Sunteți pe pagina 1din 293

DORINA ISAR ALEXANDRU ISAR

FILTRE

EDITURA POLITEHNICA
TIMIŞOARA – 2003
DORINA ISAR ALEXANDRU ISAR

FILTRE

EDITURA POLITEHNICA
TIMIŞOARA – 2003
CUPRINS

PREFAŢA 9
CAPITOLUL 1. Introducere 11
1.1. Tipuri de filtre ideale 11
1.1.1.Filtrul trece jos ideal 11
1.1.2. Filtrul trece sus ideal 12
1.1.3. Filtrul trece bandă ideal 12
1.1.4. Filtrul opreşte bandă ideal 13
1.2. Aproximarea caracteristicilor filtrelor ideale 14
1.2.1. Aproximarea de tip maxim plat 15
1.2.2 Aproximarea de tip minimax a caracteristicii de modul a
funcţiei de transfer a filtrului trece jos ideal 19
1.2.2.1. Polinoame Cebîşev 20
1.2.2.2 Determinarea aproximării Cebîşev în banda de
trecere a filtrului trece jos ideal 23
1.2.3. Aproximarea caracteristicii de fază a filtrului trece jos ideal 29
1.3. Îmbunătăţirea RSZ prin filtrare liniară 32
1.3.1. O nouă modalitate de estimare a benzii echivalente de zgomot
a unor filtre trece jos realizabile 34
1.3.2. Utilizarea filtrelor transversale pentru prelucrarea
semnalelor periodice 44

CAPITOLUL 2. METODE DE SINTEZĂ A FILTRELOR 51


2.1. Filtre pasive 51
2.1.1. Sinteza diporţilor pur reactivi conectaţi între terminaţii neideale 51
2.1.2. Parametrii matriciali ai diporţilor pasivi 52
2.1.3. Parametrii de lucru ai diporţilor 53
2.1.4. Parametrii de repartiţie ai diporţilor 54
2.1.5. Sinteza propriuzisă 58
2.1.6. Proiectarea filtrelor pasive de tip Butterworth, Cebâşev sau Bessel 60
2.2. Filtre active 66
2.2.1. Structuri de filtre active de ordinul II cu un amplificator
operaţional 66
2.2.1.1. Filtre active cu reacţie simplă 66
2.2.1.2. Filtre active cu reacţie multiplă 72
2.2.2. Elemente de analiza şi sinteza filtrelor active 75
2.2.2.1. Filtre active de ordinul I 76
6 Cuprins

2.2.2.2. Filtre active de ordinul II 78


2.2.2.3. Sinteza filtrelor active pe baza unui prototip pasiv 81
2.2.2.3.1. Metode de simulare a inductivităţilor 81
2.2.2.3.2. Implementarea filtrelor active folosind
inductivităţi simulate 87
2.2.2.3.3. Metoda de sinteză “LEAPFROG” 89
CAPITOLUL 3. Metode de echivalare a filtrelor numerice cu filtre analogice 96
3.1. Principalele cerinţe ale metodelor de echivalare 96
3.2. Metoda invarianţei răspunsului la impuls 97
3.3. Metoda de echivalare bazată pe aproximarea ecuaţiei diferenţiale
care descrie filtrul analogic cu o ecuaţie cu diferenţe finite care
descrie filtrul numeric echivalent 106
3.4. Echivalarea filtrelor analogice cu filtre numerice pe baza transformării
biliniare 111
3.5. Benzi echivalente de zgomot ale unor filtre numerice 117
3.5.1. Filtru RFI de ordinul N 119
3.5.2. Filtru RII 123
3.6. Filtre numerice echivalente filtrelor analogice transversale 125
3.7. Mediatoare numerice ca filtre adaptate în timp discret 138
3.7.1. Utilizarea mediatoarelor numerice la prelucrarea semnalelor
periodice în timp continuu 142

CAPITOLUL 4. Filtre liniare cu parametri variabili în timp 148


4.1. Filtre cu capacităţi comutate 148
4.1.1. Integratorul ideal cu capacităţi comutate 148
4.1.2. Metodă de sinteză a filtrelor cu capacităţi comutate 153
4.2. Filtre cu urmărire 159
4.2.1. Filtre cu urmărire cu capacităţi comutate 162

CAPITOLUL 5. Filtre numerice cu parametri variabili în timp 165


5.1. Filtre adaptive 165
5.2. Aplicaţii 175

CAPITOLUL 6. Filtre neliniare 180


6.1. Filtre numerice cu ordonare statistică 180
6.2. Construcţia unui filtru numeric median 182
6.3. Filtre morfologice 184
6.3.1. Filtre alternate secvenţial 188
6.4. Filtre neliniare folosite în domeniul unei transformări ortogonale 190
6.4.1. Transformarea wavelet discretă 191
6.4.2. Bazele matematice ale TWD 191
6.4.2.1. Filtre folosite pentru calculul TWD şi TWDI 199
Cuprins 7

6.4.2.2. Un algoritm de calcul al TWD 208


6.4.3. Utilizarea T.W.D. la compresia de date 211
6.4.4. Filtrarea adaptivă neliniarã în domeniul T.W.D. 212
6.4.4.1. Filtrul de tip wavelet shrinkage 213
6.4.4.2. Filtrul de tip hard-thresholding 219
6.4.4.3. Filtrul de tip soft-thresholding 226

CAPITOLUL 7. Îmbunătăţirea raportului semnal pe zgomot prin filtrare


adaptivă neliniară în domeniul TWD 234
7.1. Programe de simulare conţinând metoda adaptivă pentru îmbunătăţirea
raportului semnal pe zgomot 234
7.2. Posibilităţi de îmbunătăţire a metodei de “de-noising” adaptiv 254
7.2.1. O nouă transformare wavelet discretă 258
7.2.2. Îmbunătăţirea RSZ prin filtrare neliniară adaptivă în domeniul
T.W.D. în cazul semnalelor perturbate de zgomot multiplicativ 260

CAPITOLUL 8. Filtre şi eşantionare uniformă 263


8.1. Filtre “antialiasing” 263
8.2. O legătură între teoria eşantionării şi teoria funcţiilor wavelet 271

BIBLIOGRAFIE 275

ANEXA 281
PREFAŢĂ

Printre dispozitivele de bază folosite în electronică, filtrele ocupă un loc


privilegiat, datorită frecventei lor utilizări. Nu există nici un echipament electronic a
cărui structură să nu conţină cel puţin un filtru. Teoria filtrelor analogice a fost
elaborată la începutul secolului XX. Dezvoltarea acestei teorii a fost stimulată de nece-
sităţi practice. Una dintre acestea, poate cea mai importantă, a fost problema transmi-
terii informaţiei pe canale afectate de zgomot. Există două tipuri de soluţie pentru
această problemă: creşterea imunităţii la perturbaţii a semnalului emis prin codarea ca-
nalului şi îmbunătăţirea raportului semnal pe zgomot, (RSZ), prin filtrarea semnalului
recepţionat. Printre matematicienii care au adus cele mai de seamă contribuţii la
rezolvarea acestei probleme prin filtrare se numără şi profesorul Norbert Wiener, care a
activat la MIT. Ideile sale au fost puse în practică de doctorandul său, inginerul
electronist Y. W. Lee, care le-a explicat pe înţelesul studenţilor şi tinerilor cercetători.
Obiectivul lucrării de faţă este o trecere în revistă a unor rezultate remarcabile
obţinute în teoria şi practica filtrelor analogice sau numerice, liniare sau neliniare, cu
parametrii constanţi sau variabili în timp. Nu este vorba despre o tratare exhaustivă. Se
prezintă doar acele rezultate care pot fi utilizate, direct sau indirect, pentru creşterea
RSZ. Se dă o importanţă specială tehnicilor de de-noising, propuse de profesorul de
statistică de la Universitatea Stanford, David Donoho. Explicarea acestor metode,
precum şi modificarea lor în scopul aplicării în comunicaţii, constituie principalul
rezultat al tezei de doctorat al primului dintre autorii lucrării de faţă. În capitolul 1 se
face o introducere în filtrarea semnalelor, prezentându-se noţiunile de bază, cum ar fi
diferitele tipuri de filtre ideale sau tehnicile clasice de aproximare a caracteristicilor de
frecvenţă. Este de fapt o reluare expeditivă a unor cunoştinţe predate studenţilor
facultăţii de electronică şi telecomunicaţii din Timişoara, la cursul de Semnale Circuite
şi Sisteme. Celelalte paragrafe ale capitolului 1 sunt inspirate din teza de doctorat
menţionată mai sus. Ultimul paragraf al capitolului 1 propune o tehnică specială de
creştere suplimentară a RSZ, care poate fi aplicată în cazul semnalelor periodice. Este
vorba despre folsirea filtrelor transversale analogice.
Capitolul 2 este dedicat prezentării câtorva tehnici elementare de sinteză a
filtrelor. Cunoştiinţe similare sunt oferite studenţilor facultăţii noastre la laboratorul de
Semnale Circuite şi Sisteme. Se prezintă o metodă de sinteză a filtrelor pasive şi câteva
metode de sinteză a filtrelor active cu unul sau mai multe amplificatoare operaţionale.
Deşi nu tratează direct problema îmbunătăţirii RSZ, acest capitol este necesar deoarece
prezintă noţiuni care sunt folosite în capitolele următoare pentru rezolvarea acestei
probleme.
10 Prefaţa

La începutul capitolului 3 se arată modul în care poate fi construit un filtru


numeric pornind de la un filtru analogic echivalent. Prezentarea acestor metode de
echivalare este inspirată din cursul de Semnale Circuite şi Sisteme amintit mai sus.
Pentru aprecierea îmbunătăţirii RSZ şi în cazul acestor filtre poate fi utilizată noţiunea
de bandă echivalentă de zgomot. Paragraful 3.5, inspirat din teza de doctorat amintită
mai sus, este dedicat calculului benzii echivalente de zgomot a unui filtru numeric. În
paragraful următor se prezintă o modalitate de construcţie a unor filtre digitale cu
răspunsuri în frecvenţă funcţii periodice de perioadă mai mică decât 2π , precum şi
avantajele utilizării lor la prelucrarea semnalelor periodice în timp discret, perturbate
aditiv de zgomot. În finalul capitolului 3 sunt analizate filtrele numerice adaptate.
Următoarele două capitole sunt destinate studiului filtrelor liniare cu parametrii
variabili în timp continuu respectiv discret. La începutul capitolului 4 este prezentat
principiul filtrelor cu capacităţi comutate. Apoi este studiată o categorie nouă de astfel
de sisteme, filtrele cu urmărire. Aceste sisteme pot fi privite ca şi filtre adaptive în timp
continuu. Se evidenţiază performaţele superioare ale acestor sisteme din punct de
vedere al îmbunătăţirii RSZ în comparaţie cu filtrele liniare analogice.
În capitolul 5 se face o trecere în revistă rapidă a principiului filtrării adaptive,
explicându-se modul în care pot fi implementate relaţiile lui Wiener. Se prezintă modul
în care poate fi utilizat un astfel de sistem pentru creşterea RSZ.
Capitolul 6 este dedicat filtrării neliniare. De fapt se prezintă doar tehnici
bazate pe utilizarea sistemelor neliniare cu neliniarităţi puternice. Se fac referiri la
filtrele numerice cu ordonare statistică, la filtrele morfologice folosite pentru
prelucrarea imaginilor numerice şi la filtrele neliniare aplicate în domeniul
transformării wavelet discretă, propuse de David Donoho.
Capitolul 7 conţine principalele contribuţii ale acestei lucrări. El este inspirat
din teza de doctorat amintită mai sus. După explicarea primei metode de denoising
propusă de Donoho, se prezintă o variantă adaptivă a acesteia precum şi unele
modalităţi de îmbunătăţire a acesteia. În toate capitolele lucrării de faţă a fost
considerat cazul semnalelor perturbate aditiv de zgomot. Singura excepţie de la această
regulă apare în paragraful 7.2.2, unde este considerat cazul zgomotului multiplicativ.
Metoda descrisă în acest paragraf poate fi utilizată pentru diminuarea zgomotului de tip
speckle, care perturbă imaginile de tip RADAR sau SONAR. Trebuie evidenţiat faptul
că îmbunătăţirile RSZ realizate cu tehnicile descrise în capitolul 7, în special în cazul
semnalelor puternic perturbate, nu pot fi obţinute folosind alte tehnici de filtrare, ca de
exemplu cele prezentate în capitolele anterioare ale acestei cărţi.
Ultimul capitol, cel de-al optulea, deşi nu se referă la vreo tehnică de
îmbunătăţire a RSZ, merită totuşi atenţie, făcând o legătură între trei domenii de
cercetare foarte moderne: teoria eşantionării, teoria filtrării şi teoria funcţiilor wavelet.
Sperăm ca, prin conţinutul său, lucrarea de faţă să fie agreabilă studenţilor,
doctoranzilor şi tinerilor cercetători.

Autorii
CAPITOLUL 1. Introducere

Modificarea relativă a amplitudinilor componentelor armonice ale unui semnal


periodic sau chiar eliminarea sau selectarea anumitor componente armonice reprezintă
o operaţie de filtrare. Modificarea densităţii spectrale a unui semnal aperiodic, în sensul
favorizării sau defavorizării unor segmente spectrale reprezintă de asemenea o operaţie
de filtrare. În această lucrare se prezintă câteva aspecte ale teoriei filtrării punându-se
accent pe utilizarea filtrelor la îmbunătăţirea raportului semnal pe zgomot, RSZ.

1.1. Tipuri de filtre ideale

1.1.1. Filtrul trece jos ideal

Răspunsul în frecvenţă al unui filtru trece jos (FTJ) ideal destinat prelucrării
semnalelor analogice este prezentat în figura 1.1.1.1.

Figura 1.1.1.1. Răspunsul în frecvenţă al unui filtru trece jos ideal.

Spectrul din domeniul ω < ω c este neafectat de acest filtru dar componentele
spectrale cu frecvenţe din exteriorul acestei benzi sunt anulate. Valoarea ω c , ce separă
benzile de trecere şi de blocare, este numită frecvenţă de tăiere. Se obişnuieşte să se
introducă o mărime, numită atenuare, definită ca inversul modulului răspunsului în
12 Introducere - 1

frecvenţă. Pentru cazul din figura 1.1.1.1 atenuarea în banda de trecere este 1 iar în
banda de oprire este infinită. Răspunsul la impuls al filtrului trece jos ideal este:

sin (ωc ⋅ t )
h TJ (t ) = (1)
π⋅t

Se constată că acest răspuns la impuls este nenul şi la momente negative. De


aceea filtrul trece jos ideal este un sistem nerealizabil. În consecinţă caracteristica de
frecvenţă din figura 1.1.1.1. poate fi doar aproximată prin caracteristici de frecvenţă ale
unor filtre realizabile.

1.1.2. Filtrul trece sus ideal

Răspunsul în frecvenţă al unui filtru trece sus (FTS) ideal este prezentat în
figura 1.1.2.1.

Figura 1.1.2.1. Răspunsul în frecvenţă al unui fitru trece sus ideal.

Răspunsul la impuls al acestui sistem este:

sin (ω c ⋅ t )
h TS (t ) = δ(t ) − (2)
π⋅t

Nici acest sistem nu este cauzal şi deci nici realizabil. De aceea şi filtrele trece
sus ideale pot fi doar aproximate în practică.

1.1.3. Filtrul trece bandă ideal

Filtrarea trece bandă (TB) ideală a semnalelor în timp continuu se realizează cu


un sistem cu răspunsul în frecvenţă de tipul celui prezentat în figura 1.1.3.1.
1.1 – Tipuri de filtre ideale 13

Figura 1.1.3.1. Răspunsul în frecvenţă al unui filtru trece bandă ideal.

Se remarcă prezenţa a două frecvenţe de tăiere, una inferioară şi una


superioară. Expresia răspunsului la impuls al filtrului trece bandă ideal este:

sin (ωc 2 ⋅ t ) sin (ωc1 ⋅ t )


h TB (t ) = − (3)
π⋅t π⋅t

În consecinţă nici filtrul trece bandă ideal nu este un sistem realizabil.

1.1.4. Filtrul opreşte bandă ideal

Răspunsul în frecvenţă al filtrului opreşte bandă (OB) ideal este prezentat în


figura 1.1.4.1.

Figura 1.1.4.1. Răspunsul în frecvenţă al unui filtru opreşte bandă ideal.


14 Introducere - 1

Răspunsul la impuls al filtrului opreşte bandă ideal este:

sin (ωc 2 ⋅ t ) sin (ωc1 ⋅ t )


h OB (t ) = δ(t ) − + (4)
π⋅t π⋅t
În consecinţă nici filtrul opreşte bandă ideal nu este un sistem realizabil.

1.2. Aproximarea caracteristicilor filtrelor ideale

Ulterior se va arăta că pornind de la răspunsul în frecvenţă al unui filtru trece


jos, se pot deduce, prin transformări ale variabilei frecvenţă, celelalte tipuri de
răspunsuri în frecvenţă.
Cum caracteristicile ideale nu pot fi decât aproximate, trebuie găsită o
modalitate de specificare a erorii de aproximare admisă şi apoi o modalitate de
proiectare a filtrului ce se încadrează în limitele admise. În figura 1.2.1. se arată modul
de definire al domenilor interzise pentru curba H(ω) . Este reprezentată numai
semiaxa pozitivă, H(ω) fiind o funcţie pară.

Figura 1.2.1. Specificarea gabaritului admis pentru modulul răspunsului în frecvenţă


al unui filtru trece jos.

În domeniul [0, ω p ] , numit bandă de trecere a filtrului eroarea admisă este ε1 .


În domeniul [ωs , ∞) , numit bandă de blocare, eroarea admisă este ε 2 . Domeniul
(ω p , ωs ) se numeşte bandă de tranziţie. Pentru aproximarea caracteristicilor de modul
ale filtrelor trece jos ideale se folosesc de obicei două tipuri de aproximare:
- aproximarea de tip maxim – plat, care conduce la construcţia filtrelor de tip
Butterworth,
1.2. – Aproximarea caracteristicilor 15

H B (ω 0 ) = min H i (ω0 ) − H(ω0 )


H (ω ) (5)

unde indicele i specifică filtrul trece jos ideal iar ω 0 frecvenţa în jurul căreia se
realizează aproximarea,
- aproximarea de tip mini – max, care conduce la construcţia filtrelor de tip
Cebâşev,

H C (ω) = min ⎧⎨ max H i (ω) − H(ω) ⎫⎬ (6)


H ( ω) ⎩ω∈[ω1 ,ω2 ] ⎭

1.2.1. Aproximarea de tip maxim plat

Se consideră filtrul trece jos cu răspunsul în frecvenţă H(ω) şi cu răspunsul la


impuls funcţie reală. Cu notaţia:

H(ω) = F ω 2
2
( ) (7)

se poate scrie:

( )
F ω 2 = H(ω) ⋅ H(− ω) (8)

sau mai general:

( )
F s 2 = H(s ) = H(s ) ⋅ H(− s )
2 (9)

( )
Se determină expresia funcţiei F ω 2 care aproximează cel mai bine pătratul
modulului răspunsului în frecvenţă al filtrului trece jos ideal, în banda de trecere.
( )
Dezvoltarea în serie Taylor a funcţiei F ω 2 , într-un interval din jurul originii, este:

ω2 ω4 ω 2 p (p )
( )
F ω 2 = F(0 ) +
1!
F' (0 ) +
2!
F' ' (0 ) + ... +
p!
( )
F (0 ) + R p +1 ω 2 (10)
16 Introducere - 1

Restul ( )
R p +1 ω 2 este cu atât mai mic cu cât p este mai mare. Pentru ca
( )
F ω 2 să aproximeze cât mai bine pătratul răspunsului în frecvenţă al filtrului trece jos
ideal este necesar ca viteza sa de variaţie în origine să fie cât mai mică. De aceea se
pun condiţile:

F' (0) = F' ' (0 ) = ... = F (p ) (0 ) (11)

şi relaţia (10) devine:

( )
F ω 2 = F(0 ) + R p +1 (ω) (12)

Fiind vorba despre un filtru trece jos, se consideră că F ω 2 ( ) are expresia:

( )
F ω2 =
a 0 ⋅ ω + a1 ⋅ ω
2p
1
2p−2
+ ... + a p −1 ⋅ ω 2 + 1

În continuare se determină valorile coeficienţilor a k , k = 0, p − 1 , în aşa


fel încât să fie verificate condiţiile (11). Rezolvând sistemul de ecuaţii (11), în raport
cu necunoscutele a k , se obţine:

a 1 = a 2 = ... = a p −1 = 0

şi deci:

( )
F ω2 =
1
a 0 ⋅ ω2p + 1

Dacă se consideră că pulsaţia de tăiere a filtrului trece jos este ω c şi dacă se


impune condiţia:

H(0 )
H(ωc ) =
2

atunci se obţine:
1.2. – Aproximarea caracteristicilor 17

1 1
F(ωc ) = 2p
=
a 0 ⋅ ωc + 1 2

adică:

1
a0 = 2p
ωc

Deci:

( )
F ω2 =
1
2p
⎛ ω ⎞
⎜⎜ ⎟⎟ +1
⎝ ωc ⎠

De aceea se poate scrie:

1 (13)
H(s ) ⋅ H(− s ) = 2p
⎛ s ⎞
1 + ⎜⎜ ⎟⎟
⎝ jω c ⎠

În continuare se determină, pe baza relaţiei anterioare, expresia funcţiei de


transfer, H(s). Polii membrului drept sunt rădăcinile ecuaţiei:

2p
⎛ s ⎞
⎜⎜ ⎟⎟ = −1 = cos π + j sin π
⎝ jω c ⎠

adică:

⎡ π (2k + 1) ⎤ ⎡ π (2k + 1) ⎤
s k = ω c cos ⎢ + π⎥ + jω c sin ⎢ + π⎥ ; 0 ≤ k ≤ 2p − 1
⎣2 2p ⎦ ⎣2 2p ⎦

Jumătate din aceşti poli, cei din semiplanul stâng, aparţin funcţiei de transfer
H(s) (deoarece filtrul cu funcţia de transfer H(s) este cauzal). Cealaltă jumătate conţine
polii funcţiei de transfer H(-s). În consecinţă, se poate scrie:
18 Introducere - 1

ωcP
H BP (s ) = P

∏ (s − s )
k =0
k

cu:

⎡ π (2k + 1) ⎤ ⎡ π (2k + 1) ⎤
s k = ω c cos ⎢ + π⎥ + jω c sin ⎢ + π⎥ k = 0,1,..., p − 1
⎣2 2p ⎦ ⎣2 2p ⎦

Figura 1.2.1.1. Dependenţele modulelor răspunsurilor în frecvenţă ale unor filtre Butterworth de ordinele 5
şi 7 cu pulsaţia de tăiere de 1 rad/s.
1.2. – Aproximarea caracteristicilor 19

Aceasta este funcţia de transfer a filtrului trece jos de tip Butterworth de


ordinul p. Polinomul de la numitorul acestei funcţii se numeşte polinom Butterworth de
ordinul p. Pentru p de valoare 2 şi pentru ω c = 1 se obţine polinomul Butterworth de
ordinul 2: 2 PB (s ) = s 2 + 2 ⋅ s + 1 , iar pentru p de valoare 3 şi aceeaşi frecvenţă de
tăiere polinomul Butterworth de ordinul 3: 3 PB (s ) = s 3 + 2 ⋅ s 2 + 2 ⋅ s + 1 . În figura
1.2.1.1 se prezintă caracteristicile de frecvenţă, în banda de trecere, a unor filtre
Butterworth de ordinele 5 şi 7, având pulsaţia de tăiere de 1 rad/s.

1.2.2 Aproximarea de tip minimax a caracteristicii de modul a funcţiei de transfer


a filtrului trece jos ideal

Definiţie: O funcţie h(ω) este o aproximare de tip Cebîşev a unei funcţii f(ω)
în banda [ω1,ω2] dacă parametrii disponibili ai funcţiei h(ω) sunt aleşi astfel încât
eroarea de aproximare:

max {ε(ω) }
ω∈[ω1 ,ω2 ]

să fie minimizată.
Prin parametrii disponibili se înţeleg mărimile care determină funcţia h(ω), de
exemplu coeficienţii săi dacă h(ω) este polinom.
Se presupune că |ε(ω)| are o valoare maximă la ω=ω01. Dacă această eroare
poate fi redusă, atunci aproximarea lui f(ω) prin h(ω) nu este o aproximare Cebîşev,
deoarece conform definiţiei acestui tip de aproximare valoarea maximă a lui |ε(ω)| nu
mai poate fi scăzută.
Variaţia erorii în ω01 este descrisă prin diferenţiala sa totală în acel punct:

n
∂ε(ω 01 ) (14)
dε(ω01 ) = ∑ dp j
j=1 ∂p j

unde pj sunt parametrii aproximării.


Valoarea oricărui maxim ε(ω01) poate fi redusă prin alegerea parametrilor pj.
Dar reducând eroarea în ω01 se poate întâmpla să crească eroarea la o altă pulsaţie.
Se presupune că eroarea în ω01 s-a redus până la nivelul erorii în ω02. Se pot
reduce în continuare simultan erorile în ω01 şi ω02?
Pentru a răspunde la această întrebare se calculează:
20 Introducere - 1

n
∂ε(ω02 )
dε(ω02 ) = ∑ dp j (15)
j=1 ∂p j

Trebuie determinate variaţiile dpj astfel încât dε(ω02)=dε(ω02). Acest lucru este
posibil dacă n≥2. În această ipoteză eroarea poate fi redusă simultan în punctele ε(ω01)
şi ε(ω02) până când se atinge valoarea egală cu eroarea în punctul ω03. Deci erorile
maxime pot fi reduse simultan dacă există mai multe ecuaţii de tipul ecuaţiilor (14) şi
(15). Pot fi reduse simultan n erori maxime. Pe baza celor enumerate mai sus se poate
formula următoarea:
Teoremă: O aproximare de tip Cebîşev este de tip ondulaţie constantă
(echiriplă) în banda considerată, în sensul că eroarea de aproximare are maxime şi
minime de mărime egală.
Dacă există n parametri ajustabili atunci eroarea de aproximare este nulă cel
puţin în n puncte şi deci în banda considerată există un total de n+1 maxime şi minime.
Aproximarea de acest tip poate fi realizată cu polinoame Cebîşev.

1.2.2.1. Polinoame Cebîşev

Definiţie: Se numeşte polinom Cebîşev de ordinul n polinomul Tn(x) de gradul


n care are următoarele proprietăţi:
1. Tn este par (impar) dacă n este par (impar),
2. Tn are toate rădăcinile în intervalul –1<x<1,
3. Tn oscilează între valorile -1 şi +1 în intervalul -1≤x≤1,
4. Tn (1)=1.

Se poate demonstra următoarea:


Teoremă: Notând cu xi punctele în care Tn(x) atinge valorile extreme ±1,
derivata lui Tn(x) poate fi exprimată cu ajutorul acestor puncte astfel:

n
−1
dTn (x ) 2
(16)
= c1 x ∏ ( x 2 − x i ) , dacă n este par
2

dx i =1

n −1
dTn (x ) 2
(17)
= c1 ∏ ( x 2 − x i ) , dacă n este impar
2

dx i =1
1.2. – Aproximarea caracteristicilor 21

Demonstraţie: Punctele de extrem ale lui Tn(x) sunt rădăcini ale ecuaţiei
dTn (x )
= 0 . Deci punctele xi sunt rădăcini ale acestei ecuaţii şi sunt în număr de n-1.
dx
dTn (x )
Dacă n este par şi Tn(x) este par şi deci este o funcţie impară. Dacă xk este
dx
dTn (x ) dTn (x ) dT ( x )
unul din punctele xi atunci = 0 . Dar =− n .
dx x = x k dx x = x k dx x = − x k
dTn ( x )
Deci şi –xk este unul din punctele xi. Cum este o funcţie impară rezultă că are
dx
ca şi rădăcină şi pe x0=0. Conform observaţiilor de mai sus rezultă că se poate scrie:

dTn ( x )
= c1 ⋅ ( x − 0) ⋅ ( x − x 1 ) ⋅ ( x + x 1 ) ⋅ ... ⋅ ( x − x n ) ⋅ ( x + x n ) , relaţie iden-
dx 2
−1
2
−1

tică cu relaţia (16).


dTn ( x )
Dacă n este impar şi Tn(x) este impar şi deci este o funcţie pară. Dacă xk este
dx
dTn (x )
unul din punctele xi atunci = 0 . Dar datorită parităţii acestei derivate şi
dx x = x k
dTn (x )
= 0 şi deci –xk aparţine mulţimii punctelor xi. Deci se poate scrie:
dx x = − x k

dTn ( x )
= c1 ⋅ ( x − x 1 ) ⋅ ( x + x 1 ) ⋅ (x − x 2 ) ⋅ ( x + x 2 ) ⋅ ... ⋅ ( x − x n −1 ) ⋅ ( x + x n −1 ) ,
dx 2 2
relaţie echivalentă cu relaţia (17).
Conform condiţiei (16) Tn(x) ia în punctele xi valorile ±1, deci Tn2(x) ia în
aceste puncte valoarea 1, adică Tn2(xi)-1=0. Conform condiţiei (17), Tn2(1)-1=0. Deci
pentru n par, rădăcinile lui Tn2(x)-1 sunt: ±0, ±1, ±x1,…,±xn/2-1, adică se poate scrie:

n
−1
2
(18)
Tn2 ( x ) − 1 = c1 ⋅ x 2 ⋅ ( x 2 − 1) ⋅ ∏ ( x 2 − x i2 ) 2
i =1

Pentru n impar, rădăcinile lui Tn2(x)-1 sunt: ±1, ±x1,…,±x(n-1)/2, şi deci:


22 Introducere - 1

n −1
2
(19)
Tn2 ( x ) − 1 = c1 ⋅ ( x 2 − 1) ⋅ ∏ ( x 2 − x i2 ) 2
i =1

Din compararea relaţiilor (16) şi (18) respectiv (17) şi (19) se constată că:

2
2 T −1
2
⎛ dTn ( x ) ⎞
⎜ ⎟ = M ⋅ n2 (20)
⎝ dx ⎠ x −1

unde M este o constantă.


Relaţia (20) reprezintă o ecuaţie diferenţială cu ajutorul căreia se poate
determina expresia polinomului Cebîşev de ordinul n. Relaţia (20) se mai poate scrie:

dTn T 2 (x) − 1
=M n 2
dx x −1

sau:

dTn dx (21)
= M⋅
Tn2 − 1 x 2 −1

Prin integrare în ambii membrii obţinem:

arccos Tn ( x ) = M ⋅ arccos x + c1 ⇔ Tn ( x ) = cos(M ⋅ arccos x ) + c (22)

Când x∈[-1,1], arccos x∈[-π,0]. Dar Tn(x) trebuie să aibă n rădăcini în intervalul [-1,1]
şi de aceea este necesar ca M=n. În sfârşit, deoarece Tn(1)=1, e necesar ca c=2πm.
Alegând m=0, se obţine:

Tn ( x ) = cos(n ⋅ arccos x ) (23)

Această formă de scriere nu pune însă în evidenţă faptul că Tn(x) este un polinom de
gradul n. Notând arccos x=z, (23) se mai scrie:

Tn(x)=cos(nz)=cos[(n-1)z+z]=cos[(n-1)z]cos(z)-sin[(n-1)z]sinz

Pentru n→n+1, relaţia devine:


1.2. – Aproximarea caracteristicilor 23

Tn+1(x)=cos(nz)cos z-sin(nz)sin z (24)

Tn-1(x)=cos[(n-1)z]=cos(nz)cos z + sin(nz)sin z (25)

Adunând relaţiile (24) şi (25) se obţine:

Tn +1 ( x ) + Tn −1 ( x ) = 2 ⋅ cos(nz) cos(z) = 2 ⋅ x ⋅ Tn ( x ) (26)

Relaţia (26) dă o relaţie de recurenţă pentru determinarea polinoamelor Cebîşev.

T0 ( x ) = cos(0) = 1 (27)

T1 ( x ) = cos(arccos x ) = x (28)

1.2.2.2 Determinarea aproximării Cebîşev în banda de trecere a filtrului trece jos


ideal

Se caută funcţia de transfer Ha(s) cu ajutorul căreia să se realizeze o


aproximare Cebîşev în banda de trecere ω∈[-1,1] a caracteristicii de modul a filtrului
trece jos ideal. Se determină:

G n (ω 2 ) = H a ( jω)
2 (29)

Se face aproximarea de tip Cebîşev pentru funcţia 1/Gn(ω2) în banda


ω∈[-1,1]. Impunând condiţia:

1 ε2
max − 1 = , ω∈[-1,1]
G n (ω 2 ) 2

1 ε2
rezultă că − 1 este un polinom Cebîşev cu ondulaţia maximă , adică:
G n (ω 2 ) 2

1 ε2
− 1 = ⋅ T2 n (ω) (30)
G n (ω 2 ) 2

sau
24 Introducere - 1

1 ε2 1 (31)
= 1 + ⋅ T2 n (ω) ⇔ G n (ω 2 ) =
G n (ω )
2
2 ε 2
1+ ⋅ T2 n (ω)
2

Dar,

T2 n (ω) = cos[2n ⋅ arccos(ω)] = cos[2 ⋅ (n ⋅ arccos(ω))] =


= 2 ⋅ cos 2 [n ⋅ arccos(ω)] − 1 = 2 ⋅ Tn2 (ω) − 1

şi deci:

1 1
G n (ω 2 ) = =
ε 2
ε2
1 + (2 ⋅ Tn2 (ω) − 1) 1 + ε T (ω) −
2 2
n
2 2

sau:

1
G n (ω 2 ) = (32)
2
ε
1− + ε 2 ⋅ Tn2 (ω)
2

S-a demonstrat anterior că Tn2(±1)=1 şi că Tn2(x)≤1. Valorile extreme ale funcţiei


Gn(ω2) sunt:

1 1 1
G n max (ω 2 ) = şi G n min (ω 2 ) = = , ω∈[-1,1]
ε 2
ε 2
ε2
1− 1− + ε 2
1+
2 2 2

Abaterile acestei funcţii faţă de valoarea ideală, egală cu unitatea, nu sunt egale. Se
preferă, pentru simplificarea calculelor să se adopte expresia:

1
G n (ω 2 ) = (33)
1 + ε Tn2 (ω)
2

În aceste caz, valorile extreme sunt:


1.2. – Aproximarea caracteristicilor 25

1
max{G n (ω 2 )} = 1 , min{G n (ω 2 )} = , ω∈[-1,1]
1 + ε2

Pentru determinarea polilor funcţiei de transfer Ha(s) se presupune adevărată relaţia:

G n (−s 2 ) = H a (s) ⋅ H a (−s) (34)

şi pentru s≠jω, adică:

1
H a (s) ⋅ H a (−s) = (35)
⎛s⎞
1 + ε 2 Tn2 ⎜⎜ ⎟⎟
⎝ j⎠

Polii căutaţi sunt rădăcinile de parte reală negativă ale ecuaţiei:

⎛s⎞
1 + ε 2 ⋅ Tn2 ⎜⎜ ⎟⎟ = 0 (36)
⎝ j⎠

sau ale ecuaţiilor:

⎛s⎞ δ
Tn ⎜⎜ ⎟⎟ = ± (37)
⎝ j⎠ ε

Pentru rezolvarea acestor ecuaţii se introduce o nouă variabilă w astfel încât:

s
= ch ( w ) , unde w = u + jv şi s = α + jω (38)
j
Se observă că:

s α + jω
= = ω − jα = ch (u + jv) = ch (u )ch ( jv) + j ⋅ sh (u )sh ( jv)
j j
= ch (u ) cos( v) + j ⋅ sh (u ) sin( v) ⇒
⇒ α = −sh (u ) sin( v); ω = ch (u ) cos( v)

şi că:
26 Introducere - 1

e j( jw ) + e − j( jw ) e − w + e w s
cos( jw ) = = = ch ( w ) = ⇒
2 2 j

⎛s⎞ ⎛s⎞ ⎛s⎞ ⎛s⎞


⇒ jw = arccos⎜⎜ ⎟⎟ şi w = arg ch⎜⎜ ⎟⎟ , adică arccos⎜⎜ ⎟⎟ = j ⋅ arg ch⎜⎜ ⎟⎟ ,
⎝ j⎠ ⎝ j⎠ ⎝ j⎠ ⎝ j⎠

Dar:

⎛s⎞
Tn ⎜⎜ ⎟⎟ = Tn (ch ( w )) = cos(n ⋅ arccos(chw )) (39)
⎝ j⎠

şi deci conform relaţiei (26):

⎛s⎞ ⎡ ⎛ s ⎞⎤ ⎡ ⎛ s ⎞⎤ ⎡ ⎛ s ⎞⎤
Tn ⎜⎜ ⎟⎟ = cos ⎢n ⋅ arccos⎜⎜ ⎟⎟⎥ = cos ⎢ jn ⋅ arg ch⎜⎜ ⎟⎟⎥ = ch ⎢n ⋅ arg ch⎜⎜ ⎟⎟⎥ =
⎝ j⎠ ⎣ ⎝ j ⎠⎦ ⎣ ⎝ j ⎠⎦ ⎣ ⎝ j ⎠⎦
= ch[n ⋅ arg ch (ch ( w )) = ch (nw )

Deci:

⎛s⎞
Tn ⎜⎜ ⎟⎟ = ch (nw ) (40)
⎝ j⎠

Relaţia (37) se mai scrie:

j ⎧⎪ ch (n ⋅ u ) ⋅ cos(n ⋅ v) = 0
ch (n ⋅ w ) = ± ⇔⎨ 1 (41)
ε sh (n ⋅ u ) ⋅ sin(n ⋅ v) = ±
⎪⎩ ε

Soluţiile reale ale sistemului (41) sunt:

2k − 1 π 1 1
vk = ⋅ ; u k = (−1) k ⋅ ⋅ arg sh (42)
n 2 n ε

α k = −sh (u k ) ⋅ sin( v k ) ; ω k = ch (u k ) ⋅ cos( v k )


1.2. – Aproximarea caracteristicilor 27

adică:

1 1 2k − 1 π
α k = −sh[(− 1) ⋅
k
⋅ arg sh ] ⋅ sin ⋅ ;
n ε n 2

⎡ 1 1⎤ 2k − 1 π
ω k = ch ⎢(−1) k ⋅ ⋅ arg sh ⎥ ⋅ cos[ ⋅ ]
⎣ n ε⎦ n 2

Polii lui Ha(s) sunt obţinuţi din mulţimea de mai sus pentru sgn{αk} < 0. Se
observă că:
α 2k ω 2k
+ =1 (43)
21 1 2 1 1
sh [ ⋅ arg sh ] ch [ ⋅ arg sh ]
n ε n ε

Acest lucru demonstrează că polii lui Ha(s ) sunt dispuşi pe o elipsă ale cărei
axe se confundă cu axele de coordonate ale planului complex. Conform relaţiei (33):

2 1 2 1
H a ( jω) = ⇒ H a (0) =
( 1+ ε 2
⋅ Tn2 (ω ) )
2
( 1+ ε 2
⋅ Tn2 (0) )
2 (44)

Deci:

1
H a (0) =
1 + ε Tn2 (0)
2

π ⎧0, daca n − impar


Tn (0) = cos(n ⋅ arccos(0)) = cos(n ⋅ ) = ⎨
2 ⎩ ± 1, daca n − par

şi vom avea:

1 1
H a ( 0) = = 1 , pentru n impar şi H a (0) = , pentru n par
1 1+ ε2
28 Introducere - 1

Cu alte cuvinte, caracteristica de modul a funcţiei de transfer are în 0 o valoare


extremă pentru valorile în banda de trecere şi aceasta este un maxim pentru n impar şi
un minim pentru n par.
Definind lungimea de bandă în sens Cebîşev, ωc, pentru banda de trecere, ca
fiind pulsaţia maximă la care caracteristica de modul a funcţiei de transfer ia ultima
1
valoare minimă din banda de trecere, adică , se constată că ωc=1. Această
1 + ε2
afirmaţie este adevărată deoarece intervalul în care se face aproximarea este mărginit
la valoarea 1 şi Tn(1)=1.
Pentru a analiza comportarea caracteristicii de modul în exteriorul benzii de
trecere se observă că relaţia (23) se mai scrie:

Tn (ω) = ch (n ⋅ arg ch ω) (45)

Deci, în banda de blocare:

1
20 lg H a ( jω) = 20 lg = −10 lg(1 + ε 2 ch 2 (n ⋅ arg ch ω))
1 + ε T (ω)
2 2
n

20 lg H a ( j) = −10 lg(1 + ε 2 ) pentru ω=1

Pentru

ω〉〉1 ⇒ 20 lg H a ( jω) ≅ −20 lg[ε ⋅ ch (n ⋅ arg ch ω)]

Se poate demonstra că pentru ω〉〉1, ch (n ⋅ arg ch ω) ≅ 2 n −1 ⋅ ω n şi deci în banda de


blocare:

20 lg H a ( jω) ≅ −20 lg[ε ⋅ 2 n −1 ⋅ ω n ] = (46)

= −20 lg ε − 20(n − 1) ⋅ lg 2 − 20n ⋅ lg ω

Se constată că partea asimptotică a creşterii atenuării este de 20⋅n dB/dec.


1.2. – Aproximarea caracteristicilor 29

Figura 1.2.2.2.1. Caracteristica de modul a unui filtru Cebîşev de ordinul 5.

În figura 1.2.2.2.1 se prezintă caracteristica de modul a răspunsului în


frecvenţă al unui filtru trece jos de ordinul 5 de tip Cebîşev.

1.2.3. Aproximarea caracteristicii de fază a filtrului trece jos ideal

După cum s-a mai arătat funcţia de transfer a filtrului trece jos ideal are
expresia:

⎧⎪e − jωT0 , ω ≤1
H i (ω) = ⎨ (47)
⎪⎩0, ω 〉1

Definiţie: Se numeşte întârzierea de grup a unui filtru şi se notează cu D(ω),


expresia:
30 Introducere - 1

d (48)
D(ω) = − ⋅ arg H( jω)

unde H(jω) este funcţia de transfer a filtrului. Se observă că pentru filtrul trece jos
ideal:

D i (ω) = τ 0 (49)

ceea ce demonstrează că în cazul unui filtru trece jos ideal răspunsul este întârziat faţă
de excitaţie cu aceeaşi valoare, indiferent de frecvenţa excitaţiei. Dacă τ0=1(normarea
întârzierii de grup), atunci:

1
H i (s) = e −s =
ch s + sh s

în banda de trecere.
Se doreşte aproximarea lui Hi-1(s) cu un polinom de gradul n în s, adică se
caută o aproximare de forma:

1
H i (s) = n (50)
∑b
i =0
i ⋅s i

Pentru ca aproximarea să conducă la un sistem stabil este necesar ca Hi-1(s) să


fie un polinom strict Hurwitz. S-a demonstrat la studiul stabilităţii că un astfel de
polinom se poate descompune într-o sumă de polinoame, dintre care unul par M(s) şi
unul impar N(s) astfel încât descompunerea în fracţie continuă a raportului M(s)/N(s)
să aibă doar coeficienţi pozitivi.
Dar descompunerile în serie Taylor ale funcţiilor ch s şi sh s, în jurul punctului
s=0 sunt:
s2 s4
ch s = 1 + + + … (51)
2! 4!
s3 s5
sh s = s + + + … (52)
3! 5!
1.2. – Aproximarea caracteristicilor 31

Luând M(s)=ch s, şi N(s)=sh(s), descompunerea în fracţie continuă a lui M(s)/N(s)


este:

M (s) 1 1
= + (53)
N(s) s 3 1
+
s 5 1
+
s 7
+
s

Deci polinomul M(s)+N(s) este stabil şi în acelaşi timp el reprezintă o


aproximare a lui es. În continuare se va considera reprezentarea lui es printr-un
polinom, M(s)+N(s), de gradul n. Expresia (53) se scrie:

M (s) 1 1
= + (54)
N(s) s 3 1
+
s 5 1
+
s 7
+ +
s 1
…+
2N − 1
s

Definiţie: Se numeşte polinom Bessel de ordinul n şi se notează Bn(s),


polinomul definit de următoarea formulă de recurenţă:

B n (s) = (2n − 1) ⋅ B n −1 (s) + s 2 ⋅ B n − 2 (s) (55)

unde:

B 0 (s) = 1 şi B1 (s) = s + 1 (56)

Storch a demonstrat următoarea teoremă:


Teoremă: O aproximare Hurwitz pentru es este dată de:

B n (s)
H i−1 (s) = (57)
B0

unde Bn(s) este polinomul Bessel de ordinul n, iar b0=Bn(0).


Se poate demonstra că Bn(s) se poate pune sub forma:
32 Introducere - 1

n
B n (s) = ∑ b i ⋅ s i (58)
i =0

cu:

(2n − i)! (59)


bi = n −i
2 ⋅ i !⋅(n − i) !

Deci un filtru Bessel are expresia funcţiei de transfer de forma:

b0
H(s) =
B n (s)

1.3. Îmbunătăţirea RSZ prin filtrare liniară

Fie semnalul x(t), obţinut prin perturbarea aditivă cu zgomot alb de bandă
limitată, nB(t), a semnalului util, s(t). Se consideră că banda zgomotului este B şi că
densitatea sa spectrală de putere este N0.
Raportul semnal pe zgomot, RSZ, pentru semnalul x(t) este definit cu relaţia:

Ps
RSZ i =
PnB

unde cu Ps am notat puterea semnalului util iar cu PnB puterea zgomotului. După cum
se vede definiţia este valabilă pentru semnale s(t) de energie infinită dar de putere
finită.
Îmbunătăţirea raportului semnal pe zgomot, poate fi realizată prin filtrarea
semnalului x(t). Astfel, la ieşirea filtrului se obţine semnalul y(t) exprimat cu relaţia:

y(t) = u(t) + n B0 (t)


unde u(t) reprezintă răspunsul filtrului considerat la semnalul util s(t) iar nB0(t)
reprezintă răspunsul aceluiaşi sistem, dar la semnalul aleator nB(t). RSZ la ieşirea
filtrului este:

Pu
RSZ0 =
PnB0
1.3. – Îmbunătăţirea RSZ 33

Îmbunătăţirea raportului semnal pe zgomot se poate aprecia prin valoarea


parametrului χ definit astfel :

RSZ0 (60)
χ=
RSZi

Admiţând că filtrul este ales în aşa fel încât:

Pu = Ps (61)

valoarea îmbunătăţirii raportului semnal pe zgomot este:

Pu
χ=
Pn ⋅ B 0

Densitatea spectrală de putere a semnalului nB0 este legată de densitatea spectrală de


putere a semnalului nB, conform relaţiei:

2
Φ nB0 = H(ω) ⋅ Φ nB

[Spă. ’87], unde cu H(ω) s-a notat răspunsul în frecvenţă al filtrului considerat. Deci:

2
Φ nB0 (ω) = N 0 ⋅ H(ω)

Rezultă valorile pentru puterea semnalului aleator de la intrare:

1 N N ⋅B
PnB =
2π ∫B
Φ nB (ω) dω = 0 ⋅ ∫ dω = 0
2π B 2π
(62)

şi puterea semnalului aleator de la ieşire:

1 N (63)
⋅ ∫ N 0 ⋅ H(ω) dω = 0 ⋅ ∫ H(ω) dω
2 2
PnB0 =
2π B 2π B
34 Introducere - 1

Îmbunătăţirea raportului semnal pe zgomot este deci:

B
χ= (64)

2
H(ω) dω
B

Deoarece χ este adimensional, rezultă că numitorul membrului drept al ultimei


relaţii are dimensiune de frecvenţă. De aceea el poartă numele de bandă echivalentă de
zgomot a filtrului cu răspunsul în frecvenţă H(ω). Deci filtrul cu răspunsul în frecvenţă
H(ω) trebuie proiectat în aşa fel încât banda de trecere a filtrului să conţină banda
semnalului util s(t) (prin urmare aceasta trebuie să fie cunoscută) şi să aibă o bandă
echivalentă de zgomot cât mai mică.
Se observă astfel importanţa cunoaşterii benzii echivalente de zgomot a
filtrelor analogice.

1.3.1. O nouă modalitate de estimare a benzii echivalente de zgomot a unor filtre


trece jos realizabile

În continuare se consideră că semnalul sB(t) este de bandă limitată şi că spectrul


său are o valoare nenulă la ω = 0 (adică avem un semnal de tip "trece jos"). În acest caz
H(ω) trebuie să caracterizeze un filtru trece jos. După cum se ştie cel mai frecvent se
utilizează filtre trece jos de tip Butterworth, Cebîşev sau Bessel.
Răspunsul în frecvenţă al unui filtru de tip Butterworth, cu pulsaţia de tăiere de 1 rad/s, de
ordinul n, are proprietatea:

2 1
H(ω) = (65)
1 + ω2n

În continuare se va aprecia banda echivalentă de zgomot a unor filtre de tip


Butterworth de diferite ordine.
Pentru n = 1 relaţia (65) devine:

2 1
H1 (ω) =
1 + ω2

Banda echivalentă de zgomot a filtrului cu acest răspuns în frecvenţă este:


1.3. – Îmbunătăţirea RSZ 35

∞ ∞ ∞

∫ H 1 (ω) dω = ∫ = arctgω | = π
2
Bz1 =
-∞ 1 + ω
2
-∞ -∞

În această relaţie s-a considerat că semnalul n(t) este un zgomot alb de bandă
nelimitată. În ipotezele paragrafului anterior (semnalul nB(t) zgomot alb de bandă limitată,
B), s-ar fi obţinut:

B B

dω2 2
B
Bz1 ∫
= = arctg ω | = 2arctg
B 1+ ω
2
B 2
- -
2 2

Pentru n = 2, relaţia (2.1) devine:

1
H 2 (ω) =
1 + ω4

În această relaţie membrul drept se poate scrie:

1 1 ω 1 1
=− ⋅ 2 + ⋅ 2 +
1+ ω 4
2 2 ω − 2ω + 1 2 ω − 2 ω + 1

1 ω 1 1
+ ⋅ + ⋅ 2
2 2 ω + 2ω + 1 2
2 ω + 2ω + 1

Banda echivalentă de zgomot a filtrului cu acest răspuns în frecvenţă este:


36 Introducere - 1

B B

1 2
ωd ω 1 2

Bz 2 = −
2

2 ω B
2
− 2ω + 1
+
2 ∫ωB
2
− 2ω + 1
+
- -
2 2

B B

1 2
ωd ω 1 2

+
2

2 ω B
2
+ 2ω + 1
+
2 ∫ω B
2
+ 2ω + 1
- -
2 2

Prima integrală din membrul drept se poate calcula astfel:

B B B
2
ω dω 1 2
( 2ω − 2 ) d ω 2 2

∫ω B
2
− 2ω + 1
=
2 ∫ B ω − 2ω + 1
2
+
2 ∫ω B
2
− 2ω + 1
- - -
2 2 2

În continuare, se calculează pe rând:

B
B
2
(2ω − 2 )dω B 2 − 2 2B + 4
∫ω
B
2
− 2ω + 1
= ln ω 2 − 2ω + 1 2

B = ln
B 2 + 2 2B + 4
− 2
2

şi:

B 2 ⎡ B 2 B 2⎤
ω− B ⎢ − + ⎥
2
dω 2
∫ω = 2arctg 2
B == 2 ⎢arctg 2 2 − arctg 2 2 ⎥
B
2
− 2ω + 1 1 −
2 ⎢ 1 1 ⎥

2
2 ⎢⎣ 2 2 ⎥⎦

Se deduce analog:

B ⎡ B 2 B 2⎤
⎢ + − + ⎥
2
dω 2 2 − arctg 2 2 ⎥
∫ B ω 2 + 2ω + 1
= 2 ⎢

arctg
1 1 ⎥
-
2 ⎢⎣ 2 2 ⎥⎦
1.3. – Îmbunătăţirea RSZ 37

Ultima integrală, din relaţia de calcul pentru Bz2, se descompune în modul următor:

B B B
2
ω dω1 2
( 2ω + 2 )dω 2 2

∫B ω2 + 2ω + 1 = 2 ∫ B ω 2 + 2ω + 1

2 ∫ω B
2
+ 2ω + 1
- - -
2 2 2

pentru care avem:

B
B
2
( 2ω + 2 ) dω B 2 + 2 2B + 4
∫ω
B
2
+ 2ω + 1
= ln ω 2 + 2ω + 1 2

B = ln
B 2 − 2 2B + 4
− 2
2

Înlocuind toate aceste rezultate în relaţia de calcul a benzii echivalente de


zgomot, forma finală pentru aceasta este:

1 B 2 − 2 2B 41 ⎛ B ⎞ 1 ⎛ B ⎞
B z2 = − ln + arctg⎜ − 1⎟ + arctg⎜ + 1⎟
2 2 B + 2 2B + 4 2
2
⎝ 2 ⎠ 2 ⎝ 2 ⎠

Dacă se consideră că n(t) este zgomot alb de bandă nelimitată, atunci:


dω ⎧⎪ 1 B 2 − 2 2B + 4
B z2 = ∫ = lim ⎨− ln 2 +
-∞ 1 + ω
4 B→ ∞
⎪⎩ 2 2 B + 2 2B + 4

1 ⎛ B ⎞ 1 ⎛ B ⎞⎫ π
+ arctg⎜ − 1⎟ + arctg⎜ + 1⎟ ⎬ =
2 ⎝ 2 ⎠ 2 ⎝ 2 ⎠⎭ 2

Se observă astfel că dacă se creşte ordinul filtrului de la 1 la 2, banda sa


echivalentă de zgomot scade de 2 ori.
38 Introducere - 1

Fără îndoială că n poate fi crescut în continuare dar integralele care trebuiesc


calculate conduc la calcule mult mai laborioase. De aceea în continuare se prezintă nişte
margini (superioară şi inferioară) pentru benzile echivalente de zgomot ale filtrelor
Butterworth de diferite ordine. Pentru valori exacte, obţinute prin integrare, se poate
consulta articolul [Naf. ’92].

