświetl sygnał oraz
otrzymane sygnały po filtracji. Porównaj długość
sygnałów wynikowych?

x=[10 50 24 60 37 77 89 22 63 9 52 31 49 54 28 14];

background image

Prosty przykład filtru SOI

Wyznacz charakterystykę amplitudową i fazową
zadanego filtru.

Ć

wiczenie:

Ć

wiczenie:

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

25

Podpowiedź:

-

utwórz wektor 512 elementowy uzupełniając wektor

odpowiedzi impulsowej 507 zerami,

-

oblicz transformacje Fouriera tego wektora (fft)

-

wyznacz charakterystyki amplitudowe (abs) i fazowe

(angle) filtru przyjmując, że zastosowano f

s

=100 Hz.

background image

Prosty przykład filtru SOI

-1

0

1

2

3

Charakterystyka fazowa

ra

d

ia

n

y

0.4

0.6

0.8

1

Charakterystyka amplitudowa

A

m

p

lit

u

d

a

tzw. zero filtru

Charakterystyka fazowa

Charakterystyka amplitudowa

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

26

0

20

40

60

80

100

-3

-2

-1

f [Hz]

0

20

40

60

80

100

0

0.2

f [Hz]

Odpowiedź
impulsowa filtru

0

5

10

15

20

0

0.05

0.1

0.15

0.2

%MATLAB
freqz(b,a)
freqz(b,a,N,f

s

)

background image

Prosty przykład filtru SOI

Zbadaj amplitudy i przesunięcia fazowe przebiegów
wyjściowych filtru gdy na jego wejście podano:



przebieg sinusoidalny f=1 Hz

Ć

wiczenie cd:

Ć

wiczenie cd:

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

27



przebieg sinusoidalny f=1 Hz



przebieg sinusoidalny f=5 Hz



przebieg sinusoidalny f=20 Hz

Potwierdź, dla zadanego sygnału wejściowego filtru,
ż

e filtracja (splot) w dziedzinie czasu odpowiada

mnożeniu widma odpowiedzi impulsowej filtru i widma
sygnału.

background image

0.2

0.4

0.6

0.8

1

1 Hz

Prosty przykład filtru SOI

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

-1

-0.8

-0.6

-0.4

-0.2

0

background image

0.2

0.4

0.6

0.8

1

5 Hz

Prosty przykład filtru SOI

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

-1

-0.8

-0.6

-0.4

-0.2

0

background image

0.2

0.4

0.6

0.8

1

20 Hz

Prosty przykład filtru SOI

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

-1

-0.8

-0.6

-0.4

-0.2

0

background image

0.5

1

1.5

2

input signal

Prosty przykład filtru SOI

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

-2

-1.5

-1

-0.5

0

background image

Prosty przykład filtru SOI

1

1.5

1.5

2

(

)

(

)

t

sin

t

sin

x

we

π

π

60

10

+

=

Hz

f

s

200

=

(

)

(

)

β

π

α

π

+

+

+

=

t

sin

b

t

sin

a

x

wy

60

10

?

,

,

b

,

a

=

β

α

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

32

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

-1.5

-1

-0.5

0

0.5

1

[sek]

W

y

j

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

-2

-1.5

-1

-0.5

0

0.5

1

[s ek ]

W

e

j

tzw. liniowe zniekształcenia amplitudowe

background image

Przekształcenie

z

Definicja:

Definicja:

Przekształceniem

z

ciągu próbek:

jest wyrażenie:

( ) ( ) ( )

( )

{

}

K

K

,

,

,

2

,

,

0

nT

x

T

x

T

x

x

(

)

n

j

j

n

j

e

e

e

ω

ω

ω

=

1

ω

=

j

e

z

(

)

( )

0

0

t

j

e

X

t

t

x

ω

ω

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

33

jest wyrażenie:

( )

( )

( )

( )

(

)

