Professional Documents
Culture Documents
Przetwarzanie Sygnałów - Studia Inżynierskie, Sem. V, Kierunek AiR
Przetwarzanie Sygnałów - Studia Inżynierskie, Sem. V, Kierunek AiR
Wydział Mechatroniki
Instytut Automatyki i Robotyki
Przetwarzanie sygnałów
Zofia M. Łabęda-Grudziak
zofia.grudziak@pw.edu.pl
Program przedmiotu
• Filtry cyfrowe
• Stabilność filtru cyfrowego. Realizacje rekursywne IIR (NOI),
nierekursywne FIR (SOI)
• Filtry adaptacyjne
• Modulacje sygnałów
• Kwantyzacja sygnałów
• Zastosowania metod analizy sygnału do przetwarzania, analizy,
kompresji sygnału mowy i obrazu
Efekty kształcenia
Opis przedmiotu
Punkty ECTS: 3
Przedmiot: obowiązkowy
Wymagania: znajomość równań różniczkowych liniowych, podstaw
przekształceń całkowych, podstaw elektrotechniki, fizyki i matematyki w
zakresie studiów na Wydziale Mechatroniki, umiejętność programowania
strukturalnego
Wykład: 15h
Laboratorium: 15h
Ocena: Ocena z przedmiotu ustalana jest na podstawie zaliczenia
laboratorium i egzaminu; w skład oceny wchodzą:
• ocena z laboratorium 40%
• ocena z egzaminu 60%
Opis przedmiotu
Punkty ECTS: 3
Przedmiot: obowiązkowy
Wymagania: znajomość równań różniczkowych liniowych, podstaw
przekształceń całkowych, podstaw elektrotechniki, fizyki i matematyki w
zakresie studiów na Wydziale Mechatroniki, umiejętność programowania
strukturalnego
Wykład: 15h
Laboratorium: 15h
Ocena: Ocena z przedmiotu ustalana jest na podstawie zaliczenia
laboratorium i zaliczenia wykładu; w skład oceny wchodzą:
• ocena z laboratorium 40%
• ocena z zaliczenia wykładu 60%
Organizacja laboratorium
Oprogramowanie:
• pierwsze 2 laboratoria w środowisku MATLAB, do pobrania tutaj:
https://www.ci.pw.edu.pl/Uslugi/Dystrybucja-
oprogramowania/Oprogramowanie-inzynierskie/MATLAB
Organizacja laboratorium
Oprogramowanie:
• pozostałe 5 laboratorium w środowisku LabVIEW, do pobrania tutaj:
https://www.ci.pw.edu.pl/Uslugi/Dystrybucja-
oprogramowania/Oprogramowanie-inzynierskie/LabVIEW
Zasady zaliczenia
Laboratorium
• Jednym z warunków uzyskania zaliczenia z laboratorium jest
uczęszczanie na zajęcia (nieusprawiedliwione opuszczenie więcej niż
jednych zajęć powoduje skreślenie z listy uczestników przedmiotu). W
przypadku dłuższej usprawiedliwionej nieobecności należy materiał z
opuszczonych zajęć odrobić. O terminie odrabiania zajęć decyduje
prowadzący laboratoria
• Studenta przychodzącego na zajęcia obowiązuje znajomość materiału
teoretycznego z wykładów poprzedzających laboratorium
Zasady zaliczenia
Laboratorium
• Zajęcia laboratoryjne składają się z 7 ćwiczeń
• Każde z ćwiczeń laboratoryjnych 1-7 oceniane jest w skali 0-10
punktów, z czego 4 punkty wejściówka, 6 punktów wykonanie
ćwiczenia:
wejściówka(0 − 4pkt) + sprawozdanie(0 − 6pkt)
labn =
2
X
Lab = labn
Można uzyskać maksymalnie 35 punktów z laboratorium.
Zasady zaliczenia
Laboratorium
• Wykonanie ćwiczenia sprawdzane jest w trakcie pracy i po jej
zakończeniu (poprzez ocenę złożonego protokołu)
• Wejściówka sprawdza przygotowanie studenta do wykonania ćwiczeń.
Obejmuje ona materiał podany na wykładzie
• Do zaliczenia laboratorium wymagane jest zaliczenie co najmniej 6 z 7
ćwiczeń:
• uzyskanie z wejściówki 2 punktów i łącznej punktacji 2.5 punktów
• uzyskanie 17.5/35 punktów ze wszystkich ćwiczeń
P = Lab + Egz
Zasady zaliczenia IP
Wykład
• Obecność na wykładach nie jest obowiązkowa.
• Zaliczenie wykładów ma formę kolokwium pod koniec semestru, za
który można uzyskać maksymalnie 45 punktów
• Do uzyskania końcowej oceny z przedmiotu, konieczne jest zaliczenie
kolokwium (przepołowienie) i zaliczenia laboratorium
• Ostateczna ocena z przedmiotu ustalana jest na podstawie sumy
punktów z zaliczenia wykładu i laboratorium:
P = Lab + Kol
Literatura
Zieliński, T.
Cyfrowe Przetwarzanie Sygnałów - od teorii do zastosowań.
WKŁ, 2003.
Zieliński, T.
Cyfrowe Przetwarzanie Sygnałów.
WKŁ, 2005.
Szabatin, J.
Podstawy teorii sygnałów.
WKŁ, 2002.
Marven, C, Ewers, G
Zarys Cyfrowego Przetwarzania Sygnałów.
WKŁ, 1999.
Literatura
Wojnar, A.
Teoria sygnałów.
WNT, 1980.
Lyons, R. G
Wprowadzenie do Cyfrowego Przetwarzania sygnałów.
WKŁ, 2010.
Izydorczyk, J, Płonka, G., Tyma, G.
Teoria Sygnałów - wstęp.
Helion, 1999.
Wykład 1
Wprowadzenie
Pojęcie sygnału
Sygnał
Jest to proces zmian w czasie pewnej wielkości fizycznej lub stanu obiektu
fizycznego. Za pomocą sygnałów przekazywana jest informacja - sygnał
jest nośnikiem informacji (Teoria informacji). Inaczej - sygnał jest to
wielkość zmienna, której wartość można zmierzyć i która przenosi
informacje.
Temperatura
Sygnałem jest temperatura - może się zmieniać w czasie, można ją
zmierzyć termometrem i przenosi ona informacje (znając temperaturę na
zewnątrz, możemy odpowiednio się ubrać).
W zastosowaniach inżynierskich
W zastosowaniach inżynierskich
Modele matematyczne
Co robimy z sygnałami?
Przetwarzanie sygnałów
Przekształcanie sygnału z jednej postaci do innej, np.:
• zmiana wielkości fizycznej
• filtracja
• modulacja/demodulacja
• kompresja
Analiza sygnałów
Wydobycie informacji zawartej w sygnale poprzez np.:
• rozpoznawanie sekwencji (np. głoski/słowa w syg. mowy, obiektu na
obrazie)
• analizę statystyczną
Przetwarzanie sygnałów
Konwersja
Urządzenie, które dokonuje konwersji sygnału z jednej postaci na inną
nazywa się konwerterem. Sygnał wejściowy lub wyjściowy konwertera jest
często sygnałem elektrycznym.
Przetwarzanie sygnałów
Kompresja danych
Innym, często stosowanym, procesem przetwarzania sygnałów jest
kompresja danych, w której wykorzystuje się specyficzne cechy sygnału w
celu zmniejszenia zasobów niezbędnych do jego przechowywania lub
przesyłania.
Termin analogowy jest używany przy opisie przebiegu, który jest ciągły w
czasie i może przyjmować ciągły zakres wartości. Powszechnie nazywane
analogowe przetwarzanie sygnałów jest tożsame z pojęciem przetwarzanie
sygnałów o czasie ciągłym.
Sygnał cyfrowy
Sygnał spróbkowany (w dziedzinie czasu) i skwantowany (w dziedzinie
wartości)
Sygnały ciągłe
Sygnały określone w zbiorze ciągłym osi czasu są nazywane sygnałami
ciągłymi w czasie lub sygnałami ciągłymi. Najczęściej dziedziną takich
sygnałów jest:
• cała oś (−∞, ∞) - w modelach matematycznych dziedzina czasu
może być nieograniczona
• dodatnia półoś [0, ∞) - w modelach przyczynowych
• odcinek [t1 , t2 ] osi czasu - fizycznie istniejące układy
Sygnały dyskretne
Sygnały określone w dyskretnym (przeliczalnym lub skończonym) zbiorze
punktów osi czasu (. . . , t−1 , t0 , t1 , t2 , . . .) i nieokreślone w pozostałych
punktach są nazywane sygnałami dyskretnymi w czasie lub sygnałami
dyskretnymi.
Zakres sygnałów
Zakres sygnałów
Sygnały binarne
Klasyfikacja sygnałów
Klasyfikacja sygnałów
Kluczowym podziałem okaże się klasyfikacja sygnałów ze względu na ich
parametry energetyczne i statystyczne.
Charakterystyki sygnałów
Parametry energetyczne
Parametry energetyczne
Moc średnia
Mocą średnią ciągłego sygnału deterministycznego x(t) nazywamy
wielkość graniczną:
1 τ 2
Z
Px = lim x (t)dt
τ →∞ 2τ −τ
Parametry energetyczne
Wartość skuteczna
Wartością skuteczną sygnału jest nazywany pierwiastek z jego mocy:
p
xsk = Px
Parametry energetyczne
Sygnał sinusoidalny
Rozważmy sygnał sinusoidalny postaci: x(t) = A sin(ωt + ϕ).
• Moc średnia sygnału sinusoidalnego: Px = A2 /2
√
• Wartość skuteczna: xsk = A/ 2
0 < Ex < ∞
Impuls prostokątny
Impuls trójkątny
Sygnały ciągłe
o ograniczonej energii
i nieskończonym czasie trwania:
Faktycznie: t → ∞
Praktycznie: t < ∞
Sygnały
ciągłe o nieograniczonej energii:
• sygnały
o nieskończonym czasie
trwania, np. sygnały okresowe
• sygnały nieustalone,
np. drgania tłumione
0 < Px < ∞
Moc jest zawsze skończona! Moc mogłaby być nieskończona tylko wtedy
gdyby amplituda sygnału dążyła do nieskończoności
x(t) → ∞ ⇒ Px → ∞
Uwaga
Z τ
1
Px = lim x2 (t)dt
τ →∞ 2τ −τ
Z ∞
Ex = x2 (t)dt
−∞
Na raz sygnał może być jedynie albo sygnałem mocy albo sygnałem
energii (albo żadnym z nich)!
