
Шпоры и задачи 2012 (Саломатин) [7171 вопросов] / scr / pdf / 31-36
.pdf
31. Характеры ДПФ
Дискретное преобразование Фурье устанавливает связь между временным и частотным представлениями сигнала при разложении его по гармоническим дискретно экспоненциальным функциям. Дискретные прямое и обратное преобразования Фурье по базисам из идеальных отсчетных функций:
имеют следующий вид: (Х(к)- прямое ДПФ; х[n]-обратное ДПФ )
где {x[n]}- последовательность отсчетов сигнала
{X(k)} – последовательность спектральных коэффициентов:
- интервалы дискретизации сигнала x(t) и его спектра Фурье X(f);
Здесь характеры есть базисные функции преобразования, равные степеням КОРНЕЙ из 1

32. Базисы характеров дискретных преобразований
Базисные функции:
n(t) sin c [ (t nT ) /T ]
k ( f ) sin c [ ( f k f ) / f ]
ДПФ:
N 1
X (k) x[n]exp( j2 kn/ N ) n 0
ОДПФ:
|
1 |
N 1 |
|
x[n] |
|
X (k) exp( j2 nk / N ) |
, |
|
|||
|
N k 0 |
|
{x[n]}- последовательность отсчетов сигнала:
|
|
|
|
|
1 |
|
|
x[n] |
x(t) sin c[ (t nT ) / T ]dt |
||
|
|||
|
T |
||
|
|
|
{X(k)} – последовательность спектральных коэффициентов:
|
|
|
|
|
1 |
|
|
X (k) |
|
X ( f ) sin c [ ( f k f ) / f ]df |
; |
|
|||
|
f |
|
T и f - интервалы дискретизации сигнала x(t) и его спектра Фурье X(f);
N 1 T f .

33. Спектральный анализ сигналов с помощью текущего, взвешенного ДПФ.
Спектральный анализ – это один из методов обработки сигналов, который позволяет охарактеризовать частотный состав измеряемого сигнала.
Спектральная плотность мощности стационарных процессов, статистические характеристики которых не меняются (плотность распределения вероятности и в первом приближении математическое ожидание, дисперсия), удобно вычислять коррелограммным алгоритмом. В случае нестационарных процессов СПМ будет изменяться во времени. Для отображения изменения спектра во времени вводится временная ось, и СПМ уже является функцией частоты и времени. Такой подход вычисления СПМ используется в частотно-временных преобразованиях. Под частотно-временным преобразованием понимается некоторая совместная функция времени и частоты, характеризующая распределение спектра в частотновременной плоскости. Простым примером является текущее преобразование Фурье:
где x[n]– дискретные отсчеты сигнала; n, k – индексы дискретных отсчетов по времени и частоте соответственно; L – длина дискретного преобразования Фурье. Результат F[k,n] вычисляется в координатах частота – время.
Весовая функция окна (оконная функция или просто «окно») используется для управления эффектами, обусловленными наличием боковых лепестков в спектральных оценках. Наличие боковых остатков (боковых лепестков) приводит к амплитудным ошибкам в спектре и к маскированию присутствующих слабых сигналов. Основное назначение функции окна – уменьшить величину смещения и уровень боковых остатков (боковых лепестков) в СПМ.
Дискретное преобразование Фурье от взвешенной окном последовательности есть свертка спектров сигнала x[n] и окна w[n]:
где X ( f ) – преобразование от сигнала x[n];
- ядро Дирихле или дискретная функция «sinc», которая является преобразованием от прямоугольной функции (в данном случае w[n] – прямоугольное окно).
Из выражения видно, что спектр
является искаженным относительно X ( f ) функцией окна.
Известен ряд весовых функций, которые в большей или в меньшей степени снижают боковые остатки. Снижение уровня боковых остатков достигается ценой расширения главного лепестка спектра окна, что приводит к ухудшению разрешения. Следовательно, должен выбираться какой-то компромис между шириной главного лепестка и уровнем подавления боковых лепестков.
Текущее преобразование Фурье можно дополнить, умножив сигнал на весовое окно w[l] (получим взвешенное ДПФ):

34. КИХ-фильтр: оптимальный частотный фильтр.
Особенность – линейная ФЧХ, устойчивость Проектирование:
1.теоретический синтез - методы оптимизации (критерии: min взвешенной СКО, минимаксный критерий)
2.на практике методы:
идеальная ИХ+выбор оконной функции, ЧХ с равными боковыми лепестками.
КИХ фильтр = конечная ИХ фильтра.
H (z) B(z) b0 b1z 1 ... bN z N z N
Фильтры «скользящего типа».Полюс при z=0 (стабильная структура). N нулей (нули B(z)), дает фильтры «все нули»
Разностное уравнение:
y[k] b0.u[k] b1.u[k 1] ... bN .u[k N]
Импульсная характеристика:
h[0] b0 , h[1] b1,..., h[N] bN , h[N 1] 0,...
Схема КИХ:

КИХ-фильтры с ЛФЧХ.Тип-1
N=2L=четное; Симметричная импульсная характеристика; h[k]=h[N-k];
L
H (e j ) e j N / 2 . dk .cos( .k)
k 0
Типы фильтров: НЧ/ВЧ/ПФ
КИХ-фильтры с ЛФЧХ. Тип-2
N=2L+1=нечетное;Симметричная импульсная характеристика;h[k]=h[N-k] ;
H (e j ) e j N / 2 cos( ). L d .cos( .k) 2 k
k 0
нуль в Типы фильтров: НЧ/ПФ
КИХ-фильтры с ЛФЧХ. Тип-3
N = 2L = четное;антисимметричная импульсная характеристика h[k] = – h[N – k]
L 1
H (e j ) je j N / 2 sin( ). dk .cos( .k)
k 0
нуль в 0,
Типы фильтров: ПФ
КИХ-фильтры с ЛФЧХ.Тип-4
N = 2L+1 = нечетное; антисимметричная импульсная характеристика h[k] = – h[N – k]
H (e j ) j.e j N / 2 sin( ). L d .cos( .k) 2 k
k 0
нуль в |
0 |
|
Типы фильтров: ВЧ
Фильтры 1 типа – универсальны. Фильтры 3 и 4 типов – часто используются при проектировании дифференциаторов и фильтров, реализующих преобразование Гильберта, поскольку они могут давать сдвиг фазы на 90º Разработка КИХ-фильтров:
1.Спецификация фильтра
2.Вычисление коэффициентов
3.Выбор структуры
4.Анализ следствий конечной разрядности
5.Воплощение

35. Проектирование КИХ-фильтра по методу частотной дискретизации
Выберем базисную форму для получения ЛФЧХ. Например, для Тип-1:
L
H (e j ) e j N / 2 . dk .cos( .k) e j N / 2 .A( )
k 0
Спецификация желаемой ЧХ (НЧ, ВЧ, ПФ,…) :
Hd ( ) e j N / 2 .Ad ( )
Критерий оптимизации:
min d0 ,...,d L W ( ) H (e j ) Hd ( ) 2 d
min d0 ,...,d L W ( ) A( ) Ad ( ) 2 d
F (d0 ,...,d L )
Где W ( ) 0 - весовая функция
Синтез через оптимизацию:
F (d0 ,...,d L )
minx{xT .Q.x 2xT . p }
xT d |
0 |
d |
... d |
L |
|
|
1 |
|
|
Q W ( ).c( ).cT ( )d
0
p W ( ).Ad ( ).c( )d
0
cT ( ) 1 cos( ) ... cos(L )...
Решение оптимизации квадратичной формы: xOPT Q 1.p
Функция оптимизации: |
|
|
|
|
P |
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||
F (d0 ,..., dL ) |
|
A( ) 1 |
|
2 d . |
|
A2 ( )d ... |
|||||||||||||||||||||||||||||
|
|
||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0 |
|
|
|
|
|
|
|
|
S |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
passband |
stopband |
||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
Окно: |
W ( ) 1, |
|
|
|
|
P |
|
W ( ) , |
S |
|
|
|
|
|
|
|
|||||||||||||||||||
|
|
|
|
|
|||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
Критерий минимакса Minimax: |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||
|
min |
d0 ,...,dL |
max |
|
0 |
W ( ). |
|
H (e j ) H |
d |
( ) |
|
|
|
|
|||||||||||||||||||||
|
|
|
|
|
|||||||||||||||||||||||||||||||
|
min d0 ,...,dL |
max 0 W ( ). |
|
A( ) Ad ( ) |
|
|
|
||||||||||||||||||||||||||||
|
|
||||||||||||||||||||||||||||||||||
|
|
||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||
Где |
W ( ) 0 |
|
весовая функция |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Исходные данные задаются по желаемой АЧХ и ФЧХ

36. Быстрое преобразование Фурье с прореживанием во времени
Исходная последовательность x n
n 0,.., N 1 |
N 2m |
|
ri 2 |
разбивается на две последовательности длиной N/2, соответствующие четным и нечетным отсчетам
x1 n x 0 , x 2 ,.., x 2n x2 n x 1 , x 3 ,.., x 2n 1
n 0,1,..., N2 1
Вычисление N-точечного ДПФ в этом случае сводится к двум N/2- точечным ДПФ N/2 умножениям на поворачивающие фазовые множители и N сложениям:
ДПФ -> 2 ДПФ (N/2):
|
N |
|
1 |
|
|
N |
|
1 |
|
|
|
2 |
|
|
WNk |
2 |
|
|
|
||
|
|
|
|
|
|
|
|
|||
X (k) |
x1[n ]W n k |
x2[n ]W n k |
|
|||||||
|
|
0 |
N 2 |
|
|
0 |
N 2 |
|
||
|
|
|
|
|
||||||
|
n |
|
|
n |
|
|
X1(k) WNk X 2 (k)
Структура «бабочка»: Для k = 0,…, N –1 получаем
X k X |
k W k X |
|
k , |
k 0,..., |
N |
1, |
||
2 |
|
|||||||
1 |
N |
|
2 |
|
||||
|
|
|
|
|
||||
X k X |
k W k X |
|
k , |
k |
N |
,..., N 1 |
||
2 |
|
|||||||
1 |
N |
|
2 |
|
|
|
||
|
|
|
|
|
|
|

На втором шаге данная процедура применяется для замены двух N/2-точечных ДПФ на четыре N/4- точечные ДПФ. Далее, каждое ДПФ N/4 расщепляется на два ДПФ N/8 . Эта процедура продолжается до тех пор, пока не останутся только двухточечные ДПФ.
Вычислительная сложность N-точечных ДПФ, N=2m Требуется m = log N шагов, на каждом из которых:
– точечных ДПФ сводятся к – точечным ДПФ;
каждая итерация выполняет N сложений и N/2 умножений на поворачивающие множители
Вычислительная сложность: Сложность N-точечного ДПФ методом прореживания по времени составляет (N/2)log2N операций комплексного умножения и N log2 N операций комплексного сложения.