Figura 1.3.1 a). Caracteristica de modul a răspunsului în frecvenţă al unui filtru Butterworth de ordinul n;
2
b). caracteristica 20 log H(ω) pentru un filtru Butterworth de ordinul n.
1.3. – Îmbunătăţirea RSZ 39

În figura 1.3.1a) este prezentată caracteristica de modul a răspunsului în frecvenţă


a unui filtru Butteworth de ordinul n.
2
În figura 1.3.1 b) este prezentat graficul funcţiei H (ω) . Curbele notate cu II din
cele două figuri reprezintă caracteristicile reale iar curbele notate cu I sunt caracteristicile
asimptotice. Curbele notate cu III au fost obţinute trasând paralele la caracteristicile
asimptotice prin punctul (0,-3dB) în cazul figurii 1.3.1a) şi prin punctul (0, -6dB) în cazul
figurii 1.3.1b). Observând figura 1.3.1a) se poate scrie:

⎧ 0, ω ≤1
20 log | H I (ω) | = ⎨ (66)
⎩− 20n log ω, ω > 1

20 log | H(ω) | ≤ 20 log | H I (ω) |


sau:

2
20 log | H(ω) |2 ≤ 20 log H I (ω)

(66), se poate scrie:

2 ⎧ 0, ω ≤1
20 log H I (ω) = ⎨
⎩− 40n log ω, ω > 1

2
astfel că 20 log H I (ω) reprezintă tocmai curba I din figura 1.3.1b).
Trecând de la coordonatele logaritmice la coordonate liniare, constatăm:

2 ⎧ 1, ω ≤1
H I (ω) = ⎨ -2n (67)
⎩ω , ω > 1

2
H(ω) ≤ H I (ω)
2 (68)

Graficele acestor funcţii sunt prezentate în figura 1.3.2. Pe baza relaţiilor (67) şi (68) se
poate scrie:
40 Introducere - 1

B B
2 2

∫ H (ω) dω = 2 ∫ H I (ω) dω
2 2
Bz ≤ I
B 0
-
2

care pentru B > 2 devine:

B
⎛ B

1 2
⎜ 1 2⎟
Bz ≤ 2( ∫ dω + ∫ ω dω ) = 2⎜1 +
−2n
ω − 2 n +1 ⎟=
0 1 ⎜ 1 - 2n 1⎟
⎝ ⎠

⎛ ⎛ B ⎞ −2 n +1 ⎞ ⎛ B⎞
−2 n +1
⎜ ⎜ ⎟ ⎟ 2⎜ ⎟
⎜ ⎝2⎠ 1 ⎟ 4n 2
= 2⎜1 + + ⎟ = − ⎝ ⎠
1 - 2n 2n − 1 2n − 1 2n − 1
⎜ ⎟
⎜ ⎟
⎝ ⎠

S-a obţinut astfel că marginea superioară a benzii echivalente de zgomot a unui


filtru trece jos Butterworth de ordinul n are expresia:

−2 n +1
⎛B⎞
2⎜ ⎟
4n 2
Bz sup = − ⎝ ⎠
2n − 1 2n − 1

Dacă se consideră cazul în care B→∞ (n(t) este zgomot alb de bandă nelimitată),
atunci:

4n
Bzsup =
2n − 1
Revenind la figura 1.3.1a) notăm cu HIII(ω) caracteristica de modul a răspunsului
în frecvenţă a unui filtru Butterworth de ordin n ideal care minorează caracteristica de
modul H(ω) pentru filtrul real. Se observă din figură că putem scrie atât:

⎧⎪ − 3, ω≤1
20lo g | H III (ω) |= ⎨
⎪⎩− 20n log ω − 3, ω>1

cât şi:
1.3. – Îmbunătăţirea RSZ 41

20 log | H(ω) |≥ 20 log | H III (ω) |


sau:

20 log | H(ω) |2 ≥ 20 log | H III (ω) |2

În această ultimă relaţie avem:

⎧⎪ − 6, ω≤1
20 log | H III (ω) | 2 = ⎨
⎪⎩− 40n log ω − 6, ω>1

Se constată astfel că 20 log H III ( ω ) 2 reprezintă tocmai curba III din figura
1.3.1b). Trecând de la coordonatele logaritmice la coordonate liniare, pentru ultima relaţie
obţinem:
⎧ 1
⎪ 2, ω ≤1
| H III (ω) | = ⎨ -2n
2

⎪ω , ω >1
⎩ 2

Se mai observă că:

2 1 2
H III (ω) = H I (ω)
2

2
Figura 1.3.2. O majorantă, I şi o minorantă, III, pentru caracteristica H(ω) , notată cu II
42 Introducere - 1

Membrul stâng al acestei relaţii reprezintă curba III iar membrul drept - curba I
din figura 1.3.2. Deci:

2 1 2
H(ω) ≥ H III (ω)
2

şi prin urmare:

B
2
1
∫H
2
Bz ≥ III (ω) dω = Bz sup
B 2
-
2

S-a obţinut astfel şi marginea inferioară a benzii echivalente de zgomot a unui


filtru trece jos Butterworth de ordinul n:

⎛ ⎛ B⎞
−2 n +1

⎜ 2⎜ ⎟ ⎟
1 ⎜ 4n ⎝ 2⎠ ⎟
Bz inf = ⎜ −
2 2n − 1 2n − 1 ⎟
⎜ ⎟
⎜ ⎟
⎝ ⎠
Când B→∞ expresia marginii inferioare devine:
2n
Bzinf =
2n - 1

S-a demonstrat aşadar că:

Bz inf ≤ Bz ≤ Bz sup

Trecând la limită în această relaţie pentru n → ∞, se obţine:

1 ≤ Bz ≤ 2

Valoarea relativ mare a lui Bzinf arată că utilizarea filtrării liniare nu conduce la
rezultate remercabile atunci când RSZ al semnalului de prelucrat este mic. De aceea în
aceste situaţii se recomandă utilizarea filtrelor neliniare [Ana., Ven. ’89], [Isa., Isa.
’92].
1.3. – Îmbunătăţirea RSZ 43

OBSERVAŢII
O1. Dacă pulsaţia de tăiere a filtrului Butterworth ar fi fost ω0 (ω0 diferit de 1)
s-ar fi obţinut:

2 1
H(ω) = 2n
⎛ ω ⎞
1 + ⎜⎜ ⎟⎟
⎝ ω0 ⎠

B
Bz1 = 2ω0 arctg
2ω0

⎡ B B

⎢ 1 ω 2 + 2ω + 1 2 ω0
ω0 2ω 2 ω0

Bz 2 = ω0 ⎢ ⋅ ln 2 + ⋅ arctg ⎥
2 2 ω − 2ω + 1 B 2 2 1 − ω2 B
⎢ − −
2 ω0 ⎥
⎣ 2 ω0 ⎦

Aceste relaţii pot fi obţinute şi prin particularizările n = 1 şi respectiv n = 2 în


relaţia (8) din [Naf. ’92].

⎡ ω0 B
2
⎤ ⎡ B

⎢ ⎥ ⎢ 1 2

Bz s = 2 ⎢ ∫ dω + ∫ ω dω⎥ = 2 ω0 +
−2n
⋅ω − 2 n +1
⎢ 1 − 2n ω0 ⎥
⎢0 ω0 ⎥ ⎢
⎣ ⎦⎥
⎣ ⎦

⎡ B

⎢ 1 − 2 n +1
2

Bz i = ω 0 + ⋅ω
⎢ 1 − 2n ω0 ⎥
⎢⎣ ⎥⎦

O2. Caracteristicile asimptotice depind doar de ordinul filtrului şi nu de tipul de


aproximare utilizat. De aceea marginea Bzs este aceeaşi şi pentru filtrele de tip Bessel. Se
poate determina şi pentru acest tip de aproximaţie o margine inferioară pentru banda de
zgomot, numai că expresia acesteia va fi diferită de Bzi deoarece în acest caz frecvenţa de
tăiere depinde de ordinul filtrului. Metoda propusă ar putea fi utilizată şi în cazul
aproximării de tip Cebîşev chiar dacă, în acest caz, caracteristica reală (curba II din figura
1.3.1a)) oscilează în jurul caracteristicii asimptotice (curba I) în banda de trecere. Având
în vedere însă că amplitudinea oscilaţiilor este mică, metoda propusă conduce la rezultate
bune.
44 Introducere - 1

Figura 1.3.3. Un exemplu de utilizare a filtrelor transversale pentru îmbunătăţirea


raportului semnal pe zgomot în cazul semnalelor periodice.

O3. Metoda de estimare a benzii echivalente de zgomot poate fi generalizată cu


uşurinţă şi pentru cazul filtrelor de tip trece sus, trece bandă sau opreşte bandă, prin
transformări de variabilă. Există o categorie de filtre analogice, filtrele transversale, prin a
căror utilizare raportul semnal pe zgomot poate fi îmbunătăţit şi mai mult. Un exemplu
este prezentat în figura 1.3.3.
Considerând că semnalul x(t) este un zgomot alb de bandă limitată, pentru tipul
de filtru din figura 1.3.3, se obţine:

N0
B
2 π B
χ = =
N0 C
C

1.3.2. Utilizarea filtrelor transversale pentru prelucrarea semnalelor periodice

După cum s-a văzut în ultima observaţie din paragraful precedent, în cazul
semnalelor periodice filtrele transversale sunt superioare filtrelor clasice, din punct de
vedere al îmbunătăţirii raportului semnal pe zgomot.
1.3. – Îmbunătăţirea RSZ 45

Figura 1.3.2.1. Schema bloc a unui filtru transversal.

În figura 1.3.2.1. se prezintă schema bloc a unui filtru transversal analogic. Se


cunoaşte legătura dintre semnalele de intrare şi de ieşire:

y(t) = a 0 x(t) + a 1 x(t − τ) + a 2 x(t − 2τ) + ... + a n x(t − nτ)

Luând transformata Fourier în cei doi membrii ai acestei relaţii, se obţine:

Y(ω) = a 0 X(ω) + a 1 ⋅ e − jωτ X(ω) + ... + a n ⋅ e − jω⋅nτ X(ω)

Deci răspunsul în frecvenţă al filtrului transversal analogic este:

Y(ω) n
⎛ 2π ⎞ ⎛ 2π ⎞
= H T (ω) = ∑ a k e- j⎜⎝ ω + τ ⎟⎠ kτ = H T ⎜ ω + ⎟
X(ω) k =0 ⎝ τ ⎠

şi se observă că răspunsul în frecvenţă al unui filtru analogic transversal este o funcţie


periodică (ceea ce justifică şi graficele din figura 1.3.3). Dacă se impune condiţia:

1 n − j( ωkτ) 1 1 − e − jω( n +1) τ


H T (ω) = ∑e
n + 1 k =0
=
n + 1 1 − e − jωτ
46 Introducere - 1

sau:

⎡ τ⎤
n sin ⎢(n + 1)ω ⎥ (69)
1 − jω τ ⎣ 2⎦
H T (ω) = e 2
n +1 τ
sin ω
2

făcând notaţia:

ωτ
x=
2

se observă că:

⎛ 2π ⎞ 1 sin [(n + 1)x ]


HT ⎜ k ⎟ = lim =1
⎝ τ ⎠ n + 1 x →0 sin x

Astfel spectrul de amplitudini al semnalelor periodice, de perioadă τ, este


neafectat de prelucrarea acestor semnale cu mediatorul analogic.
În cazul în care la intrarea unui astfel de sistem este adus un zgomot alb nB(t),
de bandă limitată B şi care are media nulă, la ieşirea acestui sistem se obţine un semnal
aleator staţionar şi ergodic, nB0(t). Media acestuia se calculează ţinând seama că
operatorul de mediere statistică E{ } este liniar. Rezultă:

⎧ 1 n ⎫ 1 n
E {n B0 (t)} = E ⎨ ∑ B n (t - k τ ) ⎬ = ∑ E {n B (t - kτ)}
⎩ n + 1 k =0 ⎭ n + 1 k =0

şi pentru că nB(t) este staţionar avem în continuare:

1 n
E {n B0 (t)} = ∑0=0
n + 1 k =0

Dispersia semnalului nB0(t) este:

⎧⎪⎧ 1 n ⎫ ⎫⎪
2
2
E {n (t)} = E ⎨⎨
B0 ∑ n B (t - kτ)⎬⎭ ⎬⎪ =
⎪⎩⎩ n + 1 k = 0 ⎭
1.3. – Îmbunătăţirea RSZ 47

⎧n ⎫
1 ⎪ n n

= 2
E ⎨ ∑
(n + 1 ) ⎪ k = 0
n 2
B ( t − k τ ) + ∑ ∑ n B ( t − kτ)n B ( t − lτ)⎬ =
k =0 l=0, ⎪
⎩ l≠ k ⎭
(70)
n n
1 1
2∑ ∑ E { n B (t - kτ) n B (t - kτ)}
= E { n 2B (t - kτ)} +
(n + 1 ) k = 0 (n + 1 )2 k = 0

Dar:

E {n 2B (t - kτ) } = σ 2n = R n B n B (0) = Pn B

Figura 1.3.2.2. Densitatea spectrală de putere a unui zgomot alb de bandă limitată.

În figura 1.3.2.2 se prezintă densitatea spectrală de putere, ϕnB, a semnalului


nB(t). Autocorelaţia acestui semnal aleator este:
48 Introducere - 1

B B
2 2
N0 N0
∫e ∫ d(e
j ωt jω t
R n Bn B (t) = dω = )
2π B 2πjt B
− −
2 2

N ⎛ j ⋅t − j ⋅t ⎞
B B
N 2
= 0 e jωt = 0 ⎜⎜ e 2 − e 2 ⎟⎟ =
2πjt −
B 2πjt ⎝ ⎠
2

B Bt
N 0 2j sin t sin
2 = N0 sin Bt N B 2
= = 0⋅
2πjt πt 2 π 2 Bt
2

Se constată că:

E {n 2B (t - kτ) } = σ 2n = R n B n B (0) = Pn B
⎛ 2π ⎞
R n Bn B ⎜ k ⎟=0 (∀) k ∈ Z − {0} (71)
⎝ B⎠

În cazul în care banda zgomotului alb, B, este un multiplu întreg al pulsaţiei


ω0 = 2π⁄τ, conform relaţiei (71) se obţine:

⎛ 2π ⎞
E{n B (t - kτ)n B (t - lτ)} = R n B n B ((l - k)τ) = R n B n B ⎜⎜ (l - k) ⎟⎟ =
⎝ ω0 ⎠
⎛ 2π ⎞
= R n B n B ⎜ (l - k)p ⎟ = 0
⎝ B⎠

Deci, dacă se respectă condiţia:

B = pω 0 , p ∈ Z − {0} (72)

atunci relaţia (70) devine:


1.3. – Îmbunătăţirea RSZ 49

{ }
Pn B 0 = E n 2B0 ( t ) = P n
n +1
(73)

Prin urmare se poate afirma că, dacă la intrarea unui mediator analogic se
aduce semnalul x(t):

x(t) = s(t) + n(t)

unde s(t) este un semnal periodic de perioadă τ şi n(t) un zgomot alb de bandă limitată,
B, şi se respectă condiţia (72), atunci la ieşirea mediatorului se obţine un semnal
y(t)care este de forma:

y(t) = u(t) + n B0 (t)

cu Ps = Pu şi o îmbunătăţire a raportului semnal pe zgomot de:

Pn B
χ=
P n B0
sau, folosind relaţia (73):

χ = n +1 (74)

Se constată că îmbunătăţirea raportului semnal pe zgomot obţinută astfel este


egală cu numărul liniilor de întârziere ale filtrului transversal folosit.

OBSERVAŢII

O1. Având în vedere că p din condiţia (72) poate fi orice număr întreg nenul,
această condiţie nu este prea restrictivă.
O2. Relaţia (74) arată că îmbunătăţirea raportului semnal pe zgomot introdusă
cu metoda descrisă poate fi oricât de mare, principala limitare fiind impusă de
complexitatea sistemului de filtrare obţinut.
O3. Caracteristica de fază a mediatorului analogic (relaţia (69)) este liniară pe
porţiuni. Deci o dată cu creşterea ordinului filtrului transversal va creşte şi întârzierea
introdusă de acesta.
O4. Construcţia unor sisteme de acest tip este dificilă datorită dificultăţii cu
care se construiesc liniile de întârziere analogice. De obicei filtrele transversale
analogice se construiesc cu ajutorul filtrelor transversale numerice [Naf., Isa. ’91] sau
50 Introducere - 1

cu ajutorul dispozitivelor de transfer de sarcină [Eze., Jen. ’92]. Liniile de întârziere


pot fi realizate şi cu ajutorul filtrelor trece tot.
O5. Filtrul transversal este una din structurile de bază folosite în construcţia
sistemelor cu parametrii variabili în timp, ca de exemplu a filtrelor adaptive. Această
observaţie este importantă deoarece nici un semnal întâlnit în practică nu este pur
periodic. Multe semnale cvasistaţionare (folosite frecvent în practică) pot fi privite însă
ca o succesiune de semnale periodice pe porţiuni. Raportul semnal pe zgomot în aceste
cazuri poate fi crescut prin utilizarea unor filtre transversale cu parametrii variabili în
timp.
O6. Performanţa specificată de relaţia (74) este atinsă doar dacă zgomotul care
trebuie înlăturat este alb. De îndată ce această condiţie nu mai este îndeplinită
performanţele filtrului transversal devin mai slabe.
O7. Este evident că, pentru construcţia filtrului transversal este necesară
cunoaşterea perioadei semnalului s(t), τ. Din păcate această mărime nu este
întotdeauna cunoscută. În aceste cazuri poate fi utilizată detecţia sincronă.
CAPITOLUL 2. Metode de sinteză a filtrelor

Scopul acestui capitol este de a prezenta câteva aspecte referitoare la filtrele


analogice, liniare şi invariante în timp. Deşi există o literatură bogată referitoare la
sinteza filrelor pasive din care cităm doar [Mat., Dum., Sta., ’2001] în acest capitol se
va prezenta o singură metodă de sinteză, poate cea mai simplă.
Se analizează în domeniul frecvenţă structurile de filtre pasive implementate
prin reţele în scară conectate între terminaţii neideale.
Funcţiile de transfer ale filtrelor analizate sunt aproximări de tip Butterworth,
Cebâşev sau Bessel ale unor filtre de tip trece jos, trece sus sau trece bandă ideale.

2.1. Filtre pasive

2.1.1. Sinteza diporţilor pur reactivi conectaţi între terminaţii neideale

Diporţii pur reactivi sunt reţele de elemente nedisipative: bobine şi


condensatoare. Terminaţiile neideale sunt rezistenţe nenule de valoare finită.
Considerând diportul D din figura 2.1.1.1, prin sinteză se urmăreşte determinarea unei
scheme de implementare a diportului pe baza funcţiei de transfer:

U 2 (s)
H(s)= (1)
E(s)
R1 I1 1 I2 2

E U1 D U2 R2

Zin 1 1’ 2’

Figura 2.1.1.1. Schema bloc a unui diport pur reactiv.

Analiza acestui diport poate fi făcută fără a ţine seama de structura internă,
prin stabilirea legăturilor între transformatele U1, I1, U2 şi I2. Admiţând că două dintre
aceste transformate sunt variabile independente, se pot exprima C 24 familii de relaţii de
legătură între cele patru transformate.
52 Metode de sinteză – 2

2.1.2. Parametrii matriciali ai diporţilor pasivi

Notând prin Mi matricea coloană formată din cele două transformate


independente şi prin Md matricea coloană formată din cele două transformate
dependente de primele două, legătura dintre cele patru transformate se poate exprima
matricial prin relaţia:

Md = Mp Mi (2)

unde prin Mp s-a notat matricea parametrilor. În tabelul 2.1.2.1 sunt prezentate
caracterizările matriciale ale diporţilor folosind parametrii matriciali Z, Y şi A.

Tabelul 2.1.2.1. Caracterizările matriciale ale diporţilor


folosind parametrii matriciali Z,Y şi A.
Mi Md Mp Definiţiile parametrilor Observaţii
Parametrii z:
U1
Z11 = ;
I1 I 2 = 0 Condiţia de
reciprocitate
U1
⎡ I1 ⎤ ⎡ U1 ⎤ ⎡ Z11 Z12 ⎤ Z12 = Z 12 = Z 21
I 2 I1 = 0 -------------------
⎢I ⎥ ⎢U ⎥ ⎢Z Z 22 ⎥⎦
⎣ 2⎦ ⎣ 2⎦ ⎣ 21 U2 Condiţia de
Z 21 = ; simetrie
I1 I 2 = 0 Z 11 = Z 22
U2
Z 22 =
I 2 I1 = 0
Parametrii y: Condiţia de
I1 reciprocitate
y11 = ; y 12 = y 21
U1 U 2 = 0
-------------------
I1 Condiţia de
⎡ U 1 ⎤ ⎡ I1 ⎤ ⎡ y11 y12 ⎤ y12 = simetrie
U 2 U1 = 0
⎢ U ⎥ ⎢I ⎥ ⎢y y 22 ⎥⎦ y 11 = y 22
⎣ 2⎦ ⎣ 2⎦ ⎣ 21 I2
y 21 = ;
U1 U 2 = 0
I2
y 22 =
U 2 U1 = 0
2.1. – Filtre pasive 53

Tabelul 2.1.2.1. Caracterizările matriciale ale diporţilor


folosind parametrii matriciali Z,Y şi A (continuare).
Mi Md Mp Definiţiile parametrilor Observaţii
Parametrii fundamentali: Condiţia de
U1 reciprocitate
A 11 = ; A 11 A 22 -A 12
U2 − I2 = 0
A 21 = 1
U -------------------
⎡U 2 ⎤ ⎡U1 ⎤ ⎡ A 11 A 12 ⎤ A 12 = 1
− I2 U2 = 0 Condiţia de
⎢− I ⎥ ⎢I ⎥ ⎢A A 22 ⎥⎦
⎣ 2⎦ ⎣1 ⎦ ⎣ 21 simetrie
I1
A 21 = ; A 11 = A 22
U2 − I2 = 0
I1
A 22 =
− I2 U2 = 0

2.1.3. Parametrii de lucru ai diporţilor

Aceşti parametri sunt folosiţi la analiza diporţilor închişi pe terminaţii


neideale, facilitând analiza circuitelor pe baza funcţiilor lor de transfer. Considerând
circuitul din figura 2.1.3.1, parametrii săi de lucru sunt impedanţa de intrare şi funcţia
de transfer de la generator la sarcină.

Figura 2.1.3.1. Schema de conectare a diportului studiat.

Definiţie. Se numeşte funcţie de transfer de lucru şi se notează Γ(s) expresia:

1 E Zs
Γ(s ) = ⋅ ⋅ (3)
2 U2 Zg
54 Metode de sinteză – 2

Se observă că legătura dintre funcţia de transfer de lucru, Γ(s) şi funcţia de


transfer în tensiune a circuitului:

E (4)
H(s ) =
U2

este:
1 Zs 1
Γ(s ) = ⋅ (5)
2 Z g H(s )

Impedanţa de intrare în diport la poarta 1 se calculează cu relaţia:

U 1 (s )
Z in 1 =
I1 (s )

Definiţie. Se numeşte coeficient de transfer de neadaptare la poarta 1 şi se


notează ρin 1, expresia:

Z g − Z in 1
ρ in 1 = (6)
Z g + Z in 1

2.1.4. Parametrii de repartiţie ai diporţilor

Aceşti parametri sunt destinaţi analizei transferului de putere printr-un diport


între generatorul de semnal şi sarcină. Neadaptarea la una din porţile unui diport se
poate pune în evidenţă şi prin puterea reflectată la acea poartă.
Puterea refelectată la poarta 1 se poate considera ca fiind generată de către un
generator conectat la poarta 2. De aceea, circuitul care conţine un diport poate fi
reprezentat şi ca în figura 2.1.4.1.
R01 I1 1 I2 2 R02

E1 U1 D U2 E2

1’ 2’

Figura 2.1.4.1. Evidenţierea neadaptării în putere a diportului la ieşire.


2.1. – Filtre pasive 55

Definiţie. Se numeşte matrice de incidenţă şi se notează cu [a] matricea


coloană:

⎡1 1 ⎤
⎢ 2 ⋅ R (U 1 + I1 R 01 ) ⎥ (7)
[a ] = ⎢⎢ 01 ⎥

1 1
⎢ ⋅ (U 2 + I 2 R 02 )⎥
⎢⎣ 2 R 02 ⎥⎦

Definiţie. Se numeşte matrice de reflexie şi se notează cu [b] matricea coloană:

⎡1 1 ⎤
⎢ 2 R (U 1 − I1 R 01 ) ⎥
⋅ (8)
[b] = ⎢⎢ 01 ⎥

1 1
⎢ ⋅ (U 2 − I 2 R 02 )⎥
⎣⎢ 2 R 02 ⎦⎥

Definiţie. Se numeşte matrice de repartiţie şi se notează cu [s] matricea


definită prin:

[b] = [s][a] (9)

Ţinând seama de ultima definiţie, parametrii s pot fi exprimaţi în funcţie de


parametrii de lucru ai aceluiaşi circuit după cum urmează:

( 7 ),( 8 ) U − I R
(9)
b1 (10)
s11 = = 1 1 01
U = - ρ in 1
a1 a 2 = 0 U 1 + I1 R 01 2 = −R 02
I2

1
(U1 − I1R 01 ) (11)
( 7 ),( 8 ) 2 R
b1
(9)
01 1
s12 = = U1 =
a 2 a1 = 0 1
(U 2 + I 2 R 02 ) I1 = −R 01 Γ21
2 R 02

Similar se pot deduce relaţiile:


56 Metode de sinteză – 2

1 (12)
s 21 =
Γ12

s 22 = - ρ in 2 (13)

Definind matriceal puterea vehiculată prin diport cu formula:

⎡ U1* ⎤ (14)
[P] = ⎢ *
⎥ ⋅ [I1 I2 ]
⎢⎣ U 2 ⎥⎦

se poate demonstra prin calcul, identitatea:

[P] = ([a ]*T + [b]*T )([a ] − [b]) (15)

unde cu [a ]T şi [b]T s-au notat transpusele matricilor formate cu conjugatele


* *

elementelor matricilor [a] şi [b].


Dacă se doreşte determinarea puterii disipate în diport, Pd, având în vedere că
aceasta este pur reală, separând partea reală din membrul drept al relaţiei (15), se
obţine:

Pd = [a ]T [a ] − [b]T [b] (16)


* *

Dar, în cazul diporţilor pur reactivi, este îndeplinită condiţia:

Pd = 0 (17)

şi deci:

[a ]*T [a ] − [b]*T [b] = 0 (18)

sau, ţinând seama de definiţia matricii [s]:

[a ]*T [a ] − ( [s][a ] )*T ( [s][a ] ) = 0 (19)

adică:

[a ]*T [a ] − [a ]*T [s]*T [s][a ] = 0 (20)


2.1. – Filtre pasive 57

sau:

[a ]*T ( [1] − [s]*T [s] )[a ] = 0 (21)


unde cu [l] s-a notat matricea unitate. Această condiţie este îndeplinită dacă:

[s]*T [s] = [1] (22)

Relaţia (22) conduce la condiţiile:

*
s11 s11 + s *21s 21 = 1 (23)

*
s12 s12 + s *22 s 22 = 1 (24)

care se mai scriu:

2
s11 + s 21 = 1
2 (25)

2
s12 + s 22 = 1
2 (26)

Înmulţind la stânga cu [s] şi la dreapta cu [s]-1 relaţia (22), se obţine:

[s][s]*T = [1] (27)

condiţie din care decurg ecuaţiile:

*
s11s11 + s12 s12
*
=1 (28)

s 21s *21 + s 22 s *22 = 1 (29)

Din relaţiile (25), (26), (28) şi (29) se constată că:

2
s 21 = s12
2
şi că
2
s11 = s 22
2 (30)

Ţinând seama de relaţiile (10) şi (11), relaţia (30) se mai scrie:


58 Metode de sinteză – 2

2 2
2 1 ( 30 )
1
ρ in 1 = 1− = 1− (31)
Γ21 Γ12

relaţie care permite stabilirea legăturii dintre parametrii de lucru ai unui diport
nedisipativ.

2.1.5. Sinteza propriuzisă

Aşa după cum s-a arătat, în cazul diporţilor pur reactivi, caracterizaţi prin
parametrii de repartiţie, este valabilă relaţia:

|S11| 2 + |S21| 2 =1 (32)

Ţinând însă seama de legătura dintre parametrii de repartiţie şi parametrii de


lucru ai diporţilor relaţia (32) se poate scrie:

| ρ in1| 2 = 1 - |1/ Γ 12| 2 (33)

Dar legătura dintre funcţia de transfer Γ 12(s) şi funcţia de transfer H(s) este:

Γ 12(s) = (1/2) R 2 / R 1 (1/H(s)) (34)

Relaţia (33) devine astfel:

| ρ in1(s)| 2 = 1 – 4(R1/R2)|H(s)| 2 (35)

Pentru s = jω relaţia (35) se mai scrie:

ρ in1(s) ρ in1(-s) = 1 – 4(R1/R2)H(s)H(-s) (36)

relaţie din care se poate determina coeficientul de reflexie la intrare ρ in1(s), pe baza
căruia se poate calcula impedanţa de intrare:

Z in1(s) = R1(1 – ρ in1(s)) / (1 + ρ in1(s)) (37)

Diportul din figura 2.1.1.1 poate fi privit ca un uniport cu poarta 11’, rezistenţa
R2 fiind ultimul său element. Un astfel de circuit poate fi sintetizat după impedanţa sa
de intrare folosind metoda Cauer [Mat., Dum., Sta., ’2001]. Rezultatul obţinut va fi o
2.1. – Filtre pasive 59

reţea în scară formată cu bobine şi condensatoare conectată în locul diportului din


figura 2.1.1.1.
Modalitatea de sinteză prezentată este exemplificată în continuare prin
determinarea schemei unui diport LC conectat între terminaţii unitare, cu funcţia de
transfer:

H(s) = (1/2)(s2 + 2 s + 1) (38)

Funcţia (36) devine, în acest caz particular:

ρ in1(s) ρ in1(-s) = 1 – [4(1/4) / (s2 + 2 s + 1)][1 / (s2 - 2 s + 1)] (39)

sau:

ρ in1(s) ρ in1(-s) = 1 – 1 / [(s2 + 1) 2 – 2s 2] = s 4 / (s 4 +1) (40)

Deci:

ρ in1(s) ρ in1(-s) = [( ± s 2) / (s2 - 2 s + 1)] [( ± s 2) / (s2 + 2 s + 1)] (41)

Alegând:
ρ in1(s) = -(s 2) / (s2 + 2 s + 1)] (42)

se obţine, conform relaţiei (37):

Z in1(s) = (2s2 + 2 s + 1) / ( 2 s + 1) (43)

sau:
Z in1(s) =( 2 s + 1) / (2s2+ 2 s + 1) (44)

Circuitul cu impedanţa de intrare dată de relaţia (43) este prezentat în figura 2.1.5.1.

Figura 2.1.5.1. Schema diportului pasiv cu impedanţa de intrare specificată în relaţia (44).
60 Metode de sinteză – 2

Diportul cu funcţia de transfer dată este prezentat în figura 2.1.5.2.


1 1 2 2

E 2 1
1’
2’

Figura 2.1.5.2. Schema diportului pasiv cu funcţia de transfer specificată în relaţia (38).

Dacă s-ar fi ales pentru ρ in1(s) expresia:

ρ in1(s) = s 2 / (s2 + 2 s + 1) (45)

s-ar fi obţinut circuitul din figura 2.1.5.3.

1 1 2 2

E 2 1

1
2’

Figura 2.1.5.3. O altă variantă de implementare a diportului considerat.

2.1.6. Proiectarea filtrelor pasive de tip Butterworth, Cebâşev sau Bessel

Filtrele de tip Butterworth, Cebâşev sau Bessel pot fi implementate pe baza


funcţiilor lor de transfer, cu ajutorul unor reţele pur reactive conectate între terminaţii
neideale. În telecomunicaţii, acetse filtre se conectează pe linii de impedanţă
caracteristică cunoscută, Zc. Considerând această impedanţă pur rezistivă, conectarea
filtrului pe linie se face după modelul din figura 2.1.1.1, valorile celor două rezistenţe
R1 şi R2 fiind egale cu Zc. Pentru proiectarea acestor filtre se utilizează prototipuri
normalizate în frecvenţă şi în impedanţă. Schemele unor filtre prototip normalizate în
impedanţă, la valoarea Rg = Rs =1 Ω sunt prezentate în figura 2.1.6.1.
Valorile componentelor acestor scheme, corespunzătoare unor filtre trece jos
de tip Butterworth, Cebâşev sau Bessel normalizate în frecvenţă, astfel încât să aibă
valoarea pulsaţiei de tăiere ωs=1 rad/s, sunt date în tabelele 2.1.6.1, 2.1.6.2 şi 2.1.6.3.
Valorile inductivităţilor sunt date în H, valorile capacităţilor sunt date în F iar ordinul
filtrului este cuprins între 2 şi 10.
2.1. – Filtre pasive 61

Figura 2.1.6.1. Filtre pasive în scară proptotip.

Tabelul 2.1.6.1 Filtre de tip Butterworth


C1 L2 C3 L4 C5 L6 C7 L8 C8 L10
n
L1 ’ C2’ L3 ’ C4’ L5 ’ C6’ L7 ’ C8’ L9 ’ C10’
2 1,4142 1,4142
3 1 2 1
4 0,7654 1,8478 1,8478 0,7654
5 0,6180 1,6180 2 1,6180 0,6180
6 0,5176 1,4142 1,9319 1,9319 1,4142 0,5176
7 0,4450 1,2470 1,8019 2 1,8019 1,2470 0,4450
8 0,3902 1,1111 1,6629 1,9616 1,9616 1,6629 1,1111 0,3902
9 0,3473 1 1,5321 1,8794 2 1,8794 1,5321 1 0,3473
10 0,3129 0,9080 1,4142 1,7820 1,9754 1,9754 1,7820 1,4142 0,9080 0,3129

Tabelul 2.1.6.2 Filtre de tip Cebâşev.


C1 L2 C3 L4 C5 L6 C7 L8 C8 L10
n
L1 ’ C2’ L3 ’ C4’ L5 ’ C6’ L7 ’ C8’ L9 ’ C10’
3 1,5963 1,0967 1,5963
5 1,7058 1,2296 2,5408 1,2296 1,7058
7 2,1666 1,1115 3,0926 1,1735 3,0936 1,1115 2,1666
9 1,7504 1,2690 2,6678 1,3673 2,7239 1,3693 2,6698 1,2690 1,7504
62 Metode de sinteză – 2

Tabelul 2.1.6.3. Filtre de tip Bessel.


C1 L2 C3 L4 C5 L6 C7 L8 C8 L10
n
L 1’ C2’ L 3’ C4’ L 5’ C6’ L 7’ C8’ L 9’ C10’
2 1,5774 0,4226
3 1,2550 0,5029 0,1972
4 1,0598 0,5116 0,3181 0,1104
5 0,9303 0,4577 0,8812 0,2090 0,0718
6 0,8377 0,4116 0,3158 0,2364 0,1460 0,0505
7 0,7677 0,3744 0,2844 0,2378 0,1778 0,1104 0,0375
8 0,7125 0,3446 0,2735 0,2297 0,1867 0,1367 0,085 0,289
9 0,6678 0,3703 0,2547 0,2184 0,1859 0,1506 0,1111 0,0682 0,0230
10 0,6305 0,3008 0,2384 0,2066 0,1809 0,1539 0,1240 0,0911 0,0577 0,0187

Dacă se doreşte proiectarea unui filtru trece jos pe o linie cu impedanţa


caracteristică diferită de 1, de exemplu cu impedanţa caracteristică egală cu R, atunci
valorile din structura noului filtru Lk’ şi Ck’, se obţin din valorile vechiului filtru Lk şi
Ck, prin denormalizare în impedanţă, cu formulele:

Lk’ = RLk ,k = 1, n (46)

şi:
Ck’ = Ck / R ,k = 1, n (47)

Dacă se doreşte proiectarea unui filtru trec jos cu pulsaţia de tăiere ωs’, atunci
valorile din structura noului filtru Lk’’ şi Ck’’, se obţin din valorile vechiului filtru Lk şi
Ck, prin denormalizare în frecvenţă cu formulele:

Lk’’ = Lk / ωs’ ,k = 1, n (48)

şi:

Ck’’ = Ck / ωs’ ,k = 1, n (49)

Pornind de la filtre trece jos prototip, prin transformări de frecvenţă şi


reactanţă, se pot obţine filtre de tip trece sus, trece bandă sau opreşte bandă prototip,
din care, prin denormalizare de impedanţă şi frecvenţă, se pot obţine filtre trece sus,
trece bandă sau opreşte bandă, cu orice frecvenţă de tăiere (centrală) şi terminate pe
orice rezistenţe de valoare egală.
2.1. – Filtre pasive 63

Figura 2.1.6.2. Schimbările de variabilă şi de reactanţă care guvernează transformările


dintre diferite tipuri de filtre.
64 Metode de sinteză – 2

Transformările amintite mai sus sunt prezentate în figura 2.1.6.2.


În continuare se dă un exemplu de proiectare a unui filtru opreşte bandă de
ordinul 6, cu Rg = Rs = 1 kΩ, cu o bandă ωs = 2π103 rad/s şi o frecvenţă centrală de
5kHz, pornind de la un prototip trece jos de tip Butterworth.
Deoarece:

ωs = 2π103 rad/s şi ωr = 10π103 rad/s

atunci:

ωs / ωr = 1/5 = 0.2 (50)

Dacă se consideră pentru început că valoarea normată a pulsaţiei centrale a


filtrului opreşte bandă este ωr n = 1 rad/s, valoarea normată a benzii sale de pulsaţii va
fi:

ωs n = 0.2 rad/s

Dar aceasta este chiar valoarea benzii de blocare a filtrului trece sus.
Considerând că ω 0 = 1 rad/s, valoarea necesară benzii de trecere a filtrului trce
jos, din care provine prin transformări de frecvenţă filtrul opreşte bandă, este:

ωTn = ω 02 / ωs = 5 rad/s (51)

Având în vedere că prin transformările de frecvenţă (datorită trecerii trece jos-


opreşte bandă) unui sistem trece jos de ordinul m îi corespunde un sistem opreşte
bandă de ordinul 2m, filtrului opreşte bandă considerat îi corespunde, folosind schema
din figura 2.1.6.1.b) şi Tabelul 2.1.6.1, schema filtrului trece jos prototip din figura
2.1.6.3.

Figura 2.1.6.3. Schema filtrului trece jos prototip pentru


exemplul de proiectare considerat.
2.1. – Filtre pasive 65

Făcând denormalizarea de frecvenţă la 5 rad/s, valoarea capacităţii devine de


0.4 F iar valorile inductivităţilor devin de 0.2 H. Făcând transformarea trece jos-trece
sus, se obţine filtrul cu frecvenţa de tăiere de 0.2 Hz prezentat în figura 2.1.6.4.

Figura 2.1.6.4. Schema filtrului trece sus obţinut


după denormalizarea de frecvenţă.

Făcând transformarea trece sus-opreşte bandă, se obţine filtrul cu pulsaţia


centrală de 1 rad/s şi banda de blocare de 0.2 rad/s cu schema prezentată în figura
2.1.6.5.

Figura 2.1.6.5. Schema filtrului opreşte bandă


cu pulsaţia centrală de 1 rad/s.

Făcând denormalizarea de frecvenţă la ωr = 2π5000 rad/s şi denormalizarea de


impedanţă la valoarea de 10000 Ω, se obţine schema filtrului final, prezentată în figura
2.1.6.6.

Figura 2.1.6.6. Schema filtrului proiectat.


66 Metode de sinteză – 2

2.2. Filtre active

În domeniul frecvenţelor joase este dificilă implementarea filtrelor


pasive având în vedere valorile mari necesare pentru inductivităţi şi capacităţi,
valori care implică un gabarit sporit al componentelor precum şi precizii scăzute
ale valorilor acestora.
Din acest motiv, în domeniul frecvenţelor joase se preferă utilizarea filtrelor
active. Acestea, pe lângă elementele active, folosesc şi componente pasive dar acestea
pot fi doar rezistoare sau condensatoare.
Deoarece implementarea unui filtru de ordin superior se poate realiza prin
metoda de conectare în cascadă a unor sisteme de ordinul I şi II, în continuare se vor
prezenta câteva tipuri de filtre active de ordinul I şi II.
De multe ori este interesant modul în care este afectată valoarea parametrului P
al filtrului de către valoarea (să o notăm cu x) a unei componente din schema sa. Pentru
a aprecia dependenţa lui P de x se defineşte sensibilitatea parametrului P de valoarea x,
SPx , prin formula:

∂P
∂ (ln P ) P
S Px = = (52)
∂ (ln x ) ∂x
x

De exemplu, dacă S Px = 0,5 atunci variaţia de 2 % a lui x conduce la o


modificare cu 1 % a lu P.

2.2.1. Filtre active de ordinul I

Aceste sisteme sunt caracterizate de funcţii de transfer de ordinul I. În


cazul filtrelor de tip trece jos expresia funcţiei de transfer este următoarea:

A
H TJ (s ) = (53)
s
1+
ω0 TJ

Implementările tipice ale filtrelor trece jos de ordinul I sunt prezentate în


tabelul 2.2.1.1.
2.2 – Filtre active 67

Tabelul 2.2.1.1. Implementări tipice ale filtrelor trece jos de ordinul I.


Valorile Denumire
Schema filtrului parametrilor
A ω 0 TJ

Integrator
R 1 amortizat

R1 RC

Integrator
R 1 neinversor
1+ 2
R1 RC

Tabelul 2.2.1.2. Implementări tipice ale filtrelor trece sus de ordinul I.


Valorile Denumire
Schema filtrului parametrilor
A ω 0 TS

Diferenţiator
C1 1 amortizat

C RC
68 Metode de sinteză – 2

Tabelul 2.2.1.2. Implementări tipice ale filtrelor trece sus de ordinul I (continuare).

Diferenţiator
R 1 neinversor
1+ 2
R1 RC

Funcţia de transfer pentru filtrul trece sus se obţine din funcţia de transfer a
filtrului trece jos prin schimbarea de variabilă:

ω0 TJ ⋅ ω0TS
s⎯
⎯→
s

adică:

A
H TS (s ) = (54)
ω
1 + 0TS
s

Schimbarea de variabilă specificată poate fi implementată făcând rocada între


rezistoarele şi condensatoarele prezente în schemele din tabelul 2.2.1.1. Rezultă astfel
schemele de filtre trece sus şi parametrii lor, prezentate în tabelul 2.2.1.2.
În continuare se prezintă câteva structuri de filtre active de ordinul II.

2.2.2. Filtre active de ordinul II

Expresiile principalelor funcţii de transfer ale sistemelor de ordinul II sunt


prezentate în tabelul 2.2.2.1.
2.2 – Filtre active 69

Tabelul 2.2.2.1. Expresiile principalelor funcţii de transfer


ale sistemelor de ordinul II.
Tipul Expresia funcţiei de Semnificaţia parametrilor Observaţii
filtrului transfer
T.J. A TJ A TJ = amplificarea în curent ξ Buteworth =
2⋅ξ s2 continuu 2
1+ ⋅s + 2 ω0 = pulsaţia de tăiere =
ω0 ω0 2
ξ = gradul de amortizare ξ Bessel =
3
=
2
T.S. s2 A TS = amplificarea la înaltă
A TS ⋅
ω02 frecvenţă
2⋅ξ s 2 ω0 = pulsaţia de tăiere
1+ ⋅s + 2 ξ = gradul de amortizare
ω0 ω0
T.B. 2⋅ξ ω0 = pulsaţia centrală
A TB ⋅ ⋅s
ω0 A TB = amplificarea la pulsaţia
2⋅ξ s2 centrală
1+ ⋅s + 2
ω0 ω0 1
ξ= = gradul de amortizare
2⋅Q
f
Q = 0 = factor de calitate
B
B = banda de frecvenţă la – 3 dB
O.B. ⎛ s ⎞ 2 A TB = amplificarea exterioară
A OB ⎜⎜1 + 2 ⎟⎟ benzii de blocare
⎝ ω0 ⎠
ω0 = pulsaţia centrală
2⋅ξ s2
1+ ⋅s + 2 ξ = gradul de amortizare
ω0 ω0
T.T 2⋅ξ s2 A TT = amplificarea în întreaga
1− ⋅s + 2
ω0 ω0 bandă
A TT ω0 = pulsaţia la care defazajul este
2⋅ξ s2
1+ ⋅s + 2 π
ω0 ω0 −
2
ξ = gradul de amortizare
70 Metode de sinteză – 2

Funcţiile de transfer de tip opreşte bandă şi de tip trece tot se pot sintetiza cu
ajutorul celorlalte funcţii de transfer.
Se observă că:

⎛ s2 ⎞
⎜ ⎟
⎜ 1 ω02 ⎟
⎟ = A ⋅ (H TJ (s ) + H TS (s ))
H OB = A ⋅⎜ + (55)
2⋅ξ s2 2⋅ξ s2
⎜⎜ 1 + ⋅s + 2 1+ ⋅s + 2 ⎟⎟
⎝ ω0 ω0 ω0 ω0 ⎠

relaţie care conduce la forma de implementare a unui filtru opreşte bandă de ordinul II,
aşa cum se observă şi din figura 2.2.2.1.

Figura 2.2.2.1. Forma de implementare a unui filtru opreşte bandă de ordinul II.

Aceeaşi expresie a funcţiei de transfer opreşte bandă poate fi pusă şi în


forma:

⎛ 2⋅ξ s2 2⋅ξ ⎞
⎜1+ ⋅s + 2 ⎟
⎜ ω0 ω0 ω0 ⎟
H OB = A ⋅⎜ − ⎟=
2⋅ξ s 2
2⋅ξ s2
⎜⎜ 1 + ⋅s + 2 1+ ⋅s + 2 ⎟⎟
⎝ ω0 ω0 ω0 ω0 ⎠ (56)
⎛ 2⋅ξ ⎞
⎜ ⎟
⎜ ω0 ⎟
= A ⋅ ⎜1 − ⎟
2⋅ξ s2
⎜⎜ 1 + ⋅s + 2 ⎟⎟
⎝ ω0 ω0 ⎠

adică:
2.2 – Filtre active 71

H OB (s ) = A ⋅ (1 − H TB (s )) (57)

cu implementarea din figura 2.2.2.2.

Figura 2.2.2.2. Forma de implementare a unui filtru opreşte bandă de ordinul II.

Referitor la funcţia de transfer trece tot, aceasta se poate sintetiza


conform relaţiei:

2⋅ξ s2
1 ω0 ω02
H TT = − + =
2⋅ξ s2 2⋅ξ s2 2⋅ξ s2
1+ ⋅s + 2 1+ ⋅s + 2 1+ ⋅s + 2
ω0 ω0 ω0 ω0 ω0 ω0
(58)

= H TJ + H TS − H TB

cu implementarea din figura 2.2.2.3.

Figura 2.2.2.3. Forma de implementare a unui filtru trece tot de ordinul II.
72 Metode de sinteză – 2

2.2.2.1. Structuri de filtre active de ordinul II cu un amplificator operaţional

Cele mai cunoscute structuri de filtre active cu un amplificator operaţional


sunt: structura cu reacţie simplă, cea cu reacţie multiplă şi cea cu amplificator
neinversor.

2.2.2.1.1. Filtre active cu reacţie simplă

Una dintre modalităţile de caracterizare a diporţilor pasivi, de tipul celor din


figura 2.2.2.1.1.1, este cu ajutorul parametrilor Y, conform sistemului de ecuaţii:

⎧I1 = Y11 ⋅ U1 + Y12 ⋅ U 2


⎨ (59)
⎩I 2 = Y21 ⋅ U1 + Y22 ⋅ U 2

1 I1 I2 2

U D U

1’ 2’

Figura 2.2.2.1.1.1. Un diport.

Structura de filtru activ cu reacţie simplă este prezentată în figura 2.2.2.1.1.2.

I Ie
D
Ii I’ -
Ui D’ U +

Figura 2.2.2.1.1.2. Schema unui filtru activ cu reacţie simplă.

Descrierea diporţilor D şi D’ din figura 2.2.2.1.1.2, pe baza parametrilor Y,


folosind ecuaţii de tipul celor din sistemul (59), conduce la relaţiile:
2.2 – Filtre active 73

I ' = Y21 ⋅ U 1 + Y22 ⋅ U (60)


(61)
I = Y11 ⋅ U + Y12 ⋅ U e

Tensiunea de ieşire a amplificatorului operaţional are transformata Laplace


U e (s ) şi este legată de transformata Laplace a tensiunii de intrare U i (s ) prin relaţia:

U e (s ) = - A (s ) ⋅ U 1 (s ) (62)

unde A(s) este funcţia de transfer în buclă deschisă a amplificatorului operaţional.


Dacă se consideră că valoarea impedanţei de intrare a amplificatorului
operaţional este infinită, atunci se poate scrie relaţia:

I(s ) + I ' (s ) = 0 (63)

Eliminând din relaţiile (60), (61), (62) şi (63) mărimile U(s), I(s) şi I’(s), se
obţine expresia funcţiei de transfer a filtrului:

U e (s ) Y21 (s )
= (64)
U i (s ) 1
[Y11 (s ) + Y22 (s )] − Y12 (s )
A(s )

Dependenţa de frecvenţă a amplificării în buclă deschisă a amplificatoarelor


operaţionale are aspectul din figura 2.2.2.1.1.3.

Figura 2.2.2.1.1.3. Caracteristica de frecvenţă a unui amplificator operaţional.

Având în vedere acest fapt, pentru frecvenţele joase o bună aproximare a


relaţiei (64) este:
74 Metode de sinteză – 2

U e (s ) Y21 (s )
= (65)
U i (s ) Y12 (s )

Relaţia (65) este o bună aproximare a expresiei funcţiei de transfer a filtrului


cu reacţie simplă în banda de frecvenţă în care valoarea minimă a lui |A(ω)| este încă
suficient de mare. Lăţimea acestei de benzi depinde de tipul amplificatorului
operaţional folosit: cu compensare internă sau cu compensare externă, de valoarea
amplificării în buclă deschisă la frecvenţă nulă a amplificatorului operaţional, precum
şi de valoare pretinsă a amplificării pentru filtru în banda de trecere a acestuia.
În tabelul 2.2.2.1.1.1 sunt prezentate câteva structuri pentru cuadripolii D şi D’,
a căror utilizare conduce la obţinerea unor filtre de tip trece jos, trece sus sau trece
bandă. Expresia funcţiilor de transfer ale filtrelor prezentate în tabelul 2.2.2.1.1.1. este
stabilită pe baza relaţiei (65). În tabel apar două tipuri de diporţi. Parametrii Y ai
acestora pot fi calculaţi pe baza parametrilor Y ai diporţilor în T şi π din figurile
2.2.2.1.1.4 şi 2.2.2.1.1.5.

1 Z1 Z3 2 1 Z2 2

I1 I2 I1 I2
U Z2 U U Z1 Z3 U

1’ ’ 1’ ’
2 2

Figura 2.2.2.1.1.4 . Diport în T. Figura 2.2.2.1.1.5. Diport în pi.

Pentru diportul în T:

I1
Y12 T = = (66)
U 2 U1 = 0
I1 I1
=
− I1 Z1 + I 2 Z 3 − I1 Z1 = (I1 + I 2 )Z 2 Z3
− I1 Z1 − (Z1 + Z 2 )I1
Z2

adică:
Z2
Y12 T = (67)
Z1 Z 2 + Z1 Z 3 + Z 2 Z 3
2.2 – Filtre active 75

şi:
I2
Y21 T = =
U1 U 2 = 0
(68)
I2 I2
=
− I 2 Z 3 + I1 Z1 − I 2 Z 3 = (I1 + I 2 )Z 2 Z1
− I 2 Z3 − (Z 2 + Z 3 )I 2
Z2
sau:

Z2
Y21 T =
Z1 Z 2 + Z1 Z 3 + Z 2 Z 3

Pentru diportul în π:

I1 1
Y12 π = =- (67’)
U 2 U1 = 0 Z2

şi:

I2 1
Y21 π = =- (68’)
U1 U 2 = 0 Z2

Z4
1 Z1 Z3 2

I1 I2
U Z2 U

1’ ’
2

Fig. 2.2.2.1.1.6. Diport în T podit.

În tabelul 2.2.2.1.1.1. sunt prezentaţi şi diporţi în T podit de tipul celui din


figura 2.2.2.1.1.6. Acesta poate fi privit ca şi diportul obţinut prin conectarea în paralel
a unui diport în T cu un diport în π în care Z1 = Z3 = ∞.
76 Metode de sinteză – 2

Având în vedere că prin conectarea în paralel a doi diporţi cu parametrii Yk şi


Yk k= 1÷4, se obţine un diport cu parametrii Yk'' daţi de relaţia:

Yk’’ = Yk + Yk’ (69)

pe baza relaţiilor (66), (67) şi (68), se pot calcula parametrii Y ai diportului în T podit,
obţinându-se, pentru schema din figura 2.2.2.1.1.6, valorile:

Z2 1
Y12 = - - = Y21 (70)
Z1 Z 2 + Z1 Z 3 + Z 2 Z 3 Z 4


Tabelul 2.2.2.1.1.1. Diferite structuri pentru cuadripolii D şi D .
Filtru cu funcţia de transfer de tip trece jos

Schema ⎛ ⎞
⎜ ⎟
cuadripolului D ⎜ 1/ s C2
y12 =− + s C3 ⎟
⎜ R3 R ⎟
⎜ + R 3R 4 + 4 ⎟
⎝ s C2 s C2 ⎠

Schema
cuadripolului D’
1 / s C1
y '21 = −
R1 R
+ R 1R 2 + 2
s C1 s C1

1
R 1 R 2 C1 C 3
Expresia funcţiei −
de transfer 1 ⎛ 1 1 ⎞ 1
s2 + ⎜⎜ + ⎟⎟s +
C 2 ⎝ R 3 R 4 ⎠ R 3R 4C 2C3

Ipoteza 1 ⎛ 1 1 ⎞ 1 ⎛ 1 1 ⎞
⎜⎜ + ⎟⎟ = ⎜⎜ + ⎟
C1 ⎝ R 1 R 2 ⎠ C2 ⎝ R 3 R 4 ⎟⎠
2.2 – Filtre active 77

Tabelul 2.2.2.1.1.1. Diferite structuri pentru cuadripolii D şi D’ (continuare).


Filtru cu funcţia de transfer de tip trece sus

Schema
cuadripolului D R1 1
y 12 = − −
R1 1 R2
2 + 2 2
sC s C

Schema
cuadripolului D’ R1
y '21 = −
R1 1
2 + 2 2
sC s C
s2
Expresia funcţiei −
1 1
de transfer s2 + 2s +
C R 2 C 2R 3R 4
Ipoteza –

Tabelul 2.2.2.1.1.1. Diferite structuri pentru cuadripolii D şi D’ (continuare).


Filtru cu funcţia de transfer de tip trece bandă

Schema 1/ s C3
cuadripolului D y 12 = −( + s C2 )
R2 + R3
+ R 2R 3
s C3
Schema 1
y '21 = −
cuadripolului D’ 1
R1 C1 R1 +
s C1
2 s C1 R
Expresia funcţiei
de transfer
1 + 2 R C 2s + s 2C 2C3R 2

R2 = R3 = R
Ipoteza C1 = C 2
R C3
R1 =
2 C1
78 Metode de sinteză – 2

2.2.2.1.2. Filtre active cu reacţie multiplă

Structura cu reacţie multiplă este prezentată în figura 2.2.2.1.2.1.

Figura 2.2.2.1.2.1. Filtru activ cu reacţie multiplă.

Se reaminteşte faptul că tensiunea din centrul unei stele de admitanţe de tipul


celei din figura 2.2.2.1.2.2 se poate calcula în funcţie de tensiunile din vârfurile stelei
cu formula:

∑U k ⋅ Yk (71)
Uc = k =1
n

∑Y
k =1
k

Figura 2.2.2.1.2.2. O stea de admitanţe.


2.2 – Filtre active 79

Particularizând formula (71) pentru nodurile M şi N din figura 2.2.2.1.2.1, se


pot scrie relaţiile:

U i ⋅ Y1 + U c ⋅ Y4 + U N ⋅ Y3
UM = (72)
Y1 + Y2 + Y3 + Y4

U M ⋅ Y3 + U e ⋅ Y5
UN = (73)
Y3 + Y5

Legătura dintre tensiunile de intrare şi ieşire în amplificatorul operaţional este:

U e (s ) = −A(s ) ⋅ U N (s ) (74)

unde A(s) reprezintă funcţia de transfer în buclă deschisă a amplificatorului


operaţional.
Eliminând funcţiile UN(s) şi UM(s), din relaţiile (72), (73) şi (74), se obţine
expresia funcţiei de transfer:

U e (s )
=
U i (s ) (75)
− Y1 Y3
=
Y3 Y4 + Y5 (Y1 + Y2 + Y3 + Y4 ) +
1
A(s )
[
(Y3 + Y5 )(Y1 + Y2 + Y3 + Y4 ) − Y32 ]

Având în vedere o dependenţă de frecvenţă a amplificării în buclă deschisă a


amplificatorului operaţional folosit de tipul celei din figura 2.2.2.1.1.3, pentru
frecvenţe joase, o bună aproximare a relaţiei (75) este:

U e (s ) Y1 Y3 (76)
=
U i (s ) Y4 Y3 + Y5 (Y1 + Y2 + Y3 + Y4 )

Relaţia (76) este o bună aproximare pentru relaţia (75) în aceleaşi condiţii în
care relaţia (65) aproximează bine relaţia (64). Printr-o bună alegere a tipului rezistiv
80 Metode de sinteză – 2

sau capacitiv al admitanţelor Y1, Y2, Y3, Y4, şi Y5, expresia funcţiei de transfer (76)
poate fi corespunzătoare unor filtre trece jos, trece sus sau trece bandă de ordinul II.
Formele generale ale acestor funcţii de transfer sunt prezentate în tabelul
2.2.2.1.2.1.

Tabelul 2.2.2.1.2.1. Formele generale ale funcţiilor de transfer pentru filtre trece jos,
trece sus sau trece bandă, de ordinul II.
Tipul funcţiei Expresia funcţiei
Observaţii
de transfer de transfer
A Tj A Tj - amplificarea circuitului
trece jos
1 + 2ζs / ω0 + s 2 / ω02 la joasă frecvenţă
ω 0 - pulsaţia de tăiere
s 2 / ω02 ⋅ A Ts ζ - coeficientul de amortizare
trece sus
1 + 2ζs / ω0 + s 2 / ω 02 A Ts - amplificarea circuitului
la înaltă frecvenţă
ω 0 - pulsaţia centrală a filtrului
A TB - amplificarea circuitului
2ζs / ω0 ⋅ A TB
trece bandă la pulsaţia ω 0
1 + 2ζs / ω0 + s 2 / ω 02
B = 2 ζω 0 - banda circuitului la
–3 dB

Tabelul 2.2.1.2.2. Modalităţile de implementare a diferitelor tipuri de funcţii de transfer


realizabile folosind structura cu reacţie multiplă.
Tipul funcţiei
y1 y 2 y3 y4 y5 Observaţii
de transfer

1
A Tj = - R4/R1; ω 0 =
R 3R 4 C 2 C5
trece jos 1/R1 sC1 1/R3 1/R4 sC5 ⎛ 1 1 1 ⎞
R 3 R 4 ⎜⎜ + + ⎟⎟C 5
1
ζ= ⋅ ⎝ R1 R 3 R 4 ⎠
2 R 3R 4C 2C5
2.2 – Filtre active 81

Tabelul 2.2.1.2.2. Modalităţile de implementare a diferitelor tipuri de funcţii de transfer


realizabile folosind structura cu reacţie multiplă (continuare).
Tipul funcţiei
y1 y 2 y3 y4 y5 Observaţii
de transfer
1
A Ts = - C1/C4; ω 0 =
R 2 R 5 C 3C 4
trece sus sC1 1/R2 sC3 sC4 1/R5
1 R 2 (C1 + C3 + C4 )
ζ= ⋅
2 R 2 R 5 C 3C 4
Dacă 2 ω02 ≥ A ⋅ B atunci
R5 C3
A TB = ⋅ ;
R 1 C3 + C 4
trece bandă 1/R1 1/R2 sC3 sC4 1/R5 1 C3 + C 4
B= ⋅ ;
R 5 C3C 4
1
ω0 =
C 3 C 4 R 5 (R 1 || R 2 )

În tabelul 2.2.2.1.2.2 sunt prezentate modalităţile de implementare a diferitelor


tipuri de funcţii de transfer realizabile folosind structura cu reacţie multiplă.

2.2.2.2. Sinteza filtrelor active pe baza unui prototip pasiv

Având în vedere prioritatea istorică a filtrelor pasive faţă de filtrele acrive, este
interesantă utilizarea experienţei dobândite în cazul sintezei filtrelor pasive la sinteza
filtrelor active.
În cazul telecomunicaţiilor se utilizează filtre pasive care sunt diporţi pur
reactivi conectaţi între rezistenţe de valoare finită, nenulă. Pentru sinteza filtrelor active
pornind de la astfel de prototipuri este necesară simularea inductivităţilor sau a unor
celule de elemente pasive folosind amplificatoare operaţionale.

2.2.2.2.1. Metode de simulare a inductivităţilor

Diportul din figura 2.2.2.2.1.1. poate fi caracterizat pe baza parametrilor


de transmisie A, B, C, D prin ecuaţiile:
82 Metode de sinteză – 2

⎧U 1 = A ⋅ U 2 − B ⋅ I 2
⎨ (78)
⎩ I1 = C ⋅ U 2 − D ⋅ I 2

Figura 2.2.2.2.1.1. Schema de conectare a unui diport.

Definiţiile parametrilor de transmisie rezultă din sistemul (78):

U1 U1 I1 I1
A= ; B=− ; C= ; D=− ; (79)
U2 I 2 =0
I2 U 2 =0
U2 I 2 =0
I2 U 2 =0

Impedanţa de intrare a diportului din figura 2.2.2.2.1.1 este:

U2
+B A⋅
U1 A ⋅ U 2 − B ⋅ I 2 − I2 A ⋅ Z2 + B
Z in = = = = (80)
I1 C ⋅ U2 − D ⋅ I2 U C ⋅ Z2 + D
C⋅ 2 + D
− I2

După tipul legăturii dintre impedanţele de intrare şi cea de sarcină, diporţii se


pot clasifica în următoarele categorii:
- convertor de imitanţă generalizat, G.I.C: el transformă imitanţa de sarcină
într-o imitanţă de acelaşi tip (dacă sarcina este o impedanţă se obţine tot o
impedanţă iar dacă sarcina este o admitanţă se obţine tot o admitanţă). Se
obţine pentru:

A
B = C = 0; Z in = Zs (81)
D

- invertor de imitanţă generalizat, G.I.V: el transformă impedanţa de sarcină


într-o admitanţă de intrare şi reciproc. Se obţine pentru:
2.2 – Filtre active 83

B 1
A = D = 0; Z in = (82)
C Zs
Un caz particular de G.I.V. este giratorul. În cazul acestui tip de diport:

1
B=
C

O modalitate de implementare cu amplificatoare operaţionale a convertoarelor


de imitanţă este prezentată în figura 2.2.2.2.1.2.

Figura 2.2.2.2.1.2. O implementare cu amplificatoare operaţionale a convertoarelor de imitanţă.

Dacă impedanţa de sarcină (Zs din figura 2.2.2.2.1.1) este Z5, atunci diportul
considerat implementează un convertor de imitanţă generalizat, G.I.C.
Dacă impedanţa de sarcină (Zs din figura 2.2.2.2.1.1) este Z4, atunci diportul
considerat implementează un invertor de imitanţă generalizat, G.I.V.
În continuare se demonstrează aceste afirmaţii presupunând că cele două
amplificatoare operaţionale sunt ideale.

VA1+ = VA1− ⇔ I1 ⋅ Z1 + (I1 + I′) ⋅ Z 2 = 0 ⇒


(83)
⎛ Z ⎞
⇒ I′ = −⎜⎜1 + 1 ⎟⎟ ⋅ I1
⎝ Z2 ⎠
84 Metode de sinteză – 2

VA 2+ = VA 2− ⇔ I 2 ⋅ Z 4 + (I 2 + I′′) ⋅ Z 3 = 0 ⇒
(84)
⎛ Z ⎞
⇒ I′′ = −⎜⎜1 + 4 ⎟⎟ ⋅ I 2
⎝ Z3 ⎠

Dar:

I 1 + I ′ + I 2 + I ′′ = 0 (85)

şi deci:

Z1 Z
− ⋅ I1 = 4 ⋅ I 2 (86)
Z2 Z3

adică:

I 2 Z 3 Z1
− = ⋅ (87)
I1 Z 4 Z 2

În cazul în care impedanţa de sarcină este Z5 se constată că:

V1 = VA1+ − VA 2+ + V2 (88)

Ţinând seama de faptul că:

VA1− = VA 2−

şi de relaţiile (83) şi (84), rezultă că:

V1 = V2 (89)

Dar:
V2 = −I 2 ⋅ Z 5 (90)

Expresia impedanţei de intrare este:


2.2 – Filtre active 85

V1 (89 ) V2 (90 ) I 2 (87 ) Z ⋅ Z


Z in = = = − ⋅ Z5 = 1 3 ⋅ Z5 (91)
I1 I1 I1 Z2 ⋅ Z4

Având în vedere că impedanţa de sarcină, Z5, se găseşte la numărătorul


membrului drept al relaţiei (91), este demonstrat faptul că diportul considerat este un
G.I.C.
În cazul în care impedanţa de sarcină este Z4 se constată faptul că:

V1 I ⋅Z Z ⋅Z ⋅Z (92)
V1 = −I 2 ⋅ Z 5 ⇒ Z in = =− 2 5 = 1 3 5
I1 I1 Z2 ⋅ Z4

Având în vedere că impedanţa de sarcină Z4 se găseşte la numitorul membrului


drept din relaţia (92), rezultă că diportul considerat are o admitanţă de intrare. Deci este
vorba de un G.I.V.
Se observă că indiferent dacă impedanţa de sarcină este Z4 sau Z5, expresia lui
Zin este aceeaşi, dată de (92).
Prin particularizarea impedanţelor Z1 ÷ Z5 pot fi obţinute diferite expresii
pentru impedanţa de intrare. În acest mod pot fi simulate diferite tipuri de dispozitive
pasive (ca de exemplu inductivităţi sau rezistenţe negative dependente de frecvenţă),
folosind amplificatoare operaţionale.
Dacă se face alegerea:

1
Z1 = R1, Z2 = R2, Z3 = R3, Z4 = , Z5 = R5,
sC 4

atunci:
sC 4 ⋅ R 1 ⋅ R 3 ⋅ R 5
Z in = (93)
R2

C4 ⋅ R1 ⋅ R 3 ⋅ R 5
Notând constanta = L , relaţia (93) devine:
R2
Z in = sL (94)

Se constată că în acest mod se poate simula o inductivitate, a cărei schemă este


prezentată în figura 2.2.2.2.1.3.
86 Metode de sinteză – 2

Figura 2.2.2.2.1.3. Simularea unei inductivităţi.

Figura 2.2.2.2.1.4. Alt exemplu de simulare a unei inductivităţi.


2.2 – Filtre active 87

Din necesitatea ca amplificatoarele operaţionale să aibă intrările polarizate,


inductivităţile simulate trebuie să aibă un terminal la masă. Se observă că se obţine tot
o inductivitate dacă facem alegerea:

1
Z1 = R1, Z2 = , Z3 = R3, , Z4 = R4, Z5 = R5
sC 2

În acest caz:

sC 2 ⋅ R 1 ⋅ R 3 ⋅ R 5
Z in = (95)
R4

şi deci:

C2 ⋅ R1 ⋅ R 3 ⋅ R 5
L= (96)
R4

schema de sinteză fiind cea din figura 2.2.2.2.1.4.

2.2.2.2.2. Implementarea filtrelor active folosind inductivităţi simulate

Această metodă de implementare presupune existenţa unui prototip pasiv de


filtrare în care inductivităţile să fie conectate cu un capăt la masă. Prin înlocuirea,
într-o astfel de schemă, a inductivităţilor cu una din schemele din figurile 2.2.2.2.1.3
sau 2.2.2.2.1.4 se obţine filtrul activ dorit.
De exemplu, un filtru pasiv de ordinul III de tip trece sus cu pulsaţia de tăiere
de 81 rad/s conectat între o sursă de semnal cu rezistenţa de ieşire de 1KΩ şi o sarcină
de 1 KΩ este prezentat în figura 2.2.2.2.2.1.

Figura 2.2.2.2.2.1. Exemplu de filtru pasiv de ordinul III de tip trece sus.
88 Metode de sinteză – 2

Având în vedere că în schemă există două inductivităţi conectate la masă,


acestea pot fi înlocuite cu inductivităţi simulate. Folosind pentru sinteză schema din
figura 2.2.2.2.1.4 şi alegând R1 = R3 = R4 = 1KΩ, R5 = 618Ω şi C2 = 100nF, se obţine
pentru inductivitatea simulată, pe baza relaţiei (96), valoarea:

10 −7 ⋅ 10 6 ⋅ 618
L= 3
= 618 ⋅ 10 − 4 H = 61,8mH
10

deci chiar valoarea dorită.

Figura 2.2.2.2.2.2. Schema filtrului activ de ordinul III.

Schema filtrului activ de ordinul III conectat între rezistenţa de sarcină şi sursă
este prezentată în figura 2.2.2.2.2.2.
2.2 – Filtre active 89

Dezavantajul filtrelor active implementate cu inductivităţi simulate este acela


că utilizarea lor este restrânsă la structura de tip trece sus (având în vedere condiţia
necesară ca un capăt al impedanţei să fie conectat la masă).

2.2.2.2.3. Metoda de sinteză “LEAPFROG”

Filtrele pasive prototip utilizate în sinteza filtrelor active sunt reţele de


reactanţe pure între terminaţii rezistive. O astfel de reţea are aspectul din figura
2.2.2.2.3.1.

Figura 2.2.2.2.3.1. Reţele de reactanţe pure între terminaţii rezistive.

Această reţea este caracterizată de ecuaţiile:

I 1 = (V1 − V2 )Y1
(97)
V2 = (I 1 − I 3 )Z 2
I 3 = (V2 − V4 )Y3
#

Astfel de ecuaţii pot fi implementate şi cu sisteme liniare şi invariante în timp


cu funcţii de transfer de forma –Y2k+1 şi Y2k, după cum se vede în figura 2.2.2.2.3.2.
90 Metode de sinteză – 2

Figura 2.2.2.2.3.2. Sistem liniar şi invariant în timp cu


funcţii de transfer de forma –Y2k+1 şi Y2k.

Ecuaţiile care caracterizează acest sistem sunt următoarele:


− Vi1 = − Y1 (V1 − V2 )
(
− V2 = Z 2 − Vi1 + Vi 2 ) (98)
Vi3 = −Y3 (− V2 + V4 )
(
V4 = Z 4 Vi3 − Vi5 )
#

sau:
Vi1 = Y1 (V1 − V2 )
(
V2 = Z 2 Vi1 − Vi 2 ) (99)

Vi3 = Y3 (V2 − V4 )

Se observă identitatea formală dintre ecuaţiile (97) şi (99) care are loc dacă
funcţiile Vi k (s ) şi I k (s ) sunt identice. Această identitate este formală neţinând cont
de dimensiunile fizice ale celor două funcţii. În cazul în care filtrul prototip este de tip
trece jos, pentru celulele intermediare sunt valabile relaţiile:

1 1
Z 2k = şi Y2 k +1 =
s ⋅ C 2k s ⋅ L 2 k +1
2.2 – Filtre active 91

Celulele schemei din figura 2.2.2.2.3.2 pot fi sintetizate cu amplificatoare


operaţionale. Astfel, celulele care au în componenţă sumatoare şi blocuri cu funcţia de
transfer Z 2 k (s ) pot fi echivalate ca în figura 2.2.2.2.3.3.

Figura 2.2.2.2.3.3. Sintetizarea cu amplificatoare operaţionale: a).o celulă din schema din figura
2.2.2.2.3.2; b). rezultatul sintezei.

Relaţia intrare-ieşire a sistemului din figura 2.2.2.2.3.3 a) este:

( )
U e (s ) = Z 2 k (s ) ⋅ U i1 + U i 2 =
1
s ⋅ C 2k
(U i1 + U i 2 ) (100)

Relaţia intrare-ieşire a sistemului din figura 2.2.2.2.3.3 b) în care, în bucla de


reacţie a integratorului este conectat un condensator cu capacitatea egală cu C2k/R este:

( )
U e (s ) = −
C
1
[(
⋅ − U i1 + U i 2 = )] Us ⋅ +C U
i1 i2
(101)
s ⋅ 2k ⋅ R 2k
R

Se observă identitatea formală a relaţiilor (100) şi (101).


Celulele care au în componenţă sumatoare şi funcţii de transfer de forma
-Y2k+1(s) pot fi echivalate ca în figura 2.2.2.2.3.4.
92 Metode de sinteză – 2

Figura 2.2.2.2.3.4. Sintetizarea cu amplificatoare operaţionale: a).o celulă din schema din figura
2.2.2.2.3.2; b). rezultatul sintezei.

Relaţia intrare-ieşire a sistemului din figura 2.2.2.2.3.4 a) este:

( )
U e (s ) = − Y2 k +1 (s ) ⋅ U i1 (s ) + U i 2 (s ) = −
1
s ⋅ L 2 k +1
( )
U i1 (s ) + U i 2 (s ) (102)

Relaţia intrare-ieşire a sistemului din figura 2.2.2.2.3.4 b) în care, în bucla de


reacţie negativă un condensator cu capacitatea egală cu L2k+1/R este:

U e (s ) Ui Ui
1 R R R
1
= − 1 − 2 = − U i1 + U i 2 ⇒ ( )
L 2 k +1
s⋅
R (103)

⇒ U e (s ) = −
1
L 2 k +1
(
⋅ U i1 + U i 2 )
s⋅
R

Se observă identitatea formală a relaţiilor (102) şi (103).


Având în vedere că la intrarea filtrului trece jos prototip apare o inductivitate
înseriată cu rezistenţa sursei de semnal, notată cu R0, expresia admitanţei Y1 este:

1
Y1 (s ) = (104)
R 0 + s ⋅ L1

celula de intrare se poate implementa ca în figura 2.2.2.2.3.5.


2.2 – Filtre active 93

Figura 2.2.2.2.3.5. Implementarea celulei de intrare pentru schema din figura 2.2.2.2.3.2;
a). celula de intrare; b). rezultatul sintezei.

Relaţia intrare-ieşire a sistemului din figura 2.2.2.2.3.5 a) este:

( )
U e (s ) = − Y1 (s ) ⋅ U i1 (s ) + U i 2 (s ) = −
1
R 0 + s ⋅ L1
( )
U i1 (s ) + U i 2 (s ) (105)

Relaţia intrare-ieşire a sistemului din figura 2.2.2.2.3.5 b) este:

U e (s )
R 1
1
(
= − U i1 + U i 2
R
)

R0 L
s⋅ 1
R (106)
R 1
+
R0 L
s⋅ 1
R

adică:

U e (s ) = −
1

R
R R 0 + s ⋅ L1
(
⋅ U i1 + U i 2 = − ) 1
R 0 + s ⋅ L1
(
⋅ U i1 + U i 2 ) (107)

Se observă identitatea formală a relaţiilor (105) şi (107).


94 Metode de sinteză – 2

Celula de ieşire a filtrului trece jos prototip are aspectul din figura 2.2.2.2.3.6
a) dacă este vorba despre un filtru de ordin impar şi aspectul din din figura 2.2.2.2.3.6
b) dacă este vorba despre un filtru de ordin par.

Figura 2.2.2.2.3.6. Celula de ieşire a filtrului trece jos prototip:


a) pentru un filtru de ordin impar şi b) pentru un filtru de ordin par.

Dacă este nevoie de un filtru de ordin impar atunci ultima celulă din figura
2.2.2.3.3.2 are funcţia de transfer –Y2m+1(s). Aceasta poate fi implementată cu aceeaşi
structură ca şi cu cea cu care se iplementează celula care conţine funcţia de
transfer –Y1(s). Dacă este nevoie de un filtru de ordin par atunci ultima celulă din
figura 2.2.2.2.3.2 are funcţia de transfer Z2m(s).
Dar:
Rs
Z 2 m (s ) =
1 + s ⋅ R s ⋅ C 2m

funcţie de transfer care poate fi implementată cu un integrator amortizat.


Se prezintă ca exemplu implementarea în tehnică leap-frog a filtrului de
ordinul III de tip trece jos cu pulsaţia de tăiere de 1rad/s, al cărui filtru pasiv prototip
este prezentat în figura 2.2.2.2.3.7.

Figura 2.2.2.2.3.7. Exemplu de implementarea în tehnică leap-frog a filtrului de ordinul III de tip trece jos
cu pulsaţia de tăiere de 1rad/s

Structura leap-frog corespunzătoare precum şi modul de proiectare sunt


prezentate în figura figura 2.2.2.2.3.8.
2.2 – Filtre active 95

Figura 2.2.2.2.3.8. Structura leap-frog corespunzătoare filtrului din figura 2.2.2.2.3.7 precum şi modul de
proiectare.

Avantajul metodei de sinteză leap-frog este acela că sensibilităţile parametrilor


filtrelor cu componentele prezentate în schemă sunt mici.
Dezavantajul major este acela că metoda permite implementarea eficientă doar
a unor structuri de tip trece jos.
CAPITOLUL 3. Metode de echivalare a filtrelor numerice
cu filtre analogice

O dată cu dezvoltarea tehnicii de calcul se pune tot mai fecvent problema


înlocuirii sistemelor în timp continuu cu sisteme în timp discret, chiar şi în aplicaţiile
semnalelor analogice. Datorită experienţei acumulate în proiectarea sistemelor în timp
continuu, sunt de interes metodele de sinteză a sistemelor în timp discret bazate pe
echivalarea acestora cu sisteme în timp continuu corespunzătoare. Dintre metodele de
echivalare sunt de interes acelea care transferă principalele proprietăţi ale sistemului în
timp continuu asupra sistemului în timp discret echivalent.

3.1. Principalele cerinţe ale metodelor de echivalare

Principalele proprietăţi ale sistemelor în timp continuu care trebuie să se


transfere asupra sistemelor în timp discret echivalente sunt:
1. Existenţa răspunsului în frecvenţă al sistemului,
2. Cauzalitatea sistemului considerat,
3. Stabilitatea sistemului considerat.
Dacă sistemul în timp continuu are răspuns în frecvenţă atunci axa imaginară a
planului s aparţine regiunii de convergenţă a funcţiei de transfer a acestui sistem. Dacă
sistemul în timp discret echivalent are răspuns în frecvenţă atunci cercul unitate din
planul z aparţine regiunii de convergenţă a funcţiei de transfer a acestui sistem. Pentru
ca existenţa răspunsului în frecvenţă a sistemului în timp continuu să asigure existenţa
răspunsului în frecvenţă al sistemului în timp discret echivalent este deci necesar ca
metoda de echivalare folosită să transforme axa imaginară a planului s în cercul unitate
din planul z.
Dacă sistemul în timp continuu este cauzal şi stabil atunci polii funcţiei sale de
transfer sunt situaţi în semiplanul stâng iar regiunea de convergenţă a acestei
transformate se întinde spre dreapta. Dacă sistemul în timp discret echivalent este
cauzal şi stabil atunci regiunea de convergenţă a transformatei z a răspunsului la
impuls al sistemului se găseşte în exteriorul cercului unitate iar polii acesteia se găsesc
în interiorul aceluiaşi cerc. Deci pentru ca stabilitatea şi cauzalitatea sistemului în timp
continuu să asigure stabilitatea şi cauzalitatea sistemului în timp discret echivalent este
necesar ca echivalarea să fie făcută în aşa fel încât semiplanul stâng al planului s să se
transforme în interiorul cercului unitate din planul z iar semiplanul drept din planul s să
se transforme în exteriorul cercului unitate din planul z.
Condiţiile formulate anterior presupun următoarea reprezentare grafică.
3.2. – Metoda invarianţei răspunsului la impuls 97

Figura 3.1.1. Legătura dintre planele s şi z impusă de o metodă de echivalare utilă.

În continuare se prezintă trei metode de echivalare a filtrelor numerice cu filtre


analogice.

3.2. Metoda invarianţei răspunsului la impuls

Se determină expresia răspunsului la impuls h d [n ] al sistemului în timp


discret echivalent sistemului în timp continuu, cu răspunsul la impuls h a (t ) , conform
figurii următoare.

Figura 3.2.1. Sistemul care stă la baza criteriului de echivalare a sistemului în timp continuu pe baza
invarianţei răspunsului la excitaţia x(t).
98 Metode de echivalare – 3

Echivalenţa sistemelor cu răspunsurile la impuls h d [n ] şi h a (t ) , bazată pe


invarianţa răspunsului la excitaţia x(t), constă în identitatea semnalelor de ieşire:

y d [n ] = y a [n ] (1)

Având în vedere relaţile :

y d [n ] = x[n ] ∗ h d [n ]

şi:

y a [n ] = x ( t ) ⋅ h a (t ) t = nT

transformatele z ale secvenţelor y d [ n ] şi y a [ n ] sunt date de expresile:

{ }
Yd (z ) = Z L−1 {X(s )} t = nT ⋅ H d (z ) (2)

şi:

{
Ya (z ) = Z L−1 {X(s ) ⋅ H a (s )} t = nT } (3)

Relaţia (1) presupune egalitatea membrilor drepţi ai relaţilor (2) şi (3), pe baza
căreia se poate determina expresia funcţiei de transfer a filtrului numeric:

H d (z ) =
{
Z L−1 {X(s ) ⋅ H a (s )} t = nT }
{
Z L {X(s )} t = nT
−1
} (4)

respectiv răspunsul său la impuls:

{
⎧⎪ Z L−1 {X(s ) ⋅ H a (s )} t = nT
h d [n ] = Z ⎨
−1
}⎫⎪
⎬ (5)
{
⎪⎩ Z L {X(s )} t = nT
−1
} ⎪⎭

Având în vedere că expresia lui h d [n ] depinde de excitaţia considerată, prin


intermediul transformatei Laplace X(s), este util să se determine expresia răspunsului
3.2. – Metoda invarianţei răspunsului la impuls 99

la impuls a sistemului în timp discret echivalent sistemului în timp continuu cu


răspunsul la impuls h a (t ) , pe baza invarianţei răspunsului la excitaţii simple.
Dacă x (t ) = δ(t ) se vorbeşte despre echivalarea sistemului în timp discret cu
sistemul în timp continuu considerat, pe baza invarianţei răspunsului la impuls. Dacă se
admite că în acest caz la ieşirea convertorului de pe ramura de sus se obţine impulsul
unitar în timp discret expresia lui h d [n ] din ultima relaţie, devine:

h d [n ] = Z ⎨
−1
{ }
⎧⎪ Z L−1 {1 ⋅ H a (s )} t = nT ⎫⎪
= −1 ⎪ Z{h a (nT )} ⎪
⎧ ⎫
⎬ Z ⎨ ⎬=
{
⎪⎩ Z L {1} t = nT
−1
} ⎪⎭ ⎪⎩ Z{δ(t ) t = nT }⎪⎭ (6)
⎧ Z{h a [n ]}⎫
= Z −1 ⎨ ⎬ = h a [n ] = h a (nT )
⎩ Z{δ[n ]} ⎭

Deci răspunsul la impuls al sistemului în timp discret, h d [ n ] , echivalent


sistemului în timp continuu cu răspunsul la impuls h a (t ) pe baza metodei de
echivalare care presupune invarianţa răspunsului la impuls este obţinut prin
eşantionarea ideală a lui h a (t ) , cu pasul T.
Dacă x (t ) = σ(t ) se vorbeşte despre echivalare pe baza invarianţei răspunsului
indicial. Dacă se admite că în acest caz la ieşirea convertorului de pe ramura de sus se
obţine funcţia treaptă unitate în timp discret, expresia lui h d [ n ] este în acest caz:

⎧ ⎧ −1 ⎧ H a (s ) ⎫ ⎫⎫
⎪ Z ⎨L ⎨ ⎬ t = nT ⎬ ⎪

h d [n ] = Z −1 ⎨ ⎩
⎩ s ⎭ ⎭ ⎪ = Z −1 ⎧ Z{ra (t ) t = nT }⎫ =
⎬ ⎨ ⎬
⎪ Z⎧L−1 ⎧1 ⎫ ⎫ ⎪ ⎩ Z{σ[n ]} ⎭
⎪ ⎨ ⎨ ⎬ t = nT ⎬ ⎪
⎩ ⎩ ⎩s ⎭ ⎭ ⎭ (7)

⎧ ⎫
⎪⎪ Z{ra [n ]}⎪⎪
=Z ⎨−1 −1
{(
−1
)
⎬ = Z 1 − z ⋅ Z{ra [n ]} }
⎪ 1 ⎪
⎪⎩ 1 − z −1 ⎪⎭

unde cu ra (t ) s-a notat răspunsul indicial al sistemului în timp continuu considerat. Se


observă că în cazul echivalării pe baza invarianţei răspunsului indicial:
100 Metode de echivalare – 3

h d [n ] ≠ h a [n ]

În continuare se determină expresia răspunsului indicial al sistemului în timp


discret echivalent, rd [n ] .

⎧ H (z ) ⎫ ( 7 )
rd [n ] = Z −1 {R d (z )} = Z −1 ⎨ d −1 ⎬ = Z −1 ⎨
(
⎧ 1 − z −1 R a (z ) ⎫ )
−1 ⎬ = ra [n ] = ra (nT ) (8)
⎩1 − z ⎭ ⎩ 1− z ⎭

Deci răspunsul indicial al sistemului în timp discret echivalent sistemului în


timp continuu cu răspunsul indicial ra (t ) pe baza metodei invarianţei răspunsului
indicial, se determină cu relaţia:

rd [n ] = ra [n ]

adică prin eşantionarea ideală cu pasul T a răspunsului indicial al sistemului în timp


continuu.
În continuare se analizează legătura dintre planele s şi z creată de metoda de
echivalare bazată pe invarianţa răspunsului la impuls. Această metodă este
caracterizată de relaţia:

h d [n ] = h a (nT ) (9)

Ţinând seama de expresiile transformatelor Laplace şi z inverse, ultima relaţie poate fi


pusă în forma:

σ + j∞
1 1
∫ H d (z ) ⋅ z n −1dz = ∫ H a (s ) ⋅ e st ds t = nT (10)
2πj 2πj σ − j∞

Pentru a se respecta cerinţa 1 referitoare la metodele de echivalare a sistemelor


în timp continuu cu sisteme în timp discret este necesar ca în membrul stâng să se
integreze pe conturul cercului unitate iar în membrul drept pe axa imaginară. De aceea
(10) se mai poate scrie:

j∞

∫ H d (z ) ⋅ z n −1
dz = ∫ H (s ) ⋅ e
a
st
ds t = nT (11)
z =1
− j∞

sau:
3.2. – Metoda invarianţei răspunsului la impuls 101

π
j( 2 k +1)
∞ T
1 (12)
∫ H d (z )d (z n ) = ∑ ∫ H (s )d(e a
snT
)
z =1 T k = −∞ π
j( 2 k −1)
T


Făcând în membrul drept schimbarea de variabilă s → s − jk , relaţia (12) devine:
T
π
j
1 ∞
T
⎛ 2π ⎞ (13)
∫ H d (z )d (z n ) = ∫π T k∑ H a ⎜ s − jk ⎟d (e snT ⋅ e − 2 jknπ )
z =1
= −∞ ⎝ T ⎠
−j
T

sau:

π
j
1 ∞
T
⎛ 2π ⎞ (14)
∫ H d (z )d (z n ) = ∫π T k∑ H a ⎜ s − jk ⎟d (e snT )
z =1
= −∞ ⎝ T ⎠
−j
T

Această relaţie este satisfăcută şi dacă sunt satisfăcute simultan condiţiile:

z = e sT (15)

şi:

1 ∞ ⎛ 2π ⎞
H d (z ) z =esT = ∑ H a ⎜ s − jk ⎟ (16)
T k = −∞ ⎝ T ⎠

Ultima relaţie exprimă legătura între planele s şi z, specifică metodei de


echivalare bazată pe invarianţa răspunsului la impuls, reprezentată grafic în figura
următoare. Ţinând seama de faptul că:

z = ρ ⋅ e jΩ , Ω ∈ [− π , π] (17)

şi că:

s = σ + jω (18)
102 Metode de echivalare – 3

relaţia (15) devine:


ρ ⋅ e jΩ = e σT ⋅ e jωT

Egalând părţile reale şi imaginare din ultima relaţie se obţine:

ρ = e σT (19)

şi:

Ω = ωT (20)

Pe baza relaţiilor (17) şi (20) se constată că se obţine o corespondenţă


⎡ π π⎤
biunivocă între planele s şi z pentru ω ∈ ⎢− , .
⎣ T T ⎥⎦

Figura 3.2.2. Legătura dintre planele s şi z indusă de metoda de echivalare


bazată pe invarianţa răspunsului la impuls.

Se constată că echivalarea sistemelor în timp continuu cu sisteme în timp


discret bazată pe invarianţa răspunsului la impuls se realizează conform cerinţelor
metodelor de echivalare, specificate în paragraful anterior, doar pentru sisteme în timp
⎡ π π⎤
continuu de bandă limitată, ω ∈ ⎢− , ⎥ . În această ipoteză legătura dintre
⎣ T T⎦
funcţiile de transfer ale sistemului în timp continuu echivalat şi a sistemului în timp
discret echivalent este dată de relaţia (16). Pentru sisteme în timp continuu de bandă
3.2. – Metoda invarianţei răspunsului la impuls 103

nelimitată corespondenţa , implicată în relaţia (16) nu este biunivocă, motiv pentru care
această relaţie nu poate fi folosită.
În continuare se exemplifică această metodă de echivalare pe cazul unui filtru
analogic care are doar poli simpli. Se consideră că expresia funcţiei de transfer a
sistemului în timp continuu este:

N
Ak
H a (s ) = ∑ (21)
k =1 s + s k

Răspunsul la impuls al acestui filtru este:

N
h a (t ) = ∑ A k ⋅ e −s k t ⋅ σ(t )
k =1

Deci răspunsul la impuls al sistemului în timp discret echivalent este:

N
h d [n ] = h a (nT ) = ∑ A k ⋅ e −s k nT ⋅ σ[n ]
k =1

iar funcţia sa de transfer:

N
1
H d (z ) = ∑ A k ⋅ −s k T
k =1 1− e ⋅ z −1

Se constată că polii lui H d (z ) se pot obţine din polii lui H a (s ) , dacă aceştia
sunt simpli, folosind relaţia de legătură (15).
În continuare se prezintă un exemplu de echivalare a unui filtru trece jos de
ordinul I în timp continuu cu un filtru trece jos în timp discret, folosind metoda de
echivalare bazată pe invarianţa răspunsului la impuls. Răspunsul la impuls al
sistemului în timp continuu este:

t

h a (t ) = A ⋅ e τ
⋅ σ(t )

Răspunsul la impuls al sistemului în timp discret echivalent este:

h d [n ] = A ⋅ e ⋅ σ[n ]
−n
τ
104 Metode de echivalare – 3

Cele două răspunsuri la impuls sunt reprezentate grafic în figura următoare,


pentru A=1 şi τ = 1 .

Figura 3.2.3. Răspunsurile la impuls ale filtrului analogic de ordinul I


şi al filtrului numeric echivalent.

Funcţiile de transfer ale celor două sisteme sunt:

A
H a (s ) =
1
+s
τ

şi:
A
H d (z ) = T

1− e τ
⋅ z −1
3.2. – Metoda invarianţei răspunsului la impuls 105

Expresile răspunsurilor în frecvenţă ale celor două sisteme sunt:

1
H a (ω) =
1
+ jω
τ

şi:
A
H d (Ω ) = T

1− e τ
⋅ e − jΩ

Modulele celor două răspunsuri în frecvenţă pentru A =1, τ = 1 şi T=1 sunt


reprezentate în figura 3.2.4.

Figura 3.2.4. Modulele răspunsurilor în frecvenţă ale celor două sisteme, analogic (curba de jos)
şi digital (curba de sus) echivalente pe baza metodei invarianţei răspunsului la impuls.
106 Metode de echivalare – 3

Chiar dacă în domeniul timp calitatea echivalării pare bună, figura 3.2.4
dovedeşte că această metodă de echivalare nu are performanţe deosebite. La frecvenţe
joase cele două caracterstici sunt cât de cât asemănătoare, dar pe măsură ce frecvenţa
creşte calitatea echivalării scade tot mai mult. Motivul este nelimitarea în banda de
frecvenţe a filtrului analogic. Din păcate toate sistemele analogice întâlnite în practică
sunt de bandă nelimitată (deoarece au răspunsul la impuls de durată finită). În
consecinţă metoda de echivalare bazată pe invarianţa răspunsului la impuls merită să
fie utilizată în practică doar pentru sisteme în timp discret care urmează să prelucreze
semnale de joasă frecvenţă.

3.3. Metoda de echivalare bazată pe aproximarea ecuaţiei diferenţiale care descrie


filtrul analogic cu o ecuaţie cu diferenţe finite care descrie filtrul numeric
echivalent

Definiţia derivatei unui semnal analogic, x(t) este:

dx x (t ) − x (t − T )
= lim
dt T → 0 T

de unde:

dx x (nT ) − x ((n − 1)T )


t = nT = lim
dt T →0 T

Dacă x[n ] reprezintă semnalul în timp discret obţinut prin eşantionarea ideală
a semnalului x(t) cu pasul T, atunci ultima relaţie se mai poate scrie:

dx x[n ] − x[n − 1]
t = nT = lim
dt T →0 T

În continuare se va folosi aproximarea:

x[n ] − x[n − 1] x[n ] − x[n − 1] ∆x[n ]


lim ≅ =
T →0 T T T

care este cu atât mi bună cu cât T este mai mic. Raţionând recursiv se obţine relaţia:

dkx 1 k
t = nT ≅ ∆ x[n ] (22)
dt k Tk
3.3. – Aproximarea ecuaţiei diferenţiale 107

Ecuaţia diferenţială care caracterizează sistemul în timp continuu care trebuie


echivalat este:

M
dk y N dkx
∑a
k =0
k ⋅ = ∑
dt k k =0
b k ⋅
dt k
(23)

Aceasta poate fi echivalată pe baza relaţiei (22) cu ecuaţia:

M
ak k N
bk k
∑ k
∆ y[n ] = ∑ k
∆ x[n ] (24)
k =0 T k =0 T

Aceasta este ecuaţia cu diferenţe finite care caracterizează sistemul în timp discret
echivalent sistemului în timp continuu considerat.
Se poate demonstra cu uşurinţă că diferenţa finită de ordinul k a unei secvenţe
oarecare u[n ] are expresia:

k
∆k u[n ] = ∑ (− 1) C pk u[n − p]
p
(25)
p =0

Luând în ambii membri ai ultimei relaţii trasformata z se obţine:

{ } ( )
k
Z ∆k u[n ] = ∑ (− 1) C pk z − p U(z ) = U(z ) 1 − z −1
p
(26)
p=0

Aplicând în ambii membri ai ecuaţiei (24) transformata z şi ţinând seama de


relaţia (24) se obţine:

k k
M
⎛ 1 − z −1 ⎞ N
⎛ 1 − z −1 ⎞
Y(z )∑ a k ⎜⎜ ⎟⎟ = X(z )∑ b k ⎜⎜ ⎟⎟ (27)
k =0 ⎝ T ⎠ k =0 ⎝ T ⎠

Pe baza relaţiei (23) se stabileşte expresia funcţiei de transfer a filtrului analogic de


echivalat:

∑b k sk
H a (s ) = k =0
M
(28)
∑a
k =0
k s k
108 Metode de echivalare – 3

Pe baza relaţiei (27) se stabileşte expresia funcţiei de transfer a filtrului


numeric echivalent H d (z ) şi se constată că:

H d (z ) = H a (s ) 1− z −1
(29)
s=
T

Legătura dintre planele s şi z impusă de această metodă de echivalare este:

1 − z −1
s= (30)
T

sau:

1 1 1 − σT ωT
z= = = +j (31)
1 − sT 1 − σT − jωT (1 − σT ) + (ωT )
2 2
(1 − σT )2 + (ωT )2
Notând părţile reală şi imaginară ale lui z cu x şi y relaţia (31) mai poate fi scrisă şi în
forma:

⎧ 1 − σT
⎪⎪ (1 − σT )2 + (ωT )2 = x
⎨ (32)
ωT
⎪ =y
⎪⎩ (1 − σT )2 + (ωT )2

Eliminând ωT din cele două relaţii se obţine:

2
⎛ 1 ⎞ 1
y + ⎜⎜ x −
2
⎟⎟ = (33)
⎝ 2(1 − σT ) ⎠ 4(1 − σT )
2

Pentru σ = 0 , ultima relaţie devine:

2
⎛ 1⎞ 1
⎜x − ⎟ + y =
2
(34)
⎝ 2⎠ 4

care descrie un cerc. În figura următoare este prezentată legătura dintre planele s şi z
indusă de această metodă de echivalare.
3.3. – Aproximarea ecuaţiei diferenţiale 109

Figura 3.3.1. Legătura dintre planele s şi z indusă de metoda de echivalare bazată pe aproximarea ecuaţiei
diferenţiale care descrie sistemul în timp continuu cu o ecuaţie cu diferenţe finite care descrie sistemul în
timp discret echivalent.

Relaţia (34) arată că axa imaginară a planului s se transformă în cercul de rază


0,5 şi de centru (0,5 , 0), din planul z.
Analizând ultima figură se constată că, deoarece semiplanul stâng al planului s
se transformă în interiorul cercului de rază 0,5 şi de centru (0,5 , 0), care este interior
cercului unitar, din planul z, un sistem stabil şi cauzal în timp continuu se transformă
într-un sistem stabil şi cauzal în timp discret. Răspunsul în frecvenţă al sistemului în
timp continuu se obţine calculând funcţia de transfer a acestuia pe axa imaginară.
Răspunsul în frecvenţă al sistemului în timp discret se obţine calculând funcţia sa de
transfer pe cercul unitate. Dar metoda de echivalare studiată în acest paragraf
transformă axa imaginară a planului s în cercul, descris de relaţia (34) din planul z. În
consecinţă această metodă nu respectă cerinţa 1 a metodelor de echivalare, prezentate
mai sus.
Pentu a determina pe baza relaţiei (29) legătura dintre răspunsurile în frecvenţă
ale celor două sisteme este necesar ca z să fie simultan pe cercul unitate şi pe cercul
descris de relaţia (34).
Această condiţie este descrisă doar de acele puncte din planul z situate în
vecinătatea punctului (1 , 0). Pe baza relaţiei (32), acestor puncte le corespund valori
foarte mici ale lui ωT . În acest caz:

Ω →0
z = e jΩ = cos Ω + j sin Ω ≅ 1 + jΩ (35)
110 Metode de echivalare – 3

şi :

Ω→0 (36)
z −1 = e − jΩ ≅ 1 − jΩ

Relaţia (29) devine, pentru valori mici ale lui Ω :

H d (Ω ) = H a (ω) Ω sau H d (Ω ) Ω =ωT = H a (ω) (37)


jω= j
T

Deci răspunsul în frecvenţă al sistemului în timp discret, pentru frecvenţe joase


( Ω mic), aproximează bine răspunsul în frecvenţă al sistemului în timp continuu
echivalat. Condiţia ca ωT să fie foarte mic este îndeplinită dacă ω este foarte mic, deci
metoda se recomandă la echivalarea sistemelor care lucrează la joasă frecvenţă, sau
dacă T este foarte mic, adică dacă semnalul analogic de prelucrat se eşantionează,
pentru discretizarea sa, cu o frecvenţă de eşantionare foarte mare.
În continuare se reia exemplul din paragraful anterior. Filtrul trece jos de
t

ordinul I cu răspunsul la impuls h a (t ) = A ⋅ e σ(t ) are funcţia de transfer
τ


H a (s ) = . Funcţia de transfer a sistemului în timp discret echivalent este:
1 + sτ

AτT
H d (z ) = T+τ
τ
1− ⋅ z −1
T+τ

iar răspunsul său la impuls este:

n
AτT ⎛ τ ⎞
h d [n ] = ⎜ ⎟ σ[n ]
T + τ⎝T + τ⎠

În figura următoare se prezintă modulele răspunsurilor în frecvenţă ale celor


două sisteme.
3.4. – Echivalarea filtrelor analogice 111

Figura 3.3.2. Modulele răspunsurilor în frecvenţă ale filtrului trece jos de ordinul I analogic şi numeric
echivalent.

Comparând figurile 3.3.2 şi 3.2.4 se constată superioritatea metodei de


echivalare bazată pe aproximarea ecuaţiei diferenţiale cu o ecuaţie cu diferenţe finite
asupra metodei de echivalare bazată pe invarianţa răspunsului la impuls.

3.4. Echivalarea filtrelor analogice cu filtre numerice pe baza transformării


biliniare

În cazul acestei metode de echivalare legătura dintre planele s şi z este dată de


relaţia:

2 1 − z −1
s= ⋅ (38)
T 1 + z −1
112 Metode de echivalare – 3

care reprezintă o transformare biliniară.


Această legătură este impusă de rezolvarea numerică a ecuaţiei diferenţiale
care descrie funcţionarea sistemului în timp continuu care trebuie echivalat. În
continuare se justifică această afirmaţie. Fie sistemul analogic descris de ecuaţia
diferenţială:

dy(t )
a 0 y (t ) + a 1 = b 0 x (t ) (39)
dt

Funcţia sa de transfer este:

b0
H a (s ) = (40)
a 0 + a 1s

Se poate scrie:

t
dy
y (t ) = ∫ dτ + y ( t 0 )
t0
d τ

Pentru: t = nT şi t 0 = (n − 1)T se obţine:

nT
dy
y(nT ) = ∫) dτ + y((n − 1)T ) (41)
( n −1 T d τ

dy(τ )
Integrala din membrul drept reprezintă aria de sub graficul funcţiei

cuprinsă între liniile verticale duse prin punctele de abscise (n-1)T şi nT şi poate fi
dy(τ )
aproximată cu aria trapezului dreptunghic de bază mică τ = ( n −1)T , bază mare

dy(τ )
τ = nT şi înălţime T.