Sygnał stały
Skok jednostkowy
Sygnał znaku
Sygnały o ograniczonej
mocy i ograniczone w amplitudzie
są sygnałami o nieskończonym
czasie trwania. Szczególną
podklasą są sygnały okresowe.
Sygnał harmoniczny
Parametry energetyczne
Wnioski
• Moc sygnałów o ograniczonej energii jest równa zeru
• Energia sygnałów o ograniczonej mocy jest nieskończona
• Każdy sygnał impulsowy ograniczony w amplitudzie jest sygnałem o
ograniczonej energii
• Sygnały o nieskończonym czasie trwania mogą być sygnałami o
ograniczonej energii bądź o ograniczonej mocy
• Sygnały o ograniczonej mocy i ograniczone w amplitudzie są
sygnałami o nieskończonym czasie trwania (w szczególności sygnały
okresowe)
Parametry energetyczne
Przykład
Dla sygnału niezmiennego w czasie, opisanego funkcją x(t) = 5 obliczyć
energię, moc średnią i wartość skuteczną.
Energia sygnału:
Z ∞ Z ∞
Ex = x2 (t)dt = 52 dt = 25t |∞
−∞ = ∞
−∞ −∞
Moc sygnału:
Z τ Z τ
1 2 1 25 τ
Px = lim x (t)dt = lim 52 dt = lim t | = 25
τ →∞ 2τ −τ τ →∞ 2τ −τ τ →∞ 2τ −τ
Wartość skuteczna p √
xsk = Px = 25 = 5
Estymatory parametrów
Tx
Pr[x ¬ x(t) ¬ x + ∆x] = lim
Ts →∞ Ts
Estymatory parametrów
Tx
Pr[x ¬ x(t) ¬ x + ∆x] = lim
Ts →∞ Ts
• Jeśli dodatkowo szerokość przedziału wartości ∆x → 0, to w granicy
uzyskuje się funkcję gęstości prawdopodobieństwa p(x) danego
sygnału (procesu) losowego x(t):
Estymatory parametrów
Tx
Pr[x ¬ x(t) ¬ x + ∆x] = lim
Ts →∞ Ts
Parametry statystyczne
Parametry statystyczne
Wartość średnia
Wartość średnia sygnału x(t) o nieskończonym czasie jest określona jako
wielkość graniczna:
1 τ
Z
µx = lim x(t)dt
τ →∞ 2τ −τ
Parametry statystyczne
Wariancja
Wariancja sygnału x(t) o nieskończonym czasie jest określona jako
wielkość graniczna:
Z τ
1
σx2 = lim (x(t) − µx )2 dt
τ →∞ 2τ −τ
Parametry statystyczne
Parametry statystyczne
Przykład
Funkcja korelacji własnej Rxx (τ ) jest stosowana do wyznaczania okresu
głosek dźwięcznych sygnału mowy. Umożliwia również wydobycie sygnału
zdeterminowanego z tła szumu.
Własności
• Antysymetria:
Rxy (τ ) = Ryx (−τ )
• Wartość maksymalna:
Z ∞
|Rxx (τ )| ¬ Rxx (τ ), Rxx (τ ) = |x(t)|2 dt
−∞
Uwaga
Termin korelacja w znaczeniu statystycznym, jest odnoszony do związku
statystycznego, jaki występuje między dwoma wielkościami (zmiennymi)
losowymi. W rachunku prawdopodobieństwa korelację dwóch zmiennych
losowych definiuje się jako wartość oczekiwaną ich iloczynu. Ma więc ona
znaczenie wielkości średniej w zbiorze (uśrednionej po wszystkich
możliwych realizacjach zmiennych losowych). W przypadku sygnałów
deterministycznych korelacja ma natomiast znaczenie wielkości uśrednionej
w czasie.
Sygnały stacjonarne
mają dla każdej chwili
czasowej takie same
wartości podstawowych
parametrów
statystycznych
(średnia, wariancja,
korelacja wzajemna)
w zbiorze ich
wielu realizacji, sygnały
zaś niestacjonarne nie
mają tej właściwości.
Sygnały nieergodyczne
nie spełniają założeń o
stałości w czasie: µx (k)
i Rxx (τ, k). W praktyce
trudno jest uzyskać
dostateczną liczbę
realizacji niezbędną
dla dokładnego
uśredniania w zbiorze.
Przetwarzanie sygnałów
Zofia M. Łabęda-Grudziak
zofia.grudziak@pw.edu.pl
Próbkowanie sygnału
Próbkowanie sygnału
Próbkowanie sygnału
Kwantyzacja sygnału
Kwantyzacja sygnału
Każda próbka x(nTs ) jest przybliżana według pewnej reguły Q(·), jedną z
M , skwantowanych wartości x̃(nTs ), odpowiadających poszczególnym
przedziałom kwantyzacji. Liczbę M , wybiera się z reguły równą potędze 2.
Kwantyzacja sygnału
Błąd kwantyzacji
Operacja kwantowania wprowadza specyficzny błąd do procesu
przetwarzania sygnału nazywany błędem kwantyzacji:
Przykład
Zjawisko to najłatwiej jest zaobserwować na przykładzie szybko
obracającego się koła kiedy można zauważyć pozorną zmianę obrotu,
podczas przyspieszania lub zwalniania obrotów koła.
Z. M. Łabęda-Grudziak (IAiR PW) Przetwarzanie sygnałów 01.10.2021 21 / 116
Cyfrowe przetwarzanie sygnałów Problemy z przejściem do sygnału cyfrowego
x1 (t) = sin(2πf0 t)
oraz
x2 (nTs ) = sin 2π(f0 + mfs )nTs = sin(2πf0 nTs + 2πmn) = sin(2πf0 nTs )
Sygnał trapezowy
Aliasing występuje również w przypadku zbyt wolnego próbkowania
dowolnego sygnału okresowego o okresie T (częstotliwości podstawowej
f0 = 1/T ), który nie zawiera składowych harmonicznych o
częstotliwościach większych niż kf0 , gdzie k jest pewną liczbą naturalną.
Przykład
Jeżeli k może być dowolną liczbą całkowitą, oznacza to, że ciąg próbek
może reprezentować nieskończoną liczbę sinusoid o częstotliwościach
f 0 + kfs . Jest to fundamentalne twierdzenie analizy częstotliwościowej, o
którym należy pamiętać za każdym razem (w pakiecie MATLAB funkcji
FFT).
Skąd zatem możemy mieć pewność, że wykonana przez nas analiza jest
poprawna (jak dla sygnału o częstotliwości 1Hz) bądź błędna (jak dla
sygnału o częstotliwości 11Hz, który został błędnie zinterpretowany jak
1Hz)? Te pytania prowadzą nas w kierunku twierdzenia o próbkowaniu,
które mówi o tym jaka powinna być częstotliwość próbkowania sygnału
dolnopasmowego, aby jego widmo zostało wyznaczone w poprawny
sposób, tj. bez niejednoznaczności w dziedzinie częstotliwości.
Warunek Nyquista
Sygnał musi być próbkowany z częstotliwością co najmniej dwukrotnie
większą od częstotliwości największej składowej obecnej w sygnale:
fs > 2fmax
Przykład 1
Mowa jest sygnałem, który ma zakres częstotliwości średnio od 300Hz -
3000Hz. Dlatego możemy przyjąć, że częstotliwość próbkowania powyżej
6000Hz jest zupełnie wystarczająca.
Próbkowanie - 96 PPI
Kwantyzacja - 64 poziomy
Kwantyzacja - 32 poziomy
Kwantyzacja - 16 poziomów
Poziomy kwantyzacji
• Liczba pikseli obrazu jest stała
• Każdy piksel jest przyporządkowany do jednego z poziomów
• Mniej poziomów → więcej pikseli zostaje przyporządkowanych do 1
poziomu
Kwantyzacja równomierna
Kwantyzacja równomierna prowadzi na ogół do złej jakości obrazu -
pojawiają się sztuczne kontury.
Systemy jednorodne
Systemy addytywne
Systemy liniowe
H[ax1 (n) + bx2 (n)] = aH[x1 (n)] + bH[x2 (n)] = ay1 (n) + by2 (n)
Impuls Diraca
Impuls Diraca
Splot
Właściwości
x(t) ∗ δ(t) = x(t), x(t) ∗ δ(t − τ ) = x(t − τ )
x(n) ∗ δ(n) = x(n), x(n) ∗ δ(n − k) = x(n − k)
Splot sygnału dyskretnego x(n) z dystrybucją Diraca δ(n) daje w wyniku
ten sam sygnał x(n). Wynika stąd, że impuls Diraca δ(n) jest
elementem identycznościowym operacji splotu. W przypadku splatania
z dystrybucją przesuniętą w czasie o k otrzymujemy kopię sygnału
przesuniętą o k.
Dystrybucja grzebieniowa
Dystrybucja grzebieniowa jest modelem dystrybucyjnym najczęściej
wykorzystywanym w analizie sygnałów. Dystrybucja ta jest okresowym
ciągiem impulsów Diraca powtarzanych z okresem T . Jej wykres
przypomina nieskończony grzebień, którego ”zęby” są równoodległe i mają
jednakową wysokość.
Sygnał wejściowy:
∞
X
x(n) = x(k)δ(n − k)
k=−∞
Odpowiedź impulsowa:
h(n) = H[δ(n)]
Korzystając z zasady superpozycji, odpowiedź systemu na sygnał
wejściowy jest postaci:
∞
X ∞
X ∞
X
y(n) = H[ x(k)δ(n−k)] = x(k)H[δ(n−k)] = x(k)h(n−k) =
k=−∞ k=−∞ k=−∞
Splot
Niech: x(n) = [1 1 1], h(n) = [1 1]
y(n) = ∞ k=−∞ x(n − k)h(k)
P
P∞
y(0) = k=−∞ x(−k)h(k) = x(−0)h(0) = 1
y(1) = ∞ k=−∞ x(1 − k)h(k) =
P
Przykład
Operacja filtracji sygnału x(t) = sin(2πf1 t) + 0.5 sin(2πf2 t) za pomocą
sygnału h(t) = sin(2πf1 t)e(−4t)/0.1249 dla f1 = 2 Hz i f2 = 8 Hz.
Przykład
Analiza częstotliwościowa
Analiza częstotliwościowa
Analiza częstotliwościowa
Analiza częstotliwościowa
Analiza częstotliwościowa
Sygnały harmoniczne
Sygnały harmoniczne
Matematycznie sygnał możemy zapisać w postaci:
∞
X
x(t) = sin(kω0 t)
k=1
Każda ze składowych sygnału x(t) ma częstotliwość będącą całkowitą
wielokrotnością częstotliwości podstawowej (ω0 ).
