Documente Academic
Documente Profesional
Documente Cultură
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
BIBLIOGRAFIE 275
ANEXA 281
PREFAŢĂ
Autorii
CAPITOLUL 1. Introducere
Răspunsul în frecvenţă al unui filtru trece jos (FTJ) ideal destinat prelucrării
semnalelor analogice este prezentat în figura 1.1.1.1.
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
Răspunsul în frecvenţă al unui filtru trece sus (FTS) ideal este prezentat în
figura 1.1.2.1.
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.
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(ω) = F ω 2
2
( ) (7)
se poate scrie:
( )
F ω 2 = H(ω) ⋅ H(− ω) (8)
( )
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 ω 2 = F(0 ) + R p +1 (ω) (12)
( )
F ω2 =
a 0 ⋅ ω + a1 ⋅ ω
2p
1
2p−2
+ ... + a p −1 ⋅ ω 2 + 1
a 1 = a 2 = ... = a p −1 = 0
şi deci:
( )
F ω2 =
1
a 0 ⋅ ω2p + 1
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 ⎠
1 (13)
H(s ) ⋅ H(− s ) = 2p
⎛ s ⎞
1 + ⎜⎜ ⎟⎟
⎝ jω c ⎠
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
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
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.
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
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
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
dTn T 2 (x) − 1
=M n 2
dx x −1
sau:
dTn dx (21)
= M⋅
Tn2 − 1 x 2 −1
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:
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
T0 ( x ) = cos(0) = 1 (27)
T1 ( x ) = cos(arccos x ) = x (28)
G n (ω 2 ) = H a ( jω)
2 (29)
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,
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
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
1
max{G n (ω 2 )} = 1 , min{G n (ω 2 )} = , ω∈[-1,1]
1 + ε2
1
H a (s) ⋅ H a (−s) = (35)
⎛s⎞
1 + ε 2 Tn2 ⎜⎜ ⎟⎟
⎝ j⎠
⎛s⎞
1 + ε 2 ⋅ Tn2 ⎜⎜ ⎟⎟ = 0 (36)
⎝ j⎠
⎛s⎞ δ
Tn ⎜⎜ ⎟⎟ = ± (37)
⎝ j⎠ ε
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
Dar:
⎛s⎞
Tn ⎜⎜ ⎟⎟ = Tn (ch ( w )) = cos(n ⋅ arccos(chw )) (39)
⎝ j⎠
⎛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⎠
j ⎧⎪ ch (n ⋅ u ) ⋅ cos(n ⋅ v) = 0
ch (n ⋅ w ) = ± ⇔⎨ 1 (41)
ε sh (n ⋅ u ) ⋅ sin(n ⋅ v) = ±
⎪⎩ ε
2k − 1 π 1 1
vk = ⋅ ; u k = (−1) k ⋅ ⋅ arg sh (42)
n 2 n ε
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
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
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
Pentru
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
d (48)
D(ω) = − ⋅ arg H( jω)
dω
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
M (s) 1 1
= + (53)
N(s) s 3 1
+
s 5 1
+
s 7
+
s
M (s) 1 1
= + (54)
N(s) s 3 1
+
s 5 1
+
s 7
+ +
s 1
…+
2N − 1
s
unde:
B n (s)
H i−1 (s) = (57)
B0
n
B n (s) = ∑ b i ⋅ s i (58)
i =0
cu:
b0
H(s) =
B n (s)
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:
Pu
RSZ0 =
PnB0
1.3. – Îmbunătăţirea RSZ 33
RSZ0 (60)
χ=
RSZi
Pu = Ps (61)
Pu
χ=
Pn ⋅ B 0
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)
1 N N ⋅B
PnB =
2π ∫B
Φ nB (ω) dω = 0 ⋅ ∫ dω = 0
2π B 2π
(62)
1 N (63)
⋅ ∫ N 0 ⋅ H(ω) dω = 0 ⋅ ∫ H(ω) dω
2 2
PnB0 =
2π B 2π B
34 Introducere - 1
B
χ= (64)
∫
2
H(ω) dω
B
2 1
H(ω) = (65)
1 + ω2n
2 1
H1 (ω) =
1 + ω2
∞ ∞ ∞
dω
∫ 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
1
H 2 (ω) =
1 + ω4
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
B B
1 2
ωd ω 1 2
dω
Bz 2 = −
2
∫
2 ω B
2
− 2ω + 1
+
2 ∫ωB
2
− 2ω + 1
+
- -
2 2
B B
1 2
ωd ω 1 2
dω
+
2
∫
2 ω B
2
+ 2ω + 1
+
2 ∫ω B
2
+ 2ω + 1
- -
2 2
B B B
2
ω dω 1 2
( 2ω − 2 ) d ω 2 2
dω
∫ω B
2
− 2ω + 1
=
2 ∫ B ω − 2ω + 1
2
+
2 ∫ω B
2
− 2ω + 1
- - -
2 2 2
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
