- •Министерство образования и науки Российской Федерации
- •2.2. Энергия и мощность сигнала ………………………………………………...11
- •1. ОСНОВНЫЕ ПОНЯТИЯ ЦИФРОВОЙ ОБРАБОТКИ СИГНАЛОВ
- •1.1. Понятие о первичной и вторичной обработке сигналов
- •1.2. Технические средства комплекса обработки сигналов
- •2. ПОНЯТИЕ СИГНАЛОВ. ВИДЫ СИГНАЛОВ
- •2.2. Энергия и мощность сигнала
- •2.3. Представление периодических сигналов в частотной области
- •2.4. Представление в частотной области непериодических сигналов
- •2.4.1. Введение в теорию ортогональных преобразований
- •2.5. Свойства преобразования Фурье
- •2.6. Интегральное преобразование Хартли
- •2.7. Случайные сигналы
- •2.7.1.Модели случайных процессов
- •Числовые характеристики
- •Примеры случайных процессов с различными законами распределения
- •3. КОРРЕЛЯЦИОННЫЙ АНАЛИЗ СИГНАЛОВ
- •3.1. Корреляционная функция (КФ):
- •3.2. Взаимная корреляционная функция
- •3.3. Взаимный спектр сигналов
- •3.4. Корреляционные функции случайных процессов
- •3.4.1. Стационарные и эргодические случайные процессы
- •3.5. Спектральные характеристики случайных процессов
- •3.5.1. Теорема Винера-Хинчина
- •3.6. Комплексная огибающая сигнала
- •4. ПЕРЕХОД ОТ АНАЛОГОВЫХ СИГНАЛОВ К ЦИФРОВЫМ
- •4.1. Дискретизация сигналов
- •Изменение частоты дискретизации. При решение различных задач обработки сигналов достаточно часто требуется изменение частоты дискретизации сигнала.
- •5.1. Линейные и нелинейные преобразования
- •Импульсная характеристика
- •Переходная характеристика
- •Комплексный коэффициент передачи (передаточная функция) системы:
- •Коэффициент передачи по мощности:
- •Взаимный спектр входного и выходного сигналов
- •Взаимная корреляция между входом и выходом
- •Корреляционная функция
- •Дисперсия на выходе:
- •5.3. Циклическая свертка и корреляция
- •5.5. Двумерная апериодическая свертка и корреляция
- •5.6 Нерекурсивные и рекурсивные фильтры
- •5.7. Метод синхронного или когерентного накопления
- •5.8. Адаптивные фильтры.
- •Рис.5.5. Адаптивный фильтр
- •5.8.1. Фильтр Винера-Хопфа.
- •5.10. Фильтр Калмана.
- •F=kBNX
- •6.1. Дискретное преобразование Фурье
- •6.2. Дискретное преобразование Хартли
- •6.3. Двумерные дискретные преобразования Фурье и Хартли
- •6.4. Ортогональные преобразования в диадных базисах
- •6.7. Выполнение фильтрации в частотной области
- •1) Фильтры нижних частот (ФНЧ) low-pass filter
- •2) Фильтры верхних частот (ФВЧ) hight-pass filter
- •3) Полосовые фильтры (ПФ) band-pass filter
- •4) Режекторные фильтры (ПФ) band-stop filter
- •Фильтр Баттерворта:
- •Фильтр Чебышева 1-го рода:
- •7. ВЕЙВЛЕТ ПРЕОБРАЗОВАНИЯ ИЛИ РАЗЛОЖЕНИЕ ПО ВСПЛЕСКАМ
- •7.1. Понятие о Wavelet-преобразованиях. Преобразование Хаара
- •7.2. Вейвлеты
- •7.2.1. Непрерывные вейвлет преобразования
- •7.2.2. Частотный подход к вейвлет преобразованиям
- •7.2.4. Дискретное вейвлет-преобразование
- •7.2.4.1. Условия полного восстановления сигнала
- •7.2.5. Пакеты вейвлетов (алгоритм одиночного дерева)
- •7.2.6. Целочисленное вейвлет-преобразование
- •Вейвлет-преобразование Лэйзи. Вейвлет-преобразование Лэйзи заключается в простом разбиении входного сигнала на четную и нечетную части. На этапах декомпозиции и реконструкции используются одни и те же формулы:
- •7.3. Применение вейвлет-преобразований для сжатия изображения
- •8. БЫСТРЫЕ АЛГОРИТМЫ ОРТОГОНАЛЬНЫХ ПРЕОБРАЗОВАНИЙ
- •8.1. Вычислительная сложность ДПФ и способы её сокращения