Ponieważ nie wszystkie składowe mają jednakową amplitudę, musimy
uwzględnić dodatkowy czynnik odpowiadający za amplitudę:
∞
X
x(t) = bk sin(kω0 t)
k=1
Ostatnią rzeczą, którą musimy uwzględnić jest składowa stała. Dzięki niej
nasz wykres przesunięty jest wzdłuż osi y:
∞
a0 X
x(t) = + (ak cos(kω0 t) + bk sin(kω0 t))
2 k=1
Obecność składowej stałej zwykle wynika z kalibracji urządzeń
Z. M. Łabęda-Grudziak (IAiR PW) Przetwarzanie sygnałów 01.10.2021 80 / 116
Analiza częstotliwościowa
Sygnały harmoniczne
Przykład 1
Rozpatrzmy sygnał okresowy w postaci fali prostokątnej. Po wyznaczeniu
współczynników szeregu Fouriera, można go przedstawić za pomocą
nieskończonego szeregu trygonometrycznego nieparzystych
harmonicznych (1, 3, 5, 7, . . .), o malejących amplitudach:
A 1 1 1
x(t) = (sin(ω0 t) + sin(3ω0 t) + sin(5ω0 t) + sin(7ω0 t) + . . .)
4π 3 5 7
Sygnały harmoniczne
Przykład 1
A 1 1 1
x(t) = (sin(ω0 t) + sin(3ω0 t) + sin(5ω0 t) + sin(7ω0 t) + . . .)
4π 3 5 7
Jest to przedstawienie sygnału w dziedzinie czasu. Na rysunku pokazane są
trzy pierwsze składowe równania oraz ich suma.
Sygnały harmoniczne
Przykład 2
Rozważmy sygnał:
x(t) = sin t + 2 cos 2πt
będący sumą dwóch sygnałów harmonicznych o częstotliwościach:
f1 = 1/(2π) oraz f2 = 1. Korzystając ze wzorów
Sygnały harmoniczne
Przykład 2
Sygnał
x(t) = 1e−j2πt + j0.5e−jt − j0.5ejt + 1ej2πt
jest sygnałem prawie okresowym - nie jest sygnałem harmonicznym.
f2
W przypadku sygnałów okresowych stosunek częstotliwości f1 jest
liczbą wymierną!
f2
W przykładzie stosunek częstotliwości f1 = 2π jest liczbą niewymierną.
Szereg Fouriera
Warunki Dirichleta
Warunki Dirichleta dla sygnału okresowego x(t):
1 sygnał x(t) musi posiadać skończone wartości maksimów i minimów
w każdym skończonym przedziale
2 sygnał x(t) musi posiadać skończoną liczbę punktów nieciągłości w
każdym skończonym przedziale
3 sygnał x(t) musi być bezwzględnie całkowalny
Szereg Fouriera
Szereg Fouriera
Szereg Fouriera
Szeregiem Fouriera nazywamy przedstawienie sygnału spełniającego
warunki Dirichleta x(t) dla t ∈< t0 , t0 + T >, w postaci nieskończonej
sumy składowych harmonicznych:
∞
a0 X
x(t) = + (ak cos(kω0 t) + bk sin(kω0 t))
2 k=1
∞
a0 X 2kπt 2kπt
= + (ak cos + bk sin )
2 k=1
T T
Szereg Fouriera
Współczynniki Fouriera
Współczynniki Fouriera sygnału x(t) dla t ∈< t0 , t0 + T >:
2 t0 +T
Z
a0 = x(t)dt
T t0
2 t0 +T 2kπt
Z
an = x(t) cos dt
T t0 T
2 t0 +T 2kπt
Z
bn = x(t) sin dt
T t0 T
Szereg Fouriera
Współczynniki Fouriera
Współczynniki Fouriera sygnału x(t) dla przedziału symetrycznego, tj.
t ∈< −T, T >:
1 T
Z
a0 = x(t)dt
T −T
1 T kπt
Z
an = x(t) cos dt
T −T T
1 T kπt
Z
bn = x(t) sin dt
T −T T
Uwaga:
• dla sygnału parzystego [x(t) = x(−t)], w przedziale symetrycznym,
wszystkie współczynniki bn są równe zero
• dla sygnału nieparzystego [x(t) = −x(−t)], w przedziale
symetrycznym, wszystkie współczynniki an są równe zero
Z. M. Łabęda-Grudziak (IAiR PW) Przetwarzanie sygnałów 01.10.2021 89 / 116
Analiza częstotliwościowa Szereg Fouriera
Szereg Fouriera
Rozwinięcie Fouriera fali prostokątnej
Sygnał o przebiegu prostokątnym, okresowy o okresie 2T :
1 dla 0 < t < T
x(t) = −1 dla −T < t < 0
0 dla t = −T, 0, T
Szereg Fouriera
Szereg Fouriera
Szereg Fouriera
Rozwinięcie Fouriera fali trójkątnej
Sygnał trójkątny, okresowy o okresie 2T :
t dla 0 < t ¬ T
x(t) = −t dla −T ¬ t < 0
0 dla t = −T, 0, T
Szereg Fouriera
Szereg Fouriera
Rozwinięcie Fouriera fali trójkątnej
Szereg Fouriera
Rozwinięcie Fouriera fali piłowej
Sygnał o przebiegu piłowym, okresowy o okresie 2T :
(
t dla −T < t ¬ T
x(t) =
0 dla t = −T, T
Szereg Fouriera
Szereg Fouriera
Rozwinięcie Fouriera fali piłowej
Szereg Fouriera
Alternatywna postać szeregu Fouriera, tzw. postać amplitudowo-fazowa:
∞
X ∞
X
x(t) = A0 + Ak sin(kω0 t + ϕk ) = A0 + Ak sin(2πkf0 t + ϕk )
k=1 k=1
gdzie:
a0
A0 = 2 - amplituda składowej stałej
q
Ak = a2k + b2k - amplituda k-tej składowej harmonicznej
Szereg Fouriera
∞
X ∞
X
x(t) = A0 + Ak sin(kω0 t + ϕk ) = A0 + Ak sin(2πkf0 t + ϕk )
k=1 k=1
ak = Ak sin(ϕk ) bk = Ak cos(ϕk )
∞
X ∞
X
x(t) = A0 + Ak sin(kω0 t + ϕk ) = A0 + Ak sin(2πkf0 t + ϕk )
k=1 k=1
Widmo sygnału
Funkcja okresowa o okresie T rozłożona w szereg Fouriera zawiera
składowe o częstotliwościach:
ω0 , 2ω0 , 3ω0 , . . .
Przykład
Przykład
ejx + e−jx
cos x =
2
Współczynniki Fouriera
∞ ∞ ∞ 2π
X X X jk t
x(t) = ck ejkω0 t = ck ej2πkf0 = X(k)e T
gdzie:
Z t0 +T Z t0 +T
1 1
X(0) = x(t)dt, X(k) = x(t)e−jkω0 t dt
T t0 T t0
Współczynniki Fouriera
Z t0 +T
1
X(k) = x(t)e−jkω0 t dt
T t0
argX(k) = ϕk
Przykład
Wyznaczyć widmo amplitudowe i fazowe sygnału:
h π i2
x(t) = 1 + 2 sin 2πt −
4
Po odpowiednich przekształceniach sygnał można przedstawić w postaci:
3π π
x(t) = 3 + 4 cos 2πt − + 2 cos 4πt +
4 2
Jest to sygnał o okresie T = 1 (częstotliwości f0 = 1/T = 1), zawierający
składową stałą i dwie składowe harmoniczne o częstotliwościach f0 = 1 i
2f0 = 1.
Przykład
3π
π
x(t) = 3 + 4 cos 2πt −+ 2 cos 4πt +
4 2
Wykładniczy szereg Fouriera sygnału x(t) ma postać:
Szereg Fouriera
Równość Parsevala
Dla szeregów Fouriera jest spełnione równanie Parsevala:
• dla szeregu trygonometrycznego:
Z t0 +T ∞
1 1X
x2 (t)dt = A20 + A2
T t0 2 k=1 k
Całki po lewej stronie równości to moc średnia sygnału x(t), składniki sum
po prawej stronie równości są mocami średnimi harmonicznych sygnału.
Szereg Fouriera
Moc sygnału
Moc sygnału jest równa sumie mocy harmonicznych sygnału
Z t0 +T ∞
1 X
Px = x(t)2 dt = Pk
T t0 k=0
Równość Parsevala
Przykład
Wyznaczyć wartość skuteczną sygnału: x(t) = 2 + sin(ω0 t) + sin(ω0 t + π3 ).
Przekształćmy sygnał:
π
x(t) = 2 + sin(ω0 t) + sin(ω0 t + )
3
π π
= 2 + sin(ω0 t) + sin(ω0 t) cos( ) + cos(ω0 t) sin( )
√ 3 3
3 3
= 2 + sin(ω0 t) + cos(ω0 t)
2 2
Stosując wzór Parsevala:
s
3 2
√ √
3 2
11
xsk = 22 + √ + √ = √
2 2 2 2 2
Przetwarzanie sygnałów
Zofia M. Łabęda-Grudziak
zofia.grudziak@pw.edu.pl
Analiza częstotliwościowa
Analiza częstotliwościowa
k=−∞ k=−∞
gdzie: Z t0 +T
1
X(k) = x(t)e−jkω0 t dt
T t0
X(jω) = F[x(t)]
F - operator przekształcenia Fouriera
x(t) = F −1 [X(jω)]
Przykład 1
(
∞ dla t = 0
δ(t) =
1 dla t 6= 0
Z ∞ Z ∞
δ(t)dt = 1, X(jω) = δ(t)e−jkωt dt = 1
−∞ −∞
Przykład 2
(
1 dla |t| ¬ T
x(t) =
0 dla |t| > T
Z T
sin ωT
X(jω) = δ(t)e−jωt dt = 2T
−T ωT
Przykład 2
• Przesunięcie w czasie
F(X(jt)) = 2πx(−ω)
1 jω
F[x(at)] = X
a a
• Twierdzenie Parsevala
Z ∞ Z ∞
1
2
|x(t)| dt = |X(jω)|2 dω
−∞ 2π −∞
• Splot sygnałów
Z ∞
−1
F [x(t) ∗ y(t)] = X(jω) · Y (jω) = x(t − τ )y(τ )dτ
−∞
Jeśli sygnał x(t) o widmie X(jω) po przejściu przez układ liniowy (układy
LTI - zasada superpozycji) zamienia się w sygnał y(t) o widmie Y (jω), to
stosunek transformaty sygnału wyjściowego do transformaty sygnału
wejściowego nazywamy transmitancją widmową (częstotliwościową)
układu.