dω
∫B ω2 + 2ω + 1 = 2 ∫ B ω 2 + 2ω + 1
−
2 ∫ω B
2
+ 2ω + 1
- - -
2 2 2
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
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 ⎠
∞
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
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
⎧ 0, ω ≤1
20 log | H I (ω) | = ⎨ (66)
⎩− 20n log ω, ω > 1
2
20 log | H(ω) |2 ≤ 20 log H I (ω)
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
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
⎜ ⎟
⎜ ⎟
⎝ ⎠
−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
⎧⎪ − 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
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
⎛ ⎛ 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
Bz inf ≤ Bz ≤ Bz sup
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 ⎦
⎡ 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 ⎥
⎢⎣ ⎥⎦
N0
B
2 π B
χ = =
N0 C
C
2π
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
Y(ω) n
⎛ 2π ⎞ ⎛ 2π ⎞
= H T (ω) = ∑ a k e- j⎜⎝ ω + τ ⎟⎠ kτ = H T ⎜ ω + ⎟
X(ω) k =0 ⎝ τ ⎠
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:
⎧ 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
1 n
E {n B0 (t)} = ∑0=0
n + 1 k =0
⎧⎪⎧ 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.
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⎠
⎛ 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⎠
B = pω 0 , p ∈ Z − {0} (72)
{ }
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):
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:
Pn B
χ=
P n B0
sau, folosind relaţia (73):
χ = n +1 (74)
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
U 2 (s)
H(s)= (1)
E(s)
R1 I1 1 I2 2
E U1 D U2 R2
Zin 1 1’ 2’
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
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.
1 E Zs
Γ(s ) = ⋅ ⋅ (3)
2 U2 Zg
54 Metode de sinteză – 2
E (4)
H(s ) =
U2
este:
1 Zs 1
Γ(s ) = ⋅ (5)
2 Z g H(s )
U 1 (s )
Z in 1 =
I1 (s )
Z g − Z in 1
ρ in 1 = (6)
Z g + Z in 1
E1 U1 D U2 E2
1’ 2’
⎡1 1 ⎤
⎢ 2 ⋅ R (U 1 + I1 R 01 ) ⎥ (7)
[a ] = ⎢⎢ 01 ⎥
⎥
1 1
⎢ ⋅ (U 2 + I 2 R 02 )⎥
⎢⎣ 2 R 02 ⎥⎦
⎡1 1 ⎤
⎢ 2 R (U 1 − I1 R 01 ) ⎥
⋅ (8)
[b] = ⎢⎢ 01 ⎥
⎥
1 1
⎢ ⋅ (U 2 − I 2 R 02 )⎥
⎣⎢ 2 R 02 ⎦⎥
( 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
1 (12)
s 21 =
Γ12
s 22 = - ρ in 2 (13)
⎡ U1* ⎤ (14)
[P] = ⎢ *
⎥ ⋅ [I1 I2 ]
⎢⎣ U 2 ⎥⎦
Pd = 0 (17)
şi deci:
adică:
sau:
*
s11 s11 + s *21s 21 = 1 (23)
*
s12 s12 + s *22 s 22 = 1 (24)
2
s11 + s 21 = 1
2 (25)
2
s12 + s 22 = 1
2 (26)
*
s11s11 + s12 s12
*
=1 (28)
2
s 21 = s12
2
şi că
2
s11 = s 22
2 (30)
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.
Aşa după cum s-a arătat, în cazul diporţilor pur reactivi, caracterizaţi prin
parametrii de repartiţie, este valabilă relaţia:
Dar legătura dintre funcţia de transfer Γ 12(s) şi funcţia de transfer H(s) este:
relaţie din care se poate determina coeficientul de reflexie la intrare ρ in1(s), pe baza
căruia se poate calcula impedanţa de intrare:
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
sau:
Deci:
Alegând:
ρ in1(s) = -(s 2) / (s2 + 2 s + 1)] (42)
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
E 2 1
1’
2’
Figura 2.1.5.2. Schema diportului pasiv cu funcţia de transfer specificată în relaţia (38).
1 1 2 2
E 2 1
’
1
2’
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:
şi:
atunci:
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:
∂P
∂ (ln P ) P
S Px = = (52)
∂ (ln x ) ∂x
x
A
H TJ (s ) = (53)
s
1+
ω0 TJ
Integrator
R 1 amortizat
−
R1 RC
Integrator
R 1 neinversor
1+ 2
R1 RC
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
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.