Folosind această aproximare, relaţia (41) devine:

T ⎛ dy(τ ) dy(τ ) ⎞
y[n ] = ⎜ τ = ( n −1)T + τ = nT ⎟ + y[n − 1] (42)
2 ⎝ dτ dτ ⎠
3.4. – Echivalarea filtrelor analogice 113

S-a notat cu y[n ] semnalul în timp discret obţinut prin eşantionarea cu pasul T
a semnalului de la ieşirea sistemului analogic. Dar relaţia (39) mai poate fi pusă şi în
forma:

dy(t ) b 0 a
= x (t ) − 0 y(t )
dt a1 a1

Înlocuind în ultimele relaţii pe t cu nT respectiv cu (n-1)T se obţin relaţiile:

b0 a
y' [n ] =
x[n ] − 0 y[n ] şi
a1 a1
b a
y'[n − 1] = 0 x[n − 1] − 0 y[n − 1]
a1 a1

care înlocuite în (42) conduc la:

T ⎡ a0 b ⎤
y[n ] − y[n − 1] = ⎢− ⋅ (y[n ] + y[n − 1]) + 0 ⋅ (x[n ] + x[n − 1])⎥
2 ⎣ a1 a1 ⎦

S-a notat cu x[n ] semnalul obţinut prin eşantionarea ideală cu pasul T a


semnalului de la intrarea sistemului de echivalat. Semnalul y[ n ] reprezintă răspunsul
sistemului numeric echivalent sistemului analogic considerat la semnalul x[n ] . Ultima
relaţie poate fi rescrisă în forma:

⎛ T a0 ⎞ ⎛ T a 0 ⎞ T b0
y[n ] ⋅ ⎜⎜1 + ⎟⎟ − y[n − 1] ⋅ ⎜⎜1 − ⎟= ⋅ ⋅ (x[n ] + x[n − 1])
⎝ 2 a1 ⎠ ⎝ 2 a 1 ⎟⎠ 2 a 1

Luând în ambii membri ai ultimei relaţii transformata z se obţine:

⎛ T a 0 ⎞ −1 ⎛ T a 0 ⎞ T b0
Y(z ) ⋅ ⎜⎜1 + ⎟⎟ − z ⋅ Y(z ) ⋅ ⎜⎜1 −
2 a1 ⎠
( )
⎟⎟ = ⋅ ⋅ 1 + z −1 ⋅ X(z )
2 a1 ⎠ 2 a1
⎝ ⎝

de unde se poate calcula funcţia de transfer a sistemului în timp discret echivalent:


114 Metode de echivalare – 3

b0
H d (z ) = (43)
⎛ 2 1 − z −1 ⎞
a 0 + a 1⋅ ⎜⎜ ⋅ ⎟
−1 ⎟
⎝ T 1 + z ⎠

Comparând relaţiile (40) şi (43) se constată că funcţiile de transfer ale celor


două sisteme sunt legate prin relaţia:

H d (z ) = H a (s ) 2 1− z −1
s= ⋅
T 1+ z −1

Deci legătura dintre planele s şi z indusă de metoda de echivalare bazată pe


rezolvarea numerică (folosind metoda trapezelor) a ecuaţiei diferenţiale care descrie
sistemul de echivalat este cea descrisă de relaţia (38). Prin inversarea acesteia se
obţine:

⎛T⎞
1 + ⎜ ⎟s
⎝2⎠
z=
⎛T⎞
1 − ⎜ ⎟s
⎝2⎠

Expresia modulului lui z este:

2 2
⎛ T ⎞ ⎛T ⎞
⎜1 + σ ⎟ + ⎜ ω ⎟
⎝ 2 ⎠ ⎝2 ⎠ (44)
z = 2 2
⎛ T ⎞ ⎛T ⎞
⎜1 − σ ⎟ + ⎜ ω ⎟
⎝ 2 ⎠ ⎝2 ⎠

Se constată următoarele implicaţii:

⎧σ < 0 ⇒ z <1

⎨σ = 0 ⇒ z =1
⎪σ > 0 ⇒ z >1

Legătura dintre planele s şi z specifică metodei de echivalare bazată pe


transformarea biliniară este reprezentată în figura următoare.
3.4. – Echivalarea filtrelor analogice 115

Figura 3.4.1. Legătura dintre planele s şi z indusă de metoda de echivalare bazată pe transformarea
biliniară.

Se constată că această metodă respectă toate cerinţele specifice metodelor de


echivalare a sistemelor în timp continuu cu sisteme în timp discret. Aşa după cum se
poate vedea în figură, punctelor de pe axa imaginară din planul s le corespund punctele
de cercul unitate din planul z:

(38 ) 2 1 − e − jΩ 2 ⎛Ω⎞
jω = ⋅ − jΩ
= ⋅ j ⋅ tg⎜ ⎟
T 1+ e T ⎝2⎠

Deci:

2 ⎛Ω⎞ ωT
ω= ⋅ tg⎜ ⎟ sau Ω = 2arctg (45)
T ⎝2⎠ 2

În consecinţă legătura dintre răspunsurile în frecvenţă ale celor două sisteme


echivalente este:

H d (Ω ) ⎛ ωT ⎞
= H a (ω) (46)
Ω = 2 arctg ⎜ ⎟
⎝ 2 ⎠

Se constată că legătura dintre Ω şi ω este neliniară, eroarea de aproximare a


lui H a (ω) prin H d (Ω ) fiind cu atât mai mare cu cât ω este mai mare.
116 Metode de echivalare – 3

Reluând exemplul filtrului analogic trece jos de ordinul I considerat la


prezentarea fiecărei metode de echivalare, se constată că răspunsul în frecvenţă al
sistemului în timp discret echivalent este :


H d (Ω ) = (47)
⎛ 2 ⎛ Ω ⎞⎞
1 + j⎜⎜ tg⎜ ⎟ ⎟⎟τ
⎝ T ⎝ 2 ⎠⎠

În figura următoare se prezintă modulurile răspunsurile în frecvenţă ale


filtrului analogic de ordinul I şi ale filtrului numeric echivalent obţinut pe baza
transformării biliniare, pentru cazul A = τ = T = 1 .

Figura 3.4.2. Modulele răspunsurilor în frecvenţă ale filtrului trece jos de ordinul I analogic şi numeric
echivalent pe baza transformării biliniare.
3.5. – Benzi echivalente de zgomot 117

Comparând figurile 3.2.4, 3.3.2 şi 3.4.2 se constată superioritatea metodei de


echivalare bazată pe transformarea biliniară asupra metodelor de echivalare bazate pe
invarianţa răspunsului la impuls respectiv pe aproximarea ecuaţiei diferenţiale printr-o
ecuaţie cu diferenţe finite. Acesta este motivul pentru care construcţia filtrelor
numerice de tip Butterworth, Cebîşev sau Bessel se relaizează prin echivalarea filtrelor
analogice corespunzătoare folosind metoda de echivalare bazată pe transformarea
biliniară.
Pentru îmbunătăţirea preciziei metodei de echivalare bazată pe transformarea
biliniară poate fi realizată o predistorsionare a răspunsului în frecvenţă al filtrului
analogic de echivalat, înainte de echivalare, folosindu-se schimbarea de variabilă:

2
ω nou = tg (ω vechi )
T

3.5. Benzi echivalente de zgomot ale unor filtre numerice

Considerând problema îmbunătăţirii RSZ pentru semnalele în timp discret prin


filtrare numerică liniară, fie semnalul :

x[n] = s[n] + n B [n]

unde s[n] este un semnal determinist de putere finită iar nB[n] este un zgomot alb de
bandă limitată B şi de densitate spectrală de putere N0. Prin filtrarea semnalului x[n]
cu sistemul cu răspuns la impuls h[n] se obţine semnalul y[n] :

y[n] = u[n] + n B0 [n]

unde :

u[n] = s[n] ∗ h[n]

Φ nB0 (Ω) = Φ nB (Ω)⋅ | H(Ω) |2

[Bel.’90], [Cou.’84], [DeS.,Isa.’93], [Naf.,Câm.,Isa.’95]. La intrarea filtrului avem


RSZ dat de relaţia :

Ps
RSZi =
Pu
118 Metode de echivalare – 3

iar la ieşire avem :

Pu
RSZ0 =
Pn B0

îmbunătăţirea RSZ fiind :

RSZ0 Pu Pu
χ= = ⋅
RSZi Ps PnB0

Dacă filtrul este proiectat astfel încât :

Pu = Ps

atunci îmbunătăţirea RSZ este :

Pn
χ=
PnB0

Dar :

π
1
2π -∫π
PnB = ⋅ N 0 dΩ = N 0

π π
1
⋅ ∫ N0 | H(Ω) |2 dΩ = 0 ⋅ ∫ | H(Ω) |2 dΩ
N
P nB0 =
2π -π 2π -π

de aceea :

N0 2π
χ= π
= π
No
⋅ ∫ | H(Ω) |2 dΩ ∫ | H(Ω) | dΩ
2

2π - π -π

Numitorul membrului drept poartă numele de bandă echivalentă de zgomot a


sistemului cu răspunsul în frecvenţă H(Ω).
3.5. – Benzi echivalente de zgomot 119

În [Isa.’95] s-au calculat benzile echivalente de zgomot pentru câteva filtre


numerice cu răspuns finit la impuls (RFI) de diferite ordine. În aceeaşi referinţă
bibliografică s-au propus şi etape de proiectare a filtrelor RFI şi s-au făcut aprecieri
asupra benzilor echivalente de zgomot pentru un filtru numeric cu răspuns infinit la
impuls (RII). În continuare se prezintă doar calculele pentru benzile echivalente de
zgomot pentru filtrele numerice RFI de ordinul N şi pentru filtrul RII de ordinul I.

3.5.1. Filtru RFI de ordinul N

Ecuaţia cu diferenţe finite care descrie funcţionarea unui filtru RFI de ordinul
N este cunoscută ca fiind :

y[n] = a 0 x[n] + a 1 x[n − 1] + ... + a N x[n − N]

Răspunsul în frecvenţă al acestui sistem va fi :

H(Ω) = a 0 + a 1e − jΩ + ... + a N e − jNΩ

adică :

H(Ω) = a 0 + a 1 cos Ω + ... + a N cos NΩ − j(a 1 sin Ω + ... + a N sinNΩ)

şi avem în continuare:
2
H(Ω) = (a 0 + a 1 cos Ω + + ... + a N cos NΩ )2 + (a 1 sin Ω + ... + a N sinNΩ )2

ceea ce se mai poate scrie şi sub forma :

2 2
⎡N ⎤ ⎡N ⎤
H(Ω ) = ⎢∑ a k cos(kΩ )⎥ + ⎢∑ a k sin (kΩ )⎥
2
(48)
⎣ k =0 ⎦ ⎣ k =0 ⎦

Calculăm separat cele două sume :

2
⎡N ⎤ N N N

⎢∑ k a cos (k Ω )⎥ = ∑ a 2
k cos 2
(k Ω ) + ∑ ∑a k a l cos(kΩ ) cos(lΩ )
⎣ k =0 ⎦ k =1 k =0 l = 0,
l≠ k
120 Metode de echivalare – 3

2
⎡N ⎤ N N N

⎢∑ k a sin (k Ω )⎥ = ∑ a 2k sin 2 (kΩ ) + ∑ ∑a k a l sin (kΩ ) sin (lΩ )


⎣ k =0 ⎦ k =1 k =1 l =1,
l≠ k

şi, revenind la relaţia (2.11), avem :

N
H(Ω) = ∑ a 2k ( sin 2 kΩ + cos2 kΩ ) +
2

k =0
N N
+∑
k =1
∑ a a [cos(kΩ) cos(lΩ) + sin (kΩ)sin (lΩ)]
l =1,
k l

l≠ k

sau :

N N N (49)
H(Ω) = ∑ a 2k + ∑ ∑a
2
k a l cos(k - l)Ω
k =0 k =0 l=0,
l≠ k

Condiţia de egalitate a puterilor semnalelor deterministe de la intrarea şi


ieşirea filtrului numeric se scrie :

π π
1 1
∫ ∫
2 2 2
H(Ω) S(Ω) dΩ = S(Ω) dΩ
2π − π 2π − π

sau, ţinând cont de (49) :

⎡ π π ⎤
1 ⎢N 2 N N

∑ ∑ ∑ a k a l ∫ cos(k - l)Ω ⋅ S(Ω) dΩ⎥ = Ps


2π ⎢ k =0 -∫π
2 2
a S( Ω ) d Ω +
k
k = '0 l =0,

−π
⎢⎣ l≠ k ⎥⎦

adică :

⎛ N ⎞ N N ⎡1 π ⎤
R ss [0]⎜ ∑ a 2k ⎟ + ∑ ∑ ∫
2
a a
k l ⎢ cos[(k - l)Ω] S(Ω) dΩ⎥ = R ss [0]
⎝ k =0 ⎠ k =0 l =0,
l≠ k
⎣ 2π − π ⎦
3.5. – Benzi echivalente de zgomot 121

Dar :
π
1

2
S(Ω) cos[(k - l)Ω]dΩ =
2π − π
1⎧ 1 ⎫
π π
1
⎨ ∫ ∫
2 j(k -l) Ω 2
= S( Ω ) e d Ω + S(Ω) e− j(k -l)Ω dΩ ⎬ =
2 ⎩ 2π − π 2π − π ⎭
1
= {R ss [k − l] + R ss [l − k ]} = R ss [k − l]
2
De aceea :

⎛ N 2⎞ N N
⎜ ∑ a k ⎟R ss [0] + ∑∑ a k a l R ss [k - l] = R ss [0] (50)
⎝ k =0 ⎠ k =0 l =0,
l≠ k

sau :

⎛ N
⎞ N N
⎜1 − ∑ a 2k ⎟R ss [0] = ∑ ∑a k a l R ss [k - l]
⎝ k =0 ⎠ k =0 l= 0,
l≠ k

Banda echivalentă de zgomot a filtrului RFI de ordinul N este :

π N N N π

∫ H(Ω) dΩ = 2π∑ a 2k + ∑ ∑ a k a l ∫ cos (k - l)Ω dΩ


2

−π k =0 k =0 l =0, −π
l≠ k

Dar :

π π
1 1 π

∫ cos(k - l)ΩdΩ = [( ) ]
k - l −∫π
d[sin (k - l)Ω ] = sin k − l Ω = 0; k ≠ l
−π
k−l −π

şi revenind la relaţia anterioară :

π N
2 2
∫ H(Ω) dΩ = 2π ∑ a k
−π k =0

şi deci îmbunătăţirea RSZ este dată de :


122 Metode de echivalare – 3

1
χN = N (51)
∑ a 2k
k =0

Rezultă că filtrul de ordinul N trebuie proiectat în aşa fel încât să se


minimizeze suma pătratelor coeficienţilor cu constrângerea dată de relaţia (50).
Un caz particular interesant este cel în care: a0 şi aN sunt diferiţi de 0 şi ak = 0
pentru k = 1÷N-1. În această situaţie :

H(Ω) = a o + a N cosNΩ − ja N sinNΩ

H(Ω) = a 02 + a 2N + 2a 0 a N cosNΩ

şi în acest caz, corespunzător relaţiei (50) :

(1 − a 2
0 )
− a 2N R ss [0] = 2a 0 a N R ss [N]

iar relaţia (51) devine :

1
χN =
a + a 2N
2
0

Algoritmul de proiectare al filtrului este următorul :


1. Se calculează Rss[0], Rss[N] şi RN = Rss[N]/Rss[0] .
2. Se alege valoarea lui χN dorită, în intervalul :

1 < χN < R N + 1

3. Valorile coeficienţilor a 0 şi aN vor fi :

R N + χN − 1 R N - χN + 1
±
R N χN R N χN
a 0, N =
2
3.5. – Benzi echivalente de zgomot 123

OBSERVAŢII
O1. Acest algoritm nu se poate aplica în cazul semnalelor s[n] la care
Rss[N] = 0.
O2. Problema optimizării filtrului RFI de ordin N este una de extreme cu
legături. Într-adevăr, trebuie minimizată funcţionala :

N
F(a k ) = ∑ a 2k
k =0

cu respectarea relaţiei (50).


Condiţia de minim a funcţionalei fiind :

∂F(a k ) N
=0 〈= 〉 2∑ a k = 0
∂a k k =0

una dintre condiţiile care merită să fie verificată în proiectarea filtrului este :

∑a
k =0
k =0 (52)
O3. Banda echivalentă de zgomot a unui filtru RIF de ordinul N cu coeficienţi
ak, k = 0÷N este deci :

N
B ZN = ∑ a 2k
k =0

3.5.2. Filtru RII

Un filtru RII de ordinul I este descris de ecuaţia cu diferenţe finite :

b 0 u[n] + b 1 u[n − 1] = a 0 s[n] + a 1s[n - 1]

Răspunsul său în frecvenţă este :

a 0 + a 1e − jΩ
H(Ω) =
b 0 + b 1 e − jΩ

De aceea se poate scrie :


124 Metode de echivalare – 3

2
a 0 + a 12 + 2a 0 a 1 cos Ω
2
H(Ω) = 2
b 0 + b12 + 2b 0 b1 cos Ω

Se obţine pentru banda echivalentă de zgomot :

π π 2
a 0 + a 12 + 2a 0 a 1 cos Ω
BzRII = ∫ H(Ω) dΩ = ∫ 2
2
dΩ
− π b 0 + b 1 + 2b 0 b 1 cos Ω
2
−π

Făcând substituţia :


tg =t
2

se obţine:

⎛ a + a1 ⎞
2 ∞ t 2 + ⎜⎜ 0 ⎟⎟
⎛ a − a1 ⎞ ⎝ a 0 − a1 ⎠
dt
B zRII = 2⎜⎜ 0 ⎟⎟
⎝ b 0 − b1 ⎠ −∞ 2
∫ ⎛ b + b1 ⎞ t + 1
2 2

t + ⎜⎜ 0 ⎟⎟
⎝ b 0 − b1 ⎠

Cu notaţiile :

a 0 + a1 b + b1 a − a1
= α; 0 = β si 0 =γ
a 0 − a1 b 0 − b1 b 0 − b1

expresia benzii echivalente de zgomot devine :


t 2 + α 2 dt
B zRII = 2γ ∫ 2 2 ⋅1+ t2
2

−∞ t + β

Pentru aceasta se face descompunerea :


3.6. – Filtre numerice echivalente 125

β − α2 α2 −1
2

t2 + α2 β2 − 1 β2 − 1
= 2 +
( )(
t 2 + β2 1 + t 2 ) t + β2 t2 +1

şi deci :

⎡β2 − α 2 ∞
dt α2 −1

dt ⎤
B zRII = 2γ 2 ⎢ 2
⎣ β −1
∫−∞ t 2 + β 2 β 2 − 1 −∫∞ t 2 + 1⎥⎦
+

adică :

⎡ ⎛t⎞ ⎤
⎢ 2 2 ∞
d⎜⎜ ⎟⎟ ⎥
β −α ⎝ β ⎠ + α − 1 arctg(t )
2
= 2 γ 2 ⎢⎢ 2 ⎥=

β − 1 β −∫∞ ⎛ t ⎞ 2 β 2 − 1
B zRII

( ) −∞ ⎥

1 + ⎜⎜ ⎟⎟
⎢⎣ ⎝β⎠ ⎥⎦

⎡ β 2 − α 2 α 2 − 1⎤
= 2πγ 2 ⎢ 2 + 2 = 2 πγ
(
2 β + α (β − 1)
2
)
(
⎣ β −1 β β −1⎦) ⎥
β β2 − 1 ( )
Deci banda echivalentă de zgomot a unui filtru RII de ordinul I este :

B zRII = 2πγ 2
(β + α )
2

β(β + 1)

Se pot calcula, în acelaşi fel, benzile echivalente de zgomot şi pentru filtre RII
de ordin superior. Astfel de filtre se utilizează în construcţia modulatoarelor sau a
demodulatoarelor numerice, a multiplexoarelor numerice, a codoarelor în subbenzi,
etc. Studiul acestor filtre se justifică şi pentru că ele pot fi utilizate drept filtre prototip
pentru filtrele digitale adaptive.

3.6. Filtre numerice echivalente filtrelor analogice transversale

Într-un paragraf anterior s-a prezentat modul în care se poate îmbunătăţi RSZ
în cazul semnalelor periodice, analogice, perturbate aditiv de zgomot alb. Au fost
126 Metode de echivalare – 3

definite filtrele transversale analogice. Principala proprietate a acestor sisteme este


periodicitatea răspunsului lor în frecvenţă. Datorită acestei proprietăţi ele pot fi
proiectate în aşa fel încât răspunsul lor în frecvenţă să aibă maxime la pulsaţiile
armonicelor semnalului util s(t).
Şi spectrul semnalului periodic în timp discret este discret. De aceea şi în cazul
semnalelor periodice în timp discret este utilă folosirea unor filtre numerice cu răspuns
în frecvenţă periodic, de perioadă inferioară lui 2π.
În continuare se prezintă modul în care pot fi construite filtre cu răspunsul în
frecvenţă periodic de perioadă 2π/2N. Fie sistemul din figura următoare:

x[n] y[n]
↑2
Figura 3.6.1. Sistem de supraeşantionare.

Legătura dintre semnalele x[n] şi y[n] este:

⎧ ⎡n ⎤
⎪x ⎢ ⎥, pentru n # 2
y[n] = ⎨ ⎣ 2 ⎦

⎩ 0, in rest

]Se calculează legătura dintre transformatele Fourier în timp discret ale


semnalelor x[n] şi y[n] :

∞ ∞ ∞
Y(Ω) = ∑ y[n]e
n = −∞
− jnΩ
= ∑ y[2p]e
p = −∞
− j 2 pΩ
+ ∑ y[2p + 1]e
p = −∞
− j( 2 p +1) Ω

sau :


Y(Ω) = ∑ x[p]e
p = −∞
− j 2 pΩ
= X(2Ω)

Trebuie menţionat faptul că semnalul y[n] se obţine prin intercalarea a câte


unui zero între eşantioanele succesive ale semnalului x[n]. Un exemplu pentru
generarea semnalului y[n] pornind de la semnalul x[n] este prezentat în figura
următoare. Deci intercalând zerouri între eşantioanele răspunsului la impuls a unui
filtru cu răspuns în frecvenţă H(Ω) se obţine răspunsul la impuls al unui sistem cu
răspunsul în frecvenţă H(2Ω).
3.6. – Filtre numerice echivalente 127

Figura 3.6.2. Exemplu de supraeşantionare.

În continuare se analizează sistemul obţinut prin conectarea în cascadă a două


sisteme de tipul celui din figura 3.6.1., sistem care este prezentat în figura 3.6.3.

x[n] y[n] z[n]

↑2 ↑2

Figura 3.6.3. Conectarea în cascadă a sistemelor de supraeşantionare.

Se constată că :

⎧ ⎡n ⎤
⎪ y ⎢ ⎥, pentru n # 2
z[n] = ⎨ ⎣ 2 ⎦

⎩ 0, in rest

Dar :
128 Metode de echivalare – 3

⎧ ⎡n ⎤
⎪x ⎢ ⎥, pentru n # 2
y[n] = ⎨ ⎣ 2 ⎦

⎩ 0, in rest

De aceea :

⎧ ⎡n ⎤
⎪x ⎢ ⎥, pentru n # 4
z[n] = ⎨ ⎣ 4 ⎦

⎩ 0, in rest

Legătura dintre transformatele Fourier în timp discret ale secvenţelor x[n] şi z[n] este :

∞ ∞ ∞
Z(Ω) = ∑
n = −∞
z[n]e − jnΩ = ∑
p = −∞
z[4p]e − j4 pΩ + ∑ z[4p + 1]e
p = −∞
− j( 4 p +1) Ω
+

∞ ∞
+ ∑
p = −∞
z[4p + 2]e − j( 4 p +1) Ω + ∑ z[4p + 3]e
p = −∞
− j( 4 p +1) Ω
=


= ∑ x[p]e
p = −∞
− j 4 pΩ
= X(4Ω)

Deci intercalând câte trei zerouri între eşantioanele succesive ale răspunsului la
impuls al unui filtru cu răspunsul în frecvenţă H(Ω) se obţine răspunsul la impuls al
unui filtru cu răspunsul în frecvenţă H(4Ω). Dar funcţia H(2Ω) este periodică de
perioadă 2π/2 iar funcţia H(4Ω) este periodică de perioadă 2π/4. De aceea se poate
afirma că intercalând 2N-1 zerouri între eşantioanele succesive ale răspunsului la
impuls ale unui filtru numeric cu răspunsul în frecvenţă H(Ω) se obţine răspunsul la
impuls al unui sistem cu răspunsul în frecvenţă H(2NΩ), care este o funcţie periodică
de perioadă 2π/2N.

OBSERVAŢIE. Benzile echivalente de zgomot ale sistemelor cu răspunsurile în


frecvenţă H(Ω),H(2Ω),...,H(2NΩ) sunt identice. Într-adevăr :

π 2π
B z = ∫ | H(Ω) | dΩ = 2
∫ | H(Ω) |
2
dΩ
-π 0
3.6. – Filtre numerice echivalente 129

du 1 ⎡ ⎤
π 2π 0 2π

∫-π | H(Ω) | dΩ = −∫2π | H(u) | 2 = 2 ⎢⎣-2∫π | H(u) | du + ∫0 | H(u) | du ⎥⎦ =


2 2 2 2

1⎡ ⎤
2π 2π

2 ⎣ ∫0 ∫ | H(u) |
2 2
= ⎢ | H(-u) | du + du ⎥ =
0 ⎦

1⎡ ⎤ 2π
2π 2π
= ⎢ ∫ | H* (u) |2 du + ∫0 | H(u) | du ⎥⎦ = ∫0 | H(u) | du = B z
2 2

2⎣0

π 2N π 2 N −1 −1 ( k +1)2 π
1 1
∫-π | H(2 Ω) | dΩ = 2 N
N 2
∫ | H(u) |2 du =
2N
∑ ∫ | H(u) |2 du
−2N π k = −2 N −1 k 2π

Dar :

H(u) = H(u - 2kπ) , (∀)k ∈ Z

Făcând în ultima integrală schimbarea de variabilă v = u - 2kπ, se obţine :

(k +1)⋅2 π 2π

∫ ∫ | H(v) | dv = B
2 2
| H(u) | du = z
k ⋅2 π 0

De aceea :

π
1 N
∫ | H(2 Ω) |2 dΩ =
N
2 Bz = Bz (53)
-π 2N

Să considerăm în continuare că trebuie prelucrat, pentru a i se îmbunătăţi RSZ,


semnalul x[n] :

x[n] = s[n] + n[n]

În această ultimă relaţie s[n] este un semnal periodic în timp discret de


perioadă M. Semnalul s[n] are un spectru discret, armonicele sale fiind distanţate cu
130 Metode de echivalare – 3

2π/M între ele. Să presupunem că semnalul s[n] este de bandă limitată, pulsaţia
maximă în spectrul său fiind P·(2π/M). Se poate construi un filtru numeric al cărui
răspuns în frecvenţă să aibă maxime la pulsaţiile k(2π/M), k∈Z. Fie, în acest scop,
filtrul numeric trece jos cu răspunsul în frecvenţă H(Ω). Se construieşte sistemul cu
răspunsul în frecvenţă H(MΩ). Se constată că la pulsaţiile k(2π/M) valoarea
răspunsului în frecvenţă al acestui filtru este :

⎛ 2π ⎞
H ⎜ Mk ⎟ = H (k2π) = H(0)
⎝ M⎠

adică maximă. Fie această valoare egală cu 1. Se constată faptul că toate armonicele
semnalului s[n] trec nealterate prin filtrul cu răspuns în frecvenţă H(MΩ). Notând cu
y[n] semnalul obţinut prin prelucrarea semnalului x[n] şi acceptând că acesta este de
forma :

y[n] = u[n] + n 0 [n]

se constată că dacă semnalul s[n], periodic de perioadă M, este prelucrat cu sistemul


cu răspuns în frecvenţă H(MΩ) atunci :

Pu = Ps

iar dacă semnalul s[n] este prelucrat cu sistemul cu răspuns în frecvenţă H(Ω) atunci :

Pu < Ps

deoarece anumite armonici ale semnalului s[n] sunt atenuate de acest sistem. De aceea,
în cazul sistemului cu răspuns în frecvenţă H(Ω) avem :

⎛ RSZ 0 ⎞ P P ⎛P ⎞ 2π 2π
⎜⎜ ⎟⎟ = u n = ⎜⎜ u ⎟⎟ π
< π
⎝ RSZ i ⎠1 Pn 0 Ps ⎝ Ps ⎠1
∫ H (Ω) ∫ H (Ω )
2 2
dΩ dΩ
−π −π

În cazul sistemului cu răspuns în frecvenţă H(MΩ), avem :


3.6. – Filtre numerice echivalente 131

⎛ RSZ 0 ⎞ ⎛P ⎞ 2π
⎜⎜ ⎟⎟ = ⎜⎜ u ⎟⎟ π
=
⎝ RSZ i ⎠ M ⎝ Ps ⎠ M
∫ H ( MΩ )
2
dΩ
−π

⎛P ⎞ 2π 2π
= ⎜⎜ u ⎟⎟ π
= π
⎝ Ps ⎠M
∫ H (Ω) ∫ H (Ω )
2 2
dΩ dΩ
−π −π

Deoarece :

⎛ RSZ 0 ⎞ ⎛ RSZ 0 ⎞
⎜⎜ ⎟⎟ > ⎜⎜ ⎟⎟
⎝ RSZ i ⎠ M ⎝ RSZ i ⎠1
se constată superioritatea sistemului cu răspuns în frecvenţă H(MΩ) asupra celui cu
răspunsul în frecvenţă H(Ω), la prelucrarea semnalelor periodice de perioadă M, din
punct de vedere al îmbunătăţirii raportului semnal pe zgomot, RSZ.
Să considerăm în continuare ca exemplu semnalul :

⎛π ⎞ ⎛π ⎞ ⎛π ⎞
s[n] = cos⎜ n ⎟ + cos⎜ n ⎟ + cos⎜ n ⎟
⎝8 ⎠ ⎝4 ⎠ ⎝2 ⎠

Transformata Fourier în timp discret a acestui semnal este :


⎛ π ⎞ − jΩn ∞
⎛ π ⎞ − jΩn ∞
⎛π ⎞
S(Ω) = ∑
n = −∞
cos⎜ n
⎝8 ⎠
⎟ e + ∑
n = −∞
cos⎜ n
⎝4 ⎠
⎟ e + ∑
n = −∞
cos⎜ n ⎟e − jΩn
⎝2 ⎠

Pentru că avem următoarea pereche Fourier :

⎛π ⎞ ∞
⎛π ⎞
cos⎜ n ⎟ ↔ ∑ cos⎜ n ⎟e − jΩn =
⎝M ⎠ n = −∞ ⎝M ⎠
1 ⎡ ∞ − j⎜ −Ω ⎟ n −Ω ⎟ n ⎤
⎛ 2π
∞ ⎞ ⎛ 2π ⎞
− j⎜
= ⎢∑ e ⎝M ⎠ + ∑ e ⎝M ⎠ ⎥
2 ⎢⎣ n = −∞ n = −∞ ⎥⎦

rezultă :
132 Metode de echivalare – 3

1 ⎡ ∞ − j⎜⎝ M −Ω ⎟⎠ n +Ω ⎟ n ⎤
⎛ 2π ⎞ ⎛ 2π ⎞
⎛ 2π ⎞ ∞ − j⎜
cos ⎜ n ⎟ ↔ ⎢ ∑ e + ∑ e ⎝M ⎠ ⎥
⎝M ⎠ 2 ⎢⎣ n = −∞ n = −∞ ⎥⎦

Se cunoaşte că dezvoltarea în serie Fourier a distribuţiei δ2π(t) este :

1 ∞ jkt
δ2 π (t) = ∑e
2π k = −∞


Înlocuind t cu − Ω , ultima relaţie devine :
M

⎛ 2π ⎞
⎛ 2π ⎞ 1 ∞ j⎜⎝ M - Ω ⎟⎠ n
δ 2π ⎜
⎝M
− Ω⎟ = ∑e
⎠ 2π n = −∞

⎡ 2π ⎤
iar pentru t luând valoarea − ⎢ + Ω⎥ se obţine :
⎣M ⎦

⎛ 2π ⎞ 1 ∞ − j⎛⎜ 2 π + Ω ⎞⎟ n
δ2 π ⎜ −
⎝ M
− Ω ⎟= ∑ e ⎝M ⎠
⎠ 2π n = - ∞

De aceea :

⎛ 2π ⎞ ⎡ ⎛ 2π ⎞ ⎛ 2π ⎞⎤
cos⎜ n ⎟ ↔ π ⎢δ2 π ⎜ − Ω ⎟ + δ2 π ⎜ + Ω⎟ ⎥
⎝M ⎠ ⎣ ⎝M ⎠ ⎝M ⎠⎦

iar transformata Fourier în timp discret a semnalului s(t) este :

⎧⎡ ⎛ π ⎞ ⎛π ⎞⎤ ⎡ ⎛ π ⎞
S(Ω) = π⎨⎢δ2 π ⎜ − Ω ⎟ + δ2 π ⎜ + Ω ⎟⎥ + ⎢δ2 π ⎜ − Ω ⎟ +
⎩⎣ ⎝ 8 ⎠ ⎝8 ⎠⎦ ⎣ ⎝ 4 ⎠
⎛π ⎞⎤ ⎡ ⎛ π ⎞ ⎛π ⎞⎤ ⎫
+ δ 2 π ⎜ + Ω ⎟ ⎥ + ⎢δ 2 π ⎜ − Ω ⎟ + δ 2 π ⎜ + Ω ⎟ ⎥ ⎬
⎝4 ⎠⎦ ⎣ ⎝ 2 ⎠ ⎝2 ⎠⎦ ⎭

Puterea acestui semnal este :


3.6. – Filtre numerice echivalente 133

1 1 1 3
Ps = + + =
2 2 2 2

Transformata Fourier a răspunsului sistemului cu răspunsul în frecvenţă H(Ω) la


semnalul s[n] este :

⎧ ⎛π⎞ ⎛π ⎞ ⎛ π⎞ ⎛π ⎞
U(Ω) = S(Ω) H(Ω) = π ⎨ H ⎜ ⎟δ 2 π ⎜ − Ω ⎟ + H ⎜ − ⎟δ 2 π ⎜ + Ω ⎟ +
⎩ ⎝8⎠ ⎝8 ⎠ ⎝ 8⎠ ⎝8 ⎠
⎛π⎞ ⎛π ⎞ ⎛ π⎞ ⎛π ⎞
+ H ⎜ ⎟δ 2 π ⎜ − Ω ⎟ + H ⎜ − ⎟ δ 2 π ⎜ + Ω ⎟ +
⎝4⎠ ⎝4 ⎠ ⎝ 4⎠ ⎝4 ⎠
⎛π⎞ ⎛π ⎞ ⎛ π⎞ ⎛π ⎞⎫
+ H ⎜ ⎟δ 2 π ⎜ − Ω ⎟ + H ⎜ − ⎟ δ 2 π ⎜ + Ω ⎟ ⎬ =
⎝2⎠ ⎝2 ⎠ ⎝ 2⎠ ⎝2 ⎠⎭

⎧ ⎡ jarg ⎧⎨ H ⎛⎜ π ⎞⎟ ⎫⎬ ⎛ π ⎞⎤
⎧ ⎛ π ⎞⎫
⎪ ⎛π⎞ ⎞ − jarg ⎨ H ⎜ ⎟ ⎬
⎛π
=π⎨ H⎜ ⎟ ⎢e ⎩ ⎝ 8 ⎠⎭
δ 2 π ⎜ − Ω ⎟ + e ⎩ ⎝ 8 ⎠ ⎭ δ 2 π ⎜ + Ω ⎟⎥ +
⎪⎩ ⎝ 8 ⎠ ⎢⎣ ⎝8 ⎠ ⎝8 ⎠⎥⎦

⎛π⎞ ⎡ jarg ⎧⎨ H ⎛⎜ π ⎞⎟ ⎫⎬ ⎛ π ⎞
⎧ ⎛ π ⎞⎫
− jarg ⎨ H ⎜ ⎟ ⎬
⎛π ⎞⎤
+ H⎜ ⎟ ⎢e ⎩ ⎝ 4 ⎠⎭
δ 2 π ⎜ − Ω ⎟ + e ⎩ ⎝ 4 ⎠ ⎭ δ 2 π ⎜ + Ω ⎟⎥ +
⎝4⎠ ⎢⎣ ⎝4 ⎠ ⎝4 ⎠⎥⎦

⎡ jarg ⎧⎨ H ⎛⎜ π ⎞⎟ ⎫⎬ ⎛ π ⎫
⎞⎤
⎧ ⎛ π ⎞⎫
⎛π⎞ ⎢e ⎞ − jarg ⎨ H ⎜ ⎟ ⎬
⎛π ⎪
+ H⎜ ⎟ ⎩ ⎝ 2 ⎠⎭
δ 2 π ⎜ − Ω ⎟ + e ⎩ ⎝ 2 ⎠ ⎭ δ 2 π ⎜ + Ω ⎟⎥ ⎬
⎝2⎠ ⎢⎣ ⎝2 ⎠ ⎝2 ⎠⎥⎦ ⎪⎭
Expresia semnalului u[n], rezultat din filtrarea lui s[n], devine :

⎛π⎞ ⎛π ⎧ ⎛ π ⎞⎫ ⎞ ⎛π⎞ ⎛π ⎧ ⎛ π ⎞⎫ ⎞
u[n] = H⎜ ⎟ cos⎜⎜ n + arg ⎨H⎜ ⎟⎬ ⎟⎟ + H⎜ ⎟ cos⎜⎜ n + arg ⎨H⎜ ⎟⎬ ⎟+

⎝8⎠ ⎝8 ⎩ ⎝ 8 ⎠⎭ ⎠ ⎝4⎠ ⎝4 ⎩ ⎝ 4 ⎠⎭ ⎠
⎛π⎞ ⎛π ⎧ ⎛ π ⎞⎫ ⎞
+ H⎜ ⎟ cos⎜⎜ n + arg ⎨H⎜ ⎟⎬ ⎟⎟
⎝2⎠ ⎝2 ⎩ ⎝ 2 ⎠⎭ ⎠

Puterea semnalului de ieşire este :


134 Metode de echivalare – 3

1 ⎧⎪ ⎛ π ⎞ ⎫⎪
2 2 2
⎛π⎞ ⎛π⎞
Pu = ⎨ H⎜ ⎟ + H⎜ ⎟ + H⎜ ⎟ ⎬ (54)
2 ⎪⎩ ⎝ 8 ⎠ ⎝4⎠ ⎝2⎠ ⎪⎭
Să considerăm că sistemul cu răspuns în frecvenţă H(Ω) este un filtru de
mediere cu răspunsul la impuls :

⎧1
⎪ , n = 0 ÷ M −1
h[n] = ⎨ M
⎪ 0, in rest

1 M −1 − jkΩ 1 1 - e − jMΩ
H(Ω) = ∑ e = M ⋅ 1 - e − jΩ
M k =0

Ω MΩ
− jM sin
1 e 2
2
=
M − j Ω2 Ω
e sin
2

Deci :

MΩ
Ω sin
1 − j(M -1)
2
H(Ω) = e 2
M Ω
sin
2

Penru M = 15 se obţine :

15Ω
sin
1 − j7 Ω 2
H(Ω) = e
15 Ω
sin
2

De aceea :
3.6. – Filtre numerice echivalente 135

15π
7π sin
⎛π⎞ 1 −j
16
H⎜ ⎟ = e 8

⎝ 8 ⎠ 15 π
sin
16
15π
7π sin
⎛ π ⎞ 1 −j 8
H⎜ ⎟ = e 4
⎝ 4 ⎠ 15 π
sin
8
15π
7π sin
⎛ π ⎞ 1 −j 4
H⎜ ⎟ = e 2
⎝ 2 ⎠ 15 π
sin
4

Astfel :

⎛π⎞ ⎛π⎞ ⎛π⎞


H⎜ ⎟ = 0,023 ; H⎜ ⎟ = 0,066 ; H⎜ ⎟ = 0.066
⎝8⎠ ⎝4⎠ ⎝2⎠

şi prin urmare avem, Pu = 4,62 10-3.


Transformata Fourier a răspunsului sistemului cu răspuns în frecvenţă H(16Ω)
la semnalul s[n] este :

⎧ ⎛π ⎞ ⎛π ⎞
U(Ω) = S(Ω)H(16Ω) = π⎨H(2π)δ 2 π ⎜ − Ω ⎟ + H(−2π)δ 2 π ⎜ + Ω ⎟ +
⎩ ⎝8 ⎠ ⎝8 ⎠

⎛π ⎞ ⎛π ⎞
+ H(4π)δ 2 π ⎜ − Ω ⎟ + H(−4π)δ 2 π ⎜ + Ω ⎟ +
⎝4 ⎠ ⎝4 ⎠

⎛π ⎞ ⎛π ⎞⎫
+ H(8π)δ 2 π ⎜ − Ω ⎟ + H(−8π)δ 2 π ⎜ + Ω ⎟⎬ =
⎝2 ⎠ ⎝2 ⎠⎭
⎧ ⎛π ⎞ ⎛π ⎞ ⎛π ⎞
= πH(0)⎨δ 2 π ⎜ − Ω ⎟ + δ 2 π ⎜ + Ω ⎟ + δ 2 π ⎜ − Ω ⎟ +
⎩ ⎝8 ⎠ ⎝8 ⎠ ⎝4 ⎠

⎛π ⎞ ⎛π ⎞ ⎛π ⎞⎫
+ δ 2 π ⎜ + Ω ⎟ + δ 2 π ⎜ − Ω ⎟ + δ 2 π ⎜ + Ω ⎟⎬
⎝4 ⎠ ⎝2 ⎠ ⎝2 ⎠⎭
136 Metode de echivalare – 3

Expresia semnalului u[n] este :

π π π
u[n] = cos n + cos n + cos n
8 4 2

iar puterea sa este Pu = 3/2.


Banda echivalentă de zgomot a filtrului cu răspuns în frecvenţă H(Ω) este,
conform observaţiei O3 din paragraful anterior, egală cu :

M −1 2
⎛1⎞ 1
Bz = ∑ ⎜ ⎟ =
k =0 ⎝ M ⎠ M

Ţinând cont că valoarea lui M s-a considerat de 15, rezultă Bz = 1/15 .


Considerând densitatea spectrală de putere a zgomotului n[n] , N0 =1, se
obţine pentru raportul semnal pe zgomot, RSZ al semnalului x[n] :

3
2
RSZi = = 1,5
1

La ieşirea sistemului cu răspuns în frecvenţă H(Ω) vom avea următorul RSZ :

4,62 ⋅ 10 −3
RSZ 0 = = 30π ⋅ 4,62 ⋅ 10 −3 = 0,435
1
30π

Deci sistemul cu răspuns în frecvenţă H(Ω) nu îmbunătăţeşte raportul semnal


pe zgomot. Pentru ieşirea sistemului cu răspuns în frecvenţă H(16Ω), RSZ este :

3
RSZ 0 = 2 = 45π = 141,37
1
30π

iar îmbunătăţirea RSZ realizată cu acest filtru dată de raportul :

RSZ 0 141,37
χ= = = 94,247
RSZi 1,5
3.6. – Filtre numerice echivalente 137

Răspunsul la impuls al acestui filtru este prezentat în figura următoare.

Figura 3.6.4. Răspunsul la impuls al unui filtru numeric


"echivalent" cu un mediator analogic alunecător.

OBSERVAŢII

O1. Filtrele din acest paragraf au fost numite echivalente cu filtre transversale
analogice având în vedere că pot fi utilizate (la fel ca şi filtrele analogice amintite) la
prelucrarea semnalelor numerice periodice. Cele două categorii de filtre se numesc
echivalente deoarece ambele au răspunsuri în frecvenţă periodice (cele numerice cu
perioadă submultiplu al lui 2π).
O2. Deşi durata răspunsului în frecvenţă H(2NΩ) este de 2N ori mai mare decât
durata răspunsului la impuls a filtrului prototip H(Ω), numărul coeficienţilor nenuli ai
celor două sisteme este acelaşi. De accea se poate afirma că nu apar complicaţii prea
mari de calcul prin folosirea filtrelor propuse.
O3. Procedeul de generare al sistemului cu răspunsul în frecvenţă H(2NΩ)
poartă numele de supraeşantionare deoarece răspunsul la impuls al filtrului cu
răspunsul în frecvenţă H(2NΩ) poate fi privit ca fiind obţinut prin eşantionarea cu o
frecvenţă de 2N ori mai mare decât frecvenţa de eşantionare folosită pentru obţinerea
răspunsului la impuls al sistemului cu răspunsul în frecvenţă H(Ω).
O4. Inserarea de zerouri este utilizată şi pentru construcţia filtrelor conjugate
în oglindă (Quadratur Mirror Filter) folosite în codarea subbandă [Mal.’94], [Kun.’84],
[Bas.,Chi.,Cho.’95], [Blu.,Uns.’98], [Bol.,Hla.,Fei.’96], [Kla.,Hol.,Flo.’97].
O5. Sistemul folosit ca exemplu la sfârşitul acestui paragraf se numeşte
mediator numeric alunecător [DeS.,Isa.’92], [Asz.’93].
O6. Alte proprietăţi ale filtrelor prezentate în acest paragraf sunt demonstrate
în [Isa.’95(1)].
138 Metode de echivalare –3

3.7 Mediatoare numerice ca filtre adaptate în timp discret

Ecuaţia cu diferenţe finite care caracterizează filtrul numeric, care la excitaţia


si[n], răspunde cu semnalul s 0 [n] este:

N M

∑ a k ⋅ s i [n − k ] =
k =0
∑b
k =0
k ⋅ s 0 [n − k ] (55)

Coondiţiile iniţiale se consideră nule.


Dacă singurul coeficient ak nenul este a0 atunci filtrul implementat este un
sistem nerecursiv. Aceste filtre au proprietatea că răspunsul lor la impuls este de durată
finită şi de aceea se mai numesc filtre cu răspuns finit la impuls (R.F.I.). Pentru a0 = 1,
ecuaţia care descrie un astfel de sistem este:

M
s 0 [n ] = ∑ b ⋅ s[n − k ]
k (56)
k =0

Forma canonică I de implementare a sistemului descris de ecuaţia (56) este


prezentată în figura 3.7.1.

D D … D
s i [n ]
b1 b 2 b M −1
b0 + bM
s 0 [n ]

Figura 3.7.1. Forma canonică de implementare a unui filtru numeric R.F.I.

Pe baza figurii se constată că operaţiile de întârziere, cele de înmulţire cu


constante şi cele de însumare se realizează pe direcţii transversale, de unde vine şi
denumirea filtrelor care se implementează în acest mod.
Relaţia (56) conduce la următoarea expresie a răspunsului la impuls al filtrului
transversal:

M
h[n ] = ∑b k ⋅ δ[n − k ] (57)
k =0

din care se poate deduce expresia răspunsului în frecvenţă:


3.7. – Mediatoare numerice 139

M
H(Ω ) = ∑ b k ⋅ e − jkΩ (58)
k =0

Dacă coeficienţii bk au valoarea 1/M pentru k = 0, M − 1 şi în rest sunt nuli se


obţine ecuaţia cu diferenţe finite:

M −1
s 0 [n ] =(1/M) ∑ s i [n − k ] (59)
k =0

Având în vedere că semnalul s 0 [n ] se obţine din semnalul s i [n ] , mediind


aritmetic ultimele M eşantioane ale acestuia, sistemul obţinut se numeşte mediator
numeric. Răspunsul său la impuls este:

M −1
h 0 [n ] =(1/M) ∑ δ[n − k ] (60)
k =0

iar răspunsul său în frecvenţă este:

M −1
H(Ω ) =(1/M) ∑ e − jkΩ =(1/M) e − jΩ ( M −1) / 2 ⋅ sin( MΩ / 2) / sin(Ω / 2) (61)
k =0

Pentru M = 4 răspunsul la impuls şi modulul răspunsului în frecvenţă ale


mediatorului numeric sunt prezentate în figura 3.7.2.

H(Ω )

h[n ]
Bandă de blocare
1
… …
4

… …
-1 0 1 2 3 4 n −2π 0 π π 2π Ω
2

Figura 3.7.2. Caracteristicile mediatorului pentru M de valoare 4.


140 Metode de echivalare –3

Se constată că mediatorul este un filtru trece jos, care la anumite frecvenţe


introduce atenuări infinite. Poziţia pe axa frecvenţelor a acestora, precum şi atenuarea
minimă în banda, de blocare pot fi fixate cu ajutorul constantei M.
Analizând ecuaţia (60), se constată că, sincron cu derularea temporală a
eşantioanelor semnalului s 0 [n ] , are loc “alunecarea temporală” a mediei aritmetice a
ultimelor M eşantioane ale semnalului s i [n ] . De aceea sistemul prezentat este numit
mediator alunecător.
Se consideră că trebuie transmisă secvenţa utilă s i [n ] , de durată finită M,
acoperită aditiv de zgomotul n i [n ] .
În scopul reducerii zgomotului din semnalul:

x[n ] = s i [n ] + n i [n ] (62)

acest semnal este prelucrat de către sistemul nerecursiv în timp discret cu răspunsul la
impuls h[n], obţinându-se semnalul y[n]:

y[n ] = s 0 [n ] + n 0 [n ] (63)

unde s 0 [n ] reprezintă componenta utilă a semnalului y[n] iar n 0 [n ] componenta sa


aleatoare.
Problema este determinarea răspunsului la impuls h[n] al acelui sistem, care
asigură la ieşirea sa un raport semnal pe zgomot maxim, la un moment de timp n0.
Sistemul care satisface această condiţie se numeşte filtru adaptat la semnalul s i [n ] .
Semnalele s i [n ] şi s 0 [n ] sunt de durată finită deci de putere nulă. Raportul semnal pe
zgomot la ieşire trebuie să depindă de timp, pentru a putea fi maxim la momentul n0.
Din aceste motive formula de calcul a raportului semnal pe zgomot la ieşire este:

RSZ 0 = s 02 [n ] / Pn 0 [n ] (64)

unde cu Pn0[n] s-a notat puterea zgomotului de la ieşire. Dar:

M −1 (65)
s 0 [n ] = s i [n ] * h[n ] = ∑ s i [p] ⋅ h[n − p ]
p =0

Folosind inegalitatea Cauchy-Buniakovski-Schwartz, se poate scrie:


3.7. – Mediatoare numerice 141

⎛ M −1 ⎞⎛ M −1 ⎞
s 2
0 [n ] ≤ ⎜⎜ ∑ s i2 [p]⎟⎟⎜⎜ ∑ h 2 [n 0 − p]⎟⎟ (66)
⎝ p =0 ⎠⎝ p =0 ⎠

Egalitatea are loc în ultima relaţie dacă:

h[n 0 -p] = a si[p] ∀ p = 0, M − 1 (67)

unde a este o constantă. Deci sistemul care răspunde la semnalul s i [n ] cu un semnal


s 0 [n ] , maxim la momentul n0, este acela al cărui răspuns la impuls este:

h[n] = a si[n 0 -n] n = n 0 − ( M − 1), n 0 (68)

Dacă n 0 = M-1, atunci:

h[n] = a si[M-1-n] n = 0, M − 1 (69)

Se consideră că n i [n ] este un semnal aleator de tip zgomot alb, ale cărui


eşantioane nu sunt corelate cu cele ale semnalului s i [n ] şi sunt independente între ele.
Se poate demonstra că, din toate sistemele nerecursive cu răspunsul la impuls de durată
M, acela care asigură la ieşirea sa un raport semnal pe zgomot RSZ0 maxim este cel dat
de relaţia (69).
De aceea, acesta este un filtru adaptat la semnalul s i [n ] în ipoteza că acesta
este perturbat aditiv de zgomot alb.
Dacă semnalul util de la intrarea filtrului adaptat are expresia:

⎧1, n = 0, M − 1 (70)
si[n] = ⎨
⎩0, în rest

şi dacă constanta a este aleasă de valoare 1/M, atunci expresia răspunsului la impuls al
filtrului adaptat la acest semnal este:

⎧1 / M, n = 0, M − 1
h[n] = ⎨ (71)
⎩0, în rest
142 Metode de echivalare –3

Deci mediatorul alunecător este un filtru adaptat pentru semnalul definit de


relaţia (70). Acest semnal este de durată finită şi amplitudine constantă.

3.7.1. Utilizarea mediatoarelor numerice la prelucrarea semnalelor periodice în


timp continuu

Un exemplu de sistem destinat îmbunătăţirii raportului semnal pe zgomot al


semnalelor periodice în timp continuu, care foloseşte un mediator numeric în timp
discret este prezentat în figura 3.7.1.1. Se analizează funcţionarea sistemului din figură
în regim permanent. Semnalul s i (t ) este periodic de perioadă T0. Prin eşantionarea sa
coerentă, se obţine semnalul s ie (t ) , periodic de aceeaşi perioadă, fiecare dintre
perioadele sale conţinând N eşantioane. Prin conversie analog numerică, se transformă
semnalul s ie (t ) în secvenţa numerică s i [n ] care aproximează secvenţa s ie [n ] ,
rotunjind valoarea fiecărui eşantion al acesteia la cel mai apropiat număr întreg.
Secvenţa s i [n ] este periodică de perioadă N. Ea poate fi privită ca şi prelungirea prin
periodicitate, cu perioada N, a unei secvenţe de durată finită, s ir [n ] . Aceasta poate fi
descrisă cu relaţia:

s ir [n ] = s ir [0] δ[n ] + s ir [1] δ[n − 1] + ... + s ir [N − 1] δ[n − N + 1] (72)

Prelungirea prin periodicitate a secvenţei s i [n ] poate fi descrisă prin convoluţia:


s i [n ] = s ir [n ] * ∑ δ[n − kN] (73)
k = −∞

relaţie care se mai scrie:

∞ ∞
s i [n ] = s ir [0] ∑ δ[n − kN] + s ir [1] ∑ δ[n − kN − 1] + ...
k = −∞ k = −∞
(74)

+ s ir [N − 1] ∑ δ[n − kN − N + 1]
k = −∞

Folosind notaţia:

s i1 [n ] = s ir [1] ∑ δ[n − kN − l] l = 0, N − 1 (75)
k = −∞
3.7. – Mediatoare numerice 143

relaţia (74) se mai scrie:

(76)
s i [n ] = s i 0 [n ] + s i1 [n ] + ... + s iN −1 [n ]

Secvenţa s i [n ] se eşantionează prin înmulţire cu secvenţele p l [n ] definite prin:


p l [n ] = ∑ δ[n − kN − l] l = 0, N − 1 (77)
k = −∞

obţinându-se secvenţele s i1 [n ] .
Se observă că aceste secvenţe sunt astfel construite încât între două eşantioane
nenule consecutive conţin N eşantioane nule. Eşantioanele nenule din secvenţa s ip [n ]
ocupă poziţiile p, p + N, p + 2N, etc. Compresia secvenţelor s i1 [n ] presupune
îndepărtarea eşantioanelor nule din aceste secvenţe, obţinându-se secvenţele s d1 [n ] =
s i1 [nN + 1], l = 0, N − 1 . Aceste secvenţe sunt semnale de amplitudine constantă, care
sunt mediate, prin prelucrare cu sistemele cu răspuns la impuls h[n], obţinându-se
secvenţele s 0 l [n ] , l = 0, N − 1 . Procesul de interpolare al secvenţei s d1 [n ] constă în
înserarea între două eşantioane consecutive ale acesteia, a N-1 eşantioane nule, urmată
de întârzierea secvenţei obţinute, cu l eşantioane, prin filtrarea acesteia, de către
sistemul cu răspunsul la impuls δ[n-l], l = 0, N − 1 . Prin însumarea secvenţelor s e1 [n ]
se obţine secvenţa s 0 [n ] . Prin conversia numeric analogică a acestei secvenţe se obţine
semnalul s 0 (t) descris de relaţia:

s 0 (t) = s 0 [k] t ∈ [kT0 , (k + 1)T0 ] k∈ Ζ (78)

În figura 3.7.1.2 sunt prezentate formele de undă care caracterizează sistemul


descris mai sus, în ipoteza că la intrare este adus un semnal sinusoidal şi că N = 4.
Funcţionarea circuitului descris, în regim tranzitoriu poate fi înţeleasă, pe baza
exemplului prezentat în figura 3.7.1.3, pentru o valoare a lui M egală cu 3. Pe baza
acestui exemplu, se constată că regimul tranzitoriu al mediatorului durează 3T (în
general MT), după care circuitul intră în regim permanent. Semnalul s 0 (t) aproximează
în acest regim cu atât mai bine semnalul s i (t) cu cât N este mai mare.
144 Metode de echivalare –3
3.7. – Mediatoare numerice 145

Figura 3.7.1.2. Formele de undă care descriu funcţionarea


sistemului din figura 3.7.1.1.
146 Metode de echivalare –3
3.7. – Mediatoare numerice 147

În continuare, se determină îmbunătăţirea raportului semnal pe zgomot,


introdusă de circuitul prezentat, în regimul său de funcţionare permanent. Deoarece în
acest regim, conform figurilor 3.7.1.2 şi 3.7.1.3, semnalul util s 0 [n ] se obţine din
semnalul s i [n ] prin întârzierea acestuia cu M perioade, aceste semnale au aceeaşi
putere. În continuare, se presupune că semnalul aleator de la intrare (suprapus aditiv
peste s i [n ] ) este un zgomot alb în timp discret cu eşantioanele independente între ele
şi necorelate cu eşantioanele semnalului util. Considerând că dispersia acestui semnal
este σ, puterea zgomotului de la intrare n i [n ] este σ2. Pentru calculul puterii
zgomotului de la ieşire, n 0 [n ] se poate folosi formula:

{ }
σ 2n 0 = M n 02 [n ] - M2 {n 0 [n ]} (79)

unde cu M s-a notat operatorul de mediere statistică. Având în vedere că operaţiile de


eşantionare şi decimare şi interpolare sunt inverse, întreg sistemul din figura 3.7.1.1
este echivalent cu un mediator cu răspuns la impuls h[n]. De aceea ţinând seama de
h[n] relaţia (79) se mai scrie:

⎧⎪⎛ (80)
⎞ ⎫⎪ ⎛
2 2
M −1 M −1

σ 2
n0 = M ⎨⎜ (1 / M )∑ n i [n − k ]⎟ ⎬ - ⎜ (1 / M )∑ {n i [n − k ] }⎟
⎪⎩⎝ k =0 ⎠ ⎪⎭ ⎝ k =0 ⎠

Dacă valoarea medie a zgomotului n i [n ] este nulă, relaţia (80) devine:

(81)
{ }
M −1
σ 2
n0 = (1/M ) ∑ M n i2 [n − k ] = (1/M 2 )(M σ 2 ) = σ 2 /M
2

k =0

şi deci îmbunătăţirea raportului semnal pe zgomot realizată este de M.


CAPITOLUL 4. Filtre liniare cu parametri variabili în timp

În capitolele anterioare au fost prezentate doar filtre liniare şi invariante în


timp. În acest capitol şi în capitolul următor vor fi prezentate filtre liniare variante în
timp. În acest capitol se consideră cazul filtrelor analogice.

4.1. Filtre cu capacităţi comutate

O categorie importantă de filtre active este aceea a filtrelor cu capacităţi


comutate. În cazul acestora o parte din rezistenţele din schemă sunt înlocuite cu perechi
condensator-comutator.

4.1.1. Integratorul ideal cu capacităţi comutate

În figura 4.1.1.1 se prezintă schema unui integrator ideal.

Figura 4.1.1.1. Schema unui integrator ideal.

Considerând amplificatorul operaţional din schema prezentată ca fiind ideal, se


poate scrie :
4.1. – Filtre cu capacităţi comutate 149

Y(s) X(s)
=−
1 R
sC

sau:
Y(s) 1
=−
X(s) sCR

de unde rezultă expresia funcţiei de transfer a sistemului din figura 4.1.1.1, care este:

1
H(s) = −
sCR

iar răspunsul său în frecvenţă:

1 (1)
H(ω) = −
jωCR

În continuare se prezintă principiul condensatorului comutat. Fie în acest scop


Te
sistemul din figura 4.1.1.2a. Comutatorul K este comandat în aşa fel încât stă câte
2
secunde pe poziţia 1, respectiv aceeaşi durată pe poziţia 2. Când K este pe poziţia 1,
condensatorul C se încarcă cu tensiunea V1. Când comutatorul K este pe poziţia 2,
condensatorul C se încarcă cu tensiunea V2. Deci transferul de sarcină între
condensorul C şi sursa din dreapta (din figura 4.1.1.2a) este de valoare C(V1-V2). Deci
în intervalul de timp Te/2 are loc o variaţie de curent de forma :

2C(V1 − V2 )
i= (2)
Te
Dacă în locul condensatorului şi a comutatorului ar fi montată o rezistenţă, ca
în figura 4.1.12. b), atunci prin acest circuit ar fi apărut, în acelaşi sens, curentul :

V1 − V2 (3)
i=
R

Deci rezistenţa R poate fi simulată cu ajutorul condensatorului comutat. Din


identificarea membrilor drepţi ai relaţiilor (2) şi (3) se obţine:
150 Filtre liniare – 4

Te
R=
2C

Figura 4.1.1.2. Principiul condensatorului comutat.

Deci valoarea rezistenţei simulate poate fi reglată prim modificarea frecvenţei


de comandă a comutatorului K.
În figura 4.1.1.3 este prezentată schema unui integrator ideal cu capacităţi
comutate.

Figura 4.1.1.3. Schema unui integrator ideal cu capacităţi comutate.

Atât timp cât comutatorul K stă pe poziţia 1, (Te/2 s), condensatorul C1 se


încarcă, căderea de tensiune pe acest element fiind egală cu valoarea curentă a tensiunii
x(t). Cât timp K se găseşte pe poziţia 2, tensiunea pe C1 se anulează (căderea de
tensiune între bornele amplificatorului operaţional este nulă), sarcina înmagazinată în
C1 transferîndu-i-se lui C.
4.1. – Filtre cu capacităţi comutate 151

Funcţionarea sistemului din figura 4.1.1.3 poate fi înţeleasă pe baza


exemplului din figura 4.1.1.4. Pe intervalul [0, Te/2], tensiunea pe C1 atinge valoarea
x(Te/2). La momentul Te/2, condensatorul C1 se descarcă, sarcina acumulată pe acesta,
Q=C1 x(Te/2), fiind transferată condensatorului C. Această variaţie de sarcină produce
căderea de tensiune pe condensatorul C, uc:

Q C1 ⎛ Te ⎞
uc = = ⋅ x⎜ ⎟
C C ⎝ 2⎠
⎡T ⎤
De aceea pe intervalul ⎢ e , Te ⎥ expresia semnalului de la ieşire este :
⎣2 ⎦
C1 ⎛ Te ⎞
y(t) = -uc = − ⋅ x⎜ ⎟
C ⎝ 2 ⎠

apoi ciclul descris se repetă.

x(t)

t
uc1(t)

-y(t)

t
0 Te 2Te 3Te 4Te 5Te

Te/2 3Te/2 5 Te/2 7Te/2 9Te/2 11Te/2

Figura 4.1.1.4. Exemplu de funcţionare al sistemului din figura 4.1.1.3.


152 Filtre liniare – 4

Admiţând că transferul de sarcină din capacitatea C1 în capacitatea C se


realizează instantaneu, rezultă, conform figurii 4.1.1.4 că semnalul de ieşire, y(t), se
modifică doar la momente discrete de timp. Din acest motiv, sistemul din figura 4.1.1.3
Te
poate fi echivalat cu un sistem în timp discret. La momentul (n-1)Te+ sarcina
2
condensatorului C1 este q1[n-1] = C1x[n-1] iar sarcina condensatorului C, q2[n-1] =
= Cy[n-1].
⎡ T ⎤
În intervalul ⎢(n − 1)Te + e , nTe ⎥ , comutatorul K se află pe poziţia 2. La
⎣ 2 ⎦
momentul nTe sarcina condensatorului C1 este 0 iar sarcina condensatorului C este
q2[n] = q2[n-1]-q1[n-1] = C y[n], adică:

C y[n] = C y[n-1]-C1 x[n-1] (5)

Aceasta este ecuaţia cu diferenţe finite care descrie sistemul în timp discret
echivalent.
Luând în relaţia (5) transformata z, se obţine :

C Y(z) = C z-1 Y(z) – C1 z-1 X(z)

de unde rezultă funcţia de transfer a sistemului în timp discret echivalent :

Y(z) C1 ⋅ z −1 C1 (6)
= H(z) = − =
X(z) −1
C(1 − z ) C(1 − z)

Admiţând că metoda de echivalare a sistemului în timp continuu din figura


4.1.1.3 cu sistemul în timp discret descris de ecuaţia (5) este cea a invarianţei
răspunsului la impuls, rezultă că variabilele z şi s sunt legate prin relaţia :

z = e sTe

de aceea funcţia de transfer a sistemului din figura 3, conform relaţiei (6) este:

C1
(7)
H(s) = C sT
1− e e
4.1. – Filtre cu capacităţi comutate 153

Se ştie că metoda de echivalare bazată pe invarianţa răspunsului la impuls


conduce la rezultate bune pentru frecvenţe de eşantionare mari, deci pentru valori Te
apropiate de zero.
sT
Dezvoltarea în serie Taylor a funcţiei e e în jurul lui zero este :

e sTe = e sTe s=0 + Te s e


sTe
s=0 + ...

Reţinând doar primii doi termeni ai dezvoltării rezultă :

e sTe ≅ 1 + sTe

Folosind această aproximare, expresia funcţiei de transfer (din relaţia (7)), H(s),
devine:

C1 (8)
C 1
H(s)= =−
1 − (1 + sTe ) C
s Te
C1

Comparând relaţiile (1) şi (8) se constată faptul că grupul K, C1 din figura


4.1.1.3 echivalează rezistenţa R din figura 4.1.1.1 şi că :

Te 1 (9)
R= =
C1 C 1 ⋅ f e

unde cu fe s-a notat frecvenţa cu care comută K.


Deci în condiţiile în care sunt valabile aproximaţiile făcute (frecvenţa fe mult
mai mare decât frecvenţa maximă din spectrul semnalului x(t)) folosind sistemul din
figura 4.1.1.3 se poate obţine un integrator ideal.

4.1.2. Metodă de sinteză a filtrelor cu capacităţi comutate

Rezultatul paragrafului anterior este foarte important având în vedere că orice


sistem în timp continuu poate fi sintetizat utilizând forma canonică 1 de implementare,
care este bazată pe folosirea integratoarelor ideale. În continuare se dă un exemplu de
sinteză, care conduce la obţinerea filtrului activ universal.
Ne propunem să proiectăm un filtru de ordinul II, care să aibă ieşiri de tip
trece-jos, trece-sus şi trece-bandă. Funcţia de transfer de tip trece-sus este:
154 Filtre liniare – 4

a 0s 2
HTS(s)= (10)
b 0 s 2 + b 1s + b 2

Conectând la ieşirea acestui filtru un integrator ideal se obţine un sistem global cu


funcţia de transfer de tip trece-bandă:

⎛ 1 ⎞
a 0 s⎜ ⎟
⎝ RC ⎠ (11)
HTB(s)= -
b 0 s 2 + b 1s + b 2

Conectând un nou integrator ideal se obţine sistemul global cu funcţia de transfer trece-
jos de tipul :
2
⎛ 1 ⎞
a0⎜ ⎟
HTJ(s)=
⎝ RC ⎠ (12)
b 0 s 2 + b 1s + b 2

Figura 4.1.2.1. Schema bloc a sistemului cu funcţia de transfer HTS(s).


4.1. – Filtre cu capacităţi comutate 155

Ecuaţia diferenţială corespunzătoare funcţiei de transfer din relaţia (10) este:

d2y dy d2x
b0 + b 1 + b 2 y = a 0 (13)
dt 2 dt dt 2

Integrând de două ori această relaţie se obţine :

t t t
b 0 y( t ) + b1 ∫ y(τ)dτ + b 2 ∫ ∫ y(τ)dτ = a 0 x(t) (14)
−∞ − ∞− ∞

Sistemul caracterizat de această ecuaţie este prezentat în figura 4.1.2.1.


Se constată că sistemul din figura 4.1.2.1 prezintă şi ieşiri de tip trece-bandă şi
trece-sus. Schema obţinută poate fi redesenată, folosind un sumator cu trei intrări. Se
obţine astfel sistemul din figura 4.1.2.2. Acesta poate fi construit cu amplificatoare
operaţionale conectate în structură de amplificator, sumator, sau integrator.
În continuare amplificatoarele operaţionale utilizate în structurile mai sus
amintite şi desenate în figura 4.1.2.3, se vor considera ideale.
Folosind figurile 4.1.2.2 şi 4.1.2.3, prin interconectarea corespunzătoare a
blocurilor constitutive, se obţine structura filtrului activ universal prezentat, în figura
4.1.2.4.

Figura 4.1.2.2. Schema bloc a filtrului activ universal.


156 Filtre liniare – 4

Figura 4.1.2.3. Construcţia blocurilor din figura 4.1.2.2 cu ajutorul amplificatoarelor operaţionale.

Din figurile 4.1.2.2 şi 4.1.2.3 se pot determina expresiile coeficienţilor


funcţiilor de transfer din relaţiile (10), (11) şi (12). Rezultă :

R3 + R4 R R + R4 R3
b0 = R 4 ; a0 = R 2 ; b1 = 1 3 ;b2 = (16)
R1 + R 2 RC R 1 + R 2 (RC)2
4.1. – Filtre cu capacităţi comutate 157

Figura 4.1.2.4. Schema unui filtru activ universal.

Deoarece expresiile funcţiilor de transfer ale sistemelor de tip trece-sus, trece-


bandă şi trece-jos de ordinul II sunt :

A TS ⋅ s 2
H TS (s ) = ;
s 2 + 2ξω0 s + ω 2 0
2ξω0 A TB s (17)
H TB (s ) = 2 ;
s + 2ξω0 s + ω 2 0
A TJ ⋅ ω 2 0
H TJ (s ) = 2
s + 2ξω0 s + ω 2 0

prin identificarea relaţiilor (17) cu relaţiile (10), (11) şi (12), pe baza relaţiilor (16) se
obţine :

R3
1+
a R4 b R 1
A TS = 0 = ; ω2 0 = 2 = 3 ⋅ ;
b0 R1 b 0 R 4 (RC )2
1+
R2
1 R 4 R1 + R 2
Q= = ⋅ ;
2ξ R 1 R 3 + R 4 (18)
158 Filtre liniare – 4

a0 ⎛ 1 ⎞ R
2ξω0 A TB = − ⎜ ⎟ ⇒ A TB = − 2 ;
b 0 ⎝ RC ⎠ R1
R
1+ 3
a0 1 R4
A TJ = ⋅ =
(RC )2 b 0 ω0 2 1 + R 1
R2

De obicei în schema filtrului activ universal se aleg:

R1 = R 3 = R 4 = R

Cu această observaţie parametrii celor trei funcţii de transfer devin:

2 1 R + R2 R 2
A TS = ; ω0 = ;Q = ; A TB = − 2 ; A TJ = (19)
R RC 2R R R
1+ 1+
R2 R2

În figura 4.1.2.5 este prezentată schema unui filtru activ universal realizat cu
capacităţi comutate, [Hue. ’84].

Figura 4.1.2.5. Filtru activ universal realizat cu capacităţi comutate.


4.2. – Filtre cu urmărire 159

Parametrii acestui sistem sunt:

2 R2
A TS = A TJ = ; A TB = −
R R
1+ (20)
R2
R + R2 C
Q= ; ω0 = 1 ⋅ f e
2R C

Orice filtru cu capacităţi comutate poate fi sintetizat pornind de la forma


canonică de implementare, folosind modelul din exemplul anterior.

4.2. Filtre cu urmărire

Se numeşte filtru cu urmărire de tip trece-bandă acel filtru trece-bandă a cărui


pulsaţie centrală este în permanenţă egală cu pulsaţia instantanee a semnalului
determinist de la intrarea sa, [Isa. ’93 (1)].

Figura 4.2.1. Suprafaţa de modul a unui filtru cu urmărire de ordinul II.


160 Filtre liniare – 4

Caracterizarea în domeniul frecvenţă a unui filtru cu urmărire de ordinul II


poate fi făcută pe baza relaţiei:

2ξAωjω 0 (t )
H(ω, t ) =
ω 0 (t ) − ω 2 + 2 jξωω 0 (t )
2

respectiv cu ajutorul suprafeţelor H (ω, t ) şi arg{H(ω, t )}. În figura 4.2.1. se prezintă


prima dintre aceste suprafeţe, pentru un filtru de ordinul II de tip Butterworth (cu
factorul de amortizare de valoare 0,707) şi cu legea de variaţie a frecvenţei centrale
ω0 (t ) = t .

Figura 4.2.2. Caracteristica momentană de modul a filtrului cu suprafaţa de modul din figura 4.1.1
la momentul t p = 1 .

În continuare se prezintă câteva secţiuni remarcabile prin aceste suprafeţe.


Intersecţia dintre suprafaţa H (ω, t ) şi planul {(ω, t )ω ∈ R, p ∈ Z,
p p fixat se }
numeşte caracteristică momentană de modul.
4.2. – Filtre cu urmărire 161

Ea se notează H ω, t p ( ) (
sau H ω, ω p ) ( )
cu ω p = ω0 t p . Această curbă
descrie comportarea în domeniul frecvenţă a filtrului cu urmărire la momentul t p . În
figura 4.2.2. se prezintă o caracteristică momentană de modul, corespunzătoare filtrului
cu urmărire din figura 4.2.1 la momentul t p = 1 .
Intersecţia dintre suprafaţa H (ω, t ) şi suprafaţa verticală a cărei urmă pe
planul (ω, t ) este curba de ecuaţie ω = ω 0 (t ) se numeşte caracteristică globală de
modul. Ea se notează cu H(ω 0 (t )) . Caracteristica globală de modul a filtrului
considerat în figura 4.2.1. este prezentată în figura 4.2.3.

Figura 4.2.3. O porţiune din caracteristica globală de modul a filtrului cu urmărire


considerat în figura 4.2.1.

Filtrele trece-bandă cu urmărire au următoarele proprietăţi:


P1. Dacă momentele de timp t p şi t q sunt alese astfel încât raportul
pulsaţiilor instantanee ale semnalului de intrare calculate la aceste momente
162 Filtre liniare – 4

( ) ( )
ωi t q / ωi t p să fie egal cu β , atunci pulsaţia centrală a caracteristicii momentane a
filtrului la momentul t q va fi de β ori mai mare decât pulsaţia centrală a caracteristicii
momentane a filtrului la momentul t p .
(
P2. În condiţiile de la P1 banda la –3dB a caracteristicii momentane H ω, ω q )
(
este de β ori mai mare decât banda la –3dB a caracteristicii momentane H ω, ω p . )
În practică banda de frecvenţă în care are loc procesul de urmărire nu poate fi
infinită. De aceea este raţional să se considere că această bandă este finită, de exemplu
⎡ 0 ∆ω 0 ∆ω ⎤
⎢⎣ω 0 − 2 , ω 0 + 2 ⎥⎦ .
P3. În banda de urmărire modulul răspunsului în frecvenţă al unui filtru trece-
bandă cu urmărire de ordinul II este maxim.
Această proprietate este exemplificată în figura 4.2.3. Această proprietate se
poate reformula şi astfel:
P3’. Modulul caracteristicii globale de frecvenţă a unui filtru cu urmărire este
o bună aproximare a modulului caracteristicii de frecvenţă a unui filtru trece-bandă
⎡ ∆ω 0 ∆ω ⎤
ideal în banda ⎢ω 00 − , ω0 + .
⎣ 2 2 ⎥⎦
Pe baza proprietăţii P3’ se constatã cã filtrele cu urmãrire sunt filtre adaptate la
semnale de tip “chirp”.

4.2.1. Filtre cu urmărire cu capacităţi comutate

Orice filtru cu urmărire este alcătuit dintr-un filtru comandat (în cazul de faţă
realizat cu capacităţi comutate) şi dintr-un circuit de comandă care transformă pulsaţia
instantanee a semnalului de la intrarea sa în semnal de comandă pentru filtrul cu
capacităţi comutate. Legătura dintre frecvenţa de comutaţie a filtrului şi pulsaţia
instantanee a semnalului de la intrarea sa este:

C2
f c (t ) = ωi (t )
C1

Deci este necesar ca frecvenţa de comutaţie să fie un multiplu întreg al


frecvenţei instantanee a semnalului de intrare. Această funcţie o îndeplineşte un circuit
cu calare de fază utilizat în regim de multiplicator de frecvenţă.
Deci circuitul de comandă poate fi unul cu calare de fază. Schema unui astfel
de circuit este prezentată în figura 4.2.1.1.
4.2. – Filtre cu urmărire 163
164 Filtre liniare – 4

În această figură este utilizat un filtru cu capacităţi comutate de tip MF 10 iar


multiplicatiorul de frecvenţă este realizat cu ajutorul circuitului PLL de tip 565 şi cu
ajutorul celor două numărătoare conectate în schemă de divizor de frecvenţă.
Banda de urmărire a acestui circuit este de aproximativ 1KHz, centrată pe
frecvenţa de 400 Hz. Pentru semnale sinusoidale perturbate aditiv cu zgomot alb
îmbunătăţirea RSZ realizată de acest circuit este de 35,2 dB.
În capitolul următor se studiază filtrele numerice cu parametri variabili în timp.
CAPITOLUL 5. Filtre numerice cu parametri variabili în timp

În acest capitol se prezintă o categorie de filtre numerice cu parametri variabili


în timp, filtrele adaptive.

5.1. Filtre adaptive

Modelul unui sistem adaptiv este prezentat în figura 5.1.1.

d[n ]
--
Filtru adaptiv
x[n ] y[n ]

ε[n ]

Figura 5.1.1. Schema bloc a unui filtru adaptiv.

Semnalul de intrare x[n ] este prelucrat în aşa fel încât semnalul de ieşire y[n ]
să semene cât mai mult cu semnalul model (de referinţă) d[n ]. Deosebirea dintre
{ }
semnalele d[n ] şi y[n ] este apreciată pe baza erorii medii pătratice E ε 2 [n ] . Cu E s-a
notat operatorul de mediere statistică. Minimizarea acestei erori este realizată prin
modificarea coeficienţilor filtrului utilizat. Un exemplu clasic de utilizare a filtrării
adaptive este în “albirea” semnalelor aleatoare. În acest caz semnalul x[n ] este un
semnal aleator staţionar iar semnalul de referinţă, d[n ], este un zgomot alb. Pe durata
procesului de adaptare coeficienţii filtrului numeric se modifică după achiziţia fiecărui
{ }
nou eşantion al semnalului x[n ] în aşa fel încât E ε 2 [n ] să scadă tot mai mult spre o
valoare minimă. Procesul de adaptare se încheie în momentul în care se atinge această
valoare minimă. După acest moment, indiferent care ar fi noile valori ale eşantioanelor
166 Filtre numerice – 5

{ }
semnalului x[n ] , valorile lui E ε [n ] oscilează în jurul acestei valori minime. Un alt
2

exemplu de aplicaţie a filtrelor adaptive este acela când răspunsul dorit este cunoscut
ca fiind răspunsul unui sistem, care trebuie identificat, la o excitaţie cunoscută.
Identificarea sistemului poate fi realizată prin determinarea, la sfârşitul
perioadei de adaptare, a coeficienţilor filtrului adaptat la a cărui intrare este adusă
aceeaşi excitaţie ca şi la intrarea sistemului necunoscut şi al cărui răspuns dorit este
răspunsul sistemului necunoscut.
Pentru a descrie funcţionarea şi proprietăţile filtrelor adaptive se va presupune
pentru început că toate semnalele din figura 5.1.1 sunt staţionare, că au funcţii de
corelaţie finite şi că filtrul numeric este un sistem liniar şi invariant în timp, de tipul cu
răspuns finit la impuls. În continuare se vor utiliza intercorelaţiile semnalelor x[n ] şi
d[n ], rdx [n ] şi ale semnalelor d[n ] şi y[n ] , rdy [n ] şi autocorelaţiile semnalelor
x[n ] , rxx [n ] , y[n ] , ryy [n ] şi d[n ], rdd [n ] , definite după cum urmează:

rdx [n ] = E{d[k ]x[k + n ]}; rdy [n ] = E{d[k ]y[k + n ]}; rxx [n ] = E{x[k ]x[k + n ]};
ryy [n ] = E{y[k ]y[k + n ]}; rdd [n ] = E{d[k ]d[k + n ]}

O proprietate a intercorelaţiei semnalelor aleatoare, utilă în continuare, este:

rαβ [n ] = rβα [− n ]

Deci autocorelaţia este funcţie pară.


Coeficienţii filtrului numeric (eşantioanele răspunsului său la impuls) se
notează cu w [n ] .Valoarea erorii medii pătratice este:

{ } { 2
} { } { }
E ε 2 [k ] = E (d[k ] − y[k ]) = E d 2 [k ] + E y 2 [k ] − 2E{d[k ]y[k ]} (1)

deoarece operatorul de mediere statistică este liniar. Relaţia (1) se mai scrie:

{ }
E ε 2 [k ] = rdd [0] + ryy [0] − 2rdy [0]

sau pe baza transformării z inverse:

⎛ 1 ⎞ (2)
{ }
E ε 2 [k ] = ⎜⎜ ⎟⎟ ∫ (R dd (z ) + R yy (z ) − 2R dy (z ))
dz
⎝ 2πj ⎠ z
5.1. – Filtre adaptive 167

Considerând ca şi contur de integrare cercul unitate, transformatele z devin


transformate Fourier în timp discret, R dd (Ω ), R yy (Ω ) şi R dy (Ω ) , [Bel., ’90]. Pentru
aceste funcţii se pot folosi relaţii de tip Wiener-Hincin, putându-se scrie:

R yy (Ω ) = W (Ω ) R xx (Ω )
2

adică:

R yy (z ) = W (z ) R xx (z ) (3)
2
z =1 z =1 z =1

Dar:

W (z ) = W (z )W * (z )
2
z =1 z =1

şi:

W * (z ) z =1
( )
= W z −1 z =1

De aceea relaţia (3) devine:

R yy (z ) z =1
= W (z )W z −1 ( ) z =1
R xx (z ) z =1
(4)

Relaţia:

R dy (Ω ) = W (Ω )R dx (Ω )

se mai poate scrie şi sub forma:

(5)
R dy (z ) z =1
= W (z ) z =1
R dx (z ) z =1

[Lim., Opp., ’88]. Substituind relaţiile (4) şi (5) în relaţia (2) se obţine:

(6)
{ } ⎛ 1 ⎞
E ε 2 [k ] = rdd [0] + ⎜⎜ [ ( )
⎟⎟ ∫ W z −1 R xx (z ) − 2R dx (z ) W (z )
dz
]
⎝ 2πj ⎠ z =1 z
168 Filtre numerice – 5

relaţie care exprimă eroarea medie pătratică pe baza expresiei funcţiei de transfer a
filtrului numeric W (z ) . Fiind vorba despre un filtru cu răspuns finit la impuls se poate
scrie:

L −1 (7)
W (z ) = ∑ w [i]z −i
i =0

{ }
Conform relaţiei (6) se constată că E ε 2 [k ] este o suprafaţă în spaţiul L + 1
dimensional {E{ε [k ]}, w [0], w [1],..., w [L − 1]}. Prin procesul de adaptare se determină
2

acei coeficienţi w [i ], i = 0, L − 1 care minimizează valoarea E{ε [k ]}. Deci prin


min
2

adaptare se realizează o deplasare pe suprafaţa amintită mai sus, din punctul iniţial de
{{ } }
coordonate E ε 2 [k ] , w 0 [0], w 0 [1],..., w 0 [L − 1] în punctul final de coordonate
{E{ε [k ]}, w [0], w [1],..., w [L − 1]}.
2
min min min
În prelucrarea adaptivă a semnalelor această sarcină (de adaptare) este un
proces continuu de modificare a coeficienţilor filtrului (deci a lui W (z ) ) în situaţia în
care celelalte cantităţi din relaţia (6) sunt lent variabile. Substituind (7) în (6) şi
efectuând calculele se obţine:

(8)
{ }
L −1 L −1 L −1
E ε 2 [k ] = rdd [0] + ∑ ∑ w [i ]w [m ]rxx [i − m ] − 2∑ w [i ]rxd [i ]
i =0 m =0 i =0

Având în vedere că în această relaţie coeficienţii filtrului adaptiv apar doar la


puterile 1 şi 2 rezultă că suprafaţa de eroare este una pătratică. Notând cu R matricea de
autocorelaţie a semnalului de intrare:

⎡ rxx [0] rxx [1] ... rxx [L − 1]⎤


⎢ r [1] rxx [0] ... rxx [L − 2]⎥⎥
⎢ xx
. . . .
R=⎢ ⎥
⎢ . . . . ⎥
⎢ ⎥
⎢ . . . . ⎥
⎢⎣rxx [L − 1] rxx [L − 2] ... rxx [0] ⎥⎦

şi folosind notaţiile:
5.1. – Filtre adaptive 169

⎡ rxd [0] ⎤ ⎡ w [0] ⎤


⎢ r [1] ⎥ ⎢ w [1] ⎥
⎢ xd ⎥ ⎢ ⎥
⎢ . ⎥ ⎢ . ⎥
P=⎢ ⎥ ; W=
. ⎢ . ⎥
⎢ ⎥ ⎢ ⎥
⎢ . ⎥ ⎢ . ⎥
⎢⎣rxd [L − 1]⎥⎦ ⎢⎣ w [L − 1]⎥⎦

se obţine forma matricială a relaţiei (8):

{ }
E ε 2 [k ] = rdd [0] + W T RW − 2P T W (9)

Fiind vorba despre o suprafaţă pătratică pozitivă (eroarea medie pătratică nu


poate fi negativă), e clar că ea are un minim. Pentru găsirea acestui punct este utilă
cunoaşterea gradientului suprafeţei, în fiecare punct al acesteia. Vectorul gradient al
suprafeţei de eroare se notează cu ∇ şi se defineşte cu relaţia:

((
⎡ ∂ E ε 2 [k ] ⎤ ))
⎢ ⎥
⎢ ∂w 2[0] ⎥
(
⎢ ∂ E(ε [k ] ) ⎥ )
⎢ ∂w [1] ⎥
⎢ . ⎥
∇=⎢ ⎥
⎢ . ⎥
⎢ ⎥
⎢ . ⎥
(( (
⎢ ∂ E ε [k ] ⎥
2
)))
⎢ ∂w [L − 1] ⎥
⎣ ⎦

Dar:

({ })
∂ E ε 2 [k ] L −1
= 2w [l]rxx [0] + 2 ∑ w [m ]rxx [l − m ] − 2rxd [l]
∂w [l] m =0
m≠l

[Ale., ’88]. Ţinând seama de paritatea funcţiei de autocorelaţie, pe baza ultimelor două
relaţii rezultă că vectorul gradient poate fi exprimat în forma:
170 Filtre numerice – 5

⎡ L −1

⎢ ∑ w [m]rxx [m] ⎥
⎢ L −m1 =0 ⎥ ⎡ rxd [0] ⎤
⎢ w [m]rxx [m − 1] ⎥ ⎢ r [1] ⎥
⎢ m∑ =0
⎥ ⎢ xd ⎥
⎢ ⎥ ⎢ . ⎥
∇ = 2⎢ .
⎥ − 2⎢ . ⎥
⎢ . ⎥ ⎢ ⎥
⎢ . ⎥ ⎢ . ⎥
⎢ L −1 ⎥ ⎢⎣rxd [L − 1]⎥⎦
⎢ w [m ]r [m − (L − 1)]⎥
⎢⎣m∑=0
xx
⎥⎦

sau ţinând seama de expresiile matricilor definite anterior:

∇ = 2RW − 2P

Minimul de pe suprafaţa de eroare este atins în punctul în care gradientul se


anulează. Se poate deci scrie:

2RWmin = 2P

Admiţând că matricea de autocorelaţie a semnalului de intrare este inversabilă


se poate obţine matricea coeficienţilor optimi ai filtrului adaptiv:

Wmin = R −1 P (10)

Filtrul cu aceşti coeficienţi este numit filtru Wiener.


Valoarea minimă a erorii medii pătratice este pe baza relaţiei (9):

E{ε 2 [k ]}min = rdd [0] + Wmin


T
RWmin − 2P T Wmin

sau pe baza relaţiei (10):

{ } ( )
E ε 2 [k ] min = rdd [0] + R −1 P RWmin − 2P T Wmin
T (11)
5.1. – Filtre adaptive 171

adică:
{ } ( )
E ε 2 [k ] min = rdd [0] + P T R −1 RWmin − 2P T Wmin
T (12)

Ţinând seama de simetria matricei de autocorelaţie, se poate demonstra că:

(R ) −1 T
= R −1

şi deci:

(R ) R = R
−1 T −1
R=I

unde cu I s-a notat matricea unitate. De aceea relaţia (11) devine:

{ }
E min ε 2 [k ] = rdd [0] − P T Wmin (13)

Această relaţie exprimă legătura dintre valoarea minimă a erorii medii pătratice
şi vectorul coeficienţilor optimi ai filtrului adaptiv.
Conform relaţiei (10), pentru determinarea coeficienţilor filtrului optim este
necesară cunoaşterea matricelor R şi P (care depind doar de semnalele x[n ] şi d[n ]).
În practică matricea R nu este de obicei cunoscută. De aceea de obicei această matrice
se estimează. Pornind de la valoarea estimată a lui R şi de la o valoare iniţială a
vectorului W se calculează o primă estimaţie a gradientului. Pe baza noului eşantion
achiziţionat se face o nouă estimare a lui R. Pe baza relaţiei (10) se face o nouă
estimare a lui W şi se calculează gradientul. În cazul în care noua valoare este mai
apropiată de zero se consideră că estimarea lui W este în sensul corect şi se continuă în
acelaşi fel. În caz contrar se estimează R în sens contrar şi se refac operaţiile enunţate
mai sus.
În acest mod se derulează un algoritm de căutare a vectorului Wmin .
Metodele de căutare ale minimului suprafeţei de eroare se bazează în general
pe estimări locale ale gradientului erorii făcute după achiziţia fiecărui nou eşantion din
1 −1
secvenţa x[n ] . Înmulţind la stânga cei doi membrii ai relaţiei (10) cu R se obţine:
2

1 −1 (14)
R ∇ = W − R −1 P
2

sau pe baza relaţiei (11):


172 Filtre numerice – 5

1 (15)
Wmin = W − R −1∇
2

Relaţia (15) conduce la metoda de căutare a minimului de tip Newton.


Notând cu W[k ] vectorul coeficienţilor filtrului la momentul k se obţine:

W[k + 1] = W[k ] − µR −1∇[k ] (16)

unde ∇[k ] reprezintă valoarea vectorului gradient la momentul k iar µ este un scalar
care fixează viteza de convergenţă a vectorului W[k ] spre vectorul Wmin . Forma
vectorului W[k ] este:

⎡ w k [0] ⎤
⎢ w [1] ⎥
⎢ k ⎥
⎢ . ⎥
W[k ] =
⎢ . ⎥
⎢ ⎥
⎢ . ⎥
⎢⎣ w k [L − 1]⎥⎦

La pasul k al algoritmului se calculează:

∇[k ] = 2RW[k ] − 2P (17)

Substituind (17) în (16) se obţine:

W[k + 1] = W[k ] − µR −1 (2RW[k ] − 2P )

sau ţinând seama de relaţia (11) ultima relaţie se mai scrie:

W[k + 1] = (1 − 2µ )W[k ] + 2µWmin

adică:
k
W[k + 1] = (1 − 2µ ) W[0] + 2µWmin ∑ (1 − 2µ )
k +1 l

l=0
5.1. – Filtre adaptive 173

Deci:

k
[
W[k ] = (1 − 2µ ) W[0] + 1 − (1 − 2µ ) Wmin
k
] (18)

Se constată că dacă este îndeplinită condiţia:

0 < 1 − 2µ < 1

atunci şirul W[k ] converge la limita Wmin . Considerând că matricea de autocorelaţie


este unitară, relaţia (16) se poate scrie în forma:

W[k + 1] = W[k ] − µ∇[k ] (19)

Făcând notaţia:

⎡ x[k ] ⎤
⎢ x[k − 1] ⎥
⎢ ⎥
⎢ . ⎥
X[k ] =
⎢ . ⎥
⎢ ⎥
⎢ . ⎥
⎢⎣ x[k − (L − 1)]⎥⎦

ieşirea filtrului adaptiv poate fi exprimată şi matricial:

y[k ] = W T [k ]X[k ] (20)

În continuare se estimează eroarea medie pătratică prin valoarea sa instantanee:

{ }
E ε 2 [k ] ≅ ε 2 [k ]

Cu această aproximare gradientul la momentul k devine:


174 Filtre numerice – 5

⎡ ⎤
⎢ ⎥
⎢ ⎥ ⎡ ∂{ε[k ]} ⎤
⎢ ⎥ ⎢ ε[k ]
⎢ ⎥ ∂{w k [0]} ⎥
⎢ ⎥
{
⎢ ∂ ε [k ] ⎥
2 2
} ⎢ ε[k ] ∂{ε[k ]} ⎥
⎢ ∂{w [0]}2 ⎥ ⎢ ∂{w k [1]} ⎥
⎢ ⎥
{ } ⎢ ⎥
k

⎢ ∂ 2 ε 2 [k ] ⎥ .
∇[k ] ≅ =2 ⎢ ⎥ (21)
⎢ ∂{w [1]}2 ⎥ ⎢ . ⎥
⎢ k
⎥ ⎢ ⎥
⎢. ⎥ ⎢
.

⎢. ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ∂{ε[k ]} ⎥
⎢. ⎥ ⎢ε[k ] ⎥
∂{w k [L − 1]}⎦

{
⎢ ∂ 2 ε 2 [k ] ⎥ } ⎥

⎢⎣ ∂{w k [L − 1]} ⎥⎦
2

Dar conform definiţiei erorii:

ε[k ] = d[k ] − y[k ]

De aceea:
∂{ε[k ]} ∂{y[k ]} ( 20 )
=− = − x[k − l] ; l = 0, L − 1
∂{w k [l]} ∂w k [l]

şi relaţia (21) devine:

⎡ ∂{y[k ]} ⎤
⎢ ∂{w [0]} ⎥

[k ]} ⎥⎥
k

⎢ ∂{ y
⎢ ∂{w k [1]} ⎥
∇[k ] ≅ −2ε[k ]⎢⎢ . ⎥ = −2ε[k ]X[k ]

⎢ . ⎥
⎢ . ⎥
⎢ ⎥
⎢ ∂{y[k ]} ⎥
⎢⎣ ∂{w k [L − 1]}⎥⎦
5.2. – Aplicaţii 175

Înlocuind această estimare a gradientului în relaţia (20), aceasta devine:

W[k + 1] = W[k ] + µε[k ]X[k ] (22)

Această relaţie descrie algoritmul de căutare a coeficienţilor optimi ai filtrului


adaptiv de tip LMS.
Convergenţa acestui algoritm este asigurată pentru:

2µ (20)
0< <1
Lλ max

unde λ max reprezintă valoarea maximă a valorilor proprii ale matricei de autocorelaţie
a semnalului de intrare, R, [Wid., Ste., ’85].

5.2. Aplicaţii

În continuare se prezintă câteva rezultate de simulare ale unor filtre adaptive de


tip LMS folosite pentru îmbunătăţirea RSZ. În primul experiment se consideră sistemul
din figura 5.1.1. Filtrul propriuzis este de tip transversal. În figura 5.1.2. este prezentat
semnalul d[n ] , în figura 5.1.3. semnalul x[n ] iar în figura 5.1.4. semnalul y[n ] .
Anlizând ultima figură se constată că, după perioada de învăţare, semnalul de la ieşirea
filtrului urmăreşte bine partea utilă a semnalului de la intrare, deşi acest semnal este
nestaţionar. În acest regim permanent coeficienţii filtrului sunt cei prezentaţi în figura
5.1.5.

Figura 5.1.2. Semnalul de referinţă.


176 Filtre numerice – 5

Figura 5.1.3. Semnalul de intrare.

Figura 5.1.4. Semnalul de ieşire.


5.2. – Aplicaţii 177

Figura 5.1.5. Datele obţinute în urma rulării primului program de simulare.

Deci filtrul adaptiv de tip LMS din figura 5.1.1. realizează pentru semnalul din
figura 5.1.3. o îmbunătăţire a raportului semnal pe zgomot de 6,59 ori. Dezavantajul
schemei din figura 5.1.1. este necesitatea cunoaşterii semnalului de referinţă. De fapt
această schemă se utilizează în aplicaţiile de identificare a sistemelor. La intrarea
sistemului de identificat este adus semnalul x[n ] . La ieşirea sa se obţine semnalul
d[n ] , care este folosit ca şi semnal de referinţă pentru filtrul adaptiv. În acest mod
răspunsul la impuls al filtrului adaptiv în regim permanent va reprezenta o bună
aproximare a răspunsului la impuls al sistemului de identificat. O structură mai bună de
filtrare adaptivă pentru aplicaţiile de îmbunătăţire a raportului semnal pe zgomot este
cea prezentată în figura 5.1.6, [Wid., Ste., ’85].

Figura 5.1.6. Schema de filtrare adaptivă folosită în cel de al doilea experiment.


178 Filtre numerice – 5

Se constată că în acest caz nu mai este necesară cunoaşterea semnalului de


referinţă, deoarece acesta este generat pornind de la semnalul de intrare, prin întârziere
cu ajutorul blocului D.
În figura 5.1.7. se prezintă semnalul de intrare, în figura 5.1.8. semnalul de la
ieşirea blocului D iar în figura 5.1.9. este prezentat semnalul de la ieşirea filtrului. În
figura 5.1.10 sunt prezentate datele specifice pentru cel de al doilea experiment. A fost
folosită o întârziere de 10 eşantioane.

Figura 5.1.7. Semnalul de intrare.

Figura 5.1.8. Semnalul de referinţă.


5.2. – Aplicaţii 179

Figura 5.1.9. Semnalul de la ieşire.

Figura 5.1.10. Coeficienţii filtrului adaptiv în regim permanent şi valorile rapoartelor semnal pe zgomot.

Se constată că în cel de al doilea experiment îmbunătăţirea raportului semnal


pe zgomot este de doar 2,16. Cu toate acestea schema din figura 5.1.6. trebuie preferată
schemei din figura 5.1.1 deoarece nu este necesară cunoaşterea semnalului de referinţă.
CAPITOLUL 6. Filtre neliniare

În acest capitol se prezintă câteva tipuri de filtre numerice neliniare. Există


situaţii în care utilizarea filtrelor neliniare poate conduce la îmbunătăţiri mai mari ale
raportului semnal pe zgomot decât dacă s-ar fi utilizat filtre liniare.

6.1. Filtre numerice cu ordonare statistică

Dacă X (1) , X ( 2 ) ,..., X ( N ) este un şir de variabile aleatoare atunci prin ordonarea
lor după valoare se obţine şirul de inegalităţi:

X (1) ≤ X (2 ) ≤ ... ≤ X ( N ) (1)

Variabila aleatoare X (i ) se numeşte a i-a variabilă aleatoare în ordonare


statistică. Pe baza acestei ordonări se poate determina mediana secvenţei de variabile
aleatoare considerată, folosind următoarea definiţie:

⎧ X (ν +1) , daca N = 2ν + 1

med{X i } = ⎨ X (ν ) + X (ν +1)
⎪⎩ daca N = 2ν
2

Considerând semnalul x[n ] şi fereastra dreptunghiulară w [n ] , de lungime N,


centrată pe momentul n, prin înmulţirea lor se obţine semnalul x̂[n ] , care la momentul
n are N eşantioane. Considerând că acestea ar reprezenta secvenţa de variabile
aleatoare de mai sus, mediana acesteia este răspunsul "filtrului median" la semnalul
x[n ] , la momentul n. Deplasând fereastra w [n ] peste semnalul x[n ] , (prin centrarea
sa succesivă pe diferite momente de timp) se obţine răspunsul filtrului median la
semnalul x[n ] . În figura următoare se reprezintă câteva exemple de semnale precum şi
răspunsurile unui filtru median, cu N de valoare 7, la aceste semnale.
Analizând figura 6.1.1 se constată că pentru semnale de intrare monotone, prin
filtrare mediană nu se modifică forma semnalului. Aproximarea semnalelor monotone
pe porţiuni prin filtrare mediană este afectată de erori. Acestea se manifestă la
momentele de timp la care monotonia semnalului se schimbă. De asemenea se constată
6.1. – Filtre numerice cu ordonare statistică 181

eficienţa filtrului median la eliminarea zgomotului de tip impuls care perturbă aditiv
semnalul de prelucrat. Este remarcabilă şi calitatea răspunsului indicial al filtrului
median.

Figura 6.1.1. Câteva exemple de funcţionare a unui filtru median, N de valoare 7.

Tot pe baza ordonării statistice descrise de relaţia (1) pot fi obţinute diferite
combinaţii liniare ale elementelor acesteia:
182 Filtre neliniare – 6

n (2)
Tn = ∑ a i X (i )
i =1

cărora le corespund filtre cu ordonare statistică.


Prin extragerea repetată a medianei poate fi obţinut un alt tip de filtru, numit
filtru median recursiv. Legătura intrare-ieşire pentru un astfel de sistem este:

y[i] = med(y i −ν ,..., y i −1 , x i ,..., x i + ν ) (3)

Pentru a combina avantajele filtrelor liniare cu cele ale filtrului median au fost
concepute filtrele mediane hibride, caracterizate de următoarea legătură intrare-ieşire:

y[i] = med{ϕ1 (x i ),..., ϕ m (x i )} (4)

unde ϕ k (x i ), k = 1, m , sunt răspunsurile a m filtre liniare la semnalul x i . De


exemplu relaţia (4) poate lua forma:

⎧⎛ 1 ⎞ ν ⎛1⎞ ν ⎫
y[i ] = med⎨⎜ ⎟∑ x i − j , x i , ⎜ ⎟∑ x i + j ⎬
⎩⎝ ν ⎠ j=1 ⎝ ν ⎠ j=1 ⎭

6.2. Construcţia unui filtru numeric median

Pentru filtrarea mediană e necesar să se grupeze eşantioanele din fereastră în


ordine crescătoare, pentru fiecare poziţie a ferestrei şi să se determine, prin comparaţii
succesive, mediana secvenţei din fereastră.
Considerând că semnalul de intrare x[n ] are forma:

x[n ] = x d [n ] + x a [n ] (5)

unde x d [n ] este un semnal util iar x a [n ] o perturbaţie, răspunsul filtrului median


poate fi pus în forma:

y[n ] = x d [n ] + y a [n ] (6)
6.2. – Construcţia unui filtru 183

unde y a [n ] reprezintă zgomotul de la ieşirea sistemului. Raportul semnal pe zgomot la


intrarea în filtru se poate calcula cu relaţia:

M (7)
∑ x d2 [i]
RSZ i = i =0
M

∑ x [i]
i =0
2
a

iar la ieşire cu relaţia:

M (8)
∑ x [i] 2
d
RSZ o = i =0
M

∑ y [i]
i =0
2
a

Îmbunătăţirea raportului semnal pe zgomot obţinută este:

M (9)
RSZ o ∑ x [i]
i =0
2
a
χ= = M
RSZ i
∑ y [i]
i =0
2
a

În stabilirea acestei formule s-a considerat că secvenţa x[n ] este de durată


limitată M. Îmbunătăţirea raportului semnal pe zgomot realizată de sistemele liniare şi
invariante în timp este invers proporţională cu banda echivalentă de zgomot a acestora.
De obicei aceasta este cu atât mai mare cu cât ordinul filtrului este mai mic. O cale de
creştere a ordinului filtrului fără a i se modifica răspunsul în frecvenţă este recircularea
semnalului care trebuie filtrat. Această procedură presupune următorii paşi:
1. Prin filtrarea semnalului de intrare de durată limitată x[n ] se obţine răspunsul
y1 [n ] .
2. Folosind acelaşi filtru se prelucrează semnalul y1 [n ] obţinându-se semnalul
y 2 [n ] .
3. Procedeul descris se repetă de câte ori se doreşte să fie crescut ordinul filtrului.
Un parametru al filtrului median care controlează îmbunătăţirea raportului
semnal pe zgomot introdusă de acest sistem este lungimea ferestrei temporale folosite.
184 Filtre neliniare – 6

În continuare se propune o nouă tehnică de filtrare adaptivă. Aceasta presupune


realizarea unei succesiuni de filtrări mediane cu recirculare. La sfârşitul fiecărei filtrări
mediane cu recirculare, este scăzută lungimea ferestrei temporale şi o nouă filtrare
mediană cu recirculare începe, pornind cu ultima secvenţă obţinută în filtrarea mediană
cu recirculare anterioară. Lungimea primei ferestre temporale este aleasă de utilizator.
De asemenea valoarea minimă a lungimii ferestrei poate fi aleasă. Filtrarea mediană
adaptivă se încheie la sfârşitul filtrării mediane cu recirculare care foloseşte cea mai
scurtă fereastră. Fiecare filtrare mediană cu recirculare ia sfârşit atunci când o nouă
aplicare a acestui procedeu nu mai modifică valoarea vreunui eşantion.

6.3. Filtre morfologice

Această categorie de filtre neliniare, înrudite cu filtrele cu ordonare statistică se


foloseşte în special în prelucrarea imaginilor. Cazul cel mai simplu este cel al
imaginilor binare. Acestea pot fi descrise cu ajutorul teoriei mulţimilor. În continuare
se trec în revistă principalii operatori morfologici folosiţi în prelucrarea imaginilor
binare. Pentru construcţia acestor operatori se folosesc mulţimi specifice numite
elemente structurante. În continuare elementul structurant se va nota cu K. O operaţie
folosită frecvent la construcţia operatorilor morfologici este diferenţa de tip Minkovski.
Se numeşte simetrica mulţimii K, K = x ∈ R n { } şi se notează K mulţimea
{ }
K = − x ∈ R n x ∈ K . Se numeşte diferenţă de tip Minkovski între mulţimile A şi K
şi se notează cu A ÷ K , mulţimea:

{
A ÷ K = x ∈ Rn Kx ⊂ A } unde K x = {x + k k ∈ K}

[Pre. ’87]. Primul operator morfologic este cel de eroziune. Erodata mulţimii A în
raport cu elementul structurant K este diferenţa de tip Minkovski dintre A şi K . Se
notează:

{
E K {A} = A ÷ K = x ∈ R n K x ⊂ A } (10)

Operatorul dual operatorului de eroziune este cel de dilatare. Pentru a defini


acest operator se foloseşte operaţia duală diferenţei de tip Minkovski. Această operaţie
se numeşte adunare de tip Minkovski şi este definită cu relaţia:

A ⊕ K = ∪Ak (14)
k∈K
6.4. – Filtre în domeniul unei transformări 185

Figura 6.3.1. Imaginea originală (stânga) şi erodata sa (dreapta) obţinută folosind un element structurant
pătrat cu latura de 2 pixeli.