Y (jω)
G(jω) =
X(jω)
G(jω) = |G(jω)|ejϕ
Z ∞
X(jω) = x(t)e−jkωt dt
−∞
Podczas transformacji następuje zmiana dziedziny czasu na dziedzinę
częstotliwości, czyli widmo zawiera informację o ”zawartości”
częstotliwościowej sygnału.
ALE są one określone tylko jeśli sygnał x(t) jest bezwzględnie całkowalny:
Z T
|x(t)|dt < ∞
0
Periodogram
Funkcja
h 1 i
Pxx (f ) = lim E XT (f )XT∗ (f )
2T T →∞
Periodogram
Szum
Szum nazywa się białym, jeśli jego Pxx (f ) jest stałe i nie zależy od
częstotliwości. Jeśli tak nie jest, to szum jest kolorowy.
Próbkowanie sygnałów
Ograniczenia
Ograniczenia
Ograniczenie sygnału (czas analizy)
Ograniczenia
Obliczanie splotu
widmo Xw (jω) jest różne od widma X(jω) i jest równe splotowi widma
X(jω) całego sygnału z widmem funkcji okna W (jω):
Z ∞
1
Xw (jω) = X(ν)W (ω − ν)dν
2π −∞
Stąd
1
Xw (jω) = [W (ω − ω0 ) + W (ω − ω0 )]
2
Funkcje okien powinny mieć widmo jak najbardziej zbliżone do delty
Diraca - skoncentrowane wokół pulsacji ω = 0 oraz szybko malejące do
zera wraz oddalaniem się od tej pulsacji:
• widmo okna powinno mieć wąski listek główny wokół ω = 0
• niski poziom listków bocznych (oscylacji po obu stronach listka
głównego).
Jednak jednoczesne spełnienie obu tych wymagań nie jest możliwe.
gdzie ωp = 2π/T .
fs > 2B
Inaczej: sygnał x(t), którego widmo X(jω) = 0 dla |ω| > ωN można
jednoznacznie odtworzyć na podstawie jego próbek jeżeli częstotliwość
próbkowania fs spełnia warunek:
ωs
> ωN
2
2π
gdzie ωs = 2πfs = T . Częstotliwość ωN nazywana jest częstotliwością
Nyquista.
Z. M. Łabęda-Grudziak (IAiR PW) Przetwarzanie sygnałów 01.10.2021 54 / 65
Próbkowanie sygnałów Twierdzenie o próbkowaniu
Warunek Nyquista
Sygnał musi być próbkowany z częstotliwością co najmniej dwukrotnie
większą od częstotliwości największej składowej obecnej w sygnale.
Zauważmy, że:
Z ∞ Z ∞
1
x(t)dt = X(0), x(0) = X(jω)dω
−∞ 2π −∞
Zatem
X(0)
∆tx = 1 R∞
2π −∞ X(jω)dω
Iloczyn równoważnego czasu trwania sygnału i równoważnej szerokości
jego widma jest wielkością stałą:
∆tx ∆ωx = 2π
∆tx ∆ωx = 2π
Zasada nieoznaczoności mówi, że iloczyn miary czasu trwania sygnału i
odpowiadającej jej miary szerokości jego widma jest ograniczony od dołu i
że nie można tych miar zmniejszać jednocześnie.
• W przypadku zmniejszania czasu trwania sygnału trzeba się liczyć z
tym, że jego widmo będzie się odpowiednio poszerzać
• Odwrotnie, chcąc wygenerować sygnał o wąskim widmie, należy
uwzględnić, że musi on trwać w czasie dostatecznie długo
Systemy telekomunikacyjne
Zasada nieoznaczoności znajduje odbicie w projektowaniu cyfrowych
systemów telekomunikacyjnych - dąży się do przesyłania informacji za
pomocą jak najkrótszych impulsów, co skraca czas transmisji, i
jednocześnie do przesyłania informacji w jak najkrótszym paśmie, co
zwiększa pojemność systemu. Zgodnie z zasadą nieoznaczoności
wymagania te są sprzeczne i wyboru czasu trwania impulsu i szerokości
jego widma dokonuje się na drodze kompromisu.
Przetwarzanie sygnałów
Zofia M. Łabęda-Grudziak
zofia.grudziak@pw.edu.pl
x(n) = x(n + N )
−1
1 NX −jk 2π
N
n
X(k) = x(n)e
N n=0
Im[X(k)]
ϕ = arg[X(k)] =
Re[X(k)]
Widmo dyskretne
• Widmo {X(k) : k = 0, 1, . . . , N − 1}
• Widmo amplitudowe {|X(k)| : k = 0, 1, . . . , N − 1}
• Widmo fazowe {arg[X(k)] : k = 0, 1, . . . , N − 1}
• Widmo mocy {|X(k)|2 : k = 0, 1, . . . , N − 1}
kfs
kf0 =
N
• Rozdzielczość częstotliwościowa analizy widmowej:
fs
∆f =
N
• Rozdzielczość czasowa analizy widmowej:
N 1
∆t = =
fs ∆f
Z. M. Łabęda-Grudziak (IAiR PW) Przetwarzanie sygnałów 01.10.2021 15 / 100
Dyskretna Transformacja Fouriera DFT Dyskretna Transformacja Fouriera
X(k) = X(k + N )
2 N/2 n=0
N/2−1
1 X 2π
= x(n)e−jπn e−j N kn
N/2 n=0
N/2−1
1 X 2π N
= x(n)(−1)n e−j N kn = X ∗ ( − k)
N/2 n=0 2
Właściwości widma
Z właściwości symetrii wynika bezpośrednio, że dla sygnałów rzeczywistych
spełnione są dla każdego k równości:
• dla widma amplitudowego - modułu współczynników:
Twierdzenie Parsevala
N
X −1 N
X −1
|x(n)|2 = |X(k)|2
n=0 k=0
Przykład 1
Dyskretny sygnał okresowy x(n) jest określony w jednym okresie N = 6
próbkami: x(0) = x(1) = x(2) = 1, x(3) = x(4) = x(5) = 0. Zgodnie ze
wzorem
5
1 X
X(k) = x(n)e−j2πkn/N
N n=0
obliczamy:
X(0) = 61 5n=0 x(n)e−j2π0n/6 = 16 [x(0) + . . . + x(5)] = 3
P
√
X(1) = 1 + e−jπ/3 + e−j2π/3 = 1 − j 3
X(2) = 1 + e−j2π/3 + e−j4π/3 = 0
X(3) = 1 + e−jπ + e−j2π = 1
X(4) = 1 + e−j4π/3 + e−j4π/3 = 0 √
X(5) = 1 + e−j5π/3 + e−j5π/3 = 1 + j 3
Przykład 1
Zadanie można rozwiązać alternatywnie - korzystając z własności DFT
mamy:
6−1
X
x(n) = 1 + 1 + 1 = 3 = X(0)
n=0
6−1
X
(−1)n x(n) = 1 − 1 + 1 = 1 = X(3)
n=0
X(4) = X ∗ (2)
X(5) = X ∗ (1)
Przykład 1
Uwzględniając właściwości DFT, sprawdzimy także słuszność twierdzenia
Parsevala.
Z jednej strony:
5
X
Ex (6) = |x(n)|2 = 3
n=0
z drugiej:
5
1X 1
Ex (6) = |X(k)|2 = [X 2 (0) + 2|X(1)|2 + 2|X(2)|2 + X 2 (3)] = 3
6 k=0 6
Przykład 1
Przykład 2
Dyskretny sygnał okresowy x(n) jest określony w jednym okresie N = 4
próbkami: x(0) = 1, x(1) = 3, x(2) = x(3) = 4. Zgodnie ze wzorem
3
1 X
X(k) = x(n)e−j2πkn/N
N n=0
obliczamy:
X(1) = 41 (−3 + j)
X(2) = − 14 (2)
X(3) = − 41 (3 + j)
Przykład 3
Wniosek - własność symetrii.
N N
X( + k) = X ∗ ( − k)
2 2
Widmo amplitudowe - funkcja parzysta
N N
|X( + k)| = |X( − k)|
2 2
Widmo fazowe - funkcja nieparzysta
N N
arg[X( + k)] = −arg[X( − k)]
2 2
Algorytm FFT
WNm = e−j2πm/N
Algorytm FFT
Algorytm FFT
N/2−1 h
X N i n 2nk
X(2k + 1) = x(n) − x n + WN WN
n=0
2
Wykorzystajmy własność funkcji W :
nk
WN2nk = WN/2
n=0 n=0
N/2−1 N/2−1
X X (2n+1)k
X(k) = x(2n)WN2nk + x(2n + 1)WN
n=0 n=0
N/2−1 N/2−1
X X
nk
X(k) = x(2n)WN/2 + WNk x(2n nk
+ 1)WN/2
n=0 n=0
N/2−1
X
nk
C(k) = x(2n)WN/2
n=0
N/2−1
X
nk
D(k) = x(2n + 1)WN/2
n=0
X(k) = C(k) + WNk D(k)
Otrzymujemy wzory:
gdzie:
k+N/2
WN = −WNk , k = 0, 1, . . . , (N/2) − 1
Dla N = 8:
Przeciek DFT
Przeciek DFT
fs > 2fmax
Przeciek DFT
Przeciek DFT
Przykład
Rozważmy sygnał ciągły, który zawiera dwie harmoniczne o
częstotliwościach 5Hz i 15.5Hz i amplitudach odpowiednio 1 i 0.5. Sygnał
próbkujemy z częstotliwością fs =50Hz i zbieramy N = 50 próbek sygnału.
Do wyznaczenia widma sygnału używamy algorytmu FFT.
Przeciek DFT
Przykład
Widać, że po obliczeniu DFT za pomocą algorytmu FFT coś jest nie tak.
Obraz z ostatniego rysunku nie odpowiada rysunkowi transformaty
Fouriera sygnału ciągłego.
Przeciek DFT
Przykład
Przeciek DFT
Przykład
Rozdzielczość DFT
Mając N próbek sygnału w dziedzinie czasu (spróbkowanego z
częstotliwością f0 ), wyznaczamy widmo sygnału również w N punktach,
równomiernie rozłożonych na osi częstotliwości od 0 do fs .
Rozdzielczość DFT
Przykład
Suma sinusów o f1 = 234.375 i f2 = 281.25 Hz.
Symetria DFT
Przykład
Symetria DFT
Przykład
Przykład
DFT jest wyznaczana dla dyskretnych wartości częstotliwości. Bardzo
ważną konsekwencją tego, że DFT próbkuje widmo sygnału ciągłego jest
to, że jest ono poprawnie wyznaczane tylko dla harmonicznych sygnału
x(n) o częstotliwościach odpowiadających częstotliwościom w których jest
obliczane DFT, czyli dla całkowitych wielokrotności fNs .