⎛ 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)
Figura 2.2.2.2. Forma de implementare a unui filtru opreşte bandă de ordinul II.
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
Figura 2.2.2.3. Forma de implementare a unui filtru trece tot de ordinul II.
72 Metode de sinteză – 2
1 I1 I2 2
U D U
1’ 2’
I Ie
D
Ii I’ -
Ui D’ U +
U e (s ) = - A (s ) ⋅ U 1 (s ) (62)
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 )
U e (s ) Y21 (s )
= (65)
U i (s ) Y12 (s )
1 Z1 Z3 2 1 Z2 2
I1 I2 I1 I2
U Z2 U U Z1 Z3 U
1’ ’ 1’ ’
2 2
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
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
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 –
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
∑U k ⋅ Yk (71)
Uc = k =1
n
∑Y
k =1
k
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
U e (s ) = −A(s ) ⋅ U N (s ) (74)
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 ]
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
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
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.
⎧U 1 = A ⋅ U 2 − B ⋅ I 2
⎨ (78)
⎩ I1 = C ⋅ U 2 − D ⋅ I 2
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
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
A
B = C = 0; Z in = Zs (81)
D
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
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.
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
V1 = VA1+ − VA 2+ + V2 (88)
VA1− = VA 2−
V1 = V2 (89)
Dar:
V2 = −I 2 ⋅ Z 5 (90)
V1 I ⋅Z Z ⋅Z ⋅Z (92)
V1 = −I 2 ⋅ Z 5 ⇒ Z in = =− 2 5 = 1 3 5
I1 I1 Z2 ⋅ Z4
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)
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
Figura 2.2.2.2.2.1. Exemplu de filtru pasiv de ordinul III de tip trece sus.
88 Metode de sinteză – 2
10 −7 ⋅ 10 6 ⋅ 618
L= 3
= 618 ⋅ 10 − 4 H = 61,8mH
10
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
I 1 = (V1 − V2 )Y1
(97)
V2 = (I 1 − I 3 )Z 2
I 3 = (V2 − V4 )Y3
#
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
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.
( )
U e (s ) = Z 2 k (s ) ⋅ U i1 + U i 2 =
1
s ⋅ C 2k
(U i1 + U i 2 ) (100)
( )
U e (s ) = −
C
1
[(
⋅ − U i1 + U i 2 = )] Us ⋅ +C U
i1 i2
(101)
s ⋅ 2k ⋅ R 2k
R
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.
( )
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)
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
1
Y1 (s ) = (104)
R 0 + s ⋅ L1
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.
( )
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)
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)
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.
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
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
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.
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
y d [n ] = y a [n ] (1)
y d [n ] = x[n ] ∗ h d [n ]
şi:
y a [n ] = x ( t ) ⋅ h a (t ) t = nT
{ }
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)
{
⎧⎪ Z L−1 {X(s ) ⋅ H a (s )} t = nT
h d [n ] = Z ⎨
−1
}⎫⎪
⎬ (5)
{
⎪⎩ Z L {X(s )} t = nT
−1
} ⎪⎭
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 ]} ⎭
⎧ ⎧ −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 ⎪⎭
h d [n ] ≠ h a [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 ⎭
rd [n ] = ra [n ]
h d [n ] = h a (nT ) (9)
σ + j∞
1 1
∫ H d (z ) ⋅ z n −1dz = ∫ H a (s ) ⋅ e st ds t = nT (10)
2πj 2πj σ − j∞
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
2π
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
z = e sT (15)
şi:
1 ∞ ⎛ 2π ⎞
H d (z ) z =esT = ∑ H a ⎜ s − jk ⎟ (16)
T k = −∞ ⎝ T ⎠
z = ρ ⋅ e jΩ , Ω ∈ [− π , π] (17)
şi că:
s = σ + jω (18)
102 Metode de echivalare – 3
ρ = e σT (19)
şi:
Ω = ωT (20)
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
N
h a (t ) = ∑ A k ⋅ e −s k t ⋅ σ(t )
k =1
N
h d [n ] = h a (nT ) = ∑ A k ⋅ e −s k nT ⋅ σ[n ]
k =1
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 )
h d [n ] = A ⋅ e ⋅ σ[n ]
−n
τ
104 Metode de echivalare – 3
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
1
H a (ω) =
1
+ jω
τ
şi:
A
H d (Ω ) = T
−
1− e τ
⋅ e − jΩ
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.
