
- •Лекция 1. Введение в цифровую обработку сигналов Введение
- •1.1. Предисловие к цифровой обработке сигналов [1i].
- •1.2. Ключевые операции цифровой обработки.
- •1.3. Области применения цифровой обработки.
- •Литература
- •Лекция 2. Цифровые фильтры обработки одномерных сигналов. Введение
- •2.1. Цифровые фильтры.
- •2.1.6. Интегрирующий рекурсивный фильтр.
- •2.2. Импульсная реакция фильтров.
- •2.3. Передаточные функции фильтров.
- •2.4. Частотные характеристики фильтров.
- •2.5. Структурные схемы цифровых фильтров.
- •Литература
- •Лекция 3. Фильтры сглаживания. Метод наименьших квадратов. Введение
- •3.1. Фильтры мнк 1-го порядка.
- •3.3. Фильтры мнк 4-го порядка.
- •3.4. Расчет простого фильтра по частотной характеристике.
- •Литература
- •Лекция 4. Разностные фильтры и фильтры интегрирования. Введение
- •4.1. Разностные операторы.
- •4.2. Интегрирование данных.
- •Литература
- •Лекция 5. Фильтрация случайных сигналов Введение
- •5.1. Фильтрация случайных сигналов.
- •5.2. Спектры мощности случайных сигналов.
- •Литература
- •Лекция 6. Весовые функции. Введение
- •3.1. Явление Гиббса.
- •3.2. Весовые функции.
- •Литература
- •Лекция 7. Нерекурсивные частотные цифровые фильтры Введение
- •7.1. Общие сведения.
- •7.2. Идеальные частотные фильтры.
- •7.3. Конечные приближения идеальных фильтров.
- •7.4. Гладкие частотные фильтры.
- •7.5. Дифференцирующие цифровые фильтры.
- •7.6. Альтернативные методы расчета нцф.
- •Литература
- •Лекция 8. Z-преобразование сигналов и системных функций Введение
- •8.2. Пространство z-полиномов.
- •8.3. Свойства z-преобразования.
- •8.4. Обратное z-преобразование.
- •8.5. Применение z – преобразования.
- •Литература
- •Лекция 9. Рекурсивные цифровые фильтры Введение
- •9.1. Принципы рекурсивной фильтрации.
- •9.2. Разработка Рекурсивных цифровых фильтров [43].
- •9.3. Режекторные и селекторные фильтры.
- •9.4. Билинейное z-преобразование.
- •9.5. Типы рекурсивных частотных фильтров.
- •Литература
- •Лекция 10. Рекурсивные частотные цифровые фильтры Введение
- •10.1. Низкочастотный фильтр Баттеруорта.
- •10.2. Высокочастотный фильтр Баттеруорта.
- •10.3. Полосовой фильтр Баттеруорта.
- •10.4. Фильтры Чебышева.
- •10.5. Дополнительные сведения.
- •Литература
- •Тема 11. Адаптивная цифровая фильтрация данных Введение
- •11.1. Общие сведения об адаптивной цифровой фильтрации.
- •11.2. Основы статистической группировки информации.
- •11.3. Статистическая регуляризация данных.
- •11.3. Статистическая группировка полезной информации.
- •Литература
- •Лекция 12. Оптимальные линейные цифровые фильтры. Введение
- •12.1. Случайные процессы и шумы.
- •12.2. Критерии построения оптимальных фильтров.
- •12.3. Фильтр Колмогорова-Винера.
- •12.4. Оптимальные фильтры сжатия сигналов.
- •12.5. Фильтр обнаружения сигналов.
- •12.6. Энергетический фильтр.
- •Литература
- •Лекция 13. Деконволюция цифровых сигналов введение
- •13.1. Понятие деконволюции.
- •13.2. Инверсия импульсного отклика фильтра.
- •13.3. Оптимальные фильтры деконволюции.
- •13.4. Рекурсивная деконволюция.
- •13.5. Фильтры сжатия сигналов
- •Литература
7.4. Гладкие частотные фильтры.
В некоторых случаях (при последовательном соединении фильтров, при выделении сигналов на уровне сильных помех и т.п.) осцилляции на передаточных характеристиках фильтров являются весьма нежелательными даже при их малой остаточной величине. Так, например, двойное последовательное применение фильтров приводит к тому, что ошибки в полосе пропускания приблизительно удваиваются, а полосе подавления возводятся в квадрат, при этом длина окна эквивалентного фильтра практически удваивается.
Принцип синтеза фильтров. Очевидно, что фильтры с гладкой передаточной характеристикой можно получить только в том случае, если возможно разложение передаточной функции в конечный ряд Фурье.
Допустим, мы имеем симметричный НЦФ с передаточной функцией:
H()
= hо+2
hn
cos n.
(7.4.1)
Как известно, cos n равен полиному по cos степени n, при этом выражение (7.4.1) можно записать в виде:
H()
=
gn
(cos )n
=
gn
xn,
(7.4.2)
где переменная х=cos изменяется от 1 до -1 (поскольку изменяется от 0 до ). Преобразование переменной представляет собой нелинейное растяжение оси абсцисс с поворотом на 180o (по переменной х передаточные функции ФНЧ похожи на ФВЧ, и наоборот) с выражением функции через степенной полином. Последнее примечательно тем, что синтез гладких функций на базе степенных полиномов затруднений не представляет.
Так, например, для конструирования ФНЧ в качестве исходной может быть принята степенная функция вида:
g(x)= (1+x)z (1-x)r, (7.4.3)
где z и r - параметры.
Рис. 7.4.1. Примеры
синтеза гладких фильтров.
Если выражение функции (7.4.3) проинтегрировать в пределах от -1 до х и нормировать на значение интеграла от -1 до 1 , то будет получена гладкая передаточная характеристика низкочастотного фильтра. На рисунке 7.4.1 приведены передаточные функции для двух пар параметров z и r, вычисленные по формуле:
H(x)=
g(x)dx
/
g(x)dx.
(7.4.4)
Рис. 7.4.2. Схема
возврата к ряду Фурье.
В заключение, для определения коэффициентов фильтра hn требуется осуществить обратное преобразование от степенной формы (7.4.2) к ряду Фурье (7.4.1). Выполнение данной операции достаточно просто производится рекурсивным способом, показанным на рис. 7.4.2. Подробное обоснование рекурсии приведено в /24/.
Пример расчета гладкого фильтра.
Произвести расчет ФНЧ с гладкой частотной характеристикой с перегибом характеристики в точке /3. За исходную функцию принять функцию (7.4.3).
1. x= cos(/3)= 0.5= (z-r)/(z+r). Принято: z=3, r=1.
Исходный многочлен: g(x) = (1-x)(1+x)3 = 1+2x-2x3-x4.
2. H(x)= g(x)dx = C+x+x2-0.5 x4-0.2 x5. При х= -1, H(-1)= 0, откуда С=0.3. При х=1, H(1)=1.6.
Отсюда: H(x)= (3+10x+10x2-5x4-2x5)/16. gn = {3/16, 10/16, 10/16, 0, -5/16, -2/16}.
3. Применяя рекурсивное преобразование, получаем: hn= {(98, 70, 20, -5, -5, -1)/256}.
Для расчетов гладких фильтров высоких частот в выражении (7.4.4) достаточно поменять местами пределы интегрирования. Гладкие полосовые фильтры получаются комбинацией ФНЧ и ФВЧ с перекрытием частот пропускания.