Przykład
Przykład
Przeciek DFT
Przeciek DFT
Przeciek DFT
Zero padding
Rozdzielczość DFT wskazuje jaka jest zdolność rozróżnienia w sygnale
dwóch składowych harmonicznych o mało różniących się częstotliwościach.
Odległość między próbkami można zmniejszyć poprzez uzupełnienie
zarejestrowanego ciągu próbkami zerowymi, czyli sztucznie wydłużając
czas obserwacji.
Możemy wziąć np. 1024 próbki sygnału, wstawić na koniec 1024 zera i
policzyć transformatę z 2048 próbek. W ten sposób pozornie zwiększamy
dwukrotnie rozdzielczość częstotliwościową ∆f względem DFT o
rozmiarze 1024 bez uzupełniania zerami, zachowując rozdzielczość
czasową DFT 1024. Jest to pozorny zysk, ponieważ nie otrzymujemy w
ten sposób więcej danych. W uzyskanym widmie, co druga wartość będzie
odpowiadała wartościom widma transformaty o rozmiarze 1024, a
pozostałe wartości widma są interpolowane.
Zero padding
Zero padding
Przykład
Rozważmy sygnał spróbkowany z częstotliwością fs = 1280Hz:
Zero padding
Przykład
Zero padding
Przykład
Okna prostokątne
Z. M. Łabęda-Grudziak (IAiR o różnej długości
PW) i ich
Przetwarzanie widma Fouriera. Wraz
sygnałów ze
01.10.2021 82 / 100
Interpretacja dyskretnego przekształcenia Fouriera Funkcje okna czasowego
Przykład
Przykład
Przykład
Przykład
Okno von Hanna daje większe tłumienie, ok. 50 dB, ale przy samym prążku
(ok. 920 Hz) tłumienie jest gorsze niż dla okna Hamminga. Wreszcie, okno
Blackmana daje największe tłumienie dla 750 Hz: niecałe 60 dB.
Z. M. Łabęda-Grudziak (IAiR PW) Przetwarzanie sygnałów 01.10.2021 95 / 100
Interpretacja dyskretnego przekształcenia Fouriera Funkcje okna czasowego
Przetwarzanie sygnałów
Zofia M. Łabęda-Grudziak
zofia.grudziak@pw.edu.pl
Transformata Fouriera
Transformata Fouriera
Transformata Fouriera
Transformata Fouriera
Przekształcenie Laplace’e
Przekształcenie Laplace’e
X(jω) = F{x(t)}
Transformata Z
z = rejω , r = |z|
Powiązanie z transformatą Fouriera czasu dyskretnego:
∞
x(n)(rejω )−n
X
X(rejω ) =
n=−∞
∞
(x(n)r−n )ejωn = Fd {x(n)r−n }
X
=
n=−∞
Załóżmy, że t = nT wtedy:
∞
X −n
X(s) = lim T x(n) esT
T →0
n=−∞
Przekształcenie Z
∞
x(n)z −n = Z{x(n)}
X
X(z) =
n=−∞
z = esT = ejωT
stąd |z| = 1
Ad.2 s = δ + jω, δ < 0, czyli:
Odpowiedź impulsowa
Transmitancja
Układ charakteryzuje zależność odpowiedzi od pobudzenia (uwzględniając
pochodne):
Transmitancja
Transmitancja
Analogicznie, możemy zapisać równanie na transmitancję w dziedzinie
zespolonej dla układu dyskretnego:
Odpowiedź impulsowa
N −1 P −i
Y (z) i=0 bi z
H(z) = = PM −1
X(z) 1 + i=1 ai z −i
Filtry cyfrowe
Filtry cyfrowe
Filtry cyfrowe
Filtry cyfrowe
Po co filtrujemy sygnały?
Aby uzyskać:
• redukcję zakłóceń sygnału (np. zakłóceń od sieci energetycznej)
• zmianę charakterystyki widmowej sygnału
• wyodrębnienie zadanych składowych sygnału spośród jego innych
składowych (detekcja)
Filtry cyfrowe
Filtry cyfrowe
Przykład 1
Wykres czasowy sygnału z czujnika (np. dźwięk), z którego wynika że coś
jest nie tak jak trzeba. Ale co?
Filtry cyfrowe
Przykład 1
Spójrzmy na wykres widma sygnału - zniekształcenia muszą zostać
odfiltrowane z sygnału!
Filtry cyfrowe
Przykład 1
Filtr cyfrowy jest algorytmem, który usuwa z sygnału niepożądane
składowe. Najczęściej filtry działają w dziedzinie częstotliwości:
• tłumią (filtrują) pewien zakres częstotliwości
• przepuszczają pozostałe częstotliwości bez zmian
Przykład 2
Wykres zaszumionego sygnału, który wymaga wygładzenia przez
filtrowanie.
Przykład 2
Aby wygładzić sygnał, każdą próbkę zastępujemy średnią z N ostatnich
próbek sygnału (wliczając bieżącą):
−1
1 NX
y(n) = x(n − i)
N i=0
Przykład 2
albo krócej:
N
X −1
y(n) = bi · x(n − i)
i=0
b0 = b1 = b2 = . . . = bN −1
Przykład 1
Wróćmy do przykładu sygnału z czujnika:
Przykład 1
Czy to nam pomoże usunąć zniekształcenia?
Przykład 1
Widmo sygnału oryginalnego oraz po przetworzeniu przez algorytm
wygładzania poprzez filtrację:
Przykład
Wykres postaci przed i po filtracji - zniekształcenia zostały usunięte!
Filtry cyfrowe
Filtry FIR
Przepis na obliczenie wyjściowych wartości próbek - tzw. równanie
różnicowe:
Filtry cyfrowe
Filtry FIR
N
X −1
y(n) = bi · x(n − i)
i=0
Filtry cyfrowe
Filtry FIR
Zauważmy, że równanie różnicowe
N
X −1 N
X −1
y(n) = bi · x(n − i) = h(i) · x(n − i)
i=0 i=0
gdzie h(n) jest odpowiedzią impulsową filtru, taką samą jak ciąg wartości
jego współczynników.
Filtry cyfrowe
Filtry FIR
Równanie splotu
N
X −1
y(n) = h(n) ∗ x(n) = h(i) · x(n − i)
i=0
Filtry FIR
Odpowiedź impulsowa
Odpowiedź impulsowa jest dokładnie tym, co wynika z jej nazwy - jest to
wyjściowy ciąg czasowy filtru, gdy na wejście podana zostanie pojedyncza
próbka o jednostkowej wartości, po której i przed którą następują próbki o
wartości zerowej. Polega to po prostu na przemnożeniu kolejnych
współczynników filtru przez jednostkową próbkę.
Filtry FIR
Odpowiedź impulsowa
Odpowiedź impulsowa filtru FIR na pobudzenie impulsowe δ(n) jest
zbiorem współczynników bi . Transformata Fouriera odpowiedzi
impulsowej jest charakterystyką częstotliwościową filtru.
Filtry FIR
Odpowiedź impulsowa
Operacja splotu w zastosowaniu do filtrów FIR działa następująco:
dyskretna transformata Fouriera DFT splotu odpowiedzi impulsowej filtru
(współczynniki) i ciągu wejściowego jest równa iloczynowi widma ciągu
wejściowego i DFT odpowiedzi impulsowej.
Filtry FIR
Odpowiedź impulsowa
Zatem wyznaczając DFT splotu
otrzymujemy iloczyn
H(m) · X(m)
który jest widmem zespolonym Y (m) sygnału na wyjściu filtru.
Filtry FIR
Odpowiedź impulsowa
Z równania
DFT
−−
y(n) = h(n) ∗ x(n) )−−
−*
− H(m) · X(m) = Y (m)
IDFT
Filtry FIR
Transmitancja
Filtry FIR
Schemat
Pobieramy sygnał po każdym z −1 i mnożymy przez bi - miejsca te nazywa
się ”odczepami” (ang. tap).
Filtry FIR
Parametry
• Długość filtru FIR (ang. filter length):
• liczba współczynników filtru (N ) - długość odpowiedzi impulsowej
Filtry FIR
Stabilność
Transmitancję filtru można też zapisać w następujący sposób:
Filtry FIR
Stabilność
Filtry FIR
Charakterystyka amplitudowa
Moduł transmitancji |H(z)| określa charakterystykę amplitudową
(częstotliwościową) - wzmocnienie filtru dla poszczególnych zakresów
częstotliwości.
Filtry FIR
Wzmocnienie filtru
Najczęściej chcemy przepuścić wybrany zakres częstotliwości bez zmiany i
stłumić pozostałe.
Filtry FIR
Rodzaje filtrów
• Filtr dolnoprzepustowy (DP): low-pass (LP) przepuszcza składowe
częstotliwościowe do ustalonej częstotliwości granicznej. Do
częstotliwości granicznej mamy pasmo przepustowe, powyżej - pasmo
zaporowe.
Filtry FIR
Rodzaje filtrów
• Filtr górnoprzepustowy (GP): high-pass (HP) działa ”odwrotnie” do
filtru dolnoprzepustowego - tłumi częstotliwości poniżej częstotliwości
granicznej, przepuszcza pozostałą część pasma.
Filtry FIR
Rodzaje filtrów
• Filtr pasmowo-przepustowy (PP): band-pass (BP) przepuszcza
częstotliwości w zakresie leżącym pośrodku pełnego pasma. Ma on
dwa pasma zaporowe i jedno przepustowe. Jest on więc opisany
dwoma częstotliwościami granicznymi - górną i dolną.
Filtry FIR
Rodzaje filtrów
• Filtr pasmowo-przepustowy (PP): band-pass (BP). Dwie
częstotliwości graniczne - górna i dolna.
Filtry FIR
Rodzaje filtrów
• Filtr pasmowo-zaporowy (PZ): band-stop (BS) działa przeciwne do
filtru środkowoprzepustowego - posiada pasmo zaporowe ”w środku” i
dwa pasma przepustowe.
Filtry FIR
Rodzaje filtrów
• Wąskopasmowy filtr pasmowo-zaporowy: notch filter.
Filtry FIR
Projektowanie filtrów
• Decyzja projektanta:
• jaki typ charakterystyki?
• jaka długość filtru (ile współczynników)?
• która metoda projektowania?
• Obliczenie współczynników filtru na podstawie podanych danych -
wykonuje program komputerowy
• Sprawdzenie obliczonych charakterystyk filtru
• Ocena efektów filtracji, ew. powtórzenie projektu
Filtry FIR
Filtry FIR
Filtry FIR
sin πx
sinc(x) =
πx
jest parzysta (sinc(x) = sinc(−x)) oraz dla wszystkich x całkowitych
różnych od zera sinc(x) = 0.