( )

n

N

n

N

z

nT

x

z

NT

x

z

T

x

z

T

x

x

z

X

=

=

+

+

+

+

=

0

2

1

2

0

K

Przekształcenie z pełni ważną rolę w cyfrowym
przetwarzaniu sygnałów, np. dla impulsu

jednostkowego

X

(z)=1

(

)

n

j

j

n

j

e

e

e

ω

ω

ω

=

1

background image

Prze

ksz

tałcenie

z

- analogia do DFT

Przekształcenie

z

:

( )

( )

( )

(

)

( )

ω

ω

jn

n

n

j

n

e

r

n

x

re

n

x

z

n

x

z

X

=

=

=

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

34

Zatem dla r=1 równanie powyższe,
tj. przekształcenie

z

jest równoważne

szeregowi Fouriera.

Jeżeli

x

(n)

reprezentuje odpowiedź

impulsową filtru, to

X

(z)

dla

|z|=1

jest

charakterystyką częstotliwościową filtru.

|z|=

1

r=

1

z=e

j

ω

background image

Prze

ksz

tałcenie

z

- analogia do DFT

Przekształcenie

z

:

( )

( )

n

N

n

z

n

x

z

X

=

=

1

0

Przekształcenie dyskretne Fouriera:

ω

π

j

jk

=

=

 2

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

35

Przekształcenie dyskretne Fouriera:

( )

( )

n

N

k

j

N

n

N

jk

j

e

n

x

k

X

e

X

e

X

 π

=

 π

ω

=

=

=

2

1

0

2

)

(

ω

j

N

jk

e

e

z

=

=

indeks częstotliwości

indeks czasu

ω=2πf/f

s

background image

Przekształcenie

z

Równanie różnicowe filtru SOI:

Można wyrazić w dziedzinie przekształcenia

z

w postaci:

( )

( )

(

)

(

)

T

nT

x

T

nT

x

nT

x

nT

y

2

3

2

+

+

=

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

36

i otrzymać funkcję przejścia filtru:

( )

( )

( )

( )

2

1

3

2

+

+

=

z

z

X

z

z

X

z

X

z

Y

( )

( )

( )

2

1

3

2

1

+

+

=

=

z

z

z

X

z

Y

z

H

background image

Przekształcenie

z

Podobnie, ogólne równanie różnicowe filtru cyfrowego:

( )

( ) (

)

( ) (

)

=

=

=

N

n

M

n

n

k

y

n

a

n

k

x

n

b

k

y

1

0

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

37

w dziedzinie przekształcenia

z

można zapisać w postaci:

( )

( )

( )

=

=

+

=

=

N

n

n

n

M

n

n

n

z

a

z

b

z

X

z

Y

z

H

1

0

1

zera filtru

bieguny filtru

background image

Płaszczyzna

z

Zmienną

z

definiuje się:

ω

=

j

e

z

2

π

ω

=

π

f

π

=

ω 2

z=j

z=-1

z=1

r=1

Im(z)

radiany

na okres

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

38

π

2

3

ω

=

π

0

0

ω

=

2

π

s

f

f

π

=

ω 2

2

f

f

s

=

s

f

f

=

z=-j

z=-1

z=1

r=1

Re(z)

Filtr jest stabilny gdy bieguny filtru leżą wewnątrz
okręgu jednostkowego.

pulsacja unormowana

względem

f

s

background image

Płaszczyzna

z

%MATLAB
zplane(0.2*ones(1,5),1)

1

Charakterystyka amplitudowa

Charakterystyka amplitudowa

1

0.8π

0.4π

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

39

0

20

40

60

80

100

0

0.2

0.4

0.6

0.8

f [Hz]

A

m

p

lit

u

d

a

tzw. zero filtru

-1

-0.5

0

0.5

1

-1

-0.5

0

0.5

Real part

Im

a

g

in

a

ry

p

a

rt

background image

Wyznacz odpowiedź impulsową i analitycznie wyznacz
charakterystykę amplitudową filtrów:

Podstawowe filtry SOI

Ć

wiczenie:

Ć

wiczenie:

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

40

( )

1

1

=

z

z

H

( )

(

)

1

1

5

.

0

+

=

z

z

H

Podpowiedź: przyjmij T=1 i zastosuj podstawienie:

T

j

e

z

ω

=

~ pierwsza pochodna sygnału

background image

Podstawowe filtry SOI

( )

(

)

(

)

( )

ω

ω

j

j

e

H

e

z

z

H

=

+

=

+

=

1

5

.

0

1

5

.

0

1

Ć

wiczenie rozwiązanie :

Ć

wiczenie rozwiązanie :

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

41

( )

(

)

(

)

2

cos

2

cos

2

5

.

0

5

.

0

1

5

.

0

2

2

2

2

ω

ω

ω

ω

ω

ω

ω

ω

=

=

+

=

+

=

j

j

j

j

j

j

e

e

e

e

e

e

H

( )

2

2

cos

arg

arg

2

ω

ω

ω

ω

=

=

j

j

e

e

H

 charakterystyka

amplitudowa

 charakterystyka

fazowa

background image

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

-60

-40

-20

0

M

a

g

n

it

u

d

e

R

e

sp

o

n

se

(

d

B

)

Podstawowe filtry SOI

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

42

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

-100

-80

-60

-40

-20

0

Normalized frequency (Nyquist == 1)

P

h

a

se

(

d

e

g

re

e

s)

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

Normalized frequency (Nyquist == 1)

%MATLAB
freqz(0.5*[1 1],1);

background image

Można projektować filtry SOI tak by zachować
liniową charakterystykę fazową. Zapewniają to
warunki symetrii dla współczynników filtru:

Warunek liniowej fazy dla filtrów SOI

(

)

( )

k

h

k

M

h

=

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

43

(

)

( )

k

h

k

M

h

=

(

)

( )

k

h

k

M

h

=

dla

M

k

,

,

1

,

0 K

=

Jaka jest korzyść z liniowej fazy filtru?

Opóźnienie sygnału na wyjściu filtru jest niezależne od
jego częstotliwości (zob. pierwsze ćwiczenie nt. filtrów).

!!

dla

M

parzystych lub nieparzystych

background image

Filtr o liniowej fazie

t

d

– opóźnienie czasowe

s(t)=sin(

ω

t)

π

/4 – opóźnienie fazowe

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

44

s(t)=sin(2

ω

t)

π

/2 – opóźnienie czasowe

Filtry o liniowej fazie opóźniają wszystkie
częstotliwości o ten sam czas!

background image

Warunek liniowej fazy dla filtrów SOI

(

)

( )

k

h

k

M

h

=

(

)

( )

k

h

k

M

h

=

dla

M

k

,

,

1

,

0 K

=

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

45

czas dyskretny

czas dyskretny

czas dyskretny

czas dyskretny

background image

Zniekształcenia fazowe

(

)

(

)

t

sin

t

sin

x

we

π

π

20

10

+

=

+

+

+

=

2

20

2

10

π

π

π

π

t

sin

t

sin

x

wy

1

1.5

2

1

1.5

2

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

46

tzw. nieliniowe zniekształcenia fazowe

(np. duże zniekształcenia sygnałów akustycznych)

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

-1.5

-1

-0.5

0

0.5

[s ek ]

W

y

j

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

-2

-1.5

-1

-0.5

0

0.5

[sek]

W

y

j

background image

Zniekształcenia fazowe - przykład

20

30

M

a

g

n

it

u

d

e

R

e

s

p

o

n

s

e

(

d

B

)

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

47

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

-80

-60

-40

-20

0

Normalized frequency (Nyquist == 1)

P

h

a

s

e

(

d

e

g

re

e

s

)

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

-10

0

10

20

Normalized frequency (Nyquist == 1)

M

a

g

n

it

u

d

e

R

e

s

p

o

n

s

e

(

d

B

)

%Matlab
x=wavread(‘glos_meski.wav’);
y=filter(1,[1 -0.95],x);
sound(y,fs)

background image

Jak przekształcić dolnoprzepustowy
filtr SOI w filtr górno przepustowy?

Ć

wiczenie:

Ć

wiczenie:

Zastosuj następujące przekształcenie dla współczynników

b

H

przykładowego dolnoprzepustowego filtru SOI.

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

48

Zbadaj charakterystykę otrzymanego filtru i porównaj ją z
prototypowym filtrem dolnoprzepustowym.

Zobacz tw. o modulacji dla przekształcenia Fouriera

( )

( )

n

b

b

L

n

H

1

=

background image

Inne przykłady filtrów SOI

Zbadaj charakterystyki filtrów o odpowiedzi impulsowej:



h=0.25*[1 2 1] , tzw. filtr von Hanna

Ć

wiczenie cd:

Ć

wiczenie cd:

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

49



h=0.25*[1 2 1] , tzw. filtr von Hanna



h=[1 -2 1] , ~ druga pochodna sygnału

background image

Projektowanie filtrów SOI

metodą rozmieszczania zer filtru

( )

( ) ( )

( ) ( )

( ) ( )

n

z

z

X

n

b

z

z

X

b

z

X

b

z

Y

+

+

+

=

K

1

1

0

Równanie różnicowe filtru SOI:

Transmitancja operatorowa filtru SOI:

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

50

Transmitancja operatorowa filtru SOI:

( )

( )

( )

( )

( )

( )

( )

( )

( )

( )

(

)(

) (

)

n

n

n

n

n

n

z

z

z

z

z

z

z

b

b

n

b

z

b

b

z

z

b

z

n

b

z

b

b

z

H

=

=





+

+

+

=

=

+

+

+

=

K

K

K

2

1

1

1

0

0

0

1

0

1

0

zera filtru

background image

Projektowanie filtrów SOI

metodą rozmieszczania zer filtru

Pierwiastki równania:

to liczby

z

,

z

, …

z

. Ponieważ współczynniki

( )

( )

(

)(

) (

)

0

0

2

1

=

=

n

n

z

z

z

z

z

z

z

b

z

H

K

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

51

to liczby

z

1

,

z

2

, …

z

n

. Ponieważ współczynniki

równania są rzeczywiste to zera tworzą pary
zespolone sprzężone albo są rzeczywiste.

Charakterystyki częstotliwościowe filtrów SOI
można kształtować odpowiednio rozmieszczając
zera filtru.

background image

0.6

0.8

1

Projektowanie filtrów SOI

metodą rozmieszczania zer filtru

Przykład:

Skonstruować filtr SOI, który „zeruje” pulsację π/4
rad/okres.

( )

( )

(

)(

)

4

/

4

/

2

0

π

π

=

j

j

e

z

e

z

z

b

z

H

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

52

-1

-0.5

0

0.5

1

-1

-0.8

-0.6

-0.4

-0.2

0

0.2

0.4

0.6

Real part

Im

a

g

in

a

ry

p

a

rt

( )

( )

(

)

(

)

2

1

2

+

=

k

x

k

x

k

x

k

y

Równanie różnicowe filtru:

( )

( )

(

)(

)

0

=

Dla

b

(0)=1:

( )

(

)(

)

2

1

2

2

4

/

4

/

2

2

1

1

4

cos

2

π

π

+

=

+

π

=

=

=

z

z

z

z

z

e

z

e

z

z

z

H

j

j

background image

Projektowanie filtrów SOI

metodą rozmieszczania zer filtru

Przykład:

( )

4

sin

π

=

k

k

x

Sprawdzenie dla sygnału:

6

5

4

3

2

1

0

:

k

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

53

( )

( )

(

)

(

)

2

1

2

+

=

k

x

k

x

k

x

k

y

Równanie różnicowe filtru:

( )

( )

0

0

0

0

0

2

/

1

0

:

1

2

/

1

0

2

/

1

1

2

/

1

0

:

6

5

4

3

2

1

0

:

k

y

k

x

k

Sprawdź przebieg charakterystyki widmowej:

freqz

background image

Projektowanie filtrów SOI
metodą okien czasowych

Chcemy zaprojektować idealny
filtr dolnoprzepustowy.

Otrzymujemy nierealizowalną,
nieskończoną w czasie

A(

ω

)

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

54

nieskończoną w czasie
charakterystykę odpowiedzi
impulsowej:

ω

ω

0

( )

?

2

1

0

0

=

=

+

ω

π

ω

ω

ω

d

e

n

h

n

j

Należy ograniczyć czas trwania tej odpowiedzi.

background image

Projektowanie filtrów SOI
metodą okien czasowych

Zastosowanie okna czasowego ograniczającego czas
trwania tej odpowiedzi pozwala uzyskać filtr realizowalny
fizycznie,
np. dla filtru dolnoprzepustowego o częstotliwości odcięcia
0.4π rad/s i odpowiedzi impulsowej ograniczonej do 51
próbek:

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

55

próbek:

b=0.4*sinc(0.4*(-25:25));

%zobacz również (-100:100)

uzyskuję się charakterystykę:

[H,f]=freqz(b,1,512,2);
plot(f,abs(H)),grid

background image

Projektowanie filtrów SOI
metodą okien czasowych

0.6

0.8

1

1.2

1.4

tzw. efekt Gibbsa

~9% amplitudy impulsu

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

56

0

0.2

0.4

0.6

0.8

1

0

0.2

0.4

~9% amplitudy impulsu

f

Efekt Gibbsa można zredukować stosując zamiast
okna prostokątnego wycinającego odpowiedź
impulsową, okno o kształcie podobnym do funkcji
Gaussa, np. okno Hamminga

background image

Projektowanie filtrów SOI
metodą okien czasowych

%MATLAB

0.4

0.6

0.8

1

Okno Hamminga

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

57

f

b=b.*hamming(51)’;
[H,f]=freqz(b,1,512,2);
plot(f,abs(H)),grid

10

20

30

40

50

0

0.2

0.4



rząd filtru



W programie Matlab opisaną procedurę projektowania
filtrów implementuje instrukcja syntezy filtru FIR ‘fir1

background image

Zadanie dla dociekliwych

Wyjaśnić skąd się bierze tzw.

efekt Gibbsa

efekt Gibbsa

.

Pokazać, że maksymalna amplituda oscylacji
w tym efekcie jest niezależna od czasu

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

58

w tym efekcie jest niezależna od czasu
trwania okna prostokątnego wycinającego
sygnał.

background image

Prosty filtr NOI

( )

( )

( )

1

1

1

=

=

z

z

X

z

Y

z

H

β

Rozważmy prosty filtr NOI:

( )

(

)

( )

n

x

n

y

n

y

+

=

1

β

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

59

( )

1

z

z

X

β

( )

β

β

=

=

z

z

z

z

z

z

H

1

1

1

zero z=0

biegun z=

β

a

(1)

a

(2)=-

β

background image

Prosty filtr NOI

-5

0

5

10

M

a

g

n

it

u

d

e

R

e

s

p

o

n

s

e

(

d

B

)

0.5

1

Im

a

g

in

a

ry

p

a

rt

5

.

0

=

β

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

60

0

0.2

0.4

0.6

0.8

1

-30

-20

-10

0

Norm aliz ed frequenc y (Ny quis t = = 1)

P

h

a

s

e

(

d

e

g

re

e

s

)

0

0.2

0.4

0.6

0.8

1

-5

Norm aliz ed frequenc y (Ny quis t = = 1)

M

a

g

n

it

u

d

e

R

e

s

p

o

n

s

e

(

d

B

)

-1

-0.5

0

0.5

1

-1

-0.5

0

Real part

Im

a

g

in

a

ry

p

a

rt

5

.

