Filtre Digitale Scopuri:

Separarea semnalelor; Refacerea semnalelor distorsionate; In DSP semnalele de intrare si de iesire sunt reprezentate in domeniul timp (discret)!

Filtrele liniare (provenite din SLIT) au raspuns:

In domeniul timp: la impuls si la treapta; In domeniul frecventa: la sin

Parametrii filtrului in domeniul timp

Segmentarea domeniului timp de catre observatory +> semnale treapta;

Raspunsul la impuls=> functia pondere - h(n)

Parametrii filtrului in domeniul frecventa

Scopul: frecvente care trec nealterate, altele care se opresc: FTJ, FTS, FTB, FOB

Alti parametri in domeniul frecventa:

Banda de tranzitie (roll-off); Riplul in bandaa de trecere (eventual oprire); Atenuarea in banda de oprire Ce este cu faza? de obicei are mai putina importanta la prelucrarile in frecventa si se pot face filter cu defazaj 0!

FTS, FTB si FOB Se incepe de la FTJ ! FTJ->FTS

2 metode: Inversare de spectru;

Intoarcere de spectru.

FTJ->FTS Inversare de spectru (2 pasi de modificare):

Inversare fiecare element din h(n)

Adaugare un 1 in centrul de simetrie

FTJ->FTS Inversare de spectru (de ce 2 pasi de modificare?)

FTJ->FTS Intoarcere de spectru (un pas de modificare):

Se schiba sensul la fiecare al doilea esantion din h(n)

FTJ+FTS=>FTB

FTJ+FTS=> FOB

Clasificarea filtrelor

Convolutie (FIR) Domeniul timp (netezire, eliminare DC) Domeniul frecventa (separare frecvente) Custom (deconvolutie) FIR-custom design (filtre adaptive si optimal) Sinc-ferestruit Mediere alunecatoare

Recursive (IIR) Filtre cu un singur pol

Chebyshev Design iterativ

Filtre cu mediere alunecatoare

Folosite in domeniul timp pentru netezirea zgomotelor, dar pastrarea fronturilor; Merg rau in domeniul frecventa

Implementare prin Convolutie

Exemplu:

sau simetric fata de punctual current:

Filtre cu mediere alunecatoare. Reducerea de zgomot vs. raspunsul la treapta

Filtre cu mediere alunecatoare. Raspunsul in frecventa.

Filtre cu mediere alunecatoare. Implementare Recursiva.

Exemplu:

General: (nu conteaza M!)

Filtre Sinc-ferestruit
Utilizate pentru separarea benzilor de frecventa Foarte stabile! Performante bune in domeniul frecventa Nu sunt bune in domeniul timp (riplu mare la treapta)

Ferestruirea

Parametrii filtrelor Sinc-ferestruit

Relatia de calcul pentru Sinc-ferestruit

Exemple de raspuns la treapta

Performantele unui filtru Sinc-ferestruit Avand un kernel de 32001 puncte!

Exemplu: c.c. la 1000Hz variatie mai mica de 0.02% la peste 1001Hz atenuare 99.98%

Limitarile filtrelor Sinc-ferestruit timpul de executie!

Sunt alte filter mai bune din acest punc de vedere-DA

Care este costul- matematica care permite un kernel mai scurt si de aici executia mai rapida prin convolutie directa

Filtre adaptive

Caracteristica arbitrara de filtrare dupa necesitati Deconvolutie Filtrare optimal (separarea semnaleor cu spectru suprapus) Cel mai bun exemplu pentru DSP

Filtre cu caracteristica arbitrara de raspuns

Fara forma anlitica a caracteristicii (ca Sinc) Caracteristica este reprezentata de o matrice

M=40

Deconvolutia

Ne pazeste de convolutiile nedorite (miscarea camerie, ecoul la telefonia de lunga distanta)

Necesita cunoasterea caracteristicii de convolutie nedorita Greu de inteles in timp dar usor in frecventa (refacere amplitudine si faza

Exemplu: detectorul de raze gama (convolutie nedorita si inevitabila)

Ce face deconvolutia: ingusteaza pulsurile pentru a fi separate daca vin unele dupa altele

Cheia problemei Convolutia in timp este inmultire in frecventa!

Alt exemplu de deconvolutie (oarba)

Filtrare optimala
De definit ce inseamna optimal Daca semnalele se suprapun in frecventa, operatiaa trebuie facuta in timp! Exemplu:

3 solutii:

Mediere alunecatoare deja discutata Filtru optimal- Corelatia

Filtrarea Wiener (teoria estimarii optimal a lui Norbert Wiener)

Filtru optimal- corlatia

filtru potrivit - ideea este corelatia, Corelatia se face prin convolutie - amplitudinea pt. fiecare punct din semnalul de iesire este o msur de ct de bine se potrivete cu kernel-ul filtrului cu seciunea corespunztoare din semnalul de intrare. Amintiti-va ca ieire a unui filtru potrivit nu neaprat arata ca semnalul ce trebuie detectat. Acest lucru nu prea conteaza, forma semnalului int trebuie s fie deja cunoscuta.

Filtrarea este optim - n sensul ca vrful semnalului

orice alta filtrare liniara.

este mai departe de zgomot dect la

Filtrarea Wiener

Filtrul Wiener (numit asa dupa teoria estimarii optime a lui Norbert Wiener) - separ semnalele pe baza benzilor lor de frecvene. Aa cum se arat n Fig., la unele frecvene exist mai mult semnal n timp ce la altele exist cea mai mare parte de zgomot. Pare logic ca frecvenele cu "cea mai mare parte semnal" sa treaca prin filtru, n timp ce frecvenele "cea mai mare parte de zgomot" ar trebui s fie blocate. Filtrul Wiener preia aceast cu idee un pas mai departe, ctigul filtrului la fiecare frecven este determinat de cantitatea

relativ a semnalului i a zgomotului la acea frecvena:

Filtrarea Wiener, max SNR:

Merita? Rezultatele celor trei metode sunt foarte apropiate Complexitatea ultimelor doua - folosesc convolutia si necesita cunoasterea semnalului

Convolutie
Cum se face? Convolutia arata trecerea semnalului x(n) printr-un circuit cu ponderea h(n) catre iesire.

y ( n) =

k =

x(i)h(n i)

n = sup 0,3 = {0;1;2;3}

x x(0), x(1), x(2), x(3)

h h(0), h(1), h(2) ;

k = sup 0,2 = {0;1;2}

y ( n) = x ( n) ( h( n)
FTJ

FTS

Atenuator cu inversare

Derivata discrete

Cum se face?

y (0) = x(0)h(0 0) y (1) = x(0)h(1 0) + x(1)h(1 1) y (2) = x(0)h(2 0) + x(1)h(2 1) + x(2)h(2 2) . . y (5) = x(3)h(5 3) + x(4)h(5 4) h in d e < 2 x x in d e < 4 x

[y(n)]=[h(n)][x(n)]
Toeplitz- dreptunghiular:

 y 0 h(0)..0....0.......0 y h(1) ..0....0.......0 x0 1 y 2 h(2)h(1)(h(0)...0 x1 = y 3 0 h(2)..h(1)h(0) x 2 y 0 0......h(2)h(1) x 3 4 y 5 0 0.......0...h(2)

Toeplitz patratic:

h0 h1 h2 h h h k 1 0 2 h2 h1 h0
depinde de k, nu depinde de semnal

Cum se aplica convolutia la filtrare

Ecuatii cu diferente finite (SLIT):

K =0

N 1

y (n k ) =

M 1 K =0

x(n k )

Forma canonica de filtru

0 0 aK = K 0 bK = K 0
M 1

y(n)=

K =0

x(n k ) a K y (n k )
K =1

N 1

x- intrari y- iesiri

nu are reactie FIR (inpuls finit la raspuns) IIR (impuls infinit la raspuns)