Filtry FIR
Filtry FIR
Przykład 1
Rozpatrzymy filtr dolnoprzepustowy dla wcześniejszego przykładu.
Przykład
Idealna charakterystyka filtru dolnoprzepustowego o częstotliwości
granicznej 3 kHz wygląda tak jak na poniższym wykresie.
Problemy
W rzeczywistości, nie da się wykonać takiego filtru FIR poprzez liczenie
IFFT idealnej charakterystyki widmowej (formalne określenie: filtr
nierealizowalny), z dwóch powodów:
Przykład 1
Pierwszy problem (N = ∞) możemy rozwiązać przycinając odpowiedź
impulsową do ustalonej długości. Możemy wyciąć wybraną liczbę
współczynników wokół zerowej wartości czasu. Np. biorąc współczynniki
od −50 do 50.
Przykład 1
Przykład 1
W skutek przycięcia odp. impulsowej pojawiły się zniekształcenia:
Przykład 1
Zwróćmy uwagę na to, że amplitudy listków bocznych okna są zbyt małe,
by można je było zauważyć korzystając ze skali liniowej.
Przykład 1
Możemy zobaczyć szczegóły listków bocznych wykreślając widmo
amplitudowe okna w skali logarytmicznej i dokonując normalizacji wartości
szczytowej listka głównego do wartości 0 dB.
gdzie człon |W (0)| jest wartością W (m) dla maksimum głównego listka
dla m = 0.
Przykład 1
Charakterystyka w skali logarytmicznej bardzo wyraźnie odbiega od
idealnej: przejście do pasma zaporowego jest bardzo szerokie, a w paśmie
zaporowym są widoczne zafalowania charakterystyki.
Przykład
Powodem zniekształceń jest nieciągłość odpowiedzi impulsowej na
granicach przyciętego fragmentu:
Przykład 1
Odpowiedź impulsowa przycięta bez okna oraz oknem Blackmana:
Przykład 1
Porównanie charakterystyk widmowych bez okna i z oknem Blackmana:
Przykład 1
Z wykresów wynika, że w ”nieidealnym” filtrze FIR zawsze występuje
pasmo przejściowe w pobliżu częstotliwości granicznej. Zgodnie z
przewidywaniem, większa długość filtru powoduje zmniejszenie szerokości
pasma przejściowego. W paśmie zaporowym występują zafalowania, ich
kształt również zależy od długości filtru.
Okno jest tym lepsze im mniejsza jest szerokość listka głównego i większe
jest tłumienie dla listków bocznych - wtedy widmo jest bardziej zbliżone
do delty Diraca. Jednak szerokość listka głównego jest odwrotnie
proporcjonalna do długości okna w dziedzinie czasu. Ponieważ istotą
stosowania okien jest skracanie odpowiedzi impulsowych, więc prowadzi to
do sprzecznych wymagań.
Praktycznie stosowane filtry FIR mają często długość ponad 100. Należy
zawsze znaleźć kompromis pomiędzy dokładnością filtracji oraz
wykorzystaniem procesora i pamięci oraz czasem wykonywania obliczeń.
Okno Kaisera
Do tej pory projektowaliśmy filtry FIR podając częstotliwości graniczne i
liczbę współczynników. Często jednak chcemy, aby filtr spełniał określone
wymagania, np. aby tłumienie w paśmie zaporowym wynosiło co najmniej
70 dB. Możemy próbować różnych długości filtru aż otrzymamy pożądane
tłumienie, ale są lepsze metody uzyskania tego efektu.
Okno Kaisera
Parametr β pozwala wpływać na kształt charakterystyki filtru.
Okno Kaisera
Charakterystyki widmowe filtru (N = 101) dla okna Kaisera z różnymi
wartościami β:
Np.: zakładamy min. tłumienie pz -80 dB, max. zafalowanie pp 0.005 (46
dB), szerokość p. przejściowego 100 Hz. Stąd obliczamy: β = 7.8573 N =
2410.
Filtr FIR
Problemy
Pierwszy problem - czyli nieskończona liczba współczynników filtru - został
rozwiązany (zminimalizowany) przez funkcję okien.
Filtr FIR
Filtr FIR
N −1
M=
2
Filtr FIR
Filtr liniowofazowy
Zatem liniowość fazy filtru FIR daje nam to, że opóźnienie grupowe
dla częstotliwości f równa się nachyleniu charakterystyki fazowej dla tej
częstotliwości (z odwróconym znakiem).
Filtr FIR
Opóźnienie grupowe dla tego filtru jest stałe, równe (N − 1)/2 (czyli tyle,
o ile przesunęliśmy odpowiedź impulsową). Oznacza to, że każda składowa
częstotliwościowa sygnału jest opóźniana o tę samą liczbę próbek.
Filtr FIR
Filtr FIR
Przykład 1
Opóźnienie grupowego - widoczne opóźnienie sygnału po filtracji.
Filtr FIR
Filtr FIR
sin(2πnfc /fs )
h(n) = w(n) ·
nπ
fc 2nf
c
= w(n) · 2π sinc
fs fs
Filtr górnoprzepustowy
Filtr górnoprzepustowy działa ”odwrotnie” do filtru dolnoprzepustowego -
tłumi częstotliwości poniżej częstotliwości granicznej, przepuszcza
pozostałą część pasma. Zasada projektowania jest taka jak dla filtru
dolnoprzepustowego, ale musimy wziąć nieparzystą liczbę współczynników.
W praktyce:
• obliczamy odpowiedź dla filtru DP o tej samej częstotliwości
granicznej
• odwracamy znak każdej wartości
• dodajemy 1 do wartości dla czasu zerowego
• mnożymy przez okno i przesuwamy.
Z. M. Łabęda-Grudziak (IAiR PW) Przetwarzanie sygnałów 01.10.2021 114 / 134
Filtry cyfrowe Filtr GP, PP, PZ
Filtr górnoprzepustowy
Filtr pasmowo-przepustowy
Filtr pasmowo-zaporowy
Filtr górnoprzepustowy
Projekty filtrów
Przykład 3
Rozważmy sygnał składający się z pięciu ”sinusów” o częstotliwościach
500, 1000, 1500, 2000, 2500 Hz oraz z szumu.
Projekty filtrów
Przykład 3
Projekt 1: chcemy odfiltrować pierwsze dwa prążki. Stosujemy:
• filtr górnoprzepustowy
• częstotliwość graniczna 1250 Hz
• częstotliwość próbkowania 48000 Hz
• szerokość pasma przejściowego 200 Hz
• okno Hamminga - estymowana minimalna długość:
Projekty filtrów
Przykład 3
Projekty filtrów
Przykład 3
Jeśli zamienimy okno Hamminga na okno Kaisera - szerokość pasma
przejściowego 200 Hz, zaś minimalne tłumienie 60 dB:
Projekty filtrów
Przykład 3
Projekt 2: zostawiamy tylko drugi i trzeci prążek. Stosujemy:
• filtr pasmowo-przepustowy
• częstotliwości graniczne pasm przepustowych: 750, 1750 Hz
(wzmocnienia filtru na tych częstotliwościach: 1, 1)
• częstotliwości graniczne pasm zaporowych: 0, 730, 1770, 24000 Hz
(wzmocnienia filtru na tych częstotliwościach: 0, 0, 0, 0)
• częstotliwość próbkowania 48000 Hz
• szerokość pasma przejściowego 20 Hz
• okno Hamminga, N = 801
• procedurę okienkowania, z obliczaniem odpowiedzi impulsowej w
dziedzinie częstotliwości
Projekty filtrów
Przykład 3
Projekty filtrów
Przykład 3
Projekt 3: usuwamy środkowy prążek. Stosujemy:
• filtr pasmowo-zaporowy
• częstotliwość graniczna 1500 Hz
• częstotliwość próbkowania 48000 Hz
• szerokość pasma przejściowego 200 Hz
• metodę najmniejszych kwadratów
Projekty filtrów
Przykład 3
Jeżeli chcemy większe tłumienie, musimy zwiększyć długość filtru i/lub
poszerzyć pasmo przejściowe.
Projekty filtrów
Przykład 3
Projekt 4: usuwamy drugi i czwarty prążek.
• Projektujemy filtr podając częstotliwości graniczne pasm oraz
wzmocnienia - jedno na każde pasmo.
• Redukujemy pasma przejściowe do 100 Hz (dla 200 Hz algorytm
iteracyjny nie uzyskał zbieżności)
• metodę Parksa-McClellana (”Remeza”)
Projekty filtrów
Przykład 3
Projekty filtrów
Przykład 3
Jeśli zamiast usuwania prążków chcemy je stłumić o 20 dB:
Podsumowanie
Podsumowanie
• Metoda okienkowania jest podstawową metodą projektowania filtrów
FIR. Specyfikacja filtru objemuje częstotliwości graniczne oraz liczbę
współczynników
• Filtry typu I wymagają nieparzystej liczby współczynników, nadają się
do projektowania każdej charakterystyki filtru
• Filtry typu II wymagają parzystej liczby współczynników, nie nadają
się do charakterystyk mających niezerowe wzmocnienie na
częstotliwości Nyquista (górnoprzepustowych i pasmowo-zaporowych)
• Użycie okna Kaisera umożliwia uzyskanie pożądanej szerokości pasma
przejściowego i tłumienia w paśmie zaporowym
• Metody optymalnego projektowania filtrów FIR - metoda
najmniejszych kwadratów oraz metoda Parksa-McClellana
(”Remeza”) - umożliwiają lepsze dopasowanie charakterystyki filtru w
paśmie przepustowym i zaporowym do idealnej charakterystyki. W
porównaniu do metody okienkowania, zmniejszają szerokość pasma
przejściowego, ale mogą zmniejszyć tłumienie w paśmie zaporowym.
Z. M. Łabęda-Grudziak (IAiR PW) Przetwarzanie sygnałów 01.10.2021 134 / 134
Politechnika Warszawska
Wydział Mechatroniki
Instytut Automatyki i Robotyki
Przetwarzanie sygnałów
Zofia M. Łabęda-Grudziak
zofia.grudziak@pw.edu.pl
Analiza częstotliwościowa
Operację przekształcenia sygnału z dziedziny czasu do dziedziny
częstotliwości nazywa się przekształceniem (transformacją) Fouriera.
Wynik tej operacji, czyli częstotliwościową reprezentację sygnału, nazywa
się transformatą Fouriera.
Widmo amplitudowe
Widmo amplitudowe
Widmo amplitudowe
Widmo amplitudowe
Przykład
Rozważmy widmo dla sygnału będącego sumą trzech sinusów o
częstotliwościach: 1000, 3000, 5000 kHz i amplitudach: 0.5; 0.3; 0.2.