Prin dualitate, dilatata mulţimii A, folosind elementul structurant K, este dată


de adunarea de tip Minkovski a mulţimilor A şi K :

{
A ⊕ K = u, ∃ k ∈ K, u ∈ A k } (17)

În figura următoare se prezintă un exemplu de dilatare a unei imagini.

Figura 6.3.2 Imaginea originală (stânga) şi dilatata sa (dreapta). S-a folosit un element structurant pătrat cu
latura de 2 pixeli.

Folosind operatorii de erodare şi de dilatare poate fi introdusă o nouă categorie


de operatori morfologici ale cărei elemente se numesc filtre de contrast. Rolul lor este
de a întări contrastul unei imagini făcând ca anumiţi pixeli ai acesteia să-şi modifice
brusc valorile. Fie imaginea f şi (f1 , f 2 ) două imagini transformate verificând :

f1 ≤ f ≤ f 2
186 Filtre neliniare – 6

De obicei f1 este erodata lui f iar f 2 dilatata lui f. Imaginea filtrată este:

⎧ f 1 (x ) pentru f (x ) − f 1 (x ) < f 2 (x ) − f (x )

f (x ) → ⎨f 2 (x ) pentru f (x ) − f 1 (x ) > f 2 (x ) − f (x )
⎪ f (x ) in rest

În figura următoare se prezintă un exemplu de aplicare a operatorului filtru de


contrast asupra unei imagini cu mai multe nivele de gri.

Figura 6.3.3. Un exemplu de aplicare a filtrului de contrast. În stânga imaginea originală. În dreapta
rezultatul filtrării.

Se remarcă îmbunătăţirea contrastului în special în zona contururilor.


Eroziunea şi dilatarea sunt transformări duale. Ele nu sunt însă inverse. Aceste două
transformări ne permit construcţia unor transformări morfologice derivate, mai
complexe cu proprietăţi superioare, printre care trebuie amintită proprietatea de
idempotenţă. Printre acestea cele mai importante sunt transformările morfologice de
închidere şi de deschidere. Fie X o imagine şi B un element structurant. Deschiderea
morfologică e definită pentru imaginile binare cu relaţia :

(
XB = X ÷ B ⊕ B ) (18)

Pentru că operatorul dual operatorului de eroziune este cel de dilatare şi


reciproc se poate calcula închiderea mulţimii X în raport cu elementul structurant B,
notoată cu XB cu ajutorul relaţiei:
6.4. – Filtre în domeniul unei transformări 187

(
XB = X ⊕ B ÷ B ) (19)
În figura următoare sunt prezentate rezultatele prelucrării cu operatorii de
deschidere (în stânga) şi de închidere (în dreapta) a imaginii prezentate în stânga figurii
6.3.2.

Figura 6.3.4. Un exemplu de aplicare al operatorilor de deschidere şi de închidere asupra imaginii din
stânga figurii 6.2.2.

Filtrele morfologice sunt secvenţe de operatori morfologici de bază care au


propiretatea de idempotenţă.
Definiţie. Se numeşte compunere proprie, aplicaţia care asociază fiecărui
operator ψ operatorul ψ ψ , notat ψψ .
Noţiunea de idempotenţă, ψψ = ψ , se poate descompune în două inegalităţi:
Definiţie. Fie ψ un operator crescător.
Operatorul ψ este un sub-filtru dacă ψψ ≤ ψ .
Operatorul ψ este un supra-filtru dacă ψψ ≥ ψ .
Operatorul ψ est un filtru dacă ψ est idempotent, ψψ = ψ .
[Ast., Kos., Neu. ’92].
Deşi nu există nici un motiv aparent ca supremumul, infimumul sau compoziţia
a două filtre să fie un filtru totuşi :
Teoremă. (teorema de compunere a filtrelor)
Fie φ şi ψ două filtre care verifică φ ≥ ψ . Atunci :
1. φ ≥ φψφ ≥ φψ ∨ ψφ ≥ φψ ∧ ψφ ≥ ψφψ ≥ ψ
2. φψ ψφ , φψφ şi ψφψ sunt filtre.
3. φψφ este cel mai mic filtru superior lui φψ ∨ ψφ şi ψφψ cel mai mare filtru
inferior lui φψ ∨ ψφ .
Cu ∨ s-a notat supremumul iar cu ∧ s-a notat infimumul celor doi operatori.
O demonstraţie a acestei teoreme poate fi găsită în [Pre. ’95].
Dacă se consideră relaţia de ordine obişnuită ≤ , pe mulţimea filtrelor, noţiunea
de supremum este definită cu ajutorul următoarei teoreme:
188 Filtre neliniare – 6

Teoremă. Fie (ψ i ) o familie de filtre. Cel mai mic filtru superior lui ∨ ψ i este
cel mai mare element al clasei de transformări crescătoare închisă pentru sup şi
compunerea proprie generată de (ψ i ) [Sch., Mat. ’94].

6.3.1. Filtre alternate secvenţial

Principiul care stă la baza construcţiei acestor filtre este iterarea deschidelor şi
închiderilor de talie crescătoare. Fie (γ i ) o familie de deschideri şi (φ i ) o familie de
închideri verificând :

i ≤ j ⇒ γ j ≤ γ i ≤ I ≤ φi

unde cu I s-a notat operatorul de identitate. Fie operatorii m i , n i , ri şi s i definiţi după


cum urmează:

m i = γ i φ i ; n i = φ i γ i ; ri = φ i γ i φ i ; s i = γ i φ i γ i

Cum orice deschidere este mai mică decât orice închidere de aceeaşi talie, se poate
scrie :

γ i ≤ φi

Atunci, conform teoremei anterioare, se poate afirma că n i , m i , ri şi s i sunt filtre.


Propoziţia următoare demonstrează că ordinea de iterare a filtrelor contează.
Propoziţie. Fie (i k )k =1 întregi strict pozitivi astfel încât i k ≤ i1 = i p . Atunci:
p

m i p m i p −1 ...m i 2 m i1 = m i 1 = m i p
n ip n i p −1 ...n i2 n i1 = n i1 = n ip

O demonstraţie pentru această propoziţie poate fi găsită în [Sch., Mat. ’94].


Filtrele alternate secvenţial sunt definite de iteraţiile următoare :

M i = m i m i −1 ... m 2 m1
N i = n i n i −1 ... n 2 n 1
R i = ri ri−1 ... r2 r1
6.4. – Filtre în domeniul unei transformări 189

Si = s i s i −1 ... s 2 s1

În particular pot fi scrise relaţiile următoare:

R i = φ i M i şi Si = γ i N i

Figura 6.3.1.1. Un exemplu de utilizare a filtrelor morfologice.

Aceste filtre se bucură de un număr mare de proprietăţi. Iată câteva relaţii referitoare la
compunerea lor. Pentru i ≤ j :
190 Filtre neliniare – 6

M jM i = M j ≤ M i M j R i R j ≤ R j = R jR i
S jS i = S j ≤ S i S j Ni N j ≤ N j = N jNi

Se poate pune întrebarea ce se întâmplă dacă se iterează filtrele m i în ordine


descrescătoare. În acest mod se obţin filtrele morfologice secvenţiale transpuse:

M it = m1 m 2 ... m i -1 m i R it = r1 r2 ... ri -1 ri
N it = n 1 n 2 ... n i -1 n i S it = s 1s 2 ... s i -1s i

Acestea au proprietăţi analoage filtrelor alternate secvenţial. Dacă se doreşte ca


un număr important de inegalităţi între filtre să devină egalităţi se utilizează filtrele
alternate secvenţial simetrice:

~ ~ ~ ~
M i = M it M i ; R i = R it R i ; N i = N it N i ; Si = Sit Si

Aceste filtre au proprietatea:

~ ~ ~ ~ ~
M i M j = M j M i = M sup (i , j)

În figura 6.3.1.1 se prezintă două exemple de utilizare a filtrelor alternate


secvenţial. În partea de sus este prezentată imaginea de filtrat, în mijloc se află
imaginea obţinută prin filtrarea cu ajutorul unui filtru morfologic deschidere-închidere
iar în partea de jos se poate vedea imaginea obţinută prin filtrarea cu un filtru
morfologic închidere-deschidere.
În cele două exemple de filtrare din figura anterioară au fost folosite elemente
structurante pătrate cu latura de 2 pixeli.

6.4. Filtre neliniare folosite în domeniul unei transformări ortogonale

O modalitate interesantă de filtrare a unui semnal este cea bazată pe


prelucrarea unei transformate a acelui semnal. De exemplu, de multe ori, pentru
filtrarea adaptivă a unui semnal se preferă strategia următoare:
- se calculează o transformată ortogonală a semnalului de prelucrat,
- se efectuează filtrarea adaptivă în domeniul transformatei,
- se aplică, rezultatului obţinut la pasul anterior, transformarea ortogonală inversă,
obţinându-se rezultatul filtrării.
O astfel de abordare are unele avantaje:
6.4. – Filtre în domeniul unei transformări 191

- prin transformarea ortogonală semnalul de prelucrat se decorelează,


- filtrarea în domeniul transformatei poate necesita un număr redus de operaţii
aritmetice.

6.4.1. Transformarea wavelet discretă

Cele mai folosite transformări ortogonale în astfel de aplicaţii sunt


transformarea cosinus discretă, TCD şi transformarea wavelet discretă, TWD. O
alternativă la filtrarea adaptivă în domeniul transformatei este filtrarea neliniară în
acelaşi domeniu. În acest paragraf se vor face referiri la folosirea filtrării neliniare în
domeniul TWD pentru îmbunătăţirea raportului semnal pe zgomot respectiv pentru
compresia de date.

6.4.2. Bazele matematice ale TWD

Definiţie. Mulţimea de subspaţii Hilbert închise {Vm }m∈Z ale lui L2 (R ) este o
analiză multirezoluţie a acestui spaţiu dacă elementele Vm au următoarele proprietăţi:

i) ...V1 ⊂ V0 ⊂ V−1 ... ,


−−−−−−−
⎛ ⎞
ii) ∩V m = {0}, ⎜⎜ ∪ Vm ⎟⎟ = L2 (R ) ,
m∈Z ⎝ m∈Z ⎠

iii) (∀)f (x ) ∈ Vm ⇔ f (2 x ) ∈ Vm −1 ,

iv) Există o funcţie ϕ(x )∈ V0 astfel încât mulţimea


⎧ m

ϕ
⎨ m ,n (x ) = 2

2
( )
ϕ 2 − m x − n ⎬ să fie o bază ortonormală a lui Vm .
⎩ ⎭ n∈Z

Funcţia ϕ(x ) se numeşte funcţie de scalare.


Fie f 0 (t ) un semnal din V0 . El are următoarea descompunere în baza
{ϕ (t ) = ϕ(t − n )}
0,n n∈Z
:
192 Filtre neliniare – 6

∞ (20)
f 0 (t ) = ∑ f (t ), ϕ (t ) ϕ (t )
0 0,n 0,n
n = −∞

Fie f 1 (t ) proiecţia lui f 0 (t ) pe V1 . Această funcţie are următoarea


⎧ 1

descompunere în baza ⎨ϕ1,n (t ) = 2

2
( )
ϕ 2 −1 t − n ⎬ a lui V1 :
⎩ ⎭ n∈Z


f 1 (t ) = ∑ f (t ), ϕ (t ) ϕ (t )
0 1, n 1, n (21)
n = −∞

Fie f m (t ) proiecţia lui f 0 (t ) pe Vm . Ea are următoarea descompunere în baza


{ϕ (t )}
m,n n∈Z
a lui Vm :


f m (t ) = ∑ f (t ), ϕ (t ) ϕ (t )
0 m,n m,n (22)
n = −∞

Semnalele f 1 (t ), f 2 (t ),..., f m (t ) sunt cele mai bune aproximări ale lui f 0 (t ) cu


elemente ale spaţiilor V1 , V2 ,..., Vm (teorema lui Riesz). Dacă e1 (t ), e 2 (t ),..., e m (t )
sunt erorile medii pătratice de aproximare ale lui f 0 (t ) cu funcţiile
f 1 (t ), f 2 (t ),..., f m (t ) , atunci se poate scrie:

e1 (t ) ≤ e 2 (t ) ≤ ... ≤ e m (t ) (23)

Se observă că odată cu creşterea lui m calitatea aproximării descreşte.


Considerând că f m (t ) reprezintă aproximarea lui f 0 (t ) de rezoluţie m se poate afirma
că folosind diferite elemente ale mulţimii {Vm }m∈Z se pot obţine aproximări de diferite
rezoluţii ale lui f 0 (t ) . De aceea această mulţime se numeşte analiză multirezoluţie a
lui L2 (R ) .
Notând:

f 0 (t ), ϕ m ,n (t ) = s m [n ]

se poate stabili relaţia între secvenţele s m [n ] şi s 0 [n ] pentru m > 0 .


6.4. – Filtre în domeniul unei transformări 193

Descompunerea funcţiei ϕ1,n (t ) în baza ϕ 0,n (t ) { }


n∈Z
a lui V0 este:

∞ (24)
ϕ1,n (t ) = ∑ ϕ1,n (t ), ϕ(t − l ) ϕ(t − l )
l = −∞

Dar:

∞ 1 (25)
ϕ1,n (t ), ϕ(t − l ) =

(
∫ 2 ϕ 2 u ϕ (u + 2n − l)du
−1 *2
)
−∞

Cu notaţia:

ϕ1,n (t ), ϕ(t − l ) = h[2n − l]

relaţia (24) devine:


ϕ1,n (t ) = ∑ h[2n − l]ϕ(t − l)
l = −∞

Deci:


s1 [n ] = f 0 (t ), ϕ1,n (t ) = f 0 (t ), ∑ h[2n − l]ϕ(t − l )
l = −∞

Folosind relaţia (20) se obţine:


s1 [n ] = ∑ s [p]h [2n − p]
0
*

p = −∞

Prin recurenţă se poate scrie:


s m [n ] = ∑ s [p]h [2n − p]
m −1
*
(26)
p = −∞
194 Filtre neliniare – 6

Această relaţie a fost stabilită pentru întâia oară în [Mal. ’89 (1)] şi reprezintă
una dintre formulele de bază pentru algoritmul Fast Wavelet Transform (FWT) de
calcul al TWD. Transformarea descrisă de relaţia (26) este realizată de sistemul din
figura 6.4.2.1.

Figura 6.4.2.1. Sistemul care calculează secvenţa s m [n ] pornind de la secvenţa s m−1 [n ] .

Pornind de la analiza multirezoluţie {Vm }m∈Z a lui L2 (R ) şi considerând că


Wm este complementul ortogonal al lui Vm în Vm −1 , se obţine descompunerea
ortogonală a lui L2 (R ) , {Wm }m∈Z . Se poate demonstra şi propoziţia următoare:
Propoziţia 1. Există o funcţie ψ (t ) în W0 astfel încât:
- mulţimea {ψ (t − n )}n∈Z este o bază ortonormală a lui W0 şi
⎧ m


( )
- mulţimea ⎨ψ m ,n (t ) = 2 2 ψ 2 − m t − n ⎬ este o bază ortonormală a lui Wm pentru
⎩ ⎭ n∈Z
orice m întreg.
Funcţiile ψ m ,n (t ) se numesc "wavelet". Funcţia generatoare ψ (t ) poate fi
exprimată cu ajutorul funcţiei generatoare ϕ(t ) . Dacă funcţia ϕ(t ) (din V0 ) se
dezvoltă în baza lui V−1 în forma:

∞ (27)
ϕ(t ) = ∑ c[n ]ϕ(2t − n )
n = −∞

atunci:
6.4. – Filtre în domeniul unei transformări 195

∞ (28)
ψ (t ) = ∑ (− 1) c[1 − n ]ϕ(2t + n )
n

n = −∞

Eroarea de aproximare a semnalului f 0 (t ) cu semnalul f 1 (t ) este:

e1 (t ) = f 0 (t ) − f 1 (t )

Se constată că:

e1 (t ) ∈ W1 (29)

De fapt semnalul e1 (t ) este proiecţia ortogonală a semnalului f 0 (t ) pe


subspaţiul W1 . Din acest motiv semnalul e m (t ) poate fi descompus în baza de funcţii
wavelet a lui Wm în forma:

∞ (30)
e m (t ) = ∑ e (t ), ψ (t ) ψ (t )
1 m,n m,n
n = −∞

Cu notaţia:

e1 (t ), ψ m ,n (t ) = d m [n ] (31)

se deduce relaţia între secvenţele d m [n ] şi s m [n ] pentru m > 0 . Descompunând


{
semnalul ψ 1, n (t ) în baza lui V0 , ϕ 0, n (t ) = ϕ(t − n ) }n∈Z
rezultă:

∞ (32)
ψ 1,n (t ) = ∑ ψ 1,n (t ), ϕ(t − l ) ϕ(t − l )
l = −∞

Dar:

∞ 1 (33)
ψ 1,n (t ), ϕ(t − l ) =

(
∫ 2 ψ 2 t − n ϕ (t − l)dt
−1 2*
)
−∞

sau:
196 Filtre neliniare – 6


⎛ − 12 ⎞ *

1 (33)
ψ 1,n (t ), ϕ(t − l ) = ∫ 2 ψ⎜⎜ 2 u ⎟⎟ϕ (u + 2n − l )du
2

−∞ ⎝ ⎠

Folosind notaţia:

ψ 1,n (t ), ϕ(t − l ) = g[2n − l] (34)

relaţia (31) devine:

∞ (35)
ψ 1,n (t ) = ∑ g[2n − l]ϕ(t − l)
l = −∞

şi:

∞ (36)
d 1 [n ] = e1 (t ), ψ 1,n (t ) = f 0 (t ), ψ 1,n (t ) = ∑ g [2n − l]s [l]
*
0
l = −∞

În general:

∞ (37)
d m [n ] = ∑ s [l]g [2n − l]
m −1
*

l = −∞

Relaţia (37) este implementată de sistemul din figura 6.4.2.2.

g * [n ]
s m−1 [n ] 2
d m [n ]

Figura 6.4.2.2. Transformarea semnalului s m−1 [n ] în semnalul d m [n ] .

În figura 6.4.2.3 este prezentat sistemul care pornind de la secvenţa s 0 [n ]


calculează secvenţele s m [n ] şi d 1 [n ], d 2 [n ],..., d m −1 [n ] .
REMARCĂ Formula lui g[n ] depinde de formula lui h[n ] . Se poate
demonstra că:
6.4. – Filtre în domeniul unei transformări 197

g[n ] = (− 1) h[1 − n ] (38)


1− n

Figura 6.4.2.3. Sistemul care transformă semnalul s 0 [n ] în semnalele


s m [n ] , d k [n ], k = 1, m .

S-a arătat deja că pornind de la descompunerea semnalului f 0 (t ) în baza


ortonormală a lui V0 , {ϕ(t − n )}n∈Z , se obţine aproximarea de rezoluţie m, f m (t ) şi
eroarea de aproximare e m (t ) . Reciproc, funcţia f 0 (t ) poate fi obţinută pornind de la
funcţiile f m (t ) şi e m (t ) :

m (39)
f 0 (t ) = f m (t ) + ∑ e k (t )
k =1

Calculând produsul scalar al celor doi membri ai relaţiei (39) cu funcţiile


ϕ(t − k ) se obţine:

∞ ∞ (40)
s 0 [k ] = ∑ s [l]ϕ (t ), ϕ(t − k )
1 1, l + ∑ d [p]ψ (t ), ϕ(t − k )
1 1, p
l = −∞ p = −∞
198 Filtre neliniare – 6

sau:

∞ ∞
s 0 [k ] = ∑ s1 [l]h[2l − k ] + ∑ d [p]g[2p − k ]
1
l = −∞ p = −∞

În mod recursiv se poate demonstra că:

∞ ∞
s m −1 [k ] = ∑ s m [l]h[2l − k ] + ∑ d [p]g[2p − k ]
m (41)
l = −∞ p = −∞

Folosind sistemul din figura 6.4.2.4 poate fi obţinută secvenţa s 0 [n ] pornind


de la secvenţele s m [n ], d m −1 [n ],..., d1 [n ] .

Figura 6.4.2.4. Sistem care implementează transformarea inversă.

Sistemul din figura 6.4.2.3 calculează TWD a semnalului s 0 [n ] iar sistemul


din figura 6.4.2.4 calculează transformarea wavelet discretă inversă (TWDI).
6.4. – Filtre în domeniul unei transformări 199

6.4.2.1. Filtre folosite pentru calculul TWD şi TWDI

Conform celor afirmate în paragraful anterior pentru calculul TWD şi TWDI


este necesară cunoaşterea răspunsului la impuls h[n ] . Pe baza acestuia, folosind relaţia
(38) poate fi calculat răspunsul la impuls corespunzător g[n ] .

Figura 6.4.2.5. Filtrul Daubechies 2; a). răspunsul la impuls şi b). răspunsul în frecvenţă reprezentat în
intervalul [0,π].
200 Filtre neliniare – 6

Există câteva familii de filtre de tipul h[n ] . Figurile 6.4.2.5 – 6.4.2.13 conţin
caracteristici ale filtrelor de acest tip, proiectate de Ingrid Daubechies şi prezentate în
[Dau. ’88].

Figura 6.4.2.6. Filtrul Daubechies 3; a). răspunsul la impuls şi b). răspunsul în frecvenţă reprezentat în
intervalul [0,π].
6.4. – Filtre în domeniul unei transformări 201

Figura 6.4.2.7. Filtrul Daubechies 4; a). răspunsul la impuls şi b). răspunsul în frecvenţă reprezentat în
intervalul [0,π].
202 Filtre neliniare – 6

Figura 6.4.2.8. Filtrul Daubechies 5; a). răspunsul la impuls şi b). răspunsul în frecvenţă reprezentat în
intervalul [0,π].
6.4. – Filtre în domeniul unei transformări 203

Figura 6.4.2.9. Filtrul Daubechies 6; a). răspunsul la impuls şi b). răspunsul în frecvenţă reprezentat în
intervalul [0,π].
204 Filtre neliniare – 6

Figura 6.4.2.10. Filtrul Daubechies 7; a). răspunsul la impuls şi b). răspunsul în frecvenţă reprezentat în
intervalul [0,π].
6.4. – Filtre în domeniul unei transformări 205

Figura 6.4.2.11. Filtrul Daubechies 8; a). răspunsul la impuls şi b). răspunsul în frecvenţă reprezentat în
intervalul [0,π].
206 Filtre neliniare – 6

Figura 6.4.2.12. Filtrul Daubechies 9; a). răspunsul la impuls şi b). răspunsul în frecvenţă reprezentat în
intervalul [0,π].
6.4. – Filtre în domeniul unei transformări 207

Figura 6.4.2.13. Filtrul Daubechies 10; a). răspunsul la impuls şi b). răspunsul în frecvenţă reprezentat în
intervalul [0,π].
208 Filtre neliniare – 6

Este vorba de 9 astfel de filtre. Lungimea răspunsului la impuls al filtrului


Dau_i este de 2i, i=2,…,10. În figurile anterioare sunt reprezentate răspunsul la impuls
al filtrului Dau_i şi răspunsul său în frecvenţă în intervalul [0, π] .
În tabelul următor sunt daţi coeficienţii filtrelor Dau_i pentru i cuprins între 2
şi 10.

Tabelul 6.1. Coeficienţii corespunzători filtrelor de tip Daubechies


i Coeficienţi
2 0.4830 0.8365 0.2241 -0.1294
3 0.3327 0.8069 0.4599 -0.1350 -0.0854 0.0352
4 0.2304 0.7148 0.6309 -0.0280 -0.1870 0.0308 0.0329 -0.0106
5 0.1601 0.6038 0.7243 0.1384 -0.2423 -0.0322 0.0776 -0.0062
-0.0126 0.0033
6 0.1115 0.4946 0.7511 0.3153 -0.2263 -0.1298 0.0975 0.0275
-0.0316 0.0006 0.0048 -0.0011
7 0.0779 0.3965 0.7291 0.4698 -0.1439 -0.2240
0.0713 0.0806 -0.0380 -0.0166 0.0126 0.0004 -0.0018 0.0004
8 0.0544 0.3129 0.6756 0.5854 -0.0158 -0.2840 0.0005 0.1287
-0.0174 -0.0441 0.0140 0.0087 -0.0049 -0.0004 0.0007 -0.0001
9 0.0381 0.2438 0.6048 0.6573 0.1332 -0.2933 -0.0968 0.1485
0.0307 -0.0676 0.0003 0.0224 -0.0047 -0.0043 0.0018 0.0002
-0.0003 0.0000
10 0.0267 0.1882 0.5272 0.6885 0.2812 -0.2498 -0.1959 0.1274
0.0931 -0.0714 -0.0295 0.0332 0.0036 -0.0107 0.0014 0.0020
-0.0007 -0.0001 0.0001 -0.0000

Există şi alte familii de filtre h[n ] , construite de alţi cercetători ca de exemplu


Coifman. Câteva dintre acestea sunt prezentate în [Isa., Naf. ’98].

6.4.2.2. Un algoritm de calcul al TWD

În [Dau. ’88] şi [Mey. ’92] sunt prezentate câteva exemple de funcţii de


scalare cu suport compact. Evident acestea generează funcţii wavelet cu suport
compact. De aceea semnalele h[n ] şi g[n ] vor fi de durată limitată. Pentru secvenţe
s 0 [n ] de durată limitată TWD poate fi descrisă matricial. În continuare se prezintă pe
baza unui exemplu algoritmul de calcul al TWD. Secvenţa de intrare s 0 [n ] este
descrisă de vectorul:
6.4. – Filtre în domeniul unei transformări 209

⎡s 0 [8]⎤
⎢s [7]⎥
⎢ 0 ⎥
⎢. ⎥

S0 = . ⎥
⎢ ⎥
⎢. ⎥
⎢ s [1]⎥
⎢ 0 ⎥
⎣ ⎦

iar h[n ] are durata 4. Primul pas al algoritmului de calcul al TWD este:

Y1 = M 0 X 0

cu:

X 0 = S0

şi:

⎡ h[0] h[1] h[2] h[3] 0 0 0 0 ⎤


⎢− h[3] h[2] − h[1] h[0] 0 0 0 0 ⎥⎥

⎢ 0 0 h[0] h[1] h[2] h[3] 0 0 ⎥
⎢ ⎥
0 0 − h[3] h[2] − h[1] h[0] 0 0 ⎥
M0 = ⎢
⎢ 0 0 0 0 h[0] h[1] h[2] h[3]⎥
⎢ ⎥
⎢ 0 0 0 0 − h[3] h[2] − h[1] h[0]⎥
⎢ h[2] h[3] 0 0 0 0 h[0] h[1]⎥
⎢ − h[1] h[0] 0 0 0 0 − h[3] h[2]⎥⎦

Se obţine:
210 Filtre neliniare – 6

⎡ s 1 [4]⎤
⎢d [4]⎥
⎢ 1 ⎥
⎢ s 1 [3]⎥
⎢ ⎥
⎢ d 1 [3]⎥
Y1 =
⎢ s 1 [2]⎥
⎢ ⎥
⎢d 1 [2]⎥
⎢ s [1] ⎥
⎢ 1 ⎥
⎢⎣ d 1 [1]⎥⎦

Prin permutări rezultă:

⎡ s1 [4]⎤
⎢ s [3]⎥
⎢ 1 ⎥
⎢ s1 [2]⎥
⎢ ⎥
⎢ s 1 [1] ⎥
Y1 =
1
⎢d 1 [4]⎥
⎢ ⎥
⎢ d 1 [3]⎥
⎢d [2]⎥
⎢ 1 ⎥
⎢⎣ d 1 [1]⎥⎦

Elementele vectorului Y11 sunt secvenţele s1 [n ] şi d 1 [n ] . Separând


elementele acestor secvenţe se obţin vectorii X 11 şi X 12 cu:

X11 = [s1[4] s1[3] s1[2] s1[1]] X12 = [d1[4] d1[3] d1[2] d1[1]]
T T
;

Fie M1 matricea care reprezintă sfertul din stânga sus al matricei M 0 . Cel de
al doilea pas al algoritmului FWT este descris cu relaţia:

Y2 = M 1 X 11

Rezultatul este:
6.4. – Filtre în domeniul unei transformări 211

⎡ s 2 [2]⎤
⎢d [2]⎥
Y2 = ⎢ 2 ⎥
⎢ s 2 [1] ⎥
⎢ ⎥
⎣ d 2 [1]⎦

Prin permutări rezultă:

Y21 = [s 2 [2] s 2 [1] d 2 [2] d 2 [1]]


T

Separând elementele secvenţelor s 2 [n ] şi d 2 [n ] se obţin vectorii X 12 şi X 22


cu:

X 12 = [s 2 [2] s 2 [1]]; X 22 = [d 2 [2] d 2 [1]]


T T

T T
Folosind vectorii Y21 şi X12 se obţine vectorul Y cu:

Y T = [s 2 [2] s 2 [1] d 2 [2] d 2 [1] d 1 [4] d 1 [3] d 1 [2] d 1 [1]]

care reprezintă transformata FWT a vectorului S0 . Algoritmul pentru IFWT constă în


aplicarea în ordine inversă a operaţiilor descrise mai sus. Bineînţeles în locul
matricelor M 0 , M 1 ,... se vor folosi matricele M T0 , M 1T ,...
Acest algoritm a fost conceput de către Mallat.

6.4.3. Utilizarea T.W.D. la compresia de date

Sistemele de compresie de date care folosesc transformări ortogonale se


bazează pe decorelarea secvenţei de intrare (realizată de transformarea ortogonală
respectivă). Dacă secvenţei x[n ], n = 0, N − 1 cu autocorelaţia R x [n ] i se aplică
o transformare ortogonală se obţine secvenţa y[n ] cu autocorelaţia
R y [n ], n = 0, M − 1 , cu R y [n ] < R x [n ] .
Energia secvenţei y[n ] este concentrată în M eşantioane cu M < N . De aceea
pot fi transmise doar aceste eşantioane şi rezultă compresia. Notând cu T operatorul
transformării ortogonale şi cu P operatorul de compresie se obţine sistemul pentru
compresia secvenţei de durată şi energie finită din figura 6.4.3.1.
212 Filtre neliniare – 6

Figura 6.4.3.1. Sistemul folosit pentru compresia de date bazat pe o transformare ortogonală.

Pot fi scrise relaţiile:


y = Tx; ŷ = Py; x̂ = T −1 ŷ (21)

Având în vedere că FWT este o transformare ortogonală rezultă că poate fi


folosită pentru compresie. Rolul blocului P din schema de mai sus este de a selecţiona
doar acele eşantioane ale semnalului y[n] care au valoarea superioară unui prag.
Valoarea acestui prag se poate alege în aşa fel încât eroarea de aproximare a
semnalului y[n] prin semnalul de la ieşirea blocului P să aibă o energie inferioară
valorii de 1% din energia semnalului x[n]. Semnalul de la ieşirea blocului P reprezintă
rezultatul compresiei. Acest semnal se transmite sau se memorează. Ultimul bloc din
schema din figura 6.4.3.1. realizează reconstrucţia semnalului comprimat. Eroarea
medie pătatică cu care acest semnal aproximează semnalul x[n] este mai mică decât
1% din energia semnalului x[n]. Factorul de compresie realizat poate fi calculat
împărţind numărul eşantioanelor secvenţei de intrare la dublul numărului eşantioanelor
nenule de la ieşirea blocului P. Trebuie considerat dublul numărului eşantioanelor
nenule de la ieşirea blocului P deoarece acestea nu apar în succesiune şi deci este
necesară atât codarea valorii lor cât şi codarea poziţiei lor.
Blocul P conţine de obicei un filtru neliniar. Acesta este unul dintre subiectele
acestui capitol. El realizează filtrarea neliniară în domeniul TWD. Tot o schemă de
forma celei din figura 6.4.3.1. este folosită şi pentru îmbunătăţirea raportului semnal pe
zgomot folosind funcţiile wavelet. Procedura a fost introdusă de către Donoho, care a
numit-o de-noising.

6.4.4. Filtrarea adaptivă neliniarã în domeniul T.W.D.

Aşa după cum s-a arătat deja pentru de-noising se efectuează următorii trei
paşi:
1. Se calculează TWD a semnalului x[k] = x u [k] + n[k] , unde cel de al doilea
termen reprezintă un semnal aleator de tip zgomot alb, obţinându-se, la iteraţia m
semnalul d m x [k] = d m u [k] + d m n [k] .
6.4. – Filtre în domeniul unei transformări 213

2. Se filtrează cu un filtru neliniar adaptiv semnalul obţinut.


3. Se calculează TWDI a rezultatului obţinut.

6.4.4.1. Filtrul de tip wavelet shrinkage

Una dintre tehnicile de filtrare adaptivă neliniară în domeniul transformatei a fost


introdusă de Donoho [Don. ’92], [Don. ’93] sub numele de "wavelet shrinkage". La
baza acestei metode stă transformarea neliniară:

d m [i] → sgn{d m [i]} ⋅ (| d m [i] | −s ) (42)

unde s reprezintã un prag proporţional cu dispersia zgomotului n(t). Se observă că este


vorba despre o filtrare adaptivă, parametrul s depinzând de semnalul n(t), prin
intermediul dispersiei acestuia. Se constatã cã operatorul definit de relaţia (42) este
unul neliniar. În figura 6.4.4.1.1 este reprezentată relaţia intrare-ieşire pentru filtrul
descris de relaţia (42).
Conform referinţelor bibliografice deja citate, metoda de de-noising propusă
este eficientă eliminând aproape complet zgomotul dar distorsionând şi semnalul util.
De aceea această metodă se aplică doar în cazul semnalelor x cu raport semnal pe
zgomot mare (atunci când s este neglijabil în comparaţie cu dmxu[n]).
În continuare se analizează metoda propusă. Relaţia (42) descrie schimbarea de
variabilă aleatoare:

y = sgnx ⋅ (| x | -s)

Se notează cu X variabila aleatoare care descrie comportarea statistică a


semnalului dm[i] la momentul fixat i. Se consideră că semnalele dm[i] sunt de tip
zgomot alb şi că variabila aleatoare X este distribuită gaussian (având media 0 şi
dispersia σ2). Aplicând variabilei aleatoare X transformarea funcţională descrisă în
figura 6.4.4.1.1 se obţine variabila aleatoare Y. Se determină pY(y) în funcţie de
densitatea de probabilitate a variabilei aleatoare X, pX(x). Conform figurii 6.4.4.1.1
rezultă:

pX ( x1) pX ( x 2)
p Y (y) = +
dy dy
dx 1 dx 2
214 Filtre neliniare – 6

Figura 6.4.4.1.1. Transformarea funcţională descrisă de relaţia (42).

unde:

x 1 ∈ (−∞,0 ); y = x 1 + s ⇔ x 1 = y − s ;
dy
= 1 , y ∈ (-∞, s )
dx 1

şi:
6.4. – Filtre în domeniul unei transformări 215

x 2 ∈ (0, ∞ ); y = x 2 − s ⇔ x 2 = y + s;
dy
= 1 , y ∈ (−s, ∞, )
dx 2

De aceea se poate scrie:

pY (y) = p X (y − s)σ(s − y) + pX (y + s)σ(y + s)

În figura 6.4.4.1.2 sunt prezentate cele două densităţi de probabilitate, pX(x) şi pY(y).

-s s

Figura 6.4.4.1.2. Densităţile de probabilitate ale variabilelor aleatoare X şi Y.

Se constată faptul că funcţia pY(y) este pară. Media acestei variabile aleatoare este:


mY = ∫ yp
-∞
Y (y) dy = 0

fiind integrala pe un interval simetric a unei funcţii impare.


În continuare se determină valoarea dispersiei variabilei aleatoare Y, pe baza
dispersiei variabilei aleatoare X.
216 Filtre neliniare – 6

∫y
2
σ =
2
Y pY (y) dy =
-∞

∫ y [p ( y − s)σ(s − y) + pX ( y + s)σ( y + s)]dy =


2
= X (43)
-∞
s ∞

∫y ∫y
2 2
= p X (y − s) dy + p X (y + s) dy
−∞ −s

Se calculează cele două integrale:

∫y
2
I1 = pX (y − s) dy
-∞

Se face schimbarea de variabilă y-s = u şi avem:

0 0

∫ (u + s )2 pX (u) du = ∫u
2
I1 = pX (u) du +
-∞ -∞ (44)
0 0

∫ up ∫s
2
+ 2s X (u) du + pX (u) du
-∞ -∞

Dar:

0 2 0
σ 1
∫ u p X (u) du = ∫p
2
şi X (u) du = FX (0) =
-∞
2 -∞
2

unde cu FX(x) s-a notat funcţia de repartiţie a variabilei aleatoare X. Deci relaţia (44)
devine:

2 0
s 2 (45)
σ
I1 = + 2s ∫ u pX (u) du +
2 -∞
2

Urmează calculul lui:


6.4. – Filtre în domeniul unei transformări 217

∫y
2
I2 = pX (y + s) dy
−s

Se face schimbarea de variabilă y + s = u şi avem:

∞ ∞
I 2 = ∫ (u − s ) pX (u) du = ∫ u 2 pX (u) du −
2

0 0
∞ ∞
− 2s ∫ u pX (u) du + s 2 ∫ p X (u) du =
0 0

2 ∞ 2
σ s
= − 2s ∫ u pX (u) du +
2 0
2

Deoarece funcţia pX(x) este pară, cu schimbarea de variabilă u = - v va rezulta:

∞ 0 0

∫ u pX (u) du = −
0

-∞
v pX (− v) dv = − ∫ vp
-∞
X (v) dv

şi astfel I2 devine:

2
s
0 2 (46)
σ
I2 = + 2s ∫ u pX (u) du +
2 -∞
2

Pe baza relaţiilor (45) şi (46), pentru relaţia (43) avem:

0 (47)
σ = I1 + I 2 = σ + 4s ∫ up X (u) du + s 2
2 2
Y
-∞

În continuare se calculează integrala din membrul drept al relaţiei (47):


0 0 u2
1 −

∫ up ∫ ue
2σ 2
I3 = X (u) du = du =
-∞ 2 πσ - ∞
⎛ −u2⎞
2 2
0 u
σ2 ⎜ 2σ ⎟ σ2 − 2 0
σ
=− ∫ d e ⎟ = − 2 πσ ⋅ e =−

2πσ -∞ ⎜⎝ ⎠ −∞ 2π
218 Filtre neliniare – 6

De aceea se obţine:

σ (48)
σ 2Y = σ 2 − 4s + s2

Trebuie determinată mulţimea valorilor lui s pentru care are loc relaţia:

σ 2Y < σ 2 (49)

Pentru aceste valori, prin aplicarea transformării (42), se obţine un nou semnal
aleator (descris de variabila aleatoare Y la momentul i) a cărui putere este inferioară
puterii semnalului dm[n] şi deci metoda propusă este eficientă.
Condiţiile (48) şi (49) conduc la relaţia:

σ
s 2 − 4s <0

Soluţiile acestei inegalităţi sunt localizate ca în figura 6.4.4.1.3.

Figura 6.4.4.1.3. Mulţimea valorilor lui s pentru care metoda "wavelet shrinkage" este eficientă.

S-a demonstrat în acest fel că valoarea minimă a deviaţiei standard a variabilei


aleatoare Y este:

π−2 (50)
σ Ymin = σ = 0,6 σ
π
6.4. – Filtre în domeniul unei transformări 219

şi că această valoare este obţinută pentru un prag s de valoare 0,797·σ.


În consecinţă, aplicând transformarea din relaţia (42) semnalelor aleatoare
dm[i] se obţin noi semnale aleatoare de putere (dispersie) inferioară celor iniţiale. De
aceea se poate afirma că metoda propusă înlătură o parte din zgomotul conţinut în
semnalele dm[i]. De aceea în referinţele bibliografice deja citate este utilizat termenul
"de-noising".
Conform relaţiei (50), cea mai mare reducere posibilă a puterii de zgomot,
obtenabilă aplicând metoda propusă este de:

2 2
σY min ( 0,6 ) σ
2
= = 0,36
σ2 σ
2

De aceea, în cel mai fericit caz, se poate vorbi de o îmbunătăţire a RSZ de 2,77
ori. Astfel, metoda propusă nu poate conduce la rezultate remarcabile decât în cazul
unor semnale care au deja RSZ destul de mare.
Referitor la distorsionarea semnalului dm[n] se poate afirma că acele eşantioane
care au valori mari (mult mai mari decât s) nu sunt afectate de metoda propusă dar că
acele eşantioane care au valori apropiate de s sunt puternic afectate de metoda propusă.
Având în vedere că alegerea pragului s depinde de dispersia zgomotului n(t),
σ2, rezultă că "wavelet shrinkage" este o metodă de filtrare neliniară adaptivă în
domeniul TWD. Este clar că aplicarea relaţiei (42) presupune un volum de calcul mult
inferior celui solicitat de algoritmul LMS [Isa. ’94(1)], [Isa. ’94(2)] sau de filtrarea
Wiener multicanal [Naf. ’95], [Bov., Mar., Qua. ’94], [Che., Lin. ’94], [Shy. ’92].

6.4.4.2. Filtrul de tip hard-thresholding

O altă metodă de filtrare neliniară în domeniul TWD este propusă de Moulin în


[Mou. ’94]. Această metodă se bazează pe o detecţie de prag. Transformarea care stă la
baza acestei metode este:

⎧⎪d m [i], d m [i] > s


d m [i] → ⎨ (51)
⎪⎩ 0, in rest

Filtrul neliniar descris în relaţia de mai sus a fost numit de către Donoho filtru
de tip hard-thresholding. Raţionând ca mai sus se consideră variabila aleatoare X
distribuită gaussian cu media nulă şi dispersia σ2. Aceasta este transformată cu ajutorul
relaţiei:
220 Filtre neliniare – 6

⎧x, x >s
y=⎨ (52)
⎩ 0, x ≤s

în variabila aleatoare Y. Se face caracterizarea statistică a acestei variabile aleatoare.


Transformarea (52) este reprezentată grafic în figura 6.4.4.2.1.

s
-s

s x

-s

Figura 6.4.4.2.1. Reprezentarea grafică a transformării descrise de relaţia (52).

Se observă că y este o funcţie strict monotonă de x pe intervalele (-∞, -s) şi


(s, ∞). Din păcate această funcţie nu este inversabilă, de aceea neputându-se determina
pY(y) pe baza lui pX(x), folosind relaţia:

p X (x k )
p Y (y) = ∑
k dy
dx k

În continuare se determină pY(y) pe baza funcţiei de repartiţie a variabilei


aleatoare Y, FY(y):

FY (y) = P( Y ≤ y)

Pe intervalul (- ∞, -s) variabilele X şi Y sunt identice. De aceea:

FY (y) = P( Y ≤ y) = FX (y) , y ∈ (−∞, − s)


6.4. – Filtre în domeniul unei transformări 221

Pe intervalul [- s, 0) variabila aleatoare Y este identic nulă şi deci

FY (y) = P{ Y ≤ − s } = FX (−s) , y ∈ [−s,0)

Pe intervalul [0, s) variabila aleatoare Y este identic nulă şi se poate deci scrie:

FY (y) = P( Y ≤ s) = FX (s) , y ∈ [0, s)

Pe intervalul [s, ∞) variabilele X şi Y sunt identice. De aceea:

FY (y) = P( X ≤ y) = FX (y) , y ∈ [s, ∞)

În consecinţă, funcţia de repartiţie a variabilei aleatoare Y are graficul din


figura 6.4.4.2.2.

Figura 6.4.4.2.2. Graficul funcţiei de repartiţie a variabilei aleatoare Y.

Întrucât densitatea de probabilitate se poate obţine pe baza derivării funcţiei de


repartiţie, operând în sensul distribuţiilor, pentru pY(y) se obţine graficul din figura
6.4.4.2.3.
Deci:
p Y (y) = p X (y) σ(− y − s) + (Fx (s) - Fx (−s) ) δ(y) + (53)
+ p X (y) σ(y − s)

Se determină media mY a variabilei aleatoare Y:


222 Filtre neliniare – 6


mY = ∫ yp (y)dy
−∞
Y

pY (y)

Fx ( y )

[Fx (s ) − Fx (− s )]δ( y )

y
-s 0 s

Figura 6.4.4.2.3. Densitatea de probabilitate a variabilei aleatoare Y.

Deoarece:

y P Y (y) = yp X (y) σ(− y − s) + y pX (y)σ(y − s)

vom avea:

∞ −s ∞ (54)
mY = ∫ yp Y (y )dy =
−∞
∫ yp X ( y)dy + ∫ yp X ( y)dy
−∞ s

relaţia (54) devenind:

∞ s
m Y = ∫ -∞ y p X (y) dy − ∫ −s y pX (y) dy = 0

deoarece cele două integrale sunt nule fiind integrale de funcţii impare pe intervale
simetrice.
În continuare se calculează dispersia variabilei aleatoare Y.
6.4. – Filtre în domeniul unei transformări 223

∞ −s s ∞

∫ y p Y ( y) dy = ∫ y p Y ( y) dy + ∫ y pY (y) dy + ∫ y pY (y) dy =
2 2 2 2 2
σ = Y
−∞ −∞ −s s
−s ∞ ∞ s
= ∫y p Y ( y) dy + ∫ y2 pY (y) dy = ∫y p Y ( y) dy − ∫ y 2 p Y (y) dy
2 2

−∞ s −∞ −s

sau:

σ = σ − 2 ∫ y pX (y) dy
22 2
Y
0

Calculăm ultima integrală:

y2 ⎛ −y2 ⎞
2
s s s
1 − 1
∫ y pX (y) dy = ∫ y
2 2
e 2σ 2
dy = − σ ∫ yd⎜ e 2 σ 2 ⎟=
0 0 2 πσ 2πσ 0 ⎜⎝ ⎟

⎡ y2
s
s y2 ⎤ ⎡ − s2 s −y2 ⎤
2 2

σ ⎢ − 2σ2 − σ
=− − ∫e dy ⎥ = − ⎢se 2σ − ∫ e 2 σ dy ⎥ =
2

ye
2π ⎢ 0
⎥ 2π ⎢⎣ 0 ⎥⎦
⎣ 0 ⎦

σ ⎡ − 2σ2 ⎤
2 2 2
s s y s
1 − 2 σ − 2
=− ⎢se ⎥ + σ2 ∫ e 2 σ dy = − se 2 σ + σ 2 (FX (s) − FX (0) ) =
2π ⎢⎣ ⎥⎦ 0 2 πσ 2π

σ ⎛⎜ ⎞
2
s
⎟ + σ 2 ⎛⎜ F (s) − 1 ⎞⎟
− 2
= − se 2σ

2π ⎜⎝ ⎟ X
⎝ 2⎠

Revenind, avem:

s2
2σ − ⎛ 1⎞
σ =σ +
2
Y
2
se 2σ2
− 2σ 2 ⎜ FX (s) − ⎟
2π ⎝ 2⎠

În figura 6.4.4.2.4 se prezintă dependenţa de s a diferenţei σ 2Y − σ 2 dată de


relaţia:
224 Filtre neliniare – 6

s2
2σ − ⎛ 1⎞
σ −σ =
2
Y
2
se 2σ2
− 2σ 2 ⎜ FX (s) − ⎟ (55)
2π ⎝ 2⎠

Figura 6.4.4.2.4. Dependenţa de s a diferenţei σ 2Y − σ 2 .

Analizând figura 6.4.4.2.4 şi relaţia (55) se constată faptul că, oricare ar fi s


pozitiv, σ 2Y − σ 2 < 0, ceea ce dovedeşte că metoda propusă realizează o îmbunătăţire a
RSZ, indiferent de pragul folosit.
Se observă de asemenea că:

σ 2Y − σ 2 =0
s =0

relaţie care confirmă justeţea calculului făcut. Se mai constată că:

σ 2Y − σ 2 = −σ 2
s =∞

Cu alte cuvinte, σ 2Y descreşte cu creşterea lui s între σ 2 (pentru s=0) şi 0


(pentru s→∞). Deci pe baza acestei metode zgomotul dmn[i] ar putea fi redus oricât de
mult.
Din păcate o dată cu creşterea lui s sunt eliminate şi eşantioanele utile din
semnalele dm[i], metoda producând distorsiuni ale părţii utile a semnalului de prelucrat.
Pentru valori mici ale lui s aceste distorsiuni sunt nesemnificative, cea mai bună
dovadă fiind aceea că această metodă este una dintre cele care se folosesc pentru
compresia semnalelor în domeniul TWD [Isa., Asz. ’94], [Nar., Lou., Les., Dar. ’96],
[Nas., Sap., Saw. ’97], [Ode., Bur. ’96].
6.4. – Filtre în domeniul unei transformări 225

Este util de determinat pragul s în scopul maximizării RSZ de la ieşirile celor


două filtre propuse. Notând cu x[i] eşantioanele de semnal util de la intrarea filtrului
neliniar şi cu y[i] eşantioanele de semnal util de la ieşire se constată că:

N −1 N −1
Ei E
Ei = ∑ xi ; E e = ∑ yi
2 2
; RSZ i = ; RSZ e = 2e
i =0 i =0 σ 2
σY
Dar, pentru metoda "wavelet shrinkage":

N −1 N −1
E e = ∑ x i − 2s ∑x
2
i + s2
i =0 i =0

sau, cu notaţia:

N −1

∑x
2
i = S N −1
i =0

vom avea:

E e = E i − 2s S N −1 + s 2

De aceea, în cazul acestei metode:

E i − 2s S N −1 + s 2
RSZ e =
4
σ2 − σs + s 2

Se constată că pentru maximizarea acestei funcţionale după parametrul s este
necesară cunoaşterea valorilor Ei şi SN-1, adică este necesară cunoaşterea expresiei
analitice a lui x[n]. Rezultă că pentru cazul general valoarea optimă a pragului s poate
fi fixată adaptiv, având ca şi criteriu de adaptare maximizarea lui RSZ. Concluzia este
valabilă şi pentru cea de-a doua metodă de filtrare neliniară propusă.
În consecinţă este de dorit ca eşantioanele dm[i] să fie tratate diferit în funcţie
de valoarea lor. Cele mici ar fi util să fie prelucrate cu metoda bazată pe detecţia de
prag iar cele mari să fie prelucrate pe baza metodei "wavelet shrinkage". De aceea în
[Isa., Asz., Isa. ’95] se propune transformarea:
226 Filtre neliniare – 6


⎪ 0, pentru d m [i] < s (56)
dm [i] ↔ ⎨
⎪⎩sgn{d m [i]}( d m [i] − s ), pentru d m [i] ≥ s

Filtrul descris de această transformare se numeşte de tip soft-thresholding. În aceeaşi


lucrare se prezintă rezultate experimentale obţinute pe baza aplicării metodei de
îmbunătăţire a RSZ prin filtrare neliniară în domeniul TWD, descrisă de relaţia (56).
Se constată că metoda este valabilă pentru o mare diversitate de semnale utile,
că zgomotul este aproape complet înlăturat şi că semnalele utile nu sunt prea
distorsionate.

6.4.4.3. Filtrul de tip soft-thresholding

Fie X variabila aleatoare de la intrare. Folosind estimatorul propus se obţine


variabila aleatoare Y. Această transformare este prezentată în figura 6.4.4.3.1.

-s

0 s
x

Figura 6.4.4.3.1. Transformarea propusă.

Legătura dintre funcţiile de repartiţie ale celor două variabile aleatoare este:

FY (y ) = FX (y − s )σ(− y ) + FX (y + s )σ(y )

Derivând această relaţie se obţine legătura dintre densităţile de probabilitate


corespunzătoare:

p Y (y ) = p X (y − s )σ(− y ) + (FX (s ) − FX (− s ))δ(y ) + p X (y + s )σ(y )


6.4. – Filtre în domeniul unei transformări 227

Din acest motiv valoarea medie a variabilei aleatoare Y este:


mY =
−∞
∫ yp (y)dy = 0
Y

În continuare se calculează dispersia acestei variabile aleatoare.

0 ∞

∫y p X (y − s )dy + ∫ y 2 p X (y + s )dy
2
σY = 2

−∞ 0

Dar:

0 −s

∫ y p X (y − s )dy = ∫ (u + s ) p X (u )du =
2 2

−∞ −∞
−s −s

∫u
2
p X (u )du + 2s ∫ up X (u )du + s 2 FX (− s )
−∞ −∞

şi:

∞ ∞ ∞

∫ y p X (y + s )dy = ∫ u p X (u )du − 2s ∫ up X (u )du + s 1 − FX (s )


2 2 2
( )
0 s s

Deci:

∞ ∞
σ Y = 2 ∫ u 2 p X (u )du − 4s ∫ up X (u )du + s 2 1 − FX (s ) + FX (− s )
2
( )
s s
Presupunând că X este o variabilă aleatoare gaussiană, având densitatea de
probabilitate pX(x), primul termen al membrului drept al ultimei relaţii are valoarea:

∞ s2
σ 2x
( )

∫u
2
p X (u )du = σ 1 − FX (s ) +2
x ⋅s⋅e 2⋅σ 2x

s 2π

şi:
228 Filtre neliniare – 6

∫ up (u )du = σ p X (s )
2
X X
s

În acest caz expresia dispersiei devine:

( )
σ Y = 2s 2 1 − FX (s ) − 2sσ X p X (s ) + 2σ X 1 − FX (s )
2 2 2
( )
În figura 6.4.4.3.2 este prezentată funcţia de repartiţie a variabilei aleatoare Y
iar în figura 6.4.4.3.3 densitatea de probabilitate a acestei variabile aleatoare. În figura
6.4.4.3.4 este prezentată dependenţa dispersiei variabilei aleatoare Y de valoarea
pragului s.

Figura 6.4.4.3.2. Funcţia de repartiţie a variabilei aleatoare Y.


6.4. – Filtre în domeniul unei transformări 229

Figura 6.4.4.3.3. Densitatea de probabilitate a variabilei aleatoare Y.

Figura 6.4.4.3.4. Dependenţa dispersiei variabilei aleatoare Y de valoarea pragului s.

Analizând ultima figură se constată că pentru orice valoare a pragului s


dispersia semnalului de la ieşire este inferioară dispersiei semnalului de la intrare. Cu
alte cuvinte, oricare ar fi puterea zgomotului care perturbă aditiv semnalul util, de
prelucrat, la ieşire se obţine un semnal util perturbat aditiv cu un zgomot cu o putere
mai mică. Evident reducerea puterii zgomotului este cu atât mai importantă cu cât se
foloseşte un prag de valoare mai mare. Pentru o valoare suficient de mare a pragului
zgomotul perturbator poate fi practic rejectat. Se constată că nu există o valoare optimă
a pragului (care să conducă la minimizarea puterii zgomotului de la ieşire) aşa ca în
cazul filtrului de tip “wavelet shrinkage” (prezentat la începutul acestui paragraf). Mai
degrabă, acest al treilea filtru neliniar are o comportare mai apropiată de cea a filtrului
propus de Moulin, permiţând prelucrarea unor semnale cu raport semnal pe zgomot
mult mai mic decât în cazul filtrului de tip “wavelet shrinkage”. Din nefericire odată cu
230 Filtre neliniare – 6

creşterea valorii pragului şi în cazul acestui al treilea filtru cresc şi distorsiunile


semnalului util de la ieşire. De aceea, în continuare, pentru aprecierea ultimului
estimator propus se analizează îmbunătăţirea raportului semnal pe zgomot pe care o
poate realiza acest filtru neliniar. Această analiză este realizată în conformitate cu [Isa.
’97].
Semnalul de la intrarea filtrului de tipul “soft thresholding” este de forma:

x[n ] = x u [n ] + z x [n ]

unde zx[n] este un zgomot staţionar cu puterea σ 2x . Dacă semnalele x u [ n ] şi z x [ n ] sunt


necorelate atunci se poate scrie:

Px = Px u + Pn x

Raportul semnal pe zgomot la intrare este egal cu:

Px u
RSZi =
σ 2x

Semnalul de la ieşirea filtrului este de forma:

y[n ] = y u [n ] + z y [n ]

iar RSZ la ieşire va fi:

Py u
RSZ e = 2
σY

Îmbunătăţirea raportului semnal pe zgomot realizată de filtrul de tip “soft


thresholding” este:

2
RSZ e Py σ
χ= = u2 X
RSZ i σ Y Px u

Făcând ipoteza că şi semnalul util şi zgomotul de la ieşire sunt decorelate,


ultima relaţie devine:
6.4. – Filtre în domeniul unei transformări 231

2 2
Py − σ Y σ X
χ= 2 2
Px − σ X σ Y

Puterile semnalelor de la intrare şi de la ieşire, Px şi Py, pot fi calculate


deoarece aceste semnale sunt accesibile măsurării. Puterea zgomotului de la intrare
poate fi măsurată în absenţa semnalului util de intrare iar puterea zgomotului de la
ieşire poate fi calculată folosind formula dedusă mai sus pentru orice valoare a
pragului s.
Deci îmbunătăţirea raportului semnal pe zgomot χ este o funcţională de
valoarea pragului s. Există posibilitatea ca această funcţională să aibă o valoare minimă
pentru o anumită valoare a pragului s. Relaţia intrare-ieşire pentru filtrul de tip “soft-
thresholding” poate fi pusă în forma:

⎧ x[k ] − s, x[k ] > s,



y [k ] = ⎨x[k ] + s, x[k ] < −s,
⎪ 0,
⎩ x[k ] < s

Puterea semnalului de la ieşirea acestui filtru este:

N N1 N2
PY = ∑ ( y[k ]) = ∑ (x[k ] − s ) + ∑ (x[k ] + s )
2 2 2

k =1 k1 =1 k 2 =1

S-a notat cu N1 numărul de eşantioane a căror valoare este superioară lui s şi


cu N 2 numărul de eşantioane din semnalul de ieşire a căror valoare este mai mică
decât -s. Expresia puterii de la ieşire devine:

N1 N2
Py = ∑ x [k 1 ] + ∑ x 2 [k 2 ] +
2

k1 =1 k 2 =1

⎛ N2 N1

+ 2s⎜⎜ ∑ x[k 2 ] − ∑ x[k 1 ]⎟⎟ + (N 1 + N 2 )s 2
⎝ k 2 =1 k1 =1 ⎠

Dacă valoarea pragului s este suficient de mică se pot face aproximările:


232 Filtre neliniare – 6

N1 N2

∑ x 2 [k 1 ] + ∑ x 2 [k 2 ] ≅ Px ≅ Px u + σ 2X
k1 =1 k 2 =1

şi:

N2 N1 N

∑ x [k 2 ] − ∑ x [k 1 ] ≅ − ∑
k 2 =1 k 1 =1 k =1
x [k ]

Se notează această ultimă expresie cu α. Se poate scrie, de asemenea:

N 1 + N 2 ≅ βN cu 0 < β < 1
Iată de ce puterea semnalului de la ieşire poate fi calculată cu formula:

Py = Px + 2sα + βNs 2

Incluzând şi distorsiunea semnalului util de la ieşire în categoria perturbaţiilor,


raportul semnal pe zgomot la ieşire poate fi calculat cu formula:

Px u Px u
RSZ e = = (57)
Py − Px u βNs 2 + 2αs + σ X
2

Aceasta este formula pentru calculul RSZ la ieşire utilizată în restul acestui
capitol şi în capitolul următor. Valoarea maximă a acestui raport se obţine atunci când
numitorul său este minim. Această situaţie apare atunci când pragul ia valoarea optimă,
s0, dată de relaţia:

α
s0 = −
βN

Dacă sunt satisfăcute ipotezele făcute, atunci există o valoare optimă a pragului
pentru maximizarea raportului semnal pe zgomot la ieşire, în cazul filtrului de tip “soft-
thresholding”.
Din nefericire această valoare optimă este dificil de calculat înaintea efectuării
filtrării deoarece constantele α, β, şi N au valori care depind de forma de undă a
semnalului util de la intrare precum şi de tipul de zgomot de la intrare.
6.4. – Filtre în domeniul unei transformări 233

De aceea a fost conceput un algoritm adaptiv pentru alegerea pragului care


maximizează raportul semnal pe zgomot de la ieşirea filtrului de tip “soft-
thresholding”.
Acest algoritm reprezintă subiectul articolului [Isa. ’97]. Etapele sale sunt
următoarele:
1. Se calculează TWD a semnalului achiziţionat.
2. Se presupune cunoscută puterea semnalului util de la intrarea filtrului de tip “soft
thresholding”. Această ipoteză este în acord cu formularea problemei îmbunătăţirii
raportului semnal pe zgomot în telecomunicaţii (se cunoaşte puterea emiţătorului dar
nu se cunoaşte puterea zgomotului care se suprapune peste semnalul util în canalul de
telecomunicaţii).
3. Se calculează raportul semnal pe zgomot la intrare.
4. Se efectuează filtrarea cu filtrul de tip “soft-thresholding” utilizând o valoare mică
pentru prag.
5. Se calculează raportul semnal pe zgomot la ieşire folosind relaţia (57). Se determină
îmbunătăţirea raportului semnal pe zgomot realizată. Se memorează semnalul de ieşire
obţinut precum şi valoarea îmbunătăţirii raportului semnal pe zgomot.
6. Se repetă etapa anterioară folosind aceeaşi valoare (mică) pentru prag. La intrarea
filtrului este conectat de această dată semnalul obţinut la ieşire în iteraţia anterioară. Se
memorează noul semnal de ieşire precum şi noua valoare obţinută pentru îmbunătăţirea
raportului semnal pe zgomot. Aceasta se calculează folosind relaţia (57) pe baza valorii
raportului semnal pe zgomot de la intrare calculată în etapa 2.
7. Se repetă etapa anterioară atât timp cât valoarea raportului semnal pe zgomot de
ieşire creşte de la iteraţie la iteraţie. Algoritmul se încheie de îndată ce valoarea
raportului semnal pe zgomot obţinută în etapa curentă este mai mică decât valoarea
aceluiaşi parametru obţinută în etapa anterioară. Semnalul de ieşire va fi cel memorat la
sfârşitul etapei anterioare. Valoarea raportului semnal pe zgomot va fi de asemenea cea
înregistrată la sfârşitul etapei anterioare.
8. Se calculează TWDI a semnalului obţinut la sfârşitul etapei anterioare. În acest mod
se obţine semnalul rezultat al prelucrării dedicate îmbunătăţirii raportului semnal pe
zgomot.
Metoda propusă poate fi încă optimizată, prin selectarea acelei transformări
undişoară discretă care se potriveşte cel mai bine cu semnalul util de prelucrat. Unele
considerente pe care se poate baza o astfel de optimizare sunt prezentate în [Isa. ’97] şi
în [Bor., Isa. ’97]. Alte lucrări pe această temă care merită să fie amintite sunt: [Ant.,
Gre., Nas. ’95], [Buc., Don. ’95], [Buc., Don. ’96], [Chi., Kol., Cul. ’96], [Coh., d’Al.
’95], [Coh., Kov. ’96], [Coif., Sai. ’96], [Gao. ’97], [Gao. ’97(1)], [Gao. ’97(2)], [Hil.,
Ogd. ’97], [Kol. ’96], [Lan., Guo., Ode., Bur., Wel. ’95], [Nas. ’94] şi [Pes., Ade., Pes.,
Hel. ’96]. Alte filtre neliniare interesante pentru prelucrarea în domeniul TWD sunt
prezentate în [Pit., Ven. ’86(1)] şi în [Pit., Ven. ’86(2)].
CAPITOLUL 7. Îmbunătăţirea raportului semnal pe zgomot prin filtrare
adaptivă neliniară în domeniul TWD

Acest capitol, deşi nu se referă strict la filtrare, face obiectul lucrării de faţă
deoarece prezintă o alternativă la operaţia de filtrare. El este dedicat simulărilor
metodei adaptive de îmbunătăţire a raportului semnal pe zgomot propusă la sfârşitul
capitolului anterior. Aceste simulări au fost realizate cu ajutorul unor programe scrise
în C, aplicate şi în [Asz, Isa., Isa. ‘99], dedicate acestui scop şi prezentate în anexă.

7.1. Programe de simulare conţinând metoda adaptivă pentru îmbunătăţirea


raportului semnal pe zgomot

Funcţiile acestor programe sunt:


1. Generarea unor semnale deterministe, care sunt semnalele utile de la intrarea
sistemului de îmbunătăţire a raportului semnal pe zgomot.
2. Generarea unor semnale aleatoare, adică a zgomotelor care perturbă aditiv semnalele
utile la intrarea în sistem.
3. Însumarea celor două tipuri de semnale generate anterior.
4. Aplicarea algoritmului adaptiv descris la sfârşitul capitolului anterior. Se afişează
raportul semnal pe zgomot la intrare, raportul semnal pe zgomot la ieşire obţinut după
ultima iteraţie şi îmbunătăţirea raportului semnal pe zgomot obţinută. Pentru
funcţionarea corectă a acestui program este necesară specificarea funcţiei wavelet
mamă pe baza căreia se doreşte calculul TWD directă şi inversă. Există şi posibilitatea
evidenţierii distorsiunilor pe care le-a suferit semnalul util în procesul de prelucrare.
5. Identificarea deviaţiilor diferiţilor parametri ai semnalului util apărute în procesul de
prelucrare.
În continuare se va prezenta fiecare dintre aceste funcţii.
Semnalele utile care pot fi generate cu programele care constituie subiectul
acestui capitol sunt prezentate în figurile 7.1.1, 7.1.2, 7.1.3, 7.1.4 şi 7.1.5.
Parametrii tuturor acestor semnale pot fi modificaţi prin program conform
tabelului 7.1.1.
7.1 – Programe de simulare 235

Figura 7.1.1. Semnal sinusoidal. Figura 7.1.2. Semnal modulat în frecvenţă.

Figura 7.1.3. Tren de impulsuri dreptunghiulare. Figura 7.1.4. Tren de impulsuri gaussiene.

Figura 7.1.5. Tren de impulsuri de tip sinus cardinal.


236 Îmbunătăţirea raportului semnal pe zgomot – 7

Tabelul 7.1.1. Parametrii semnalelor utile care pot fi modificaţi folosind programul de generare
propus.
Tipul semnalului Parametrii care pot fi modificaţi
Sinusoidal amplitudine, frecvenţă
Modulat în amplitudine, frecvenţă purtătoare, frecvenţă
frecvenţă modulatoare.
modulaţia de frecvenţă este liniară.
Dreptunghiular amplitudine, frecvenţă, factor de umplere, polaritate
Gaussian poziţie, amplitudine, formă
Sinus cardinal poziţie, amplitudine, formă

Fiecare dintre aceste semnale este caracteristic pentru o anumită aplicaţie din
domeniul telecomunicaţiilor. De exemplu semnalul sinusoidal poate fi asociat cu
modulaţia de fază, semnalul modulat în frecvenţă apare frecvent în radiolocaţie,
semnalul de tip tren de impulsuri dreptunghiulare apare în comunicaţiile de date în
banda de bază, semnalul de tip tren de impulsuri gaussiene apare în comunicaţiile de
date fără interferenţă intersimbol iar semnalul de tip tren de impulsuri de tip sinus
cardinal apare în comunicaţiile de date cu interferenţă intersimbol. Se poate afirma de
asemenea că fiecare din semnalele din tabelul 1 descrie câte o clasă de semnale destul
de largă. Aceste clase se diferenţiază între ele prin regularitatea elementelor lor, prin
numărul lor de parametrii, etc.
Câte o realizare a semnalelor aleatoare care pot fi generate cu ajutorul acestui
program este prezentată în figurile 7.1.6, 7.1.7, 7.1.8 şi 7.1.9.

Figura 7.1.6. Semnal aleator de tip zgomot alb gaussian.


7.1 – Programe de simulare 237

Figura 7.1.7. Semnal aleator de tip zgomot uniform.

Figura 7.1.8. Semnal aleator de tip impuls.

Figura 7.1.9. Semnal aleator de tip salve de impulsuri.


238 Îmbunătăţirea raportului semnal pe zgomot – 7

Parametrii tuturor acestor semnale pot fi modificaţi prin program conform


tabelului 7.1.2.

Tabelul 7.1.2. Parametrii semnalelor aleatoare perturbatoare care pot fi modificaţi folosind programul de
generare propus.
Tipul semnalului Parametrii care pot fi modificaţi
Zgomot alb Dispersia. Valoarea medie este nulă.
Zgomot uniform Dispersia.
Tren de impulsuri Dispersia. Numărul de impulsuri.
Salve de impulsuri Dispersia. Numărul de salve. Lungimea unei salve.

Aceste semnale aleatoare modelează majoritatea tipurilor de zgomot care pot


apărea într-un canal de telecomunicaţii. Modelul de tip zgomot alb este cel mai des
utilizat. Prezenţa zgomotului alb este inerentă funcţionării oricărui dispozitiv
electronic. Zgomotele de tip tren de impulsuri respectiv salve de impulsuri apar de
asemenea frecvent în practică [Tsi., Nik. ’98]. Este vorba mai ales de situaţiile în care
semnalul util este perturbat încă de la sursă (de exemplu o convorbire telefonică este
perturbată de zgomotul de fond datorat trecerii unui camion prin vecinătatea cabinei
telefonice).
În figurile 7.1.10, 7.1.11, 7.1.12 şi 7.1.13 sunt prezentate exemple de
perturbare aditivă a semnalelor utile din figurile 7.1.1, 7.1.2, 7.1.3 şi 7.1.4 cu semnalele
perturbatoare din figurile 7.1.6, 7.1.7, 7.1.8 şi 7.1.9.
În figurile 7.1.14, 7.1.15, 7.1.16 şi 7.1.17 se prezintă rezulatele aplicării
metodei adaptive de îmbunătăţire a raportului semnal pe zgomot, propusă la sfârşitul
capitolului anterior, pentru semnalele din figurile 7.1.10, 7.1.11, 7.1.12 şi 7.1.13.

Figura 7.1.10. Semnal sinusoidal perturbat aditiv de zgomot alb.


7.1 – Programe de simulare 239

Figura 7.1.11. Semnal modulat în frecvenţă perturbat aditiv cu zgomot uniform.

Figura 7.1.12. Tren de impulsuri dreptunghiulare perturbat aditiv cu zgomot de tip tren de impulsuri.
240 Îmbunătăţirea raportului semnal pe zgomot – 7

Figura 7.1.13. Tren de impulsuri gaussiene perturbat aditiv de zgomot în salve de impulsuri.

Figura 7.1.14. Rezultatul aplicării metodei asupra semnalului din figura 7.1.10.
7.1 – Programe de simulare 241

Figura 7.1.15. Rezultatul aplicării metodei adaptive de îmbunătăţire a raportului semnal pe zgomot
semnalului din figura 7.1.11.

Figura 7.1.16. Semnalul obţinut în urma aplicării metodei adaptive de îmbunătăţire a raportului semnal pe
zgomot semnalului din figura 7.1.12.
242 Îmbunătăţirea raportului semnal pe zgomot – 7

Figura 7.1.17. Semnalul obţinut în urma aplicării metodei adaptive de îmbunătăţire a raportului semnal pe
zgomot semnalului din figura 7.1.13.

Analizând ultimele patru figuri se constată că deşi semnalele de prelucrat


(prezentate în figurile 7.1.10, 7.1.11, 7.1.12, 7.1.13) aveau rapoarte semnal pe zgomot
destul de mici (în special semnalele din figurile 7.1.12 şi 7.1.13) totuşi zgomotul a fost
complet eliminat. De aceea metoda de îmbunătăţire a raportului semnal pe zgomot
bazată pe TWD directă, filtrare cu filtru de tipul “soft-thresholding” şi TWDI este
întâlnită în literatura sub denumirea “de-noising”.
Pe baza figurii 7.1.14 se poate afirma că semnalul sinusoidal a fost recuperat
din zgomot aproape perfect.
Analizând figura 7.1.15 se constată că şi semnalul modulat în frecvenţă a fost
bine curăţat de zgomot dar că metoda folosită a introdus o distorsiune de tipul
modulaţie parazită de amplitudine. Totuşi trebuie remarcat că poziţia trecerilor prin
zero ale semnalului util nu a fost afectată aproape de loc de prelucrarea efectuată.
Pe baza figurii 7.1.16 se poate afirma că metoda de de-noising utilizată nu
afectează prea mult fronturile semnalului dreptunghiular. Această comportare este
7.1 – Programe de simulare 243

remarcabilă pentru o metodă de creştere a raportului semnal pe zgomot care dă


rezultate bune şi în cazul semnalelor netede (cum este de exemplu semnalul sinusoidal
prezentat anterior).
Se poate remarca şi în acest caz distorsiunea de amplitudine de tipul modulaţie
de amplitudine parazită care afectează palierele semnalului dreptunghiular. Această
modulaţie parazită de amplitudine poate fi mult diminuată dacă se foloseşte o TWD
directă invariantă la translaţii [Coif., Don.’95].
Analizând figura 7.1.17 se constată că metoda propusă funcţionează şi în cazul
unor semnale perturbate intens de zgomot. Deşi (aşa cum se vede în figura 7.1.13) cel
de-al doilea impuls gaussian este practic complet acoperit de zgomot totuşi acesta este
corect recuperat. De asemenea trebuie remarcată distorsiunea nivelului de zero care se
manifestă în partea din stânga a figurii 7.1.17.
Pentru o apreciere obiectivă a distorsiunilor de amplitudine introduse de
metoda adaptivă de de-noising se prezintă în continuare în figurile 7.1.18, 7.1.19 şi
7.1.20 erorile de reconstrucţie (diferenţele de amplitudine dintre semnalele utile din
structura semnalelor de la intrare şi semnalele obţinute la ieşire) corespunzătoare
simulărilor cu rezultatele din figurile 7.1.14, 7.1.15 şi 7.1.16. Se constată valabilitatea
concluziilor prezentate mai sus.
Pentru semnalul de intrare din figura 7.1.10, având semnalul reconstituit din
figura 7.1.14, se constată că valoarea maximă a distorsiunii apare la trecerea prin zero a
semnalului sinusoidal şi că ea reprezintă 15% din amplitudinea semnalului util de la
intrare (figura 7.1.18).

Figura 7.1.18. Distorsiunea de amplitudine a semnalului sinusoidal în urma extragerii sale din zgomot alb.
244 Îmbunătăţirea raportului semnal pe zgomot – 7

Pentru eroarea de amplitudine prezentată în figura 7.1.19, deşi valoarea


maximă a distorsiunii reprezintă 40% din amplitudinea semnalului util de la intrare
totuşi şi în acest caz îmbunătăţirea raportului semnal pe zgomot este acceptabilă.

Figura 7.1.19. Distorsiunea de amplitudine a semnalului modulat în frecvenţă în urma extragerii sale din
zgomot uniform.

Figura 7.1.20. Distorsiunea de amplitudine a semnalului dreptunghiular în urma extragerii sale


din zgomot în impulsuri.
7.1 – Programe de simulare 245

Pe baza graficului din figura 7.1.20 se constată prezenţa distorsiunii de tipul


modulaţie parazită de amplitudine pe palierele semnalului dreptunghiular. De
asemenea se remarcă buna localizare a fronturilor semnalului prelucrat în structura
semnalului rezultat.
Au fost concepute câteva programe pentru a se putea aprecia măsura în care
diferiţi parametrii ai semnalelor utile de la intrare au fost afectaţi de metoda de
îmbunătăţire a raportului semnal pe zgomot propusă.
Chiar dacă la semnalele reconstituite sunt prezente erori (inerente la orice
reconstrucţie), în unele aplicaţii nu este necesară cunoaşterea cu precizie a nivelului
semnalului. De aceea metoda este eficace pentru:
A. Interpretarea corectă a nivelelor logice pentru semnalele întâlnite în transmisii de
date,
B. Determinarea trecerilor prin zero ale semnalului util de tip sinusoidal sau modulat în
frecvenţă.

A. S-a avut în vedere faptul că la o transmisie numerică va conta interpretarea corectă


a biţilor de informaţie utilă. Simulând un transfer de date numerice, avem de fapt o
succesiune de nivele de tensiune corespunzătoare nivelelor logice. O alternanţă de
0 logic şi 1 logic este prezentată în figura 7.1.21. Perturbaţiile care pot apare pe un
canal de comunicaţie sunt de obicei de tip aditiv, semnalul nedorit putând fi de tip
zgomot alb (figura 7.1.6), semnal aleator cu distribuţie uniformă (figura 7.1.7),
semnal aleator de tip impuls (figura 7.1.8) sau chiar semnal aleator de tip salve de
impulsuri (figura 7.1.9) [Tsi., Nik. ’98]. Aceste perturbaţii, dacă nu sunt înlăturate
sau cel puţin diminuate, pot da naştere la interpretări eronate ale nivelelor logice
care poartă informaţia utilă. Metoda propusă este eficientă pentru diminuarea
considerabilă a perturbaţiilor de orice tip. Exemple cu realizări ale semnalelor
aleatoare perturbatoare suprapuse aditiv peste semnalul util precum şi semnalele
rezultate în urma prelucrării sunt prezentate în figura 7.1.22, semnalul util
rămânând cel din figura 7.1.21.

Figura 7.1.21. Semnalul util folosit în următoarea simulare.


246 Îmbunătăţirea raportului semnal pe zgomot – 7

Figura 7.1.22. a). Semnal util cu zgomot cu distributie normală cu un RSZi = 2 şi semnalul
reconstituit;b). Semnal util cu zgomot alb (distribuţie gaussiană) cu un RSZi = 2 şi semnalul
reconstituit.
7.1 – Programe de simulare 247

Figura 7.1.22. c). Semnal util cu zgomot în impuls şi semnalul reconstituit; d). Semnal util cu zgomot în
salve de impulsuri şi semnalul reconstituit.
248 Îmbunătăţirea raportului semnal pe zgomot – 7

Pentru o transmisie de date interpretarea nivelelor de tensiune, la recepţie, se


face eşantionând linia de date. În practică semnalul recepţionat se eşantionează în
funcţie de poziţia bitului de start, fiind permisă o abatere de ± 20 % faţă de această
poziţie.
În continuare se analizează efectul utilizării metodei de de-noising la
transmisia de date. Se presupune că sistemul de de-noising este conectat la intrarea
blocului de decizie din structura receptorului.
S-a realizat un program scris în limbaj C care determină punctele de
eşantionare astfel:
- se determină mijlocul primei semiperioade a semnalului util,
- se determină perioada semnalului util,
- pornind de la punctul corespunzător mijlocului semiperioadei semnalului util, cu o
frecvenţă rezultată din valoarea perioadei semnalului util, se determina punctele de
eşantionare,
- în punctele astfel determinate se verifică valoarea semnalului reconstituit,
- se compară aceste valori ale semnalului reconstituit cu valorile pe care le are
semnalul util în punctele respective,
- se stabileşte un prag de decizie, pentru 0 logic şi unul pentru 1 logic,
- dacă valoarea semnalului reconstituit, într-un punct de eşantionare, este incorectă, se
înregistrează într-un fişier de tip text atât valoarea eronată cât şi cumularea erorilor
rezultate pentru 1.000.000 de verificări. S-au generat 25.000 de realizări independente
suprapuse aditiv peste acelaşi semnal util prezentat în figura 7.1.21, pe fiecare realizare
făcându-se 40 de determinări.
Observând realizările prezentate în figura 7.1.22, a), b), c) şi d) se poate
constata că metoda propusă înlătură perturbaţiile, rezultatul fiind un semnal
determinist. Acesta este o reconstrucţie a semnalului util, la care însă fronturile au fost
afectate. Pentru interpretarea nivelelor logice nu sunt însă probleme. Considerând ca
scop interpretarea corectă a lui 0 logic şi 1 logic, se observă că erorile cele mai
frecvente care pot apare datorită modulaţiei parazite în amplitudine sunt în cazul
perturbaţiilor de tip zgomot alb (figura 7.1.22 b)). Din acest motiv verificările care s-au
făcut au fost pentru acest tip de perturbaţie.
Parametrul care a fost luat în considerare a fost RSZ. Astfel s-au obţinut
rezultate experimentale care pun în evidenţă erorile pentru 1.000.000 de verificări,
generând semnale de intrare cu RSZ = 2, RSZ=3 şi RSZ= 4. Erorile care au rezultat
sunt înregistrate în fişiere, concluziile fiind următoarele:
- la RSZ i = 2 avem 379 erori/1.000.000 verificări, adică o valoare a ratei erorilor sub 4
⋅10-3 ;
- la RSZ i =3 avem 43 erori/1.000.000 verificări, adică o valoare a ratei erorilor sub 5
⋅10-4;
- la RSZ i = 4 avem 3 erori/1.000.000 verificări, adică o valoare a ratei erorilor de 3
⋅10-5.
7.1 – Programe de simulare 249

La aplicarea metodei pentru un RSZ i = 5, după 1.000.000 verificări, nu s-a


mai înregistrat nici o eroare.
Comparaţia cu erorile determinate în [Lin., Sim. ’73], pentru diverse metode
clasice de transmitere a datelor, este prezentată în tabelul 7.1.3:

Tabelul 7.1.3. Comparaţie între erorile obţinute prin aplicarea metodei propuse cu cele prezentate în
literatura de specialitate.
RSZ Eroare maximă, prezentată în literatură Eroarea metodei
propuse
RSZ =2 2,2 ⋅10-2 4 ⋅10-3
RSZ =3 7 ⋅10-3 5 ⋅10-4
RSZ =4 1,8 ⋅10-3 3 ⋅10-5

În cazul în care nu s-ar prelucra semnalul perturbat, pentru un RSZ =2,


rezultă o medie a ratei erorilor având valoarea de 25 ⋅10-1.

B. În cazul semnalelor modulate în frecvenţă se consideră drept semnal util un “chirp”,


prezentat în figura 7.1.23. S-au luat în considerare cele 4 tipuri de zgomote enumerate
în tabelul 7.1.2, iar figura 7.1.24 prezintă semnalul util afectat de perturbaţii, în fiecare
caz apărând şi forma semnalului reconstituit rezultat prin aplicarea metodei propuse.

Figura 7.1.23. Semnal modulat în frecvenţă utilizat drept semnal util.

În continuare se prezintă modul în care poate fi estimată frecvenţa instantanee


a semnalului util pe baza valorilor eşantioanelor semnalului perturbat aditiv de zgomot.
Frecvenţa instantanee se estimează cu ajutorul metodei trecerilor prin zero [Boa., Rei.
’92]. După cum se observă din figura 7.1.24 trecerile prin zero ale semnalului util sunt
puternic afectate de zgomotul perturbator. De aceea estimarea frecvenţei instantanee a
250 Îmbunătăţirea raportului semnal pe zgomot – 7

semnalului modulat în frecvenţă, pe baza metodei amintite, pentru semnalele


prezentate în poziţiile de sus din figura 7.1.23, conduce la erori inacceptabil de mari.

Figura 7.1.24. Diferite perturbaţii cu semnale aleatoare ale semnalului util


prezentat în figura 7.1.22 precum şi semnalele rezultate în urma prelucrării:
a). Semnal chirp cu zgomot gaussian având RSZi =2,7;
b). Semnal chirp cu zgomot uniform, având RSZi =2,37.
7.1 – Programe de simulare 251

Figura 7.1.24 (continuare). Diferite perturbaţii cu semnale aleatoare ale semnalului util
prezentat în figura 7.1.22 precum şi semnalele rezultate în urma prelucrării:
c). Semnal chirp cu suprapuneri de tip impuls.
d). Chirp cu salve de impulsuri.

După prelucrarea semnalelor afectate de zgomot cu metoda de de-noising, s-au


estimat erorile care apar la determinarea perioadei instantanee a fiecărui semnal în
parte. Un program dedicat acestui scop determină:
252 Îmbunătăţirea raportului semnal pe zgomot – 7

- perioada instantanee (figura 7.1.25) a semnalului util, neafectat de perturbaţii, din


figura 7.1.23;
- calculează perioada instantanee a semnalului prelucrat cu metoda propusă, pentru
fiecare realizare, numărul total de realizări fiind de 16; perioada instantanee pentru o
realizare este prezentată în figura 7.1.26;
- calculează variaţia în timp a erorii relative de estimare a perioadei instantanee pentru
fiecare caz din cele 16 realizări; un exemplu pentru o realizare este prezentat în figura
7.1.27;
- calculează variaţia în timp a mediei aritmetice a erorilor relative de estimare a
perioadei instantanee (figura 7.1.28).

Figura 7.1.25. Variaţia temporală a perioadei instantanee a semnalului de test prezentat în figura 7.1.22.

Figura 7.1.26. Una dintre estimatele variaţiei în timp a perioadei corespunzătoare semnalului reconstituit
cu ajutorul metodei de “de-noising” propusă.
7.1 – Programe de simulare 253

Figura 7.1.27. Variaţia în timp a erorii intermediare de estimare pentru semnalul reconstituit
cu ajutorul metodei de “de-noising” propusă.

Figura 7.1.28. Variaţia în timp a erorii medii de estimare a perioadei instantanee bazată pe metoda de de-
noising propusă. Media a fost efectuată pe 16 realizări ale semnalului reconstituit.
254 Îmbunătăţirea raportului semnal pe zgomot – 7

Această eroare medie s-a calculat ca şi medie aritmetică a erorilor intermediare


de determinare a perioadei instantanee a 16 realizări ale semnalului reconstituit.
Eroarea maximă rezultată este de 14 %. Această valoare este inferioară valorii erorii de
estimare a perioadei instantanee obţinută în cazul aceluiaşi semnal util perturbat la fel,
raportată în [Isa. ’93(1)]. Calităţile acestei metode de estimare a perioadei instantanee
se recomandă în aplicaţii de genul celor de prelucrare a semnalului de tip Radar.

7.2. Posibilităţi de îmbunătăţire a metodei de “de-noising” adaptiv

Metoda prezentată determină adaptiv valoarea pragului filtrului de tip soft-


thresholding utilizat. Ea nu face nici o precizare referitor la funcţia wavelet mamă care
să fie folosită în cadrul TWD directă şi inversă utilizate. În exemplele considerate până
aici au fost utilizate doar funcţile wavelet mamă introduse de I. Daubechies construite
cu ajutorul funcţiilor Dau 2-Dau 10. Calitatea extragerii din zgomot a fiecărui semnal
util depinde şi de funcţia wavelet mamă utilizată. Se poate face o armonizare între
semnalul de prelucrat şi funcţia wavelet mamă folosită. În continuare se studiază
dependenţa distorsiunilor de funcţia wavelet mamă folosită în cazul câtorva semnale
mai des întâlnite în practică. Folosind aceaşi valoare pentru prag dar lucrând cu funcţii
wavelet mamă diferite, se obţin numere diferite de coeficienţi ai TWD, utilizaţi la
reconstrucţie, de la experiment la experiment. În cazul semnalului modulat în
frecvenţă, pe care îl poate genera programul amintit la începutul acestui capitol, se
obţine următorul tabel:

Tabelul 7.2.1. Dependenţa numărului de coeficienţi care se pot folosi


la reconstrucţie de tipul funcţiei wavelet mamă.
N Numărul coeficienţilor folosiţi la reconstrucţie
2 28
3 25
4 27
5 27
6 29
7 32
8 37
9 35
10 64
7.2 – Posibilităţi de îmbunătăţire 255

S-au reprezentat grafic cazurile extreme (corespunzătoare lui N=3 şi N=10) în


figurile 7.2.1 şi 7.2.2. N reprezintă numărul de ordine al funcţiei wavelet mamă de tip
Daubechies utilizată (Dau N).

Figura 7.2.1. Reconstrucţia cu număr minim de coeficienţi.

Semnalul reconstituit din 25 eºantioane

Figura 7.2.2. Reconstrucţia cu număr maxim de coeficienţi.


256 Îmbunătăţirea raportului semnal pe zgomot – 7

Se constată că distorsiunile sunt mult mai mici în cazul din figura 7.2.2. În
cazul semnalului de tip tren de impulsuri dreptunghiulare (perturbat aditiv de zgomot
uniform) se obţine tabelul 7.2.2.

Tabelul 7.2.2. Dependenţa de undişoara mamă folosită a numărului de coeficienţi


utilizaţi pentru reconstrucţie.
N Număr de coeficienţi neanulaţi
2 15
3 16
4 13
5 11
6 18
7 19
8 32
9 32
10 65

În figurile 7.2.3 şi 7.2.4 se prezintă cazurile extreme.

Figura 7.2.3. Funcţionarea metodei de de-noising


când se utilizează funcţia wavelet mamă Dau 5.
7.2 – Posibilităţi de îmbunătăţire 257

Figura 7.2.4. Funcţionarea metodei de de-noising când se utilizează funcţia wavelet mamă Dau 10.

Se constată că în cel de al doilea caz distorsiunile fronturilor sunt mult mai


mici. Această concluzie este identică cu cea obţinută în cazul semnalului modulat în
frecvenţă prezentat mai sus. Deci s-ar putea concepe un algoritm adaptiv care să
minimizeze distorsiunile prin maximizarea numărului de coeficienţi folosiţi la
reconstrucţie. Deoarece acest număr este cu atât mai mare cu cât ordinul funcţiei
wavelet mamă folosită este mai mare rezultă avantajul utilizării funcţiilor wavelet
mamă de ordin superior în aplicaţiile de de-noising. Acestea asigură şi viteza maximă
de convergenţă a zgomotului din domeniul transformatei undişoară spre un zgomot alb
aşa cum s-a demonstrat în [Bor., Isa. ’97]. După cum s-a arătat în capitolul în care a
fost introdusă transformarea undişoară discretă, aceasta are 2 parametri: tipul funcţiei
wavelet mamă şi numărul de iteraţii. Există şi TWD invariante la translaţii [Coi., Don.
’95] a căror utilizare conduce la diminuarea distorsiunilor de tip modulaţie de
amplitudine parazită. Utilizarea unei astfel de transformări ar putea îmbunătăţi calitatea
operaţiei de de-noising. În cazul rezultatelor prezentate până aici a fost folosită de
fiecare dată TWD cu numărul maxim de iteraţii posibil. Această opţiune a fost impusă
de necesitatea ca zgomotul care perturbă aditiv semnalul util să aproximeze cât mai
bine un zgomot alb în domeniul transformatei.
258 Îmbunătăţirea raportului semnal pe zgomot – 7

7.2.1. O nouă transformare wavelet discretă

Dacă raportul semnal pe zgomot al semnalului care trebuie prelucrat este prea
mic atunci metoda de de-noising adaptivă, care face obiectul acestui capitol, nu poate
elimina complet zgomotul. În figura 7.2.1.1. este prezentat un astfel de caz. În partea
de sus a acestei figuri este reprezentată componenta utilă a semnalului achiziţionat.
Forma de undă a acestuia este prezentată în cel de al doilea grafic din aceaşi figură
(numărat de sus în jos). Raportul semnal pe zgomot al acestui semnal este de 1,18. Prin
aplicarea metodei de de-noising adaptiv prezentată la sfârşitul capitolului trecut şi
exemplificată în paragrafele anterioare din acest capitol se determină valoarea optimă a
pragului s de 4,66. Raportul semnal pe zgomot obţinut este de 7,17. Acest semnal
poate fi în continuare prelucrat pentru eliminarea completă a zgomotului. În acest scop
a fost concepută o metodă de de-noising în patru paşi, bazată pe folosirea unei noi
transformări wavelet discretă, numită transformarea wavelet discretă cu diversitate
îmbogăţită, TWDDÎ. Aceşti paşi sunt:
1. Se aplică metoda de de-noising adaptivă folosind funcţia wavelet mamă de tip Dau 5
şi numărul maxim de iteraţii posibil (acest număr depinde de durata semnalului de
prelucrat) şi se determină valoarea optimă a pragului, s.
2. Se calculează TWDDÎ a semnalului cu forma de undă reprezentată în cel de al
doilea grafic.
3. Se filtrează rezultatul folosind un filtru de tipul soft-thresholding, valoarea de prag
fiind cea stabilită la pasul 1.
4. Se calculează TWDDÎI a rezultatului pasului anterior.
La baza construcţiei TWDDÎ stă o metodă foarte modernă în telecomunicaţii,
care presupune îmbogăţirea diversităţii semnalului de prelucrat. Această îmbogăţire
poate fi realizată în domeniul spaţial, caz în care se folosesc mai multe antene pentru
emisia, respectiv recepţia aceluiaşi semnal, sau în domeniul temporal, caz în care se
recurge la supra-eşantionare. Având în vedere parametrii TWD, îmbogăţirea
diversităţii acestei transformate, poate fi realizată prin calcularea sa pentru mai multe
tipuri de funcţii wavelet mamă, respectiv pentru mai multe numere de iteraţii.
TWDDÎ presupune construcţia unei matrici ale cărei coloane reprezintă TWD
calculate folosind diferite funcţii wavelet mamă. Pentru fiecare funcţie wavelet mamă
se calculează mai multe TWD, fiecare corespunzând unui alt număr de iteraţii. De
exemplu, pentru cazul prezentat în figura 7.2.1.1., pentru fiecare dintre funcţiile de tip
wavelet mamă corespunzătoare filtrelor Dau 2,…, Dau 10, au fost calculate TWD cu
câte 1,2,4 respectiv 8 iteraţii. Matricea TWDDÎ are în acest caz expresia:

TWDDÎ {x[n ]} = [TWD D 2,1 {x[n ]}TWD D 2, 2 {x[n ]}TWD D 2, 4 {x[n ]}" TWD D10,8 {x[n ]}]

Pe prima coloană a matricii din membrul drept al ultimei relaţii se găseşte


TWD a semnalului considerat, calculată folosind funcţia wavelet mamă Dau 2 şi un
număr de o iteraţie, pe a doua coloană se găseşte TWD a semnalului considerat,
7.2 – Posibilităţi de îmbunătăţire 259

calculată folosind funcţia wavelet mamă Dau 2 şi două iteraţii şi aşa mai departe.
Matricea din membrul drept al ultimei relaţii are 36 de coloane. Pe ultima sa coloană se
găseşte TWD a semnalului considerat, calculată folosind funcţia wavelet mamă Dau 10
şi un număr de 8 iteraţii.
Calculul TWDDÎI se face inversând TWD de pe fiecare coloană. În acest fel se
obţine o nouă matrice cu 36 de coloane. Apoi se calculează, pe fiecare linie a noii
matrice obţinute, media aritmetică a elementelor. În acest fel se obţine ca şi rezultat
final al operaţiei de inversare un vector coloană.
Aplicând metoda de de-noising adaptiv cu diversitate îmbogăţită, descrisă mai
sus, s-a obţinut semnalul reprezentat în ultimul grafic al figurii 7.2.1.1. Pentru filtrarea
neliniară în domeniul TWDDÎ se filtrează cu filtrul de tip soft-thresholding, folosind
valoarea optimă de prag, fiecare coloană a matricii TWDDÎ{x[n ]}. Apoi se inversează
această transformată.

Figura 7.2.1.1. Rezultatul aplicării metodei de de-noising adaptiv cu diversitate îmbogăţită.

Analizând figura se constată că zgomotul a fost practic complet eliminat şi că


distorsiunile introduse nu sunt importante. Cea de a doua discontinuitate din semnalul
util se regăseşte în semnalul reconstruit, aşa după cum se poate vedea în figură.
260 Îmbunătăţirea raportului semnal pe zgomot – 7

Raportul semnal pe zgomot obţinut la ieşire (în calculul acestuia s-a ţinut seama atât de
zgomot cât şi de distorsiune) este de 24,02. În consecinţă aportul TWDDÎ la
îmbunătăţirea RSZ este de 3,35 ori, pentru exemplul considerat.

7.2.2. Îmbunătăţirea RSZ prin filtrare neliniară adaptivă în domeniul T.W.D. în


cazul semnalelor perturbate de zgomot multiplicativ

Până aici s-a considerat că zgomotul perturbă aditiv semnalul util. Există însă
cazuri, în special în telecomunicaţii, când zgomotul este multiplicativ. De exemplu
semnalele de radar sunt perturbate de zgomotul de tip “speckle” care este multiplicativ.
Metoda adaptivă de de-noising, care face obiectul acestui capitol, poate fi modificată
pentru a fi utilizată şi în astfel de cazuri.

Figura 7.2.2.1. Primul exemplu de utilizare a metodei de de-noising adaptiv în cazul


zgomotului multiplicativ. RSZ la intrare este de 0,57. RSZ la ieşire este de 278,11.
7.2 – Posibilităţi de îmbunătăţire 261

Expresia semnalului achiziţionat este în acest caz:

s[n ] = u[n ]⋅ z[n ] (1)

unde u[n] reprezintă semnalul util iar z[n] reprezintă zgomotul. Se va considera că
aceste două semnale sunt strict pozitive. Acesta este cazul, de exemplu la sistemele
radar. Pentru a îmbunătăţi RSZ în acest caz se parcurg următorii paşi:
1. Se logaritmează semnalul s[n ] , obţinându-se semnalul l[n ] . Acesta va avea o
componentă utilă şi una perturbatoare, fiind de forma l[k] = l u [k] + n[k] .
Componenta utilă este egală cu logaritmul lui u[n ] iar componenta perturbatoare
cu logaritmul lui z[n ] .
2. Se aplică metoda de de-noising adaptivă, căreia îi este destinat acest capitol,
obţinându-se o estimată a semnalului l u [n ] .
3. Se antilogaritmează rezultatul obţinut la pasul anterior.

Figura 7.2.2.2. Cel de al doilea exemplu de utilizare a metodei de de-noising adaptiv


în cazul zgomotului multiplicativ. RSZ la intrare este de 0,02. RSZ la ieşire este de 173,4.
262 Îmbunătăţirea raportului semnal pe zgomot – 7

În figurile 7.2.2.1, 7.2.2.2 şi 7.2.2.3 sunt prezentate rezultate ale aplicării


acestei metode.

Figura 7.2.2.3. Cel de al treilea exemplu de utilizare a metodei de de-noising adaptiv în cazul zgomotului
multiplicativ. RSZ la intrare este de 3,45. RSZ la ieşire este de 207,56.

În cele trei figuri sunt reprezentate formele de undă ale semnalelor util (în
partea de sus), achiziţionat (la mijloc) şi reconstruit (jos). Parametrii TWD folosite au
fost: funcţia wavelet mamă Dau 9 şi un număr de patru iteraţii.
S-a considerat cunoscută puterea semnalului util u[ n ], Pu , pe baza căreia s-a
1
calculat constanta Pf = ⋅ log 10 (Pu ) , care s-a utilizat la calculul RSZ de ieşire (calcul
2
efectuat cu ajutorul relaţiei (57) din capitolul 6) în cadrul fiecărei iteraţii a metodei de
de-noising adaptivă. Cantitatea Px u din relaţia (57) din capitolul 6 a fost înlocuită cu
constanta Pf .
Experimentul a fost repetat de trei ori pentru a se dovedi că metoda de creştere
a RSZ funcţionează bine într-o gamă largă de RSZ de intrare, situată în zona de valori
foarte mici ale acestei mărimi.
CAPITOLUL 8. Utilizarea filtrelor în eşantionarea uniformă

În acest capitol se prezintă câteva aplicaţii ale filtrării, prezentându-se atât


binecunoscutele filtre antialiere cât şi o legătură între teoria eşantionării şi teoria
funcţiilor wavelet.

8.1. Filtre “antialiasing”

O problemă dificilă legată de eşantionarea semnalelor analogice este


diminuarea efectului de “aliasing”, [Naf., Câm., Isa., ‘98]. Teorema eşantionării,
WKS, presupune limitarea în banda de frecvenţe a semnalului analogic, care trebuie
eşantionat astfel încât frecvenţa de eşantionare folosită să fie mai mare decât dublul
frecvenţei maxime a spectrului semnalului de eşantionat. Din păcate, există situaţii în
care valoarea maximă a frecvenţei din spectrul semnalului de eşantionat nu este
cunoscută şi în consecinţă valoarea frecvenţei de eşantionare nu poate fi fixată apriori,
pentru a fi respectate ipotezele teoremei WKS. În aceste cazuri se manifestă fenomenul
de spuprapunere a termenilor din formula spectrului semnalului eşantionat. Acest
fenomen se numeşte aliasing. El poate fi evitat prin limitarea într-o anumită bandă de
frecvenţe a spectrului semnalului de eşantionat. Această limitare în bandă se realizează
cu ajutorul filtrelor antialiasing.
Cazul filtrelor antialiasing de tip trece jos ideal este analizat în [Naf., Câm.,
Isa., ‘98]. Din păcate aceste filtre nu sunt relaizabile. În aceaşi lucrare este prezentată o
margine superioară a erorii de aliasing. Aceasta este cea mai strânsă margine
superioară a acestei erori. În [Isa., ’93] sunt prezentate şi alte margini superioare ale
erorii de aliasing şi se face o ordonare a acestora, demonstrându-se afirmaţia
anterioară.
O alternativă la filtrarea antialiasing este elaborarea unei teoreme de
eşantionare care să nu pretindă limitarea într-o anumită bandă de frecvenţe a
semnalului de eşantionat. Atfel de teoreme pot fi formulate cu ajutorul teoriei funcţiilor
wavelet.
Pentru semnale de intrare cu frecvenţa maximă din spectru de valoare π,
sistemul de implementare a teoremei WKS este prezentat în figura următoare, [Jer.,
77].
264 Filtre şi eşantionare uniformă – 8

2
x(t) Bπ H(ω)
1

0
π
ω x(t)

δ 1(t)
Figura 8.1. Sistemul de implementare a teoremei WKS.

Demonstraţia acestei teoreme se bazează pe faptul că mulţimea {sinc(π(t-


k))}k∈Z este o bază ortonormală a spaţiului Hilbert al semnalelor de energie finită şi
bandă limitată la π, Bπ2. Această mulţime este generată prin translaţii cu întregi ale
răspunsului la impuls al filtrului trece jos ideal h ( t ) = sin c[π( t )] .
Filtrul de reconstrucţie, cu răspunsul la impuls h(t) nu este cauzal. Dacă x(t)
este de bandă nelimitată atunci răspunsul sistemului din figura 8.1. este doar o
aproximaţie a semnalului de intrare datorită fenomenului de aliasing [Isa., 92].
Pentru eşantionarea semnalelor de bandă nelimitată, în practică se folosesc
filtre antialiasing, aşa după cum se vede în figura 8.2. Filtrul de la intrare este un astfel
de sistem iar cel de la ieşire este filtrul de reconstrucţie. Semnalul z(t) trebuie să fie de
bandă limitată cu pulsaţia maximă din spectru de valoare π. Cea mai bună aproximare
de medie pătratică a semnalului de intrare cu semnale de bandă limitată este proiecţia
sa ortogonală pe spaţiul Bπ2.

z(t) u(t)
h (t) h(t)
a
y(t)
2
x(t) L (R)
δ 1(t)

Figura 8.2. Sistem de prelucrare a semnalelor de bandă nelimitată.

Filtrul antialiasing care proiectează ortogonal semnalul de intrare pe acest


spaţiu are răspunsul la impuls h a ( t ) = h v ( t ) = h ( − t ) , [Naf., Isa., Isa., 92]. Nici
8.1. – Filtre “antialiasing” 265

sistemul cu răspunsul la impuls h(t), nici sistemul cu răspunsul la impuls hv(t) nu sunt
cauzale. Sistemul de identitate propus în acest paragraf este prezentat în figura 8.3.

z(t) u(t)
g (t) g(t)
x(t) y(t)

δ 1(t)
Figura 8.3. Sistem de reconstrucţie perfectă din eşantioane a unor semnale de bandă nelimitată.

Un rezultat important legat de eşantionarea semnalelor de bandă nelimitată este


generalizarea teoremei WKS prezentată în următoarea propoziţie.
P1. Dacă {g(t-k)}k∈Z reprezintă o bază Riesz a unui subspaţiu Hilbert
închis al spaţiului semnalelor de energie finită, V0 , atunci orice semnal din V0
poate fi reconstruit perfect folosind sistemul din figura 8. 3.
Demonstraţie
Pentru orice semnal x(t) din V0 semnalul z(t) din figura 8.3 are expresia:


z( t ) = x ( t ) ∗ g v ( t ) = ∫
−∞
x (τ)g v ( t − τ)dτ = 〈 x (τ), g (τ − t )〉

Semnalul u(t) din figura 8.3 are expresia:

∞ ∞
u ( t ) = z ( t )δ 1 ( t ) = ∑
k = −∞
z ( k ) δ( t − k ) = ∑
k = −∞
〈 x (τ), g(τ − k )〉 δ( t − k )

Semnalul de ieşire din figura 8.3, are expresia:


y( t ) = u ( t ) ∗ g ( t ) = ∑
k = −∞
〈 x (τ), g(τ − k )〉 g( t − k )

Membrul drept al ultimei relaţii reprezintă descompunerea semnalului x(t) în baza


Riesz a lui V0, { g(t-k)}k∈Z . De aceea semnalul de ieşire este egal cu cel de intrare :

y( t ) = x ( t ) (1)

Propoziţia este demonstrată.


266 Filtre şi eşantionare uniformă – 8

Elementele spaţiului V0 pot fi semnale de bandă nelimitată. Aceste semnale pot


fi perfect reconstruite din eşantioane cu ajutorul sistemului din figura 8.3. Astfel
fenomenul de aliasing este evitat. Luând în considerare asemănarea dintre figurile 2 şi
3 filtrul cu răspunsul la impuls gv(t), va fi numit în continuare filtru antialiasing. Dacă
semnalul x(t) din figura 8.3 nu este element al spaţiului V0 , dar este semnal de energie
finită, atunci semnalul de ieşire reprezintă doar o aproximare. Deoarece y(t) reprezintă
proiecţia ortogonală a lui x(t) pe V0 , acest semnal reprezintă cea mai bună aproximare
de medie pătratică a lui x(t). Eroarea medie pătratică este egală cu diferenţa energiilor
semnalelor x(t) şi y(t). Dacă g(t) este răspunsul la impuls al unui sistem cauzal atunci
gv(t)=g(-t), este răspunsul la impuls al unui sistem anticauzal. Acesta este motivul
pentru care este foarte important ca g(t) să aibă suport compact. În acest caz sistemul
din figura 8.4, foarte asemănător cu sistemul din figura 8.3, poate fi utilizat pentru
prelucrarea semnalelor de bandă nelimitată, elemente ale lui V0.

x(t) z 1(t) u 1(t) x(t- t 0)


g (t-t 0 ) g(t)

Filtru de
δ(t)
1
reconstrucţie
Filtru antialiasing

Figura 8.4. Un sistem cauzal de identitate.

Comparând semnalele din figurile 8.3 şi 8.4 se poate scrie:


z1 (t ) = ∫
−∞
x (τ)g v ( t − t 0 − τ)dτ = z( t − t 0 )


u 1 ( t ) = z 1 ( t )δ 1 ( t ) = ∑
k = −∞
z ( k − t 0 ) δ( t − k )

Dacă t0 este un întreg:

u 1 (t) = u(t − t 0 )
8.1. – Filtre “antialiasing” 267

Semnalul de ieşire din figura 8.4 are expresia:

u 1 ( t ) ∗ g ( t ) = u ( t ) ∗ δ( t − t 0 ) ∗ g ( t ) = y ( t ) ∗ δ( t − t 0 ) = x ( t ) ∗ δ( t − t 0 ) = x ( t − t 0 )

Deci fiecare semnal x(t) din V0 poate fi perfect reconstruit, folosind sistemul
din figura 8.4, abstracţie făcându-se de o întârziere t0. Dacă t0 are o valoare superioară
duratei răspunsului la impuls g(t), atunci filtrele care compun sistemul din figura 8.4
sunt cauzale. Diferite particularizări ale funcţiei g, conduc la noi teoreme de
eşantionare pentru diferite spaţii Hilbert V0. Se obţin şi filtrele antialiasing
corespunzătoare. În continuare se prezintă două exemple. O lucrare excelentă pe aceaşi
temă este [Ben., 92]. Paragraful 5 al acestei lucrări "Regular Sampling and Frames"
tratează reconstrucţia semnalelor eşantionate uniform. Dar analiza este efectuată doar
pentru semnale de bandă limitată iar condiţia de cauzalitate a sistemelor de
reconstrucţie nu este impusă.
A. Exemplul 1 (legat de teoria funcţiilor wavelet)
Fie 1V0 spaţiul funcţiilor constante pe porţiuni :

1 {
V0 = x (t ) ∈ L2 (R ); x (t ) = ct., t ∈ [n, n + 1], n ∈ Z } (2)

O bază ortonormală a acestui spaţiu Hilbert este mulţimea {1g(t-k)}k∈Z cu:

1 g ( t ) = σ( t ) − σ( t − 1) (3)

Deoarece lungimea suportului funcţiei 1g(t) este egală cu 1, valoarea lui t0 din acest
exemplu va fi de 1. Se poate observa că:

1 g ( t )=1 g (1 − t )

Deci în acest exemplu filtrele antialiasing şi de reconstrucţie sunt identice.


Structura filtrului antialiasing este prezentată în figura 8.5.

Observaţii

1. Funcţia 1g(t) reprezintă funcţia de scalare care generează baza Haar din
teoria funcţiilor wavelet, [Dau., 88].
Orice funcţie cu suport compact, folosită în teoria funcţiilor wavelet, de
scalare sau wavelet mamă Ψ poate reprezenta răspunsul la impuls al filtrului de
reconstrucţie din figura 8.4.
268 Filtre şi eşantionare uniformă – 8

Linie de -
-∞ întârziere
integrator δ(t-1)

Figura 8.5. Structura filtrului antialiasing din exemplul A.

De asemenea orice funcţie de pre-scalare sau pre-wavelet, [Lem, Mal., 91], cu


suport compact, poate fi răspunsul la impuls al filtrului de reconstrucţie din figura 8.4.
Dificultatea este construcţia filtrelor antialiasing şi de reconstrucţie deoarece expresile
analitice ale funcţiilor de scalare şi wavelet mamă sunt în general necunoscute în teoria
funcţiilor wavelet. Un rezultat similar este prezentat în [Isa., 93 (1)], pentru cazul
eşantionării multirată şi multicanal.
2. Acest exemplu este foarte important deoarece orice semnal în timp continuu,
generat numeric, este membru al spaţiului 1V0 .
3. Semnalele din 1V0 sunt de bandă nelimitată.

B. Exemplul 2 (legat de teoria filtrelor trece jos de ordinul întâi)


Un filtru trece jos de ordinul întâi are răspunsul la impuls:

2 ϕ( t ) = (A 0 / τ)e − t / τ σ( t )

În continuare se demonstrează că mulţimea {2ϕ(t-k)}k∈Z este o bază Riesz a


unui spaţiu Hilbert. Trebuie determinate două constante A şi B astfel încât:

∞ (4)
A ≤ ∑ | 2 ϕˆ (ω + 2kπ) | 2 ≤ B
k = −∞

Seria din ultima relaţie reprezintă spectrul semnalului obţinut prin eşantionarea
ideală cu pas unitar a autocorelaţiei semnalului 2ϕ(t). Expresia acestei funcţii este:

( 2
)
R ϕϕ ( t ) = A 0 / 2τ e −|t|/ τ

Eşantionând această funcţie cu pas unitar se obţine semnalul în timp discret cu


transformata Fourier în timp discret :
8.1. – Filtre “antialiasing” 269

2
R̂ ϕϕ (Ω) = (A 0 / 2τ)(1 − e −2 / τ ) /(1 − 2e −1 / τ cos Ω + e −2 / τ )

Acesta este motivul pentru care folosind identitatea lui Poisson se obţine:

∑|
k = −∞
2 ϕˆ (ω + 2kπ) | 2 = (A 2 0 / 2τ)(1 − e − 2 / τ ) /(1 − 2e −1 / τ cos ω + e − 2 / τ )

Valorile constantelor A şi B sunt:

A = R ϕϕ (π); B = R ϕϕ (0)

Fie 2V0 spaţiul Hilbert generat de mulţimea {2ϕ(t-k)}k∈Z . Pentru acest spaţiu
mulţimea generatoare este o bază Riesz. Din nefericire suportul funcţiei 2ϕ(t) nu este
compact. Dar orice bază Riesz poate fi transformată într-o bază ortonormală. Folosind
notaţia :


| 2 m̂(ω) | 2 = ∑|
k = −∞
2 ϕ(ω + 2kπ) | 2

poate fi construită funcţia 2g(t), cu transformata Fourier :

2 ĝ (ω)= 2 ϕˆ (ω)/ 2 m̂(ω)

Această funcţie generează, prin translatare cu întregi baza ortonormală a spaţiului


Hilbert 2V0, {2g(t-k)}k∈Z , [Mal., Seg., 94].
Folosind ultima relaţie se obţine :

2 ĝ (ω) = [α /(1 + jωτ)](1 − e −1 / τ e − jω )

cu :

2
α=
⎛ − ⎞
2
τ⎜⎜1 − e τ ⎟⎟
⎝ ⎠

Deci:
270 Filtre şi eşantionare uniformă – 8

2 g ( t ) = α[e − t / τ (σ( t ) − σ( t − 1))]

Sistemul cu acest răspuns la impuls are structura prezentată în figura 8.6.

t
α τ
τ
e σ(t)
1
Linie de -
e τ întârziere
Filtru trece jos
δ(t-1)

Figura 8.6. Structura sistemului de reconstrucţie pentru exemplul B.

Analizând suportul funcţiei 2g(t) rezultă că pentru acest exemplu poate fi


folosită valoarea lui t0 de 1. Expresia răspunsului la impuls al filtrului antialiasing este :

2 g (1 − t ) = α[e − (1− t ) / τ (σ(1 − t ) − σ( t ))] = α (1 + e −1 / τ )1 g ( t )− 2 g ( t )

Figura 8.7. Structura filtrului antialiasing pentru exemplul B.


8.1. – Filtre “antialiasing” 271

OBSERVAŢII.
1. Semnalele din spaţiul 2V0 sunt de bandă nelimitată.
2. Rezultatul din acest exemplu poate fi comparat cu rezultatul obţinut în
[Ben., 91]. Acest din urmă rezultat este mai general (spaţiul semnalelor de intrare din
exemplul de faţă este inclus în spaţiul semnalelor de intrare din referinţa citată) dar
rezultatul prezentat aici este mai util deoarece este prezentată şi implementarea
sistemului de prelucrare.
3. Metoda prezentată în acest exemplu poate fi aplicată şi pentru cazul filtrelor
trece jos de ordin superior.
4. În acest exemplu s-a prezentat o nouă funcţie de pre-scalare.

8.2. O legătură între teoria eşantionării şi teoria funcţiilor wavelet

În acest paragraf se detaliază observaţia 1 din cadrul exemplului A din


paragraful anterior. După cum s-a arătat în cadrul acestei observaţii orice funcţie de
scalare sau wavelet mamă folosită în cadrul teoriei funcţiilor wavelet poate fi utilizată
pentru construcţia filtrelor antialiasing respectiv de reconstrucţie folosite în propoziţia
enunţată. În continuare se vor folosi funcţiile de scalare generate de filtrele Dau 2, … ,
Dau 10, prezentate în capitolul anterior.
Aceste funcţii de scalare generează prin translatări cu întregi spaţii de tip V0 k ,
elemente ale unor analize multirezoluţie ale spaţiului semnalelor de energie finită.
Aceste spaţii au proprietăţi de regularitate foarte importante. Printre elementele
spaţiului V0 k generat de filtrul Dau k, k=2, … , 10, se găsesc toate polinoamele de
grad k, [Isa.’ Naf.’ 98]. În consecinţă pentru reconstrucţia perfectă a semnalelor de tip
polinomial, de grad k, din eşantioanele lor, prelevate uniform, poate fi folosită schema
din figura 8.4. Având în vedere că pentru semnalul:

L
x L (t ) = ∑ a l ⋅ t l
l=0

dacă se foloseşte pentru funcţia g(t ) expresia funcţiei de scalare ϕ L (t ) , generată de


filtrul numeric Dau L , poate fi demonstrată relaţia:

x L (t ), ϕ L (t − k ) = x (k )

în schema din figura 8.4 nu mai este necesară folosirea filtrului antialiasing.
Reconstrucţia perfectă, din eşantioane prelevate uniform, a semnalului x L (t ) , poate fi
realizată cu ajutorul sistemului din figura 8.2.1.
272 Filtre şi eşantionare uniformă – 8

u 1(t) x L (t )
x L (t) g(t)

Filtru de
δ1(t) reconstrucţie

Figura 8.2.1. Sistem de eşantionare ideală şi reconstrucţie perfectă a unui polinom de gradul L.

Această observaţie este foarte importantă deoarece orice semnal, x (t ) , întâlnit


în practică, poate fi descris printr-o funcţie. Această funcţie poate fi aproximată oricât
de bine, într-un anumit interval, prin partea polinomială a dezvoltării sale în serie
Taylor. Această parte polinomială poate fi reconstruită exact, folosind sistemul din
figura 8.2.1. De aceea funcţia considerată poate fi reconstruită, cu o eroare oricât de
mică, în intervalul considerat, din eşantioanele sale prelevate uniform. Mai mult,
suportul oricărei funcţii poate fi segmentat în diferite intervale, pe fiecare dintre
acestea fiind valabilă o aproximare de precizie impusă a funcţiei considerate, realizată
de partea polinomială de un anumit grad a dezvoltării sale în serie Taylor, pe acel
interval. Un astfel de algoritm de segmentare este prezentat în [Asz., Isa., Isa., 99].
Folosind un astfel de algoritm, semnalul oarecare x (t ) poate fi aproximat cu relaţia:

⎧ PP1 (t ), t ∈ I1
⎪P (t ), t ∈ I
⎪ P2 2

⎪ .
⎪ .

x (t ) ≅ ⎨ .
(5)

⎪ PPl (t ), t ∈ I l
⎪ .
⎪ .

⎩ .
8.2. – Teoria eşantionării şi teoria funcţiilor wavelet 273

De exemplu semnalul din figura 8.2.2. poate fi aproximat cu polinoamele


descrise în tabelul 1.8.2.

80

60

40

20

-2 0

-4 0

-6 0
0 100 200 300 400 500 600 700 800

Figura 8.2.2. Un exemplu de semnal de eşantionat.

Tabelul 8.2.1. Un exemplu de segmentare polinomială a semnalului din figura 8.2.2.


Numărul de Gradul polinomului Durata segmentului
ordine al corespunzător [număr de eşantioane]
segmentului
1 0 128
2 5 128
3 6 128
4 7 256
5 9 64

Pe fiecare dintre intervalele I l semnalul x (t ) poate fi prelucrat cu un sistem de


tipul celui din figura 8.2.1. În consecinţă aproximarea PPl (t ) poate fi perfect
reconstruită din eşantioanele sale. Deci pe intervalul I l , semnalul x (t ) poate fi
reconstruit din eşantioanele sale, prelevate uniform, cu precizia dată de aproximarea
(5).
Singura problemă rămasă este inexistenţa expresilor analitice ale funcţiilor de
scalare, necesare pentru construcţia sistemelor de identitate de tipul celui din figura
8.2.1. Răspunsul la impuls, notat cu g(t) în această figură, trebuie să fie identic, pe
intervalul I l , cu funcţia de scară corespunzătoare filtrului numeric Dau Pl . Dar
expresia analitică a acestei funcţii de scară nu este cunoscută. Se ştie că funcţia de
scară care ar corespunde filtrului numeric Dau 1 este funcţia de scară corespunzătoare
funcţiei wavelet mamă de tip Haar, evocată în exemplul A, din paragraful anterior.
274 Filtre şi eşantionare uniformă – 8

Expresia analitică a acestei funcţii de scară este prezentată în relaţia (3), din acest
capitol.
De aceea în continuare se arată cum poate fi redusă schema din figura 8.2.1. la
schema din figura 8.4. cu:

g (t )=1 g (t )

Prin derivarea polinomului PPl (t ) , de grad Pl , se obţine polinomul PPl −1 ( t ) ,


de grad Pl − 1 . Derivând de Pl ori polinomul PPl (t ) se obţine o funcţie constantă.
Aceasta poate fi perfect reconstruită din eşantioanele prelevate uniform, conform
exemplului A din paragraful anterior.
În consecinţă, reconstrucţia cu precizie controlată a semnalului x (t ) din relaţia
(5), pe intervalul I l , poate fi realizată cu ajutorul sistemului din figura următoare.

x(t) Derivare z 1(t) u 1(t) Integrare x(t)


de Pl ori 1g(t) de Pl ori

δ1(t)

Figura 8.2.3. Sistem de reconstrucţie cu precizie controlată a unui semnal oarecare


din eşantioanele sale prelevate uniform.

Evident sistemul din figura anterioară este unul cu parametrii variabili în timp,
fiind necesar ca acest sistem să fie controlat de algoritmul de segmentare amintit mai
sus. Acest algoritm trebuie să specifice lungimea intervalului I l , pe care parametrii
blocurilor de intrare şi ieşire ale sistemului din figura 8.2.3. trebuie păstraţi constanţi.
De asemenea algoritmul de segmentare trebuie să specifice valoarea Pl .
BIBLIOGRAFIE

[Ale. ’88] T. Alexander, Adaptive Signal Processing. Theory and Applications,


Springer Verlag, New York, 1988.
[Ana., Ven. ’89] Anastasios, Venetsanopoulos, Current Developments in Signal
Processing with Applications to Sonar and Radar. Part II, University of Toronto,
Toronto 1989.
[Ant., Gre., Nas. ’95] A. Antoniadis, G. Gregoire, G. Nason, Density and Hazard Rate
Estimation for Right Censored Data Using Wavelet Methods, Preprint laboratoire
LMC-IMAG Grenoble, 1995
[Ast., Kos., Neu. ’92] J. Astola, L. Koskonen, Y. Neuvo, Statistical Properties of
Discrete Morphological Filters. In Mathematical Morphology in Image Processing, ed.
E. R. Dougherty, Chapter 3, pp. 93-120.
[Asz. ’93] T. Asztalos, Using Digital Transversal Filters for Analog Signal Processing.
Proceedings of the International Symposium on Signals, Circuits and Systems,
SCS’93, Iaşi, Romania, 1993.
[Asz., Isa., Isa. ’99] T. Asztalos, D. Isar, A. Isar, Adaptive Sampling Rate obtained
using Wavelets, International Workshop on Sampling Theory and Applications,
SampTA 99, August 11 -14, 1999, Trondheim, Norway.
[Bas., Chi., Cho. ’95] S. Basu, C. H. Chiang, H. M. Choi, Wavelets and Perfect
Reconstruction Subband Coding with Causal Stable IIR Filters, IEEE Transaction On
Circuits and Systems II, vol. 42, No.1, January 1995.
[Bel. ’90] M. Belanger, Traitement numérique du signal, Masson 1990.
[Ben. ’92] J.J.Benedeto, Irregular Sampling and Frames in Wavelets-A Tutorial in
Theory and Applications, C.K.Chui (ed) pp.445-507,Academic Press, Inc.1992.
[Blu., Uns. ’98] T. Blu, M. Unser, Approximation Error for Quasi-Interpolators and
(Multi-) Wavelet Expansions, Preprint France Telecom, 1998.
[Boa., Rei. ’92] B. Boashash, A. Reilly, Algorithms for Time-Frequency Signal
Analysis - Time Frequency Signal Analysis, B. Boashash (editor), pp.141-163, John
Wiley 1992.
[Bol., Hla., Fei. ’96] H. Bolcskei, F. Hlawatsch, H.G. Feitinger, Frame-Theoretic
Analysis and Design of Oversampled Filter Banks, Proceedings of ISCAS-96, Atlanta
1996.
[Bor. ’96] B. La Borde, New Fast Discrete Wavelet, Proceedings of TFTS’96, pp. 41-
44, Paris 1996.
[Bor., Isa. ’97] M. Borda, D. Isar, Whitening with Wavelets. Proceedings of “ECCTD.
97” Conference, Budapest, August 1997.
276 Bibliografie

[Bov., Mar., Qua. ’94] A.C.Bovik, P.Maragos,T.F.Quatieri, AM&FM energy detection


and separation in noise using multiband energy operators, IEEE Transactions on signal
processing, vol.41,no.12,december 1993.
[Buc., Don. ’95] J. Buckheit, D. Donoho, Improved Linear Discrimination Using
Time-Frequency Dictionaries. Technical Report, Stanford University, July 1995.
[Buc., Don. ’96] J. B. Buckheit, D. Donoho, Time-Frequency Tillings which Best
Expose the Non-Gaussian Behaviour of a Stochastic Process. Proceedings of the IEEE
Conference “TFTS’96”, pp.1-4, Paris, July 1996.
[Che., Lin. ’94] B. S. Chen, C. W. Lin, Multiscale Wiener Filter for the Restoration of
Fractal Signals: Wavelets Filter Bank Approach. IEEE Transactions on Signal
Processing, vol. 42, No. 11, pp.2972-2982, November 1994.
[Chi., Kol., Cul. ’96] H. A. Chipman, E.D. Kolaczyk, R.E. Mc Culloch, Signal
Denoising Using Adaptive Bayesian Wavelet Shrinkage, Proceedings of TFTS’96, pp.
225-228, Paris 1996.
[Coh., d’Al. ’95] A. Cohen, J. P. d’Ales, Nonlinear Approximation of Stochastic
Processes. În Wavelets and Statistics. A. Antoniadis si G. Oppenheim (editori),
Springer Verlag, pp.129-132, 1995.
[Coh., Kov. ’96] A. Cohen, J. Kovacevic, Wavelets: The Mathematical Background,
Proceedings of the IEEE, vol.84, no. 4, April 1996, pp.514-521.
[Coif., Don. ’95] R. R. Coifman, D. L. Donoho, Translation Invariant De-Noising. În
Wavelets and Statistics. A. Antoniadis si G. Oppenheim (editori), pp.125-150, Springer
Verlag 1995.
[Coif., Sai. ’96] R. R. Coifman, N. Saito, The Local Karhunen-Loeve Bases.
Proceedings of the IEEE Conference “TFTS’ 96", pp.129-132, Paris, July 1996.
[Cou. ’84] F. de Coulon, Théorie et traitement des signaux. Presses polytechniques
romandes. Lausanne 1984.
[Dau. ’88] I. Daubechies, Orthonormal Bases of Compactly Supported Wavelets.
Comm. Pure Appl. Math., No. 41, pp.909-996, 1988.
[DeS., Isa. ’93] A. De Sabata, A. Isar, Semnale Circuite şi Sisteme. Indrumator de
laborator, Litografia UPT, 1993.
[Don. ’92] D. L. Donoho, De-Noising via Soft Thresholding. Technical Report 409,
Stanford University, November 1992.
[Don. ’93] D. L. Donoho, Wavelet Shrinkage and W.V.D.-A Ten Minute Tour.
Technical Report 416, Stanford University, January 1993.
[Eze., Jen. ’92] J.E. Ezell, W. K. Jenkins ş.a., Adaptive Analog Signal Processing with
Acoustics Charge Transport Filters. Proceedings of the IEEE International Symposium
on Circuits and Systems, San Diego, CA., May, 1992.
[Gao. ’97] H. Y. Gao, Wavelets Shrinkage Estimate for Heteroscedatic Regression
Models. Preprint MathSoft, 1997.
[Gao. ’97(1)] H.-Y. Gao, Threshold Selection in WaveShrink, Preprint MathSoft,
1997.
[Gao. ’97(2)] H.-Y. Gao, Wavelet Shrinkage Denoising Using the Non-negative
Garrote, Preprint MathSoft, 1997.
Bibliografie 277

[Hil., Ogd. ’97] M. L. Hilton, R. J. Ogden, Data Analytic Wavelet Threshold Selection
in 2-D Signal Denoising, IEEE Trans. on S.P. vol. 45, no.2, February 1997, pp. 496-
500.
[Hue. ’84] L.P. Huelsman, P.E. Allen, Introduction to the theory and design of active
filters, Prentice Hall, 1984.
[Isa. ’92] A.Isar, A New Expression of the Aliasing Error Bound", International
Conference, "ICEA 92", Tizi-Ouzu, 04-06 May 1992.
[Isa., Isa. ’92] D.Isar, A. Isar, Adaptive Median Filter, International Conference "
Signals, Circuits and Systems " Iaşi, România, 1992.
[Isa. ’93] A. Isar, Nouvelles modalités de décomposition multirésolution. Quatorzieme
Colloque GRETSI, Juan-Les Pins, pp.363-366, 13-16 Septembre 1993.
[Isa. ’93(1)] A. Isar, Tehnici de măsurare adaptivă cu aplicaţii în aparatura de măsurare
numerică. Teza de doctorat, Universitatea “Politehnica” Timişoara 1993.
[Isa. ’94(1)] D. Isar, LMS Adaptive Filter for Frequency Modulated Signal Processing,
Proceedings of the Symposium on electronics and telecommunications , vol.III,
Timişoara, sept.29-30, 1994.
[Isa. ’94(2)] D.Isar, The study of a LMS adaptive filter, Proceedings of the symposium
on electronics and telecommunications, vol.III, Timişoara, sept. 29-30, 1994.
[Isa., Asz. ’94] A.Isar, T.Asztalos, Using the fast wavelet transform for data
compression, Proceedings of the symposium on electronics and telecom., vol.III,
Timişoara, sept. 29-30, 1994.
[Isa. ’95] D.Isar, Metode convenţionale de creştere a raportului semnal pe zgomot,
Referat nr. 1 în cadrul pregătirii pentru doctorat, conducător ştiinţific Prof. dr. ing. Ioan
Naforniţă.
[Isa. ’95(1)] D.Isar, Metode moderne de creştere a raportului semnal pe zgomot,
Referat nr. 2 în cadrul pregătirii pentru doctorat, conducător ştiinţific Prof. dr. ing. Ioan
Naforniţă.
[Isa., Asz., Isa. ’95] D.Isar, T.Asztalos, A.Isar, De-noising with wavelets, International
Symposium SCS’95, Iaşi, România, 1995.
[Isa. ’97] D. Isar. De-noising adaptatif. Seizieme Colloque GRETSI, pp.1249-1252,
Grenoble, 15-19 Septembre 1997.
[Isa., Naf. ’98]. A.Isar, I. Naforniţă, Reprezentări timp-frecvenţă. Editura
“Politehnica”, Timişoara, 1998.
[Kla., Hol., Flo. ’97] A. Kla., M. Holschneider, K. Flornes, Two-channel Perfect
Reconstruction Filter Banks over Comutative Rings, propusă pentru publicare la IEEE
Transactions on Signal Processing.
[Kol. ’96] E.D. Kolaczyk, A Method for Wavelet Shrinkage Estimation of Certain
Signals Using Corrected Thresholds, articol propus la revista Statistica Sinica.
[Kun. ’84] M. Kunt, Traitement numérique des signaux. Traité d’Electricité de l’EPFL,
vol. XX, 3-eme édition, Presses Polytechniques Romandes, 1984.
[Lan., Guo., Ode., Bur, Wel. ’95] M. Lang, H. Guo, J. E. Odegard, C. S. Burrus, R. O.
Wells, Nonlinear Processing of a Shift Invariant DWT for Noise Reduction.
278 Bibliografie

Proceedings of SPIE Symposium on Aerospace Sensing and Dual Photonics, Orlando,


SUA. April 1995.
[Lem, Mal. ’91] P.G.Lemarié-Rieusset, G.Malgouyres, Support des fonctions de base
dans une analyse multi-résolution, Comptes Rendus de l’Academie de Sciences, Paris,
tome 313, serie I, pp377-380, 1991
[Lin., Opp. ’88] J. S. Lim, A. V. Oppenheim (editori), Advanced Topics in Signal
Processing. Prentice Hall, New Jersey 1988.
[Lim., Sim. ’73] W.C. Lindsey, M. K. Simon, Telecommunication Systems
Engineering, Prentice-Hall, New Jersey, 1973.
[Mal. ’89(1)] S. Mallat, A Theory for Multiresolution Signal Decomposition: the
Wavelet Representation. IEEE Transactions on Pattern Analysis and Machine
Inteligence, vol. II, No.7, pp.674-693, July 1989.
[Mal. ’94] G. Malgouyres, Introduction a la théorie des ondelettes. Curs de vară,
Timişoara 1994.
[Mat., Dum., Sta. ’01] A. Mateescu, N. Dumitriu, L. Stanciu, Semnale şi Sisteme,
Teora, Bucureşti, 2001.
[Mey. ’92] Y. Meyer, Ondelettes et algorithmes concurents, Hermann, 1992.
[Mou. ’94] P.Moulin, Wavelet Thresholding Techniques for Power Spectrum
Estimation. IEEE Trans. on S.P., vol. 42, No.11, pp. 3126-3136, November 1994.
[Naf., Isa. ’91] M.Naforniţă, D.Isar, Numerical Traking Filter, The International
Conference "ICATE '91", Craiova , România, 1991.
[Naf. ’92] I. Naforniţă, Banda echivalentă de zgomot a unor filtre, Conferinţa naţională
de la Oradea, Mai, 1992.
[Naf., Câm., Isa. ’93] M.Naforniţă, A.Câmpeanu, D.Isar, Tehnici experimentale de
analiză statistică a semnalelor aleatoare ergodice şi staţionare, Conferinţa
Naţională Oradea, România, 1993.
[Naf., Isa., Isa. ’92] M. Naforniţă, A. Isar, D. Isar, A Generalization of the Sampling
Theorem. Rev. Roum. Sci. Tehn.-Electrotehn. et Energ., 37, pp. 177-183, Bucarest
1992.
[Naf. ’95] I. Nafornita, Prelucrarea adaptiva a semnalelor de telecomunicatii", 1995,
note de curs.
[Naf., Cam., Isa. ’95] I. Naforniţă, A. Câmpeanu, A. Isar, Semnale circuite şi sisteme.
vol. I, Editura UPT, 1995.
[Nar., Lou., Les., Dar. ’96] S. B. Narayanan, J. Mc. Loughlin, Les Atlas, J. Darapo, An
Operator Theory Approach to Discrete Time-Frequency Distribution. Proceedings of
the IEEE Conference “TFTS’96”, pp. 521-524, Paris 1996.
[Nas. ’94] G. P. Nasson, Wavelet Regression by Cross-Validation. Preprint University
of Bristol, March 1994.
[Nas., Sap., Saw. ’97] G. P. Nason, T. Sapantias, A. Sawezenko, Statistical Modeling
of Time Series using Non-decimated Wavelet Representations, Preprint University of
Bristol, 1997.
[Ode., Bur. ’96] J. Odegard, C. S. Burrus, New Class of Wavelets for Signal
Approximation, Proceedings of ISCAS’96.
Bibliografie 279

[Pes., Ade., Pes., Hel. ’96] L. Pesu, E. Ademovic, J.-C. Pesquet, P. Helisto, Wavelet
Packet Based Respiratory Sound Classification, Proceedings of TFTS’96, Paris, 1996,
pp. 377-380.
[Pit.,Ven. ’86(1)] I. Pitas, A. N. Venetsanopoulos, Nonlinear Mean Filters in Image
Processing, IEEE Transactions on ASSP, vol. 14, no. 3, June 1986.
[Pit., Ven. ’86(2)] I. Pitas, A. N. Venetsanopoulos, Edge Detectors on Nonlinear
Filters, IEEE Transactions on PAMI, vol.8, no.4, July 1986.
[Pre. ’87] F. Preteux, Description et intérprétation des images par la morphologie
mathématique. Application a l’image médicale. These de doctorat d’Etat, Université
Paris VI, 1987.
[Pre. ’95] F. Preteux, La morphologie mathématique. Ses fondements: ensembliste,
topologique, probabiliste. Cours fournit au département Signal et Image, INT-Evry,
1995.
[Sch., Mat. ’94] M. Schmitt, J. Mattioli, Morphologie mathématique, Masson, Paris,
1994.
[Shy. ’92] J.J.Shynk, Frequency-domain and multirate adaptive filtering, Signal
Processing Magazine, january 1992.
[Spă. ’87] A. Spătaru, Fondements de la théorie de la transmission de l’information.
Presses Polytechniques Romandes, Lausanne, 1987.
[Tsi., Nik. ’98] G.A. Tsihrintzis, G. L. Nikias, Modeling, Parameter Estimation and
Signal Detection in Radar Clutter with Alpha-Stable Distributions, Preprint Univ. of
Virginia, 1998.
[Wid., Ste. ’85] B. Widrow, S.D. Stearns, Adaptive Signal Processing, Prentice Hall,
1985.
ANEXA

Programul de denoising:

#include<math.h>
#include<string.h>
#include<graphics.h>
#include<stdlib.h>
#include"frame.c"

#define NR 512
#define NACT 512

double huge x[NR];


double huge y[NR];
static double huge z[NACT];
double huge temp[NACT];
int N=2;
int ni=4;
int filef=1;
int nc=0; //numarul coeficientilor redusi la 0
int pas;//numarul iteratiilor facute

///variabile si functii pt grafica

void initmodegr(void);
void graph(int xo,int yo,int tabl);

int amplmax=1; //amplitudine maxima


char polar=1; //polaritate - implicit bipolar

static double cd[20];


static double ci[20];
static double cid[20];
static double cii[20];

static double scara;


static int r=0;
static char s[20];
double *prag;
282 Anexa

static struct {
double ampl,df,prg;
char type[15];
int No,pol;
double alpha;
double incr;
} env;

void initinvc(void)
{ int i;
for(i=0;i<2*N;i++)
if(i%2) cid[i]=cd[i];
else cid[i]=cd[2*N-2-i];
for(i=0;i<2*N;i++)
cii[i]=pow(-1,i)*cid[2*N-1-i];
}

void initni(void)
{
ni=(int)(pow(2.0,(int)(N/2+1)));
}

void gprintf(char *msg)


{
if(r==8){clrscr();r=0;}
gotoxy(1,r+1);
printf("%s",msg);
r++;
}

void initc(void)
{int i;
char buf[50];
switch(N){
case 2 :cd[0]=0.4829629131445341;
cd[1]=0.8365163037378079;
cd[2]=0.2241438680420134;
cd[3]=-0.1294095225512604;
break;

case 3 :cd[0]=0.332670552950;
cd[1]=0.806891509311;
cd[2]=0.459877502118;
cd[3]=-0.135011020010;
cd[4]=-0.085441273882;
Anexa 283

cd[5]=0.035226291882;
break;
case 4 :cd[0]=0.230377813309;
cd[1]=0.714846570553;
cd[2]=0.630880767930;
cd[3]=-0.027983769417;
cd[4]=-0.187034811719;
cd[5]=0.030841381836;
cd[6]=0.032883011667;
cd[7]=-0.010597401785;
break;
case 5 :cd[0]=0.160102397974;
cd[1]=0.603829269797;
cd[2]=0.724308528438;
cd[3]=0.138428145901;
cd[4]=-0.242294887066;
cd[5]=-0.032244869585;
cd[6]=0.077571493840;
cd[7]=-0.006241490213;
cd[8]=-0.012580751999;
cd[9]=0.003335725285;
break;
case 6 :cd[0]=0.111540743350;
cd[1]=0.494623890398;
cd[2]=0.751133908021;
cd[3]=0.315250351709;
cd[4]=-0.226264693965;
cd[5]=-0.129766867567;
cd[6]=0.097501605587;
cd[7]=0.027522865530;
cd[8]=-0.031582039318;
cd[9]=0.000553842201;
cd[10]=0.004777257511;
cd[11]=-0.001077301085;
break;
case 7 :cd[0]=0.077852054085;
cd[1]=0.396539319482;
cd[2]=0.729132090846;
cd[3]=0.469782287405;
cd[4]=-0.143906003929;
cd[5]=-0.224036184994;
cd[6]=0.071309219267;
cd[7]=0.080612609151;
cd[8]=-0.038029936935;
cd[9]=-0.016574541631;
cd[10]=0.012550998556;
cd[11]=0.000429577973;
cd[12]=-0.001801640704;
284 Anexa

cd[13]=0.000353713800;
break;
case 8 :cd[0]=0.054415842243;
cd[1]=0.312871590914;
cd[2]=0.675630736297;
cd[3]=0.585354683654;
cd[4]=-0.015829105256;
cd[5]=-0.284015542962;
cd[6]=0.000472484574;
cd[7]=0.128747426620;
cd[8]=-0.017369301002;
cd[9]=-0.044088253931;
cd[10]=0.013981027917;
cd[11]=0.008746094047;
cd[12]=-0.004870352993;
cd[13]=-0.000391740373;
cd[14]=0.000675449406;
cd[15]=-0.000117476784;
break;
case 9 :cd[0]=0.038077947364;
cd[1]=0.243834674613;
cd[2]=0.604823123690;
cd[3]=0.657288078051;
cd[4]=0.133197385825;
cd[5]=-0.293273783279;
cd[6]=-0.096840783223;
cd[7]=0.148540749338;
cd[8]=0.030725681479;
cd[9]=-0.067632829061;
cd[10]=0.000250947115;
cd[11]=0.022361662124;
cd[12]=-0.004723204758;
cd[13]=-0.004281503682;
cd[14]=0.001847646883;
cd[15]=0.000230385764;
cd[16]=-0.000251963189;
cd[17]=0.000039347320;
break;
case 10 :cd[0]=0.026670057901;
cd[1]=0.188176800078;
cd[2]=0.527201188932;
cd[3]=0.688459039454;
cd[4]=0.281172343661;
cd[5]=-0.249846424327;
cd[6]=-0.195946274377;
cd[7]=0.127369340336;
cd[8]=0.093057364604;
cd[9]=-0.071394147166;
Anexa 285

cd[10]=-0.029457536822;
cd[11]=0.033212674059;
cd[12]=0.003606553567;
cd[13]=-0.010733175483;
cd[14]=0.001395351747;
cd[15]=0.001992405295;
cd[16]=-0.000685856695;
cd[17]=-0.000116466855;
cd[18]=0.000093588670;
cd[19]=-0.000013264203;
break;
}

for(i=0;i<2*N;i++)
ci[i]=pow(-1,i)*cd[2*N-1-i];
sprintf(buf,"Valoarea lui N este %2d",N);
gprintf(buf);
initinvc();
}

void DWT(int n)

{int nn,i,k;
double yt=0;
nn=n;
for(i=0;i<nn;i++){
yt=0;
if((i+1)%2)
for(k=0;k<2*N;k++) {
yt+=z[(k+i)%nn]*cd[k];
y[i/2]=yt;
}
else
for(k=0;k<2*N;k++) {
yt+=z[(k+i-1)%nn]*ci[k];
y[(nn+i)/2]=yt;
}
}

for(i=0;i<nn;i++)
z[i]=y[i];
return;
}

void rear(int n)
{int i;
286 Anexa

double *temp;
temp=farcalloc(n,sizeof(double));
if(temp==NULL) {
printf("Eroare la alocarea memoriei\n");
exit(1);
}
for(i=0;i<n;i++)
*(temp+i)=z[i];
for(i=0;i<n;i++){
if((i+1)%2) z[i]=*(temp+i/2);
else z[i]=*(temp+(n+i)/2);
}
farfree(temp);
}

void iDWT(int n)
{
int nn,i,k;
double yt=0;
nn=n;
rear(ni);
for(i=0;i<ni;i++){ yt=0;
if((i+1)%2) {
for(k=0;k<2*N;k++)
yt+=z[(k+i+ni-2*(N-1))%ni]*cid[k];
y[i]=yt;
}
else {
for(k=0;k<2*N;k++)
yt+=z[(k+i+ni-1-2*(N-1))%ni]*cii[k];
y[i]=yt;
}
}

for(i=0;i<ni;i++)
z[i]=y[i];

ni*=2;
return;
}

void initz(int sens)


{int i;
for(i=0;i<NACT;i++)
if(sens) z[i]=x[i];
Anexa 287

else z[i]=y[i];
}

void WT(int sens) //sens=1 pt. sursa x[], 0 pt. y[]


{
int n=NACT,i;
// gprintf("Please be patience ! The DWT is calculating ... ");
initz(sens);
for(i=n;i>=ni;i/=2) {
DWT(i); }
// gprintf("The DWT is calculated ! Hit any key to continue
...");
}

void iWT(void)
{
int n=NACT;
// gprintf("Please be patience ! The iDWT is calculating ...");
initz(0);
for(;ni<=n;)
iDWT(n);
gprintf("The iDWT is calculated ! Hit any key to continue
...");
}

void hidecursor(void);
void showcursor(void);
int sf(const void *a,const void *b);

int sort(void)
{
qsort((void *)temp,NR,sizeof(double),sf);
return(0);
}

int sf(const void *a,const void *b)


{ double *k=(double *)a, *l=(double *)b;
if((*k-*l)>0) return(1);
return(-1);
}

int redcoef(double pc)


{ int i,k=0,signe=1;
double absy;
288 Anexa

for(i=ni;i<NACT;i++) {
absy=fabs(y[i]);
if(y[i]<0) signe=-1;
else signe=1;
if((absy-pc)>0)
y[i]=signe*(absy-pc);
else { y[i]=0; k++;}
}
return(k);
}

void saveenv(FILE *fp)


{int l; double px=0.0;
for(l=0;l<NACT;l++) px+=x[l]*x[l]/NACT;
fprintf(fp,"N=%d\n",N);
fprintf(fp,"Tipul semnalului\t : %s \n",env.type);
fprintf(fp,"Amplitudine\t\t : %3.3f\n",env.ampl);
fprintf(fp,"Df factor\t\t : %3.3f\n",env.df);
fprintf(fp,"Puterea semnalului este : %3.5f\n",px);
fprintf(fp,"Pragul este\t\t : %3.3f\n",*prag);
return;
}

int savef(double pc, double tt)


{
//int nc;
FILE *fp;
int i;

if(filef){
gprintf("Introduceti numele fisierului *.dat : ");
showcursor();
scanf("%s",s);
hidecursor();
strcat(s,".dat");
fp=fopen(s,"wt");
filef=0;
saveenv(fp);
fprintf(fp,"Raport S/Zg intrare : %3.7f\n",tt);
}
else fp=fopen(s,"at");
fprintf(fp,"N=%d\n",N);
fprintf(fp,"Pas : %2d \t Prag : %3.3f\n",pas,pc);
nc=redcoef(pc);
fprintf(fp,"Numarul coef. redusi la zero : %2d\n",nc);
fclose(fp);
return(nc);
}
Anexa 289

double saverez(double px)


{FILE *fp;
int i;
double sum=0.0,tt=0.0;
for(i=0;i<NACT;i++)
sum+=(temp[i]-y[i])*(temp[i]-y[i])/NACT;
fp=fopen(s,"at");
fprintf(fp,"Eroarea medie patratica este : %3.7f\n",sum);
if(sum>0.001){
tt=px/sum;
fprintf(fp,"Raport S/Zg iesire = %4.7f \n",tt);
}
fclose(fp);
return(sum);
}

void achizs(double dfact,double A)


{int i;
for(i=0;i<NACT;i++)
x[i]=A*sin(3.141592/256*dfact*i);
return;
}

void achizc(double dfact,double A,double dincr)


{int i;
for(i=0;i<NACT;i++)
x[i]=A*sin(3.141592/256*(dfact+dincr*i/64)*i);
return;
}

void achizd(double dfact,double alpha, double A,int pol)


{
int i;
for(i=0;i<NACT;i++)
if((i%((int)(NACT/dfact)))<((int)(alpha*NACT/dfact)))
x[i]=A;
else if(pol) x[i]=-A;
else x[i]=0;
return;
}

double rnd(void)
{
double nr;
nr=rand()/(double)RAND_MAX;
return(nr);
}
290 Anexa

double gauss(void)
{
double v1,v2;
double nr1,nr2,R,X,tp;
v1=-sqrt(3/2.0); v2=-v1;
tp=1.0;
for(;tp>0.0;){
nr1=rnd();
nr2=v1+(v2-v1)*rnd();
R=nr2/sqrt(nr1);
X=R;
tp=log(nr1)+R*R/3.0;
}
return(X);
}

double addnoise(double A)
{
int i;
double ni,np=0;
for(i=0;i<NACT;i++){
ni=A*gauss(); np+=ni*ni;
x[i]+=ni;
}
np/=NACT;
return(sqrt(np));
}

void errorm(void)
{ cadru_dbl(7,10,50,12,BLACK,BLUE);
printf("\tApasati C,D sau S");
}

void hidecursor(void)
{
_AH=01;
_CH=0x20;
geninterrupt(0x10);
}

void showcursor(void)
{
_AH=01;
_CH=6;
_CL=7;
geninterrupt(0x10);
}
Anexa 291

double initxy(void)
{
int i,k,l,pol=0;
char c;
double ampl=0,alpha=0.5,df=1.0,incr=1.0,prag1=0;
int nrline=4;
textmode(C80);
mainframe();
cadru_dbl(6,6,70,10,BLACK,BLUE);
printf("Apasati S pentru semnal Sinusoidal");
gotoxy(1,2);
printf("Apasati D pentru semnal Dreptunghiular");
gotoxy(1,3);
printf("Apasati C pentru semnal Modulat Chirp ");
for(;((c=getch())!='s')&&(c!='S')&&(c!='d')&&(c!='D')&&(c!='c')&
&(c!='C');)
errorm();
if((c=='d')||(c=='D')) nrline+=2;
cadru_dbl(5,5,75,7+nrline,BLACK,BLUE);
gotoxy(1,1);
printf("Introduceti numarul N (2..10) : ");
scanf("%d",&N);
gotoxy(1,2);
printf("Introduceti amplitudinea semnalului : ");
scanf("%lf",&ampl); env.ampl=ampl; amplmax=ampl;
gotoxy(1,3);
printf("Introduceti valoarea factorului df ( >=1 ): ");
scanf("%lf",&df); env.df=df;
gotoxy(1,4); printf("Introduceti dispersia zgomotului : ");
scanf("%lf",&prag1);
if((c=='d')||(c=='D'))
{ gotoxy(1,5);
printf("Introduceti valoarea factorului alpha ( <1 ): ");
scanf("%lf",&alpha);
gotoxy(1,6);
printf("Specificati polaritatea (0-unipol. 1-bipol): ");
scanf("%d",&pol); polar=(char)pol; }
if((c=='c')||(c=='C'))
{ gotoxy(1,5);
printf("Introduceti valoarea incrementului (0.125<incr<64
): ");
scanf("%lf",&incr); }

cadru_dbl(7,7,70,10,BLACK,BLUE);
hidecursor();
gotoxy(1,1); printf("Valoarea lui N este %d",N);
gotoxy(1,2); printf("Amplitudinea semnalului este de %f",ampl);
292 Anexa

switch(c){
case 'd' :
case 'D' : achizd(df,alpha,ampl,pol);
strcpy(env.type,"Dreptunghiular");
env.alpha=alpha; env.pol=pol;
break;
case 's' :
case 'S' : achizs(df,ampl); strcpy(env.type,"Sinusoidal");
break;
case 'c' :
case 'C' : achizc(df,ampl,incr); strcpy(env.type,"Chirp");
env.incr=incr;
break;
default : errorm();
}
showcursor();
return(prag1);
}

void afismax(int n)
{
int i;
double max=0;
for(i=n;i>n/2;i--)
if(max<fabs(y[i-1])) max=fabs(y[i-1]);
printf("Valoarea maxima pe scara %2d este %3.5f \n",NACT/n,max);
if(n/2>=ni) afismax(n/2);
else return;
}

int savey(void)
{
FILE *fp;
int i;

gprintf("Introduceti numele fisierului rezultat *.dat :


");
showcursor();
scanf("%s",s);
hidecursor();
strcat(s,".dat");
fp=fopen(s,"wt");
for(i=0;i<NACT;i++)
fprintf(fp,"%f\n",y[i]);
fclose(fp);
return(1);
}
Anexa 293

void main(void)
{
int i,k,l,j,maxc=0,contor;
int redc[10];
char buf[50];
double pc=1.0,px=0.0,pe=0.0,py=0,tt=1.0,tt1,old=0.0;
pc=initxy();
for(l=0;l<NACT;l++) {px+=x[l]*x[l]/NACT; temp[l]=x[l];}
sprintf(buf,"puterea semnalului este : %3.5f",px);
pe=addnoise(pc);
hidecursor();
cadru_dbl(1,14,60,24,BLACK,BLUE);
window(2,15,59,22);
gprintf(buf);
sprintf(buf,"puterea zgomotului este : %3.5f",pe*pe);
gprintf(buf);

*prag=pe*0.8;

tt=px/(pe*pe);
sprintf(buf,"Raport S/Zg intrare %4.7f ",tt);
gprintf(buf);

for(contor=0;contor<10&&(old<tt);contor++){
pas=contor+1;
initni(); initc();
if(contor)
WT(0);
else WT(1);
// *prag=pe*sqrt(2*log(NACT)/(NACT*log(2)));
savef(*prag,tt);
iWT();
tt1=saverez(px);

if(tt1>0.001){
old=tt;
tt=px/tt1;
sprintf(buf,"Pas = %2d\t Raport S/Zg out = %4.7f
",pas,tt);
gprintf(buf);}
else gprintf("Putere zgomot iesire nesemnificativ");
*prag=*prag*0.8; // prag functie de disp. zg.
getch();
} // end of for loop
savey();
294 Anexa

showcursor();
gprintf("Apasati o tasta");
getch();

initmodegr();
cleardevice();
graph(55,115,0); //se afiseaza x[]
graph(55,355,1); //se afiseaza y[]
getch();
closegraph();
}

///graphics functions
void initmodegr(void)
{
int gd,gm,errc;
gd=VGA; gm=VGAHI;
//detectgraph(&gd,&gm);
//initgraph(&gd,&gm,"c:\\bc20\\bgi");
initgraph(&gd,&gm,"");
errc=graphresult();
if(errc!=grOk){
gprintf("Erroare la initializarea modului grafic !!");
gprintf("Apasa o tasta");
getch();
window(1,1,80,25);
clrscr();
exit(1);
}
}

void coordsys(int xo,int yo)


{ char s[40];
int i;
setlinestyle(SOLID_LINE,0xFFFF,THICK_WIDTH);
line(xo-20,yo,xo+550,yo);
line(xo,yo-90,xo,yo+90);
setlinestyle(DASHED_LINE,0xFFFF,NORM_WIDTH);
line(xo,yo-70,xo+530,yo-70);
line(xo,yo+70,xo+530,yo+70);
setlinestyle(SOLID_LINE,0xFFFF,NORM_WIDTH);
moveto(xo+7,yo-95);
itoa(amplmax,s,10);
outtext(s);
moveto(xo+7,yo+72);
outtext("-"); outtext(s);
for(i=0;i<=500;i+=100)
Anexa 295

{line(xo+i,yo-3,xo+i,yo+3);
moveto(xo+i-10,yo-25); itoa(i,s,10); outtext(s);
}
moveto(xo+540,yo-25); outtext("n");
}

void graph(int xo,int yo, int tabl)


{
char s[50];
int i;
int left,top,right,bottom;

setcolor(WHITE);
setbkcolor(BLACK);
left=5;right=635;
if(tabl) { top=245; bottom=465;}
else { top=5; bottom=225;}
setlinestyle(SOLID_LINE,0xFFFF,THICK_WIDTH);
moveto(left,top); lineto(right,top); lineto(right,bottom);
lineto(left,bottom); lineto(left,top);
setlinestyle(SOLID_LINE,0xFFFF,NORM_WIDTH);
settextstyle(SMALL_FONT,HORIZ_DIR,2);
setusercharsize(3,2,2,1);
coordsys(xo,yo);
moveto(xo,yo);
setlinestyle(SOLID_LINE,0xFFFF,THICK_WIDTH);

for(i=0;i<512;i++)
if(tabl) lineto((int)(xo+i),(int)(yo-(int)(70*y[i]/amplmax)));
else lineto((int)(xo+i),(int)(yo-(int)(70*x[i]/amplmax)));
if(!tabl) {
moveto(xo+150,yo+75); outtext("The input sequence");
}
else {
sprintf(s,"The output sequence");
moveto(xo+150,yo+80); outtext(s);
}
}
296 Anexa

Sursa pentru “frame.c”

#include<stdio.h>
#include<alloc.h>
#include<dos.h>

#include"cadrdbl.c"

void mainframe(void)
{int i;
window(1,1,80,25);
textbackground(GREEN);
textcolor(BLACK);
clrscr();
for(i=0;i<3680;i+=2)
pokeb(0xB800,(i+160),178);
}

Sursa pentru “cadrdbl.c” :

#include<stdlib.h>
#include<conio.h>

cadru_dbl (int xlt,int ylt,int xrb,int yrb,int backc,int bordc)


{ int i;
window(1,1,80,25);
textbackground(bordc);
textcolor(BLACK);
gotoxy(xlt,ylt);
putch(201);
for(i=0;i<(xrb-xlt);i++)
putch(205);
putch(187);
for(i=0;i<(yrb-ylt);i++){
gotoxy(xlt,ylt+1+i);
putch(186);
gotoxy(xrb+1,ylt+1+i);
putch(186); putch(219); }
gotoxy(xlt,yrb);
putch(200);
for(i=0;i<(xrb-xlt);i++)
putch(205);
putch(188); putch(219);
Anexa 297

gotoxy(xlt+1,yrb+1);
for(i=0;i<(xrb-xlt+2);i++)
putch(219);
window(xlt+1,ylt+1,xrb,yrb-1);
textbackground(backc);
textcolor(WHITE);
clrscr();
gotoxy(1,1);
return;
}