dx x (t ) − x (t − T )
= lim
dt T → 0 T
de unde:
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
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
M
dk y N dkx
∑a
k =0
k ⋅ = ∑
dt k k =0
b k ⋅
dt k
(23)
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
{ } ( )
k
Z ∆k u[n ] = ∑ (− 1) C pk z − p U(z ) = U(z ) 1 − z −1
p
(26)
p=0
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 ⎠
∑b k sk
H a (s ) = k =0
M
(28)
∑a
k =0
k s k
108 Metode de echivalare – 3
H d (z ) = H a (s ) 1− z −1
(29)
s=
T
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
2
⎛ 1 ⎞ 1
y + ⎜⎜ x −
2
⎟⎟ = (33)
⎝ 2(1 − σT ) ⎠ 4(1 − σT )
2
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.
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
Aτ
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
n
AτT ⎛ τ ⎞
h d [n ] = ⎜ ⎟ σ[n ]
T + τ⎝T + τ⎠
Figura 3.3.2. Modulele răspunsurilor în frecvenţă ale filtrului trece jos de ordinul I analogic şi numeric
echivalent.
2 1 − z −1
s= ⋅ (38)
T 1 + z −1
112 Metode de echivalare – 3
dy(t )
a 0 y (t ) + a 1 = b 0 x (t ) (39)
dt
b0
H a (s ) = (40)
a 0 + a 1s
Se poate scrie:
t
dy
y (t ) = ∫ dτ + y ( t 0 )
t0
d τ
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
dτ
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
dτ
dy(τ )
τ = nT şi înălţime T.
dτ
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
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
T ⎡ a0 b ⎤
y[n ] − y[n − 1] = ⎢− ⋅ (y[n ] + y[n − 1]) + 0 ⋅ (x[n ] + x[n − 1])⎥
2 ⎣ a1 a1 ⎦
⎛ 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
⎛ 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
⎝ ⎝
b0
H d (z ) = (43)
⎛ 2 1 − z −1 ⎞
a 0 + a 1⋅ ⎜⎜ ⋅ ⎟
−1 ⎟
⎝ T 1 + z ⎠
H d (z ) = H a (s ) 2 1− z −1
s= ⋅
T 1+ z −1
⎛T⎞
1 + ⎜ ⎟s
⎝2⎠
z=
⎛T⎞
1 − ⎜ ⎟s
⎝2⎠
2 2
⎛ T ⎞ ⎛T ⎞
⎜1 + σ ⎟ + ⎜ ω ⎟
⎝ 2 ⎠ ⎝2 ⎠ (44)
z = 2 2
⎛ T ⎞ ⎛T ⎞
⎜1 − σ ⎟ + ⎜ ω ⎟
⎝ 2 ⎠ ⎝2 ⎠
⎧σ < 0 ⇒ z <1
⎪
⎨σ = 0 ⇒ z =1
⎪σ > 0 ⇒ z >1
⎩
Figura 3.4.1. Legătura dintre planele s şi z indusă de metoda de echivalare bazată pe transformarea
biliniară.
(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
H d (Ω ) ⎛ ωT ⎞
= H a (ω) (46)
Ω = 2 arctg ⎜ ⎟
⎝ 2 ⎠
Aτ
H d (Ω ) = (47)
⎛ 2 ⎛ Ω ⎞⎞
1 + j⎜⎜ tg⎜ ⎟ ⎟⎟τ
⎝ T ⎝ 2 ⎠⎠
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
2
ω nou = tg (ω vechi )
T
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] :
unde :
Ps
RSZi =
Pu
118 Metode de echivalare – 3
Pu
RSZ0 =
Pn B0
RSZ0 Pu Pu
χ= = ⋅
RSZi Ps PnB0
Pu = Ps
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
Ecuaţia cu diferenţe finite care descrie funcţionarea unui filtru RFI de ordinul
N este cunoscută ca fiind :
adică :
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
2 2
⎡N ⎤ ⎡N ⎤
H(Ω ) = ⎢∑ a k cos(kΩ )⎥ + ⎢∑ a k sin (kΩ )⎥
2
(48)
⎣ k =0 ⎦ ⎣ k =0 ⎦
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
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
π π
1 1
∫ ∫
2 2 2
H(Ω) S(Ω) dΩ = S(Ω) dΩ
2π − π 2π − π
⎡ π π ⎤
1 ⎢N 2 N N
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
π N N N π
−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
π N
2 2
∫ H(Ω) dΩ = 2π ∑ a k
−π k =0
1
χN = N (51)
∑ a 2k
k =0
H(Ω) = a 02 + a 2N + 2a 0 a N cosNΩ
(1 − a 2
0 )
− a 2N R ss [0] = 2a 0 a N R ss [N]
1
χN =
a + a 2N
2
0
1 < χN < R N + 1
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
∂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
a 0 + a 1e − jΩ
H(Ω) =
b 0 + b 1 e − jΩ
2
a 0 + a 12 + 2a 0 a 1 cos Ω
2
H(Ω) = 2
b 0 + b12 + 2b 0 b1 cos Ω
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 :
Ω
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
∞
t 2 + α 2 dt
B zRII = 2γ ∫ 2 2 ⋅1+ t2
2
−∞ t + β
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.
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
x[n] y[n]
↑2
Figura 3.6.1. Sistem de supraeşantionare.
⎧ ⎡n ⎤
⎪x ⎢ ⎥, pentru n # 2
y[n] = ⎨ ⎣ 2 ⎦
⎪
⎩ 0, in rest
∞ ∞ ∞
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)
↑2 ↑2
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.
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
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 :
(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
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 :
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
⎛ 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 ⎠
∞
⎛ π ⎞ − jΩn ∞
⎛ π ⎞ − jΩn ∞
⎛π ⎞
S(Ω) = ∑
n = −∞
cos⎜ n
⎝8 ⎠
⎟ e + ∑
n = −∞
cos⎜ n
⎝4 ⎠
⎟ e + ∑
n = −∞
cos⎜ n ⎟e − jΩn
⎝2 ⎠
⎛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 = −∞ ⎥⎦
1 ∞ jkt
δ2 π (t) = ∑e
2π k = −∞
2π
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 ⎠⎦
⎧⎡ ⎛ 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 ⎠⎦ ⎭
1 1 1 3
Ps = + + =
2 2 2 2
⎧ ⎛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 ⎠⎭ ⎠
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 ⎞
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
π π π
u[n] = cos n + cos n + cos n
8 4 2
M −1 2
⎛1⎞ 1
Bz = ∑ ⎜ ⎟ =
k =0 ⎝ M ⎠ M
3
2
RSZi = = 1,5
1
4,62 ⋅ 10 −3
RSZ 0 = = 30π ⋅ 4,62 ⋅ 10 −3 = 0,435
1
30π
3
RSZ 0 = 2 = 45π = 141,37
1
30π
RSZ 0 141,37
χ= = = 94,247
RSZi 1,5
3.6. – Filtre numerice echivalente 137
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
N M
∑ a k ⋅ s i [n − k ] =
k =0
∑b
k =0
k ⋅ s 0 [n − k ] (55)
M
s 0 [n ] = ∑ b ⋅ s[n − k ]
k (56)
k =0
D D … D
s i [n ]
b1 b 2 b M −1
b0 + bM
s 0 [n ]
M
h[n ] = ∑b k ⋅ δ[n − k ] (57)
k =0
M
H(Ω ) = ∑ b k ⋅ e − jkΩ (58)
k =0
M −1
s 0 [n ] =(1/M) ∑ s i [n − k ] (59)
k =0
M −1
h 0 [n ] =(1/M) ∑ δ[n − k ] (60)
k =0
M −1
H(Ω ) =(1/M) ∑ e − jkΩ =(1/M) e − jΩ ( M −1) / 2 ⋅ sin( MΩ / 2) / sin(Ω / 2) (61)
k =0
H(Ω )
h[n ]
Bandă de blocare
1
… …
4
… …
-1 0 1 2 3 4 n −2π 0 π π 2π Ω
2
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)
RSZ 0 = s 02 [n ] / Pn 0 [n ] (64)
M −1 (65)
s 0 [n ] = s i [n ] * h[n ] = ∑ s i [p] ⋅ h[n − p ]
p =0
⎛ M −1 ⎞⎛ M −1 ⎞
s 2
0 [n ] ≤ ⎜⎜ ∑ s i2 [p]⎟⎟⎜⎜ ∑ h 2 [n 0 − p]⎟⎟ (66)
⎝ p =0 ⎠⎝ p =0 ⎠
⎧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
∞
s i [n ] = s ir [n ] * ∑ δ[n − kN] (73)
k = −∞
∞ ∞
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
(76)
s i [n ] = s i 0 [n ] + s i1 [n ] + ... + s iN −1 [n ]
∞
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:
{ }
σ 2n 0 = M n 02 [n ] - M2 {n 0 [n ]} (79)
⎧⎪⎛ (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 ⎠
(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
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
1 (1)
H(ω) = −
jωCR
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
Te
R=
2C
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 ⎠
x(t)
t
uc1(t)
-y(t)
t
0 Te 2Te 3Te 4Te 5Te
Aceasta este ecuaţia cu diferenţe finite care descrie sistemul în timp discret
echivalent.
Luând în relaţia (5) transformata z, se obţine :
Y(z) C1 ⋅ z −1 C1 (6)
= H(z) = − =
X(z) −1
C(1 − z ) C(1 − z)
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
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
Te 1 (9)
R= =
C1 C 1 ⋅ f e
a 0s 2
HTS(s)= (10)
b 0 s 2 + b 1s + b 2
⎛ 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
d2y dy d2x
b0 + b 1 + b 2 y = a 0 (13)
dt 2 dt dt 2
t t t
b 0 y( t ) + b1 ∫ y(τ)dτ + b 2 ∫ ∫ y(τ)dτ = a 0 x(t) (14)
−∞ − ∞− ∞
Figura 4.1.2.3. Construcţia blocurilor din figura 4.1.2.2 cu ajutorul amplificatoarelor operaţionale.
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
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
R1 = R 3 = R 4 = R
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].
2 R2
A TS = A TJ = ; A TB = −
R R
1+ (20)
R2
R + R2 C
Q= ; ω0 = 1 ⋅ f e
2R C
2ξAωjω 0 (t )
H(ω, t ) =
ω 0 (t ) − ω 2 + 2 jξωω 0 (t )
2
Figura 4.2.2. Caracteristica momentană de modul a filtrului cu suprafaţa de modul din figura 4.1.1
la momentul t p = 1 .
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.
( ) ( )
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”.
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
d[n ]
--
Filtru adaptiv
x[n ] y[n ]
ε[n ]
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 ]}
rαβ [n ] = rβα [− n ]
{ } { 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]
⎛ 1 ⎞ (2)
{ }
E ε 2 [k ] = ⎜⎜ ⎟⎟ ∫ (R dd (z ) + R yy (z ) − 2R dy (z ))
dz
⎝ 2πj ⎠ z
5.1. – Filtre adaptive 167
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
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 )
(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
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
şi folosind notaţiile:
5.1. – Filtre adaptive 169
{ }
E ε 2 [k ] = rdd [0] + W T RW − 2P T W (9)
((
⎡ ∂ 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
⎥⎦
∇ = 2RW − 2P
2RWmin = 2P
Wmin = R −1 P (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)
(R ) −1 T
= R −1
şi deci:
(R ) R = R
−1 T −1
R=I
{ }
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
1 (15)
Wmin = W − R −1∇
2
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]⎥⎦
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)
0 < 1 − 2µ < 1
Făcând notaţia:
⎡ x[k ] ⎤
⎢ x[k − 1] ⎥
⎢ ⎥
⎢ . ⎥
X[k ] =
⎢ . ⎥
⎢ ⎥
⎢ . ⎥
⎢⎣ x[k − (L − 1)]⎥⎦
{ }
E ε 2 [k ] ≅ ε 2 [k ]
⎡ ⎤
⎢ ⎥
⎢ ⎥ ⎡ ∂{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
De aceea:
∂{ε[k ]} ∂{y[k ]} ( 20 )
=− = − x[k − l] ; l = 0, L − 1
∂{w k [l]} ∂w k [l]
⎡ ∂{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
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
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 5.1.10. Coeficienţii filtrului adaptiv în regim permanent şi valorile rapoartelor semnal pe zgomot.
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 (ν +1) , daca N = 2ν + 1
⎪
med{X i } = ⎨ X (ν ) + X (ν +1)
⎪⎩ daca N = 2ν
2
eficienţa filtrului median la eliminarea zgomotului de tip impuls care perturbă aditiv
semnalul de prelucrat. Este remarcabilă şi calitatea răspunsului indicial al filtrului
median.
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
Pentru a combina avantajele filtrelor liniare cu cele ale filtrului median au fost
concepute filtrele mediane hibride, caracterizate de următoarea legătură intrare-ieşire:
⎧⎛ 1 ⎞ ν ⎛1⎞ ν ⎫
y[i ] = med⎨⎜ ⎟∑ x i − j , x i , ⎜ ⎟∑ x i + j ⎬
⎩⎝ ν ⎠ j=1 ⎝ ν ⎠ j=1 ⎭
x[n ] = x d [n ] + x a [n ] (5)
y[n ] = x d [n ] + y a [n ] (6)
6.2. – Construcţia unui filtru 183
M (7)
∑ x d2 [i]
RSZ i = i =0
M
∑ x [i]
i =0
2
a
M (8)
∑ x [i] 2
d
RSZ o = i =0
M
∑ y [i]
i =0
2
a
M (9)
RSZ o ∑ x [i]
i =0
2
a
χ= = M
RSZ i
∑ y [i]
i =0
2
a
{
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)
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.
{
A ⊕ K = u, ∃ k ∈ K, u ∈ A k } (17)
Figura 6.3.2 Imaginea originală (stânga) şi dilatata sa (dreapta). S-a folosit un element structurant pătrat cu
latura de 2 pixeli.
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
⎩
Figura 6.3.3. Un exemplu de aplicare a filtrului de contrast. În stânga imaginea originală. În dreapta
rezultatul filtrării.
(
XB = X ÷ B ⊕ B ) (18)
(
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.
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].
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
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
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
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
R i = φ i M i şi Si = γ i N i
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
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
~ ~ ~ ~
M i = M it M i ; R i = R it R i ; N i = N it N i ; Si = Sit Si
~ ~ ~ ~ ~
M i M j = M j M i = M sup (i , j)
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:
iii) (∀)f (x ) ∈ Vm ⇔ f (2 x ) ∈ Vm −1 ,
∞ (20)
f 0 (t ) = ∑ f (t ), ϕ (t ) ϕ (t )
0 0,n 0,n
n = −∞
∞
f 1 (t ) = ∑ f (t ), ϕ (t ) ϕ (t )
0 1, n 1, n (21)
n = −∞
∞
f m (t ) = ∑ f (t ), ϕ (t ) ϕ (t )
0 m,n m,n (22)
n = −∞
e1 (t ) ≤ e 2 (t ) ≤ ... ≤ e m (t ) (23)
f 0 (t ), ϕ m ,n (t ) = s m [n ]
∞ (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 ) = ∑ 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 = −∞
∞
s1 [n ] = ∑ s [p]h [2n − p]
0
*
p = −∞
∞
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.
∞ (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 = −∞
e1 (t ) = f 0 (t ) − f 1 (t )
Se constată că:
e1 (t ) ∈ W1 (29)
∞ (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)
∞ (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:
∞ (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 = −∞
g * [n ]
s m−1 [n ] 2
d m [n ]
m (39)
f 0 (t ) = f m (t ) + ∑ e k (t )
k =1
∞ ∞ (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 = −∞
∞ ∞
s m −1 [k ] = ∑ s m [l]h[2l − k ] + ∑ d [p]g[2p − k ]
m (41)
l = −∞ p = −∞
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
⎡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:
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]⎥⎦
⎡ s1 [4]⎤
⎢ s [3]⎥
⎢ 1 ⎥
⎢ s1 [2]⎥
⎢ ⎥
⎢ s 1 [1] ⎥
Y1 =
1
⎢d 1 [4]⎥
⎢ ⎥
⎢ d 1 [3]⎥
⎢d [2]⎥
⎢ 1 ⎥
⎢⎣ d 1 [1]⎥⎦
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]⎦
T T
Folosind vectorii Y21 şi X12 se obţine vectorul Y cu:
Figura 6.4.3.1. Sistemul folosit pentru compresia de date bazat pe o transformare ortogonală.
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
y = sgnx ⋅ (| x | -s)
pX ( x1) pX ( x 2)
p Y (y) = +
dy dy
dx 1 dx 2
214 Filtre neliniare – 6
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
În figura 6.4.4.1.2 sunt prezentate cele două densităţi de probabilitate, pX(x) şi pY(y).
-s s
Se constată faptul că funcţia pY(y) este pară. Media acestei variabile aleatoare este:
∞
mY = ∫ yp
-∞
Y (y) dy = 0
∫y
2
σ =
2
Y pY (y) dy =
-∞
∞
∫y ∫y
2 2
= p X (y − s) dy + p X (y + s) dy
−∞ −s
∫y
2
I1 = pX (y − s) dy
-∞
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
∫y
2
I2 = pX (y + s) dy
−s
∞ ∞
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
∞ 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
0 (47)
σ = I1 + I 2 = σ + 4s ∫ up X (u) du + s 2
2 2
Y
-∞
∫ 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 =−
2σ
2πσ -∞ ⎜⎝ ⎠ −∞ 2π
218 Filtre neliniare – 6
De aceea se obţine:
σ (48)
σ 2Y = σ 2 − 4s + s2
2π
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
2π
Figura 6.4.4.1.3. Mulţimea valorilor lui s pentru care metoda "wavelet shrinkage" este eficientă.
π−2 (50)
σ Ymin = σ = 0,6 σ
π
6.4. – Filtre în domeniul unei transformări 219
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].
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
s
-s
s x
-s
p X (x k )
p Y (y) = ∑
k dy
dx k
FY (y) = P( Y ≤ y)
Pe intervalul [0, s) variabila aleatoare Y este identic nulă şi se poate deci scrie:
∞
mY = ∫ yp (y)dy
−∞
Y
pY (y)
Fx ( y )
[Fx (s ) − Fx (− s )]δ( y )
y
-s 0 s
Deoarece:
vom avea:
∞ −s ∞ (54)
mY = ∫ yp Y (y )dy =
−∞
∫ yp X ( y)dy + ∫ yp X ( y)dy
−∞ s
∞ 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
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
2σ
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⎠
s2
2σ − ⎛ 1⎞
σ −σ =
2
Y
2
se 2σ2
− 2σ 2 ⎜ FX (s) − ⎟ (55)
2π ⎝ 2⎠
σ 2Y − σ 2 =0
s =0
σ 2Y − σ 2 = −σ 2
s =∞
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
E i − 2s S N −1 + s 2
RSZ e =
4
σ2 − σs + s 2
2π
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
-s
0 s
x
Legătura dintre funcţiile de repartiţie ale celor două variabile aleatoare este:
FY (y ) = FX (y − s )σ(− y ) + FX (y + s )σ(y )
∞
mY =
−∞
∫ yp (y)dy = 0
Y
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:
∞ ∞ ∞
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
( )
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.
x[n ] = x u [n ] + z x [n ]
Px = Px u + Pn x
Px u
RSZi =
σ 2x
y[n ] = y u [n ] + z y [n ]
Py u
RSZ e = 2
σY
2
RSZ e Py σ
χ= = u2 X
RSZ i σ Y Px u
2 2
Py − σ Y σ X
χ= 2 2
Px − σ X σ Y
N N1 N2
PY = ∑ ( y[k ]) = ∑ (x[k ] − s ) + ∑ (x[k ] + s )
2 2 2
k =1 k1 =1 k 2 =1
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 ⎠
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 ]
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
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
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.
Figura 7.1.3. Tren de impulsuri dreptunghiulare. Figura 7.1.4. Tren de impulsuri gaussiene.
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.
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.
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.
Figura 7.1.18. Distorsiunea de amplitudine a semnalului sinusoidal în urma extragerii sale din zgomot alb.
244 Îmbunătăţirea raportului semnal pe zgomot – 7
Figura 7.1.19. Distorsiunea de amplitudine a semnalului modulat în frecvenţă în urma extragerii sale din
zgomot uniform.
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
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
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.
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
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.
Figura 7.2.4. Funcţionarea metodei de de-noising când se utilizează funcţia wavelet mamă Dau 10.
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 ]}]
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.
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.
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.
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 7.2.2.3. 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
2
x(t) Bπ H(ω)
1
0
π
ω x(t)
δ 1(t)
Figura 8.1. Sistemul de implementare a teoremei WKS.
z(t) u(t)
h (t) h(t)
a
y(t)
2
x(t) L (R)
δ 1(t)
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.
∞
z( t ) = x ( t ) ∗ g v ( t ) = ∫
−∞
x (τ)g v ( t − τ)dτ = 〈 x (τ), g (τ − t )〉
∞ ∞
u ( t ) = z ( t )δ 1 ( t ) = ∑
k = −∞
z ( k ) δ( t − k ) = ∑
k = −∞
〈 x (τ), g(τ − k )〉 δ( t − k )
∞
y( t ) = u ( t ) ∗ g ( t ) = ∑
k = −∞
〈 x (τ), g(τ − k )〉 g( t − k )
y( t ) = x ( t ) (1)
Filtru de
δ(t)
1
reconstrucţie
Filtru antialiasing
∞
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 )
u 1 (t) = u(t − t 0 )
8.1. – Filtre “antialiasing” 267
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)
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 )
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)
2 ϕ( t ) = (A 0 / τ)e − t / τ σ( t )
∞ (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
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 )
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
cu :
2
α=
⎛ − ⎞
2
τ⎜⎜1 − e τ ⎟⎟
⎝ ⎠
Deci:
270 Filtre şi eşantionare uniformă – 8
t
α τ
τ
e σ(t)
1
Linie de -
e τ întârziere
Filtru trece jos
δ(t-1)
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.
L
x L (t ) = ∑ a l ⋅ t l
l=0
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.
⎧ 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
80
60
40
20
-2 0
-4 0
-6 0
0 100 200 300 400 500 600 700 800
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 )
δ1(t)
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
[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
[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
void initmodegr(void);
void graph(int xo,int yo,int tabl);
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 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;
}
else z[i]=y[i];
}
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);
}
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);
}
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 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",&l); 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;
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);
}
}
{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");
}
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
#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);
}
#include<stdlib.h>
#include<conio.h>
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;
}