Widmo jest wykreślone w skali liniowej i decybelowej dla częstotliwości do
10000 Hz.
Przykład
Widmo fazowe przedstawia fazę poszczególnych składowych widmowych.
Przykład
Przykład
Dla fs = 48 kHz, rozdzielczość częstotliwościowa zmienia się ze
zwiększaniem rozmiaru transformaty następująco:
Przykład
Poniższa tabela pokazuje zarówno rozdzielczość częstotliwościową, jak i
czasową.
Sygnał sinusoidalny
Rozpatrzmy sygnał sinusoidalny. Chcemy uzyskać N próbek sygnału,
zatem potrzebujemy N wartości widma. Ponieważ tworzymy sygnał
rzeczywisty, wystarczy określić jedną połowę widma. Dokładnie
potrzebujemy N/2 + 1 wartości widma: pierwsza wartość określa składową
stałą, ostatnia - częstotliwość Nyquista (dla uproszczenia zakładamy, że N
jest parzyste), pozostałe wartości określają amplitudę (i fazę) składowych
sygnału. Wartość widma o indeksie k reprezentuje składową sygnału o
częstotliwości kfs /N .
Sygnał sinusoidalny
Tworzymy więc bufor o długości N/2 + 1 wypełniony zerami, pamietając
że posługujemy się wartościami zespolonymi. Amplituda sygnału ma
wynosić 1. Ponieważ składowa od sygnału sinusoidalnego musi pojawić się
w widmie dwa razy, dzielimy amplitudę na dwa. Składowa sinusoidalna
stanowi część urojoną zespolonej pulsacji widmowej, dlatego wartość
składowej widmowej musi być równa −0.5j. Wstawiając tę wartość pod
indeks k = 1 uzyskamy jeden okres sygnału, indeks nk pozwoli uzyskać
częstotliwość n razy większą. Po obliczeniu IFFT i pominięciu szczątkowej
części urojonej, musimy jeszcze przeskalować amplitudę sygnału ze
współczynnikiem N .
Sygnał sinusoidalny
Otrzymaliśmy oczekiwany wynik:
Sygnał piłokształtny
Dla sygnału piłokształtnego należy obliczyć amplitudy wszystkich
składowych widma. Ustawienie dodatnich amplitud daje ”piłę”
narastającą, ujemnych amplitud daje ”piłę” opadającą.
Sygnał prostokątny
Podobnie postępujemy dla sygnału prostokątnego, regularnego (o
współczynniku kształtu równym 0.5).
Autokorelacja
Autokorelacja jest szczególnym przypadkiem korelacji wzajemnej sygnału
”samego ze sobą”. Autokorelacja dla danej wartości przesunięcia opisuje
podobieństwo sygnału do jego przesuniętej kopii. Największe
podobieństwo, uzyskamy dla zerowego przesunięcia, gdy oba korelowane
sygnały są identyczne.
Autokorelacja
Podstawowym zastosowaniem autokorelacji jest wyszukiwanie okresowości
w sygnale. Jeżeli sygnał jest idealnie okresowy (np. sygnał sinusoidalny),
maksima funkcji autokorelacji będą znajdowały się w punktach równych
wielokrotności okresu.
Autokorelacja
Sygnał trójkątny
Rozważmy sygnał trójkątny - sekwencja ta powtarza się z okresem o
długości 20 próbek:
Autokorelacja
Sygnał trójkątny
Autokorelacja
Sygnał trójkątny
Autokorelacja
Sygnał trójkątny
Autokorelacja
Sygnał trójkątny
Sygnał trójkątny
Obliczmy autokorelację sygnału trójkątnego podaną powyżej metodą.
Wynik normujemy dzieląc przez wynik otrzymany dla zerowego
przesunięcia. Z obliczonego wyniku bierzemy pierwszą połowę wartości
autokorelacji, druga połowa jest symetryczna i odpowiada ujemnym
przesunięciom.
Sygnał trójkątny
Sygnał trójkątny
Aby otrzymać autokorelację liniową, musimy uzupełnić sygnał L − 1
zerami, gdzie L jest długością analizowanego sygnału.
Koherencja
Koherencję (ang. Coherence) reprezentuje wzajemną zależność mocy
dwóch sygnałów w dziedzinie częstotliwości. Obliczamy ją następująco:
|Pxy |2
Cxy =
Rxx Ryy
Sygnał świergotowy
Sygnał świergotowy (chirp) jest to sygnał o zmiennej częstotliwości
chwilowej. Najprostszym przypadkiem sygnału świergotowego jest sygnał
sinusoidalny, którego częstotliwość chwilowa jest przestrajana w trakcie
generowania. Najczęściej stosuje się liniowe lub logarytmiczne przestrajanie
częstotliwości. Sygnały świergotowe stosuje się np. do badania
charakterystyki częstotliwościowej układów, podając na wejście sygnał
świergotowy, rejestruje się odpowiedź systemu na pobudzenia o różnych
częstotliwościach.
Sygnał świergotowy
Poniższy przykład generuje sygnał o czasie trwania 100 ms, przestrajany
liniowo w zakresie od 1 Hz do 200 Hz.
Sygnał świergotowy
Poniżej przykład dla przestrajania logarytmicznego od 20 Hz do 500 Hz w
ciągu 1 sekundy.
Sygnał świergotowy
Obliczymy widmo sygnału świergotowego (chirp): sygnał trwający 1
sekundę, o częstotliwości wzrastającej liniowo od 20 Hz do 5000 Hz.
Widmo dla dwóch fragmentów sygnału:
Dźwięk klarnetu
Analizy rzeczywistego dźwięku - nagranie klarnetu odgrywającego dźwięk o
wysokości 440 Hz:
Dźwięk klarnetu
Dźwięk klarnetu
Podsumowując:
• przekształcenie Fouriera działa na blokach próbek
• krótkookresowe przekształcenie Fouriera STFT stosujemy do analizy
dłuższych sygnałów, po podzieleniu go na okna czasowe, które zwykle
nakładają się na siebie (zakładkowanie)
• spektrogram to wykres czas - częstotliwość - amplituda widma,
pokazujący wynik STFT
• każde obliczone widmo uśrednia to co się dzieje wewnątrz danego
bloku
• tracone są chwilowe zmiany sygnału wewnątrz bloku
IFFT
Spróbujmy wykorzystać IFFT do wygenerowania sygnału sinusoidalnego o
częstotliwości 1000 Hz.
IFFT
Równanie
−1 N −1
1 NX X −j 2π
N
(mk+nl)
X(k, l) = 2 x(m, n)e
N m=0 n=0
Ponieważ równanie
−1 N −1
1 NX X −j 2π
N
(mk+nl)
X(k, l) = 2 x(m, n)e
N m=0 n=0
Powody:
• zamiar wykorzystania nadmiarowości w zbiorze pikseli. Dowolny piksel
jest z dużym prawdopodobieństwem ściśle związany z czterema
otaczającymi go innymi pikselami, a także należy się spodziewać, że
każdy z tych czterech pikseli ma także jakieś związki ze swoimi
czterema sąsiadami. Natomiast jest mało prawdopodobne, że
rozpatrywany piksel ma jakiś związek z innym pikselem, który jest od
niego oddalony na znaczną odległość. Stąd, dzieląc obraz na mniejsze
bloki mamy nadzieję na uformowanie grupy pikseli, które są
statystycznie ze sobą związane, co w konsekwencji pozwala na
wyeliminowanie znacznej ilości związanej z tym nadmiarowości
informacyjnej
DCT
DCT przekształca skończony ciąg N liczb rzeczywistych
x(0), . . . , x(N − 1) w ciąg liczb rzeczywistych X(0), . . . , X(N − 1)
zgodnie z zależnościami:
−1 −1
1 NX 2 NX
r
πk(2n + 1)
X(0) = √ x(n), X(k) = x(n) cos
N n=0 N n=0 2N
IDCT
Definiuje się również odwrotną dyskretną transformację kosinusową
(IDCT) jako:
−1
2 NX
r
1 πk(2n + 1)
x(n) = √ X(0) + X(k) cos
N N k=1 2N
dla n = 0, 2, . . . , N − 1.
Modulacja sygnałów
Wstęp
Odbiornik
W odbiorniku sygnału są realizowane dwie podstawowe operacje:
wzmocnienie sygnału odebranego i jego demodulacja. Wzmocnienie
sygnału jest konieczne, aby możliwe było dalsze jego przetwarzanie.
Demodulacja natomiast przywraca pierwotną postać sygnału
informacyjnego.
Modulacja sygnału
Modulacja sygnału
Modulacja amplitudy
Tor transmisji sygnału zmodulowanego:
Modulacja sygnału
Modulacja amplitudy
Modulacja amplitudy (ang. Amplitude Modulation, AM) polega na
modulowaniu amplitudy sygnału nośnego przez sygnał modulujący:
Modulacja sygnału
Modulacja amplitudy
Przebieg sygnału zmodulowanego amplitudowo:
Modulacja amplitudy
Przykład
Rozważmy sygnał nośny o częstotliwości 5 kHz i amplitudzie 1, który jest
modulowany sygnałem sinusoidalnym o częstotliwości 500 Hz i amplitudzie
0.25.
Modulacja amplitudy
Przykład
Modulacja amplitudy
Przykład
Modulacja amplitudy
Przykład
Widmo sygnału z modulacją amplitudy:
Modulacja amplitudy
Modulacja amplitudy
• Sygnały zmodulowane amplitudowo mają węższe pasmo. Z jednej
strony jest to ich zaletą (jeśli w danym paśmie chcemy przesyłać jak
najwięcej sygnałów), z drugiej - wadą (jeśli chcemy uzyskać wysoką
jakość transmisji)
• Ze względu na prostotę układów odbiorczych modulacja AM jest
powszechnie stosowana w analogowej komunikacji na falach średnich i
krótkich (chociaż większość rozgłośni transmituje sygnał na falach
ultrakrótkich) z częstotliwościami nośnymi sięgającymi ok. 30 MHz.
W przypadku fal długich, sygnał nośny o częstotliwości z zakresu
30-300 kHz jest modulowany amplitudowo sygnałem radiowym o
paśmie częstotliwości ograniczonym do zakresu słyszalnego
Modulacja sygnału
Modulacja amplitudy
• Wadą modulacji amplitudy jest zależność amplitudy odbieranego
sygnału nie tylko od przesyłanych danych, lecz także od odległości od
nadajnika
• Sygnały AM są jednak mało odporne na zakłócenia
Modulacja sygnału
Modulacja częstotliwości
Sygnały zmodulowane kątowo zajmują w kanale transmisyjnym znacznie
szersze pasmo w porównaniu z sygnałami zmodulowanymi amplitudowo.
Dzięki szerszemu pasmu systemy modulacji kąta mają istotną przewagę
nad systemami modulacji amplitudy
• Przy założeniu takiej samej transmitowanej mocy sygnału
użytecznego w obu typach systemów są one bardziej odporne na
szumy i zakłócenia
• Właściwość ta jest konsekwencją ogólnego podstawowego prawa
telekomunikacji, zgodnie z którym, przy określonych zdolnościach
transmisyjnych kanału, zwiększanie pasma zajętego w kanale przez
transmitowany sygnał umożliwia przesyłanie go przy mniejszym
stosunku sygnał-szum. Oznacza to, że przy zadanym poziomie
szumów, ta sama informacja zawarta w sygnale może być przesłana
przy mniejszej emitowanej mocy sygnału użytecznego
Z. M. Łabęda-Grudziak (IAiR PW) Przetwarzanie sygnałów 01.10.2021 103 / 147
Modulacja sygnałów
Modulacja sygnału
Modulacja częstotliwości
Sygnały zmodulowane kątowo zajmują w kanale transmisyjnym znacznie
szersze pasmo w porównaniu z sygnałami zmodulowanymi amplitudowo.
Dzięki szerszemu pasmu systemy modulacji kąta mają istotną przewagę
nad systemami modulacji amplitudy.
• Dobierając odpowiednie wartości parametrów sygnału zmodulowanego
kątowo, mamy możliwość regulowania szerokości jego pasma i tym
samym wpływania na odporność systemu na zakłócenia. Możliwość
wymiany między szerokością pasma a stosunkiem sygnał-szum w
systemach modulacji kąta przesądziła o ich powszechnym
zastosowaniu do transmisji fonii w systemach radiowych i
telewizyjnych
• Analogowa modulacja częstotliwości jest stosowana m.in do transmisji
sygnału radiowego za pomocą fal ultrakrótkich (UKF). W Polsce,
częstotliwości nośne, przydzielane rozgłośniom radiowym mieszczą się
w zakresie 87.5 - 108 MHz
Z. M. Łabęda-Grudziak (IAiR PW) Przetwarzanie sygnałów 01.10.2021 104 / 147
Modulacja sygnałów
Modulacja sygnału
Modulacja częstotliwości
W modulacji częstotliwości (ang. Frquency Modulation, FM) nadajnik
również jest wyposażony w oscylator wytwarzający falę nośną. W tym
przypadku częstotliwość wyjściowa zmienia się w zależności od
przesyłanego sygnału.
Modulacja częstotliwości
Przykład
Poniższy przykład pokazuje modulację częstotliwości dla sygnału nośnego
o częstotliwości 500 Hz i amplitudzie 1, za pomocą sygnału sinusoidalnego
o częstotliwości 100 Hz i amplitudzie 30.
Modulacja częstotliwości
Przykład
Drgania są szybsze, gdy sygnał jest dodatni i wolniejsze, gdy sygnał jest
ujemny.
Modulacja częstotliwości
Przykład
Widmo sygnału zmodulowanego częstotliwościowo dla sygnału nośnego o
częstotliwości 5000 Hz i amplitudzie 1, zmodulowanego za pomocą
sygnału sinusoidalnego o częstotliwości 500 Hz i amplitudzie 10:
Modulacja częstotliwości
Przykład
Modulacja sygnału
Modulacja częstotliwości
• W systemach modulacji kąta uzyskuje się wyraźną poprawę
odporności na zakłócenia, a tym samym poprawę jakości transmisji
• Sygnały zmodulowane kątowo wymagają jednak do transmisji
znacznie szerszego pasma i bardziej złożonych układów modulatorów i
demodulatorów
• Szerokość pasma sygnałów FM jest praktycznie stała, niezależna od
pasma sygnału modulującego. Z tego względu w praktyce jest zwykle
stosowana modulacja FM.
• Sygnał FM jest jednak bardziej wrażliwy na zakłócenia wynikające z
wielodrogowości propagacji (np. w wyniku odbić od budynków)
Modulacja sygnału
Modulacja fazy
Modulacja fazy (ang. Phase Modulation, PM) jest podobna do modulacji
częstotliwości. Różnica polega na tym, że wartości sygnału modulującego
są dodawane do kąta fazowego sygnału nośnego:
Modulacja fazy
Przykład
Poniższym przykład pokazuje modulację fazy dla sygnału nośnego o
częstotliwości 500 Hz i amplitudzie 1, za pomocą sygnału sinusoidalnego o
częstotliwości 100 Hz i amplitudzie 30.
Modulacja fazy
Przykład
Widmo sygnału z modulacją fazy:
Modulacja fazy
Przykład
Modulacja fazy
Przykład
Rozważmy szczególny przypadek gdy obie częstotliwości, modulująca i
nośna, są identyczne lub ich stosunek jest równy stosunkowi małych liczb
naturalnych. Wówczas powstaje sygnał harmoniczny. Niech obie
częstotliwości będą równe 440 Hz i amplituda sygnału modulującego
równa 10.
Modulacja sygnału
Modulacja fazy
Metoda modulacji fazy jest podstawą syntezy dźwięku metodą modulacji
częstotliwości (ang. FM Synthesis) - nazwa metody została nieprawidłowo
dobrana, gdyż wykorzystywana jest modulacja fazy (w technice cyfrowej
jest ona łatwiejsza do implementacji niż modulacja częstotliwości).
Filtry analogowe
Właściwości filtrów
Filtry
Filtry
Projektowanie filtru
Projektowanie filtru
Następnym krokiem projektowym może być optymalizacja filtru z punktu
widzenia maksymalnej płaskości jego charakterystyki w pasmie
przepustowym, lecz osiągniemy to kosztem powolnej zmiany nachylenia
charakterystyki w obszarze przejściowym miedzy pasmem przepustowym a
pasmem zaporowym. Z drugiej strony, otrzymamy znaczne wyostrzenie
charakterystyki amplitudowej w obszarze przejściowym, jeśli dopuścimy
wystąpienie pewnych zafalowań.
Projektowanie filtru
Typy filtrów
Typy filtrów
Poszczególne typy rozwiązań układowych filtrów optymalizują niektóre z
tych parametrów, co ma zastosowanie zarówno do filtrów analogowych jak
i cyfrowych:
• filtr Butterwortha (o maksymalnie płaskiej charakterystyce
amplitudowej)
• filtr Czebyszewa (o maksymalnej ostrości załamania charakterystyki
amplitudowej w obszarze przejściowym)
• filtr eliptyczny (Cauera) (o dużej nieliniowości charakterystyki
fazowej i dużej stromości nachylenia charakterystyki amplitudowej)
• filtr Bessela (o maksymalnie płaskiej charakterystyce czasu
opóźnienia)
Charakterystykę częstotliwościową każdego z tych typów filtrów można
uzyskać za pomocą rożnych rozwiązań układowych. Każdy z wymienionych
rodzajów filtrów może być dolnoprzepustowy, górnoprzepustowy lub
środkowoprzepustowy.
Z. M. Łabęda-Grudziak (IAiR PW) Przetwarzanie sygnałów 01.10.2021 133 / 147
Filtry analogowe
Typy filtrów
Filtr Butterwortha
Filtr Butterwortha charakteryzuje się całkowicie płaską odpowiedzią
amplitudową w pełnym obszarze pasma przepustowego, za to posiada
kiepską charakterystykę przejściową o bardzo wolnym nachyleniu oraz
nieliniowością odpowiedzi fazowej w rejonie obszaru przejściowego.
Wzmocnienie tego filtru jest równe:
1
|H(jω)| = r 2n
ω
1 + ω3dB
Typy filtrów
Filtr Butterwortha
Przy zwiększaniu rzędu filtru płaski obszar pasma przepustowego zbliża się
do częstotliwości odcięcia i staje się bardziej załamany, co również
poprawia charakterystykę nachylenia filtru (choć z reguły zwiększenie filtru
komplikuje projekt układu).
Typy filtrów
Filtr Butterwortha
Zalety i wady:
• charakteryzuje się płaskim pasmem przepustowym
• charakteryzuje nieliniowością charakterystyki fazowej
• Charakteryzuje się małą stromością charakterystyki, którą można
zwiększyć zwiększając rząd filtru co jednak radykalnie zwiększa ilość
obliczeń
Wykorzystywany rzadko ze względu na niespełnienie wymagań na ostre
nachylenie charakterystyki, jak i nieodpowiednią odpowiedź fazową.
Typy filtrów
Filtr Czebyszewa
Zawiera niewielkie tętnienia w paśmie przepustowym i jednocześnie jego
nachylenie obszaru przejściowego jest o wiele bardziej ostre w porównaniu
z filtrem Butterwortha. Odpowiedź amplitudowa filtru Czebyszewa
wyrażona jest zależnością:
1
|H(jω)| = p
1 + ε2 Cn2 (ω)
Typy filtrów
Filtr Czebyszewa
n Cn (ω)
1 ω
2 2ω 2 − 1
3 4ω 3 − 3ω
4 8ω 4 − 8ω 2 + 1
5 16ω 5 − 20ω 3 + 5ω
6 32ω 6 − 48ω 4 + 18ω 2 − 1
Typy filtrów
Filtr Czebyszewa
Charakterystyka amplitudowa w paśmie√przepustowym oscyluje pomiędzy
wartościami |Hmax | = 1 i |Hmin | = 1/ 1 + ε2 .
Typy filtrów
Filtr Czebyszewa
Zalety i wady:
• charakteryzuje się tętnieniami pasma przepustowego oraz zaporowego
- gęstość tętnień wzrasta wraz z powiększeniem rzędy filtru
• charakteryzuje nieliniowością charakterystyki fazowej
• Charakteryzuje się większą w porównaniu z filtrem Butterwortha
stromością charakterystyki
Wykorzystywany rzadko ze względu na nieodpowiednią odpowiedź fazową -
gorszą niż w przypadku filtru Butterwortha.
Typy filtrów
Typy filtrów
Typy filtrów
Typy filtrów
Filtr Bessela
W niektórych zastosowaniach istotnie jest, aby filtr przenosił wiernie
kształt sygnału w swoim paśmie przenoszenia. Jak wiadomo każdy sygnał
periodyczny w czasie można rozłożyć na szereg Fouriera. Aby zachować
kształt sygnału, należy nie tylko zachować amplitudy poszczególnych
składowych harmonicznych ale również ich fazy. Do zobrazowania w jaki
sposób filtr wpływa na fazę składowej sygnału o danej częstotliwości służy
charakterystyka opóźnienia grupowego, definiowana jako pochodna
charakterystyki fazowej filtru.
Typy filtrów
Typy filtrów
Typy filtