1095

Математические модели и синтез цифровых нерекурсивных фильтров

Лекция

Математика и математический анализ

Общие характеристики цифровых фильтров. Математические модели цифровых нерекурсивных фильтров. Методика синтеза цифровых нерекурсивных фильтров. Алгоритм Ремеза для построения оптимального цифрового нерекурсивного фильтра.

Русский

2013-01-06

200.5 KB

101 чел.

Лекция № 7

Математические модели и синтез цифровых нерекурсивных фильтров

Рассматриваются следующие вопросы:

- общие характеристики цифровых фильтров;

- математические модели цифровых нерекурсивных фильтров;

- методика синтеза цифровых нерекурсивных фильтров;

- алгоритм Ремеза.

1.1. Общие характеристики цифровых фильтров

Для выделения частотных составляющих акустического дискретного сигнала применяются цифровые нерекурсивные и рекурсивные фильтры [5,6]. Выделим наиболее распространенные типы фильтров (фильтры с симметричной импульсной характеристикой), обрабатывающие частотный диапазон , где  - частота дискретизации:

- фильтр нижних частот (ФНЧ), выделяющий частоты ниже частоты среза , при этом полоса пропускания лежит в диапазоне , полоса непропускания - , полоса перехода между ними - ;

- фильтр высоких частот (ФВЧ), выделяющий выше частоты среза , при этом полоса пропускания лежит в диапазоне , полоса непропускания - , полоса перехода - ;

- полосовой фильтр (ФП), выделяющий частоты выше частоты среза  и ниже , при этом полоса пропускания лежит в диапазоне , полосы непропускания -  и , полосы    перехода -  и ;

- режекторный фильтр (ФР), выделяющий частоты ниже частоты среза  и выше , при этом полосы пропускания лежат в диапазоне  и , полоса непропускания - , полосы перехода -  и .

Максимальные пульсации в полосах пропускания и непропускания обозначаются через ,  соответственно. На рис.1.1 представлены передаточные функции четырех типов фильтров.

а) ФНЧ

                                               

в) ФП

                                             

г) ФР

Рис. 1.1. Передаточные функции цифровых фильтров

1.2. Математические модели цифровых нерекурсивных фильтров

Свойство нерекурсивный фильтр обозначает, что выходной сигнал фильтра зависит только от значения входного сигнала. Поэтому этот фильтр всегда устойчив. Нерекурсивный фильтр имеет импульсную характеристику конечной длины и поэтому еще называется фильтром с импульсной характеристикой конечной длины (или КИХ-фильтром).

Нерекурсивный фильтр можно представить в виде (1.1)

или   (1.1)

Нерекурсивные ФНЧ, ФВЧ, ФП, ФР выглядят следующим образом

(1.2)

(1.3)

(1.4)

(1.5)

где  M - порядок фильтра, .

Связь между передаточной функцией (частотной характеристикой)  и переходной функцией (импульсной характеристикой)  цифрового нерекурсивного фильтра, например нерекурсивного ФНЧ, может быть представлена в виде (1.6) или с помощью  z-преобразования в виде (1.7).

,   (1.6)

,   (1.7)

где  - шаг квантования,  - частота дискретизации.

Амплитудно-частотная характеристика (АЧХ) (1.8) и фазо-частотная характеристика (ФЧХ) (1.9) нерекурсивного фильтра выглядят в виде

(1.8)

. (1.9)

Если фильтр обрабатывает дискретный сигнал, временной интервал которого имеет конечную длину N, то возможно искажение спектра. Для уменьшения искажения спектра используем окна (весовые функции) . Например, для нерекурсивного ФНЧ

, . (1.10)

Приведем наиболее распространенные типы окон:

Треугольное окно (окно Бартлета)

,   для , (1.11)

Окно Ганна

,   для , (1.12)

Окно Хемминга

,   для , (1.13)

Окно Блэкмана

,   для , (1.14)

Окно Кайзера

,   для , (1.15)

где   - константа,  - функция Бесселя нулевого порядка,            N – четное

Обработку дискретного сигнала нерекурсивным фильтром, например ФНЧ (рис.1.2), можно представить в виде параметрической структуры, в которой используются коэффициенты фильтра , , и его порядок M .

Рис. 1.2. Структура фильтрации дискретного сигнала

В качестве входных переменных блока фильтрации выступают дискретный сигнал x(n), его  длина N, функция окна w(n), частота среза , частота дискретизации , а в качестве выходных – фильтрованный сигнал xН(n).

Цифровая фильтрация нерекурсивным фильтром требует  умножений.

1.3. Методика синтеза цифровых нерекурсивных фильтров

При синтезе нерекурсивных фильтров равенство (1.6), с учетом обратного преобразования Фурье, заменяется на (1.16), при этом считаем, что  является парной функцией, т.е. .

,  (1.16)

Если считать, что ФНЧ является идеальным, т.е.

при ,  при ,  

то на основании (1.16) получим

,   (1.17)

Спектр сигнала, обработанного ФВЧ, можно представить как разность исходного спектра и спектра, полученного в результате применения ФП, взятого с той же частотой среза, что и ФНЧ. Исходный спектр сигнала можно связать со всечастотным (или всепропускающим) фильтром, пропускающим все частоты. Коэффициенты всечастотного фильтра определены в виде

,    (1.18)

Исходя из этого

 (1.19)

Спектр сигнала, обработанного ФП, можно представить как разность спектров, полученных в результате применения двух ФНЧ, взятых с частотами среза  соответственно.

 (1.20)

Спектр сигнала, обработанного ФР, можно представить как разность исходного спектра и спектра, полученного в результате применения ФП, взятого с той же частотой среза, что и ФР. Исходя из (1.14), получим

или   (1.21)

1.4. Алгоритм Ремеза для построения оптимального цифрового нерекурсивного фильтра

Для цифрового нерекурсивного фильтра важную роль играет точность аппроксимации реализованной передаточной функции. Для оптимизации нерекурсивных фильтров наиболее распространен алгоритм Ремеза (рис.1.3). В основу алгоритма лежит представление задачи проектирования оптимального нерекурсивного фильтра с передаточной функцией  как задачи чебышевской аппроксимации, причем функция , аппроксимирующая передаточную функцию идеального фильтра , является суммой M-1 косинусоидальных функций.

,  (1.22)

В блоке 1.1 вычисляются частоты в полосах пропускания и непропускания , функции  - передаточная функция идеального фильтра,  - весовая функция ошибки аппроксимации, , ,  и  начальные экстремальные частоты .

Рис. 1.3. Алгоритм Ремеза

Таблица 8.1

Функции  и

Тип

ФНЧ

ФВЧ

ФП

ФР

Частоты ,  выбираются в полосах пропускания и непропускания, но не в полосах перехода. Для  ФНЧ, ФВЧ, ФП, ФР выбор  производится следующим образом

 (1.23)

 (1.24)

 (1.25)

(1.26)

где  ,  - шаг между выбираемыми частотами.

Начальные экстремальные частоты   выбираются из частот .

, , .  (1.27)

Функция  определена в виде

,  (1.28)

,   (1.29)

,   (1.30)

и  для приведены в табл. 8.1.

В блоке 1.2 вычисляется ошибка согласно (1.31)

,   (1.31)

В блоке 1.3 производится интерполяция функции

,      (1.32)

где ,

, .

В блоке 1.4 вычисляется взвешенная ошибка аппроксимации

,   (1.33)

В блоке 1.5 проверяется условие . Если оно выполняется – переход к блоку 1.8, иначе – к блоку 1.6.

В блоке 1.6 определяется количество локальных максимумов, обозначенное через R. В этом случае формулы (1.31)-(1.33) выполняются для частот , т.е. вычисляется количество  в которых .

В блоке 1.7 проверяется условие . Если оно выполняется – переход к блоку 1.8, иначе – к блоку 1.2.

В блоке 1.8 из R максимумов выбирается  M+1 наибольших и производится соответствующее изменение .

В блоке 1.9 на основании (8.1) вычисляются коэффициенты  с помощью обратного ДПФ

,  (1.34)

где , ,

В блоке 1.10 вычисляется импульсная характеристика для нерекурсивных фильтров с нечетным (1.35) и четным (1.36)  порядком M.

 (1.35)

 (1.36)


 

 

  

 

 

 

 

 

 

  

 

 

 

 

 

 

  

 

 

 

 

 

 

  

 

 

 

 


 

А также другие работы, которые могут Вас заинтересовать

38958. Принципы построения обучаемых АТСН 43.5 KB
  Назначение обучаемых ТВК может быть различным всевозможные измерительные приборы системы технического зрения астронавигационные системы тепловизионные обзорнопоисковые системы и т. Однако режиму автономного функционирования должен предшествовать период обучения системы при временном участии оператора. Изображение эталона посредством оптической системы ОС и телевизионного датчика ТВД преобразуется сначала в аналоговый видеосигнал а затем с помощью формирователя бинарного сигнала ФБС в эталонный бинарный сигнал фиксируемый в...
38959. Функции узла предварительной обработки видеосигнала в структуре ТВК. Состав и назначение его основных компонентов 235.5 KB
  Состав и назначение его основных компонентов Основная функция устройства предварительной обработки УПО – преобразование видеосигнала представляющего собой последовательность видеоимпульсов соответствующих освещенностям в анализируемых точках изображения в адекватные значения кодов двоичных чисел. Кроме АЦП в составе УПО должны быть дополнительные аппаратные средства обеспечивающие условия оптимального согласования параметров видеосигнала с параметрами АЦП независимо от содержания кадра рис. Функциональная схема устройства...
38960. Методы моделирования на этапе проектирования ТВК. Достоинства и недостатки математического (компьютерного) и физического моделирования 30 KB
  Методы математического и физического моделирования проектируемой системы помогают решать задачи связанные с уточнением параметров решающих правил при реализации различных алгоритмов обработки сигналов в ТВК. Они способствуют выявлению обоснованных требований к отдельным звеньям системы особенно в тех случаях когда аналитические расчётные методики оказываются малоэффективными или достаточно сложными. Эта модель обычно включает в себя модели основных звеньев системы: изображения объекта оптической системы фотоприёмного узла анализатора...
38961. Задачи, решаемые на этапе предварительной обработки изображений в ТВК. Назовите и поясните некоторые из методов, которые могут использоваться для решения этих задач 53.5 KB
  Сокращение массива [E ij ] за счет исключения отсчетов сигнала от фона; – использование алгоритмов сглаживания для подавления некоррелированных шумов; – применение методов трансформирования двумерных массивов исходных изображений в двумерные массивы коэффициентов на основе ортогональных преобразований для последующей фильтрации выделения признаков наблюдаемых объектов и т. Подробнее рассмотрим алгоритмы предварительной фильтрации используемые при решении задачи обнаружения и селекции точечных объектов при наличии неоднородного фона....
38962. Алгоритмы трансформирования исходных изображений на основе ортогональных преобразований 68 KB
  Алгоритмы трансформирования исходных изображений на основе ортогональных преобразований С какой целью могут использоваться алгоритмы трансформирования исходных изображений на основе ортогональных преобразований Что общего и в чём различия между дискретным преобразованием Фурье и другими видами ортогональных преобразований. Один из видов ортогональных преобразований дискретное преобразование Фурье. В процессе ортогональных преобразований изображения имеющего сильные корреляционные связи между соседними элементами происходит...
38963. Алгоритмы выделения границ (контуров) объектов наблюдения в полутоновых и бинарных изображениях 166 KB
  После этого границы объекта могут быть найдены следующим образом.15 где: ij ∈ωгр – множество координат точек принадлежащих области изображения вблизи границ объекта; D – пороговое значение нормы градиента.15 обычно недостаточно для успешного выделения контуров объекта. Изменяя величину D можно в принципе менять соотношение между вероятностью выделения лишних точек ошибки первого рода и вероятностью пропуска контурных точек объекта ошибки второго рода.
38964. Методы автоматической идентификации объектов без выделения геометрических признаков. Их достоинства и недостатки 46.5 KB
  Идентификация заключается в сравнении изображения одного объекта со всеми эталонами заданного класса. Способ прямого сравнения изображения объекта с эталонным изображением. Пусть [Eij] – исходное изображение объекта; [Fij] – эталонное изображение.4 и следовательно могут возникнуть ошибки связанные с неправильной идентификацией объекта ошибки первого рода.
38965. Классификация телевизионных вычислительных комплексов (ТВК). На каких разделах теории статистических решений базируется разработка ТВК, решающих задачи обнаружения, распознавания или измерения параметров объектов наблюдения. Приведите примеры подобных зад 35.5 KB
  На каких разделах теории статистических решений базируется разработка ТВК решающих задачи обнаружения распознавания или измерения параметров объектов наблюдения. Приведите примеры подобных задач Понятие телевизионные вычислительные комплексы ТВК включает в себя очень широкий спектр телевизионных систем ТС предназначенных для решения самых разнообразных задач так или иначе связанных с наблюдением за объектами. Научной основой для проектирования ТВК является теория статистических решений включающая в себя три основных раздела: теорию...
38966. Виды и методы выделения геометрических признаков объектов, используемых в ТВК при автоматической идентификации объектов. Методы достижения инвариантности признаков к масштабу изображения объектов 172.5 KB
  Методы достижения инвариантности признаков к масштабу изображения объектов Литвинов Виды: Определение площади и периметра Площадь есть число элементов S относящихся к объекту массиву чисел L. агр – множество граничных точек изображения объекта вычисляются предварительно Для достижения инвариантности к масштабу используют нормируемые признаки: U = P2 V = P 1 2 Определение радиусов вписанных и описанных окружностей Состоит из 2х этапов: А Определение координат геометрического центра изображения объекта: Б Вычисление...