
- •Цифровая обработка сигналов
- •Тема 1: фильтрация одномерных сигналов.
- •1.1. Введение.
- •1.2. Цифровые фильтры /л2,л24/.
- •1.2.6. Интегрирующий рекурсивный фильтр.
- •1.3. Импульсная реакция фильтров.
- •1.4. Передаточные функции фильтров /л7/.
- •1.5. Частотные характеристики фильтров /л2,л13,л24/.
- •1.6. Фильтрация случайных сигналов /л4,л15,л24/.
- •1.7. Структурные схемы цифровых фильтров /л8,л21/.
- •Тема 2: частотный анализ цифровых фильтров.
- •Введение.
- •2.1. Сглаживающие фильтры и фильтры аппроксимации /л24/.
- •2.2. Разностные операторы /л24/.
- •2.3. Интегрирование данных /л24/
- •2.4. Расчет фильтра по частотной характеристике.
- •Тема 3: весовые функции.
- •3.1. Явление Гиббса /л24/.
- •3.2. Весовые функции /л16/.
- •Тема 4: нерекурсивные частотные фильтры.
- •4.1. Общие сведения.
- •4.2. Идеальные частотные фильтры.
- •4.3. Конечные приближения идеальных фильтров /л24/.
- •4.4. Дифференцирующие цифровые фильтры.
- •4.5. Гладкие частотные фильтры /л24/.
- •Тема 5: рекурсивные фильтры
- •5.1. Принципы рекурсивной фильтрации.
- •5.2. Режекторные и селекторные фильтры.
- •5.3. Билинейное z-преобразование.
- •5.4. Типы рекурсивных частотных фильтров.
- •Тема 6: рекурсивные частотные фильтры
- •6.1. Низкочастотный фильтр Баттеруорта /л12,л24/.
- •6.2. Высокочастотный фильтр Баттеруорта /л12/.
- •6.3. Полосовой фильтр Баттеруорта /л12/.
- •6.4. Фильтры Чебышева /л12/.
- •6.4. Дополнительные сведения.
- •Тема 7: деконволюция сигналов
- •7.1. Понятие деконволюции.
- •7.2. Инверсия импульсного отклика фильтра.
- •7.3. Оптимальные фильтры деконволюции /л12,л22/.
- •7.4. Рекурсивная деконволюция /л22/.
- •7.5. Фильтры неполной деконволюции.
- •Тема 8: основы теории вероятностей случайных сигналов
- •8.1. Основные понятия теории вероятностей [л28,л29].
- •8.2. Вероятности случайных событий [л30,л28,л29].
- •8.3. Случайные величины [л30,л31,л2,л4,л15].
- •8.4. Системы случайных величины [л31,л2,л4,л15].
- •Тема 9: случайные сигналы
- •9.1. Случайные процессы и функции [л31,л2,л4].
- •9.2. Функции спектральной плотности [л31,л4,л32].
- •9.3. Преобразования случайных функций [л31,л2,л32].
- •9.4. Модели случайных сигналов и помех [л33,л4].
- •Тема 10: оптимальные линейные фильтры.
- •10.1. Модели случайных процессов и шумов /л12/.
- •10.2. Критерии построения оптимальных фильтров.
- •10.3. Фильтр Колмогорова-Винера.
- •10.4. Оптимальные фильтры сжатия сигналов.
- •10.5. Фильтры прогнозирования.
- •10.6. Фильтр обнаружения сигналов.
- •10.7. Энергетический фильтр.
- •Тема 11: адаптивная фильтрация данных
- •11.1. Введение.
- •11.2. Основы статистической группировки информации.
- •11.3. Статистическая регуляризация данных.
- •11.4. Статистическая группировка полезной информации.
- •Литература
5.3. Билинейное z-преобразование.
Проектирование рекурсивных фильтров непосредственно в z-области возможно только для фильтров простого типа с ограниченным количеством полюсов и нулей (особых точек). В общем случае, процесс проектирования рекурсивного частотного фильтра обычно заключается в задании необходимой передаточной характеристики фильтра в частотной области и ее аппроксимации с определенной точностью какой-либо непрерывной передаточной функцией, с последующим z-преобразованием для перехода в z-область. Первые две операции хорошо отработаны в теории аналоговой фильтрации сигналов, что позволяет использовать для проектирования цифровых фильтров большой справочный материал по аналоговым фильтрам. Последняя операция является специфичной для цифровых фильтров.
Для алгебраического преобразования непрерывной передаточной функции в многочлен по z используется билинейное преобразование, известное в теории комплексных переменных под названием дробно-линейного преобразования.
Принцип преобразования. При стандартном z-преобразовании передаточной функции используется замена переменной вида:
z = exp(-pt), (5.3.1)
где t - шаг дискретизации данных, p – комплексная переменная, р = +j.
Уравнение (5.3.1) можно записать в виде ln z = -pt и разложить ln z в ряд:
ln z = -2[(1-z)/(1+z)+(1-z)3/(3(1-z)3)+ ....], z > 0.
Первый член этого разложения и представляет собой билинейное z- преобразование:
p = (2/t)(1-z)/(1+z). (5.3.2)
По сути, оно представляет собой отображение точек комплексной p-плоскости в точки комплексной z-плоскости, и наоборот. В общем виде:
p = (1-z)/(1+z), (5.3.3)
z = (-p)/(+p). (5.3.4)
Значение множителя не меняет формы преобразования, в связи с чем обычно принимают = 1. Подставим p = j в (5.3.4) и выразим z в показательной форме:
z = r exp(j()), r = |z| = 1.
() = 2 arctg(/),
Рис. 5.3.1.
= 0, z = exp(j0) = 1,
= , z = exp( j) = -1
Деформация частотной шкалы. Реальное отображение передаточных функций фильтров является непрерывным (в силу своей физической сущности) и для упрощения дальнейших расчетов обычно задается в аналитической форме в комплексной р-плоскости по частотному аргументу ω от - до +. При билинейном z-преобразовании происходит нелинейное искажение шкалы частот: полный частотный диапазон от - до непрерывных функций в р-плоскости сжимается до главного частотного диапазона от -/t до /t дискретных функций в z-плоскости. При задании уравнений непрерывных передаточных функций в частотной области это должно сопровождаться соответствующей обратной деформацией частотной шкалы, которая будет скомпенсирована при билинейном z-преобразовании. Подставляя в (5.3.2) z = exp(-jt) и умножая числитель и знаменатель правой части полученного уравнения на exp(jt/2), получим:
p = (2/t)[exp(jt/2)-exp(-jt/2)] / [exp(jt/2)+exp(-jt/2)],
p = (2/t) th(jt/2). (5.3.5)
Обозначим шкалу частот в р-области через индекс д (деформированная) и, полагая p = jд , с учетом тождества th(x) = - jtg(jx), получаем:
д = (2/t) tg(t/2) = tg(t/2), -/t<</t. (5.3.6)
Рис. 5.3.2. Деформация
частоты.