- •8.2. Запись алгоритма БПФ в векторно-матричной форме
- •8.3. Представление алгоритма БПФ в виде рекурсивных соотношений
- •8.4. Алгоритмы БПФ с прореживанием по времени и по частоте
- •Рис.8.4. Граф БПФ
- •8.6. Вычислительная сложность алгоритмов БПФ
- •8.7. Выполнение БПФ для случаев
- •8.8. Быстрое преобразование Хартли
- •Рис.8.7. Граф базовой операции БПХ, где
- •8.9. Быстрое преобразование Адамара
- •8.10. Выбор метода вычисления свертки / корреляции
- •9.1. Ранговая фильтрация
- •Рис. 9.1. Гистограмма распределения элементов по уровням
- •Гистограммный алгоритм ранговой фильтрации для окна размером М х М может быть представлен в следующем виде [16,21]:
- •9.2. Взвешенная ранговая фильтрация
- •9.3. Скользящая эквализация гистограмм
- •9.4. Преобразование гистограмм распределения
- •Рис.9.3. Глобальная эквализация гистограмм
- •ЛИТЕРАТУРА
96
где l – номер этапа вычисления кратковременного ДПФ при сдвиге окна на один отсчет.
Во время вычисления кратковременного ДПФ при сдвиге окна необходимо выполнить только N базовых операций. Вычислительная сложность этого алгоритма QКДПФ = N БО2.
6.7. Выполнение фильтрации в частотной области
Идея частотной фильтрации основана на отличии спектров полезного сигнала и помехи [5,16,17]. При этом используются линейные частотные фильтры, позволяющие подавлять помеху и улучшать тем самым соотношение сигнал/помеха. Параметры фильтра определяются спектральными характеристиками сигнала и помехи. На практике наиболее часто встречаются следующие случаи.
1) На вход фильтра поступает узкополосный сигнал и широкополосная помеха. В этом случае эффективен узкополосный фильтр с полосой пропускания ∆ωх;
2) На вход фильтра поступает широкополосный сигнал и узкополосная помеха с шириной спектра ∆ωr . Для подавления подобной помехи фильтр должен обеспечивать подавление помехи в полосе ∆ωr;
3) На вход фильтра поступают периодический сигнал и широкополосная помеха.
Рассмотрим случай, когда полезный сигнал является гармоническим, а помеха типа белого шума. Для выделения полезного сигнала в этом случае должен быть использован узкополосный фильтр, настроенный на частоту сигнала. Отношение мощности сигнала к мощности помехи на выходе фильтра при этом
P*x |
= |
(Px )‰› |
= |
(Px )‰› |
|
, |
(6.26) |
|||||
|
P |
|
P |
∆ω |
|
2π∆f |
P |
|||||
|
|
|
|
|
||||||||
|
r |
‰ћћ |
|
0 |
|
™ |
|
|
™ |
0 |
|
|
где Р0 - средняя мощность помехи, приходящаяся на единицу полосы; ∆ωф -
полоса пропускания фильтра. Как видно из выражения (6.26), отношение |
P*x |
|
|
|
Pr |
можно сделать сколь угодно |
большим за счет уменьшения полосы |
пропускания фильтра ∆fф.
В реальных условиях полезный сигнал поступает лишь в течении определенного времени Тх и, следовательно, его спектр неограничен.
Известно, что практическая ширина спектра такого сигнала связана с его длительностью соотношением
∆fфТх=µ, |
(6.27) |
где µ - постоянная, зависящая от формы сигнала. Обычно принимается µ 1.
2 Второе и следующие окна.
97
Длительность сигнала Тх должна быть выбрана такой, чтобы его спектр был не шире полосы пропускания фильтра ∆fх≤∆fф.
Подставляя в (6.27) вместо ∆fф величину ∆fх, получаем
|
P*x |
= |
(Px )вх |
= |
(Px )вх |
T . |
(6.28) |
||||
P |
∆ω |
|
|
||||||||
|
P |
|
|
ф |
|
2πP |
µ x |
|
|||
|
r |
|
вых |
0 |
|
|
0 |
|
|
|
Формула (6.28) показывает, что увеличение отношения сигнал/помеха достигается за счет увеличения длительности сигнала Тх, т.е. времени наблюдения.
Таким образом, при частотной фильтрации улучшение отношения сигнал/помеха окупается ценой увеличения времени наблюдения сигнала.
Кроме указанных видов фильтров в частотной области может выполняться линейная фильтрация более общего вида, описываемая выражением типа свертки. Схема выполнения фильтрации сигнала в частотной области приведена на рис. 6.6. Обобщенно подобный метод частотной фильтрации иногда называют операционной частотной фильтрацией. Таким методом можно выполнять заданные математические преобразования исходного сигнала, например, дифференцирование или интегрирование [14, 25].
x |
n |
|
F(w) |
|
|
|
fk = fk*Gk |
|
|
yn |
||
|
|
БПФ1 |
|
|
|
x |
|
|
БПФ-1 |
|
|
|
x(t) |
fk |
|
|
|||||||||
|
|
y(t)=y(t)*x(t) |
||||||||||
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
||
gn |
|
Gk |
|
|
|
|
|
|
|
|||
БПФ1 |
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
g(t) |
G(w) |
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
Рис.6.6. Схема операционной частотной фильтрации
Согласованные фильтры предназначены для выделения сигналов известной формы на фоне шумов. Критерием оптимальности таких фильтров является получение на выходе максимально возможного отношения амплитудного значения сигнала к действующему значению помехи [25]. Реакция согласованного фильтра эквивалентна действию корреляционного приемника. Схема выполнения согласованной фильтрации приведена рис. 6.7.
s(t) |
ДПФ |
S(w) |
ДПФ S(t) |
n(t) |
ДПФ |
N(w) 2 |
|
|
|
Рис. 6.7. Схема выполнения согласованной фильтрации
Для выделения известного сигнала S(t) из стационарного шума n(t) оптимальным является фильтр с передаточной функцией [17, 25]:
H (ω) = |
S* (ω) |
(6.29) |
N(ω) 2 |
98
S(*) (ω ) - сопряженный спектр Фурье ( или Фурье образ ) исходного сигнала, N (ω) 2 - спектральная плотность шума, ω=2πν. Этот фильтр носит название
согласованного фильтра.
Если нужно минимизировать среднеквадратичную ошибку восстановленного сигнала, то:
ω |
= |
1 |
|
|
|
ϕ0ϕn−1 |
|
|
|
||||
|
|
|
|
|
|
|
|||||||
H ( |
) |
|
ω |
) |
|
ϕ ϕ |
−1 |
+ |
|
ω |
|
−2 |
|
|
|
|
|
|
|
||||||||
|
|
|
F( |
|
|
|
|
|
|
||||
|
|
|
|
|
|
0 n |
|
|
F( ) |
|
(6.30) |
||
|
|
|
|
|
|
|
|
|
|
|
|
||
где F (ω) - спектр сигнала; |
ϕ0 |
- |
спектр |
мощности восстанавливаемого |
сигнала,ϕn - спектр мощности шума.
При отсутствии шума для минимизации среднеквадратичной погрешности используется инверсный фильтр [28]:
1 |
|
|
|
F* (ω) |
|
||||||||
|
|
H(ω) = |
|
|
= |
|
|
|
|
|
|
|
(6.31) |
F(ω) |
|
|
F(ω) |
|
2 |
|
|
||||||
|
|
||||||||||||
|
|
Виды фильтров |
|
||||||||||
1) Фильтры нижних частот (ФНЧ) low-pass filter |
|
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
Полоса |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
пропускания |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
−ω0 0 ω0
2) Фильтры верхних частот (ФВЧ) hight-pass filter
−ω0 0 ω0
3) Полосовые фильтры (ПФ) band-pass filter
|
∆ω |
|
|
∆ω |
∆ω =ω2 −ω1 |
−ω2 |
−ω0 |
−ω1 |
ω1 |
ω0 |
ω2 |
|
|
|
|
ω0 = (ω1 +ω2 ) 2 |
99
4) Режекторные фильтры (ПФ) band-stop filter
Пропускают все частоты, кроме узкой полосы частот.
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
−ω2 −ω0 −ω1 |
|
|
ω1 |
ω |
|
0 ω2 |
||||||||||||
Фильтр Баттерворта: |
1 |
|
|
|
|
|
|
|
||||||||||||
|
|
|
|
|
K(ω) = |
|
|
|
|
|
, |
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
|
|
ω |
2n |
||||||||||||||||
1 |
+ |
|
|
|||||||||||||||||
ω |
||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
0 |
где ω0 – частота среза (у прототипа ω0 =1рад / с;
n– порядок фильтра.
1
ω0
Фильтр Чебышева 1-го рода:
K(ω) = |
|
|
1 |
|
|
|
, |
|
|
|
|
|
|
||
1 |
+ε2T 2 |
(ω ω |
) |
||||
|
|
|
n |
0 |
|
|
|
где ω0 – частота среза; Tn (x) – полином Чебышева n -го порядка; n – порядок
фильтра; ε – параметр, определяющий величину пульсация АЧХ в полосе пропускания.
6.6.1 Алгоритм Герцеля.
Дискретное преобразование Фурье (ДПФ) используется для преобразования сигнала из временной области в частотную. С другой стороны, ДПФ может использоваться для вычисления нескольких частотных точек, например 20, 25 и 30 точек из 256 возможных. Обычно, если необходимо рассчитать более чем log2N точек из N, то быстрее рассчитать БПФ, а затем исключить ненужные точки. Если необходимо рассчитать несколько точек, то ДПФ быстрее.
N −1 |
где k = 0,1,..., N −1 и WNnk = e− j(2π / N )nk |
X (k) = ∑x(n)WNnk |
|
n=0 |
|
ДПФ вычисляется для одной точки из N, например, с номером 15:
N −1
X (15) = ∑x(n)W
n=0
N |
где k =15 |
и WN |
= e |
− j(2π / N )15n |
0 ≤ k ≤ N −1 |
15k |
|
15n |
|
|
100
Использование алгоритма Герцеля сокращает количество операций и экономит время [11,20]. Для вычисления ДПФ, необходимо вычислить большое количество комплексных коэффициентов. Для ДПФ размером N используется N2 комплексных коэффициентов. При использовании алгоритма Герцеля понадобится всего два коэффициента для каждой частоты: один вещественный и один комплексный.
Алгоритм Герцеля можно алгебраически модифицировать, так что результат будем брать в квадрате (тем самым избавляясь от комплексной составляющей). Такая модификация исключает фазовую составляющую, которая не используется во многих реальных приложения. Так, например, алгоритм Герцеля широко используется для распознавания DTMF сигналов в телефонии. К достоинствам данной модификации можно отнести наличие только одного вещественного коэффициента.
Алгоритм Герцеля позволяет обрабатывать данные в темпе их поступления, при этом нет необходимости ждать, пока заполнится буфер из N элементов. Схема такого преобразования представлена на рис. 6.8.
Рис. 6.8 Структурная схема фильтра, реализующего алгоритма Герцеля
Фильтр, реализующий подобный алгоритм может быть представлен, как БИХ фильтр второго порядка.
Алгоритм Герцеля может быть использован для подсчета ДПФ. Однако, его реализация имеет много общего с фильтрами. ДПФ или БПФ получают результат размерности N из исходных данных размерности N. Но фильтры БИХ и КИХ получают новое значение на выходе, как только получают новые данные на входе. Алгоритм вычисляет новое значение yk(n) (см. рис.), для каждого нового x(n). Результат вычисления ДПФ X(k) будет равен yk(n), если n = N. Так как каждое новое значение yk(n) (где n ≠ N ) не ведет к получению конечного результата X(k), нет необходимости вычислять yk(n) до тех пор пока n = N. Это подразумевает, что алгоритм Герцеля функционально эквивалентен БИХ
101
фильтру второго порядка за исключением того, что выходной результат фильтра появляется только после N отсчетов данных.
В фильтре Герцеля Вычисления можно выделить две части - правую
(рис.6.9) и левую (рис. 6.10).
Рис. 6.9. Левая часть фильтра, реализующего алгоритм Герцеля.
В этой схеме при выполнении вычислений вида
Qk (n) = coefk ×Qk (n −1) −Qk (n − 2) + x(n)
два промежуточных значения Qk (−1) = 0 ; Qk (−2) = 0 ; n = 0,1,2,..., N −1 хранятся в памяти , а coefk = 2cos(2πk / N) ;.
Для каждого нового отсчета x(n) Q(n −1) и Q(n − 2) считываются из памяти данных и используются для вычисления нового значения Q(n) .
Рис. 6.10. Правая часть схемы фильтра, реализующего алгоритм Герцеля.