0

=

β

background image

Prosty filtr NOI

3

4

5

6

7

x 10

5

β=1.5>1

0.8

1

β=0.5<1

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

61

0

10

20

30

0

1

2

3

β=1.5>1

pł. z

0

5

10

0

0.2

0.4

0.6

β=0.5<1

pł. z

background image

Projektowanie filtrów NOI

Metoda bezpośrednia - aproksymacyjna:

% MATLAB
% [b,a]=yulewalk(n,f,m)
% n – rząd filtru
% f – próbki char. częstotl. z zakresu <0,1>

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

62

% f – próbki char. częstotl. z zakresu <0,1>
% m – dyskretne częstotl. z zakresu <0,1>

f = [0 0.6 0.6 1];
m = [1 1 0 0];
[b,a] = yulewalk(8,f,m);
[h,w] = freqz(b,a,128);
plot(f,m,w/pi,abs(h),'--')

Nieliniowa faza!

Zobacz też ‘zplane(b,a)’

background image

Projektowanie filtrów NOI

Metoda niezmienności odpowiedzi impulsowej:

% MATLAB

%dolnoprzepustowy Butterwotha
[b,a]=butter(5,0.4)

Wyznacz odpowiedzi impulsowe

tych filtrów

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

63

[b,a]=butter(5,0.4)

%pasmowoprzepustowy Czebyszewa typu I
[b,a]=cheby1(4,1,[.4 .7])

%górnoprzepustowy Czebyszewa typu II
[b,a]=cheby2(6,60,.8,’high’)

%pasmowozaporowy eliptyczny
[b,a] = ellip(3,1,60,[.4 .7],’stop’);

background image

Porównanie filtrów SOI i NOI

SOI

NOI



z definicji stabilne



łatwe projektowanie



łatwo zapewnić liniową fazę



mogą być niestabilne



bardziej złożone projektowanie



nieliniowa faza

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

64



łatwo zapewnić liniową fazę



uzyskanie stromej
charakterystyki jest możliwe
dla dużego rzędu filtru



skończoną dokładność
reprezentacji współczynników
filtru nie jest dokuczliwa



nieliniowa faza



możliwość uzyskiwania bardzo
stromej charakterystyki



problemy implementacyjne
z uwagi na skończoną
dokładność reprezentacji
współczynników filtru

background image

Narzędzie projektowania filtrów „sptool”

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

65

background image

Idea filtru adaptacyjnego

x

(n-P+1)

...

w

1

w

2

y

(n)

w

0

x

0

= 1

kolejne próbki sygnału

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

66

x

(n-1)

x

(n)

w

P

d

(n)

ε

(n)

Funkcja celu

:

E

[d(n)

w

T

x] = [(d(n) - y(n))

2

] = E[

ε

2

]

min

background image

Adaptacyjna redukcja zakłóceń

s(t) = x(t) + v(t)

Σ

e(t) = x(t)

^

ź

ródło

sygnału

+

_

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

67

Filtr

adaptacyjny

n(t)

ź

ródło

zakłóceń

v(t)

^

(tzw. wejście
odniesienia)

Reguła

adaptacji wag

( )

( )

t

e

t

w

=

η

background image

Adaptacyjna redukcja zakłóceń

Minimum wielkości e(t) odpowiada najskuteczniejszej
(zgodnie z minimum błędu średniokwadratowego)
redukcji zakłóceń:

)

(

ˆ

)

(

)

(

)

(

ˆ

)

(

)

(

t

v

t

v

t

x

t

v

t

s

t

e

+

=

=

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

68

)

(

ˆ

)

(

)

(

)

(

ˆ

)

(

)

(

t

v

t

v

t

x

t

v

t

s

t

e

+

=

=

]

[

]

)

ˆ

[(

)]

ˆ

(

[

2

]

[

]

[

2

2

2

2

x

E

v

v

E

v

v

x

E

x

E

e

E

+

+

=

→ ∅

=

sygnał i zakłócenie
są nieskorelowane

c.n.d.

background image

Zastosowania filtracji adaptacyjnej



w adaptacyjnej redukcji zakłóceń mierzonego sygnału
od sieci energetycznej oraz redukcji zakłóceń od

Filtry adaptacyjne są stosowane głównie do
filtracji sygnałów niestacjonarnych, np.:

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

69

od sieci energetycznej oraz redukcji zakłóceń od
elektronarzędzi chirurgicznych (f~120 Hz)



do redukcji energii sygnału EKG matki przy pomiarze
EKG płodu



jako model predykcyjny sygnałów biologicznych do
wykrywania ich zaburzeń (np. detekcji stanu fibrylacji
komór serca  implantowane defibrylatory)

background image

Filtry dolnoprzepustowe nie są skuteczne przy
wygładzaniu sygnałów, w których pasmo zakłóceń
pokrywa się z pasmem składowych użytecznych sygnału

Uśrednianie synchroniczne sygnału

( )

( )

( )

t

n

t

s

t

x

+

=

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

70

( )

( )

( )

t

n

t

s

t

x

+

=

f

zakłócenie

sygnał
użyteczny

A(f)

f

zakłócenie

sygnał
użyteczny

A(f)

Widma częstotliwościowe sygnału i zakłócenia

( )

ω

N

( )

ω

N

( )

ω

S

( )

ω

S

background image

Uśrednianie synchroniczne sygnału

Idea uśredniania synchronicznego

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

71

Sygnały synchronizujące

background image

Uśrednianie synchroniczne sygnału

Uśrednianie synchroniczne sygnału jest skuteczne przy
spełnieniu następujących warunków:



składowe deterministyczne sygnału powinny

występować okresowo (niekoniecznie w regularnych

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

72

występować okresowo (niekoniecznie w regularnych
odstępach)



sygnał zakłócający powinien być sygnałem

losowym,

nieskorelowanym ze składowymi deterministycznymi
sygnału



powinna istnieć możliwość detekcji cech sygnału

potrzebnych do synchronizacji kolejnych jego cykli

background image

Uśrednianie synchroniczne sygnału

=

=

N

n

n

N

1

1

ˆ

x

x

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

73

x

1

x

2

x

3

x

N

……

x

^

background image

Odchylenie standardowe sygnału:

σ

s

Odchylenie standardowe zakłócenia:

σ

n

Stosunek sygnału do zakłócenia:

Uśrednianie synchroniczne sygnału

n

s

SNR

σ

σ

=

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

74

Po N uśrednieniach:

n

s

N

N

SNR

σ

σ

=

n

σ

N

Zatem poprawa SNR po
N uśrednieniach wynosi:

0

100

200

300

400

500

10

0

10

1

10

2

background image

Zastosowania:



detekcja podszumowa sygnału tj. dla

σ

s

<<

σ

n

(zastosowania w telekomunikacji)



analiza elektrycznych potencjałów wywołanych

Uśrednianie synchroniczne sygnału

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

75



analiza elektrycznych potencjałów wywołanych

mózgu, tj. potencjałów generowanych w mózgu o
amplitudzie

kilku mikrowoltów na skutek okresowego

pobudzenia bodźcem: świetlnym (potencjały
wzrokowe), dźwiękowym (potencjały słuchowe) lub
dotykowym (potencjały

czuciowe)

background image

Uśrednianie synchroniczne sygnału

Ć

wiczenie:

Ć

wiczenie:

Zakłócony sygnał EKG ‘ecg_s.mat’

poddaj wygładzeniu przez synchronizowane
sumowanie jego kolejnych cykli.

Sprawdź jaką poprawę SNR uzyskałeś po

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

76

Sprawdź jaką poprawę SNR uzyskałeś po
kolejnych 2, 3, 4, … uśrednieniach sygnału.

background image

Filtracja medianowa sygnałów

Mediana – element środkowy w ciągu
uporządkowanych liczb, np.:

x

(n)={1, 5, -7, 101, -25, 3, 0, 11, 7}

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

77

x

(n)={1, 5, -7, 101, -25, 3, 0, 11, 7}

Porządkowanie (sortowanie) ciągu:

x

s

(n)={-25, -7, 0, 1, 3, 5, 7, 11, 101 }

Element środkowy

background image

Filtracja medianowa sygnałów

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

78

czas dyskretny

czas dyskretny

M

M=2

=2m

m+1=5

+1=5

sortowanie

M

M=5

=5

background image

Filtracja medianowa sygnałów

2

5

-1

7

0

3 -15 9

1 20 6

-9

x

n

Filtracja medianowa sygnału:

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

79

1

2

7

-1

2

5

2

2

5

0

3

0

?

?

?

?

6

6

med

3

(x

n

)

Kierunek przesuwania
okna filtracji

wyznacz medianę

background image

Filtracja medianowa sygnałów

Własności filtru medianowego:



usuwają zakłócenia impulsowe sygnału o szerokości

mniejszej niż połowa szerokości okna filtracji



nie zniekształca położenia i kształtu zbocz impulsów

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

80

o szerokości większej niż połowa okna filtracji



zakres [min, max] sygnału po filtracji medianowej nie

jest przekroczony



z uwagi na konieczne sortowanie próbek sygnału w

oknie filtracji koszt obliczeniowy filtracji medianowej
jest wielokrotnie większy od filtracji splotowej

background image

Filtracja medianowa sygnałów

Ć

wiczenie:

Ć

wiczenie:

Utwórz przebieg prostokątny

(‘help square’) i dodaj losowe zakłócenia
impulsowe do tego przebiegu.

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

81

impulsowe do tego przebiegu.

Porównaj wynik filtracji tego sygnału uzyskany po
liniowej filtracji wygładzającej z wynikiem filtracji
uzyskanym po zastosowaniu filtru medianowego
(‘help medfilt1’).

background image

Filtracja medianowa -przykład

360

370

380

390

400

y=med

(x)

x

(t)

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

82

0

20

40

60

80

100

120

140

160

310

320

330

340

350

M

=7

0

20

40

60

80

100

120

140

160

-5

0

5

10

15

20

25

30

35

40

45

y=x-med

(x)

background image

Filtracja medianowa sygnałów

Ć

wiczenie:

Ć

wiczenie:

Zastosuj ideę filtracji medianowej

pokazanej na slajdzie 31 do detekcji zespołów QRS w
sygnale ‘ecg_mit.mat’.

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

83

sygnale ‘ecg_mit.mat’.

Jaka jest optymalny zakres szerokości okna filtracji dla
tego zastosowania filtru medianowego?

background image

Filtracja nieliniowa sygnałów

Czy dla filtrów nieliniowych można wyznaczyć
transmitancje filtru?

Paweł Strumiłło, Instytut Elektroniki Politechniki Łódzkiej

84


Wyszukiwarka

Podobne podstrony:
FILTRY CYFROWE1
filtry cyfrowe
filtry cyfrowe id 171064 Nieznany
koszałka,teoria sygnałów, Filtry cyfrowe
filtry cyfrowe, CPS8, Ćwiczenie
filtry cyfrowe, Akademia Morska -materiały mechaniczne, szkoła, GRZES SZKOLA, szkoła, automaty, ayto
Wyklad Filtry cyfrowe1
filtry cyfrowe, CPS7, Ćw
filtry cyfrowe, porównanie charaktrystyk filtrów FIR, Marek Korejwo
filtry cyfrowe, CPS6, Ćwiczenie 6
filtry cyfrowe, transformacje analogowo-cyfrowe, Marek Korejwo
C3 C4 Filtry cyfrowe SOI i NOI
filtry cyfrowe, transf, Marek Korejwo
Wysylanie wiadomosci e mail Cyfrowe przetwarzanisygnalow Filtry, Cyfrowe przetwarzanisygnałów Filtry
cz05 filtry cyfrowe

więcej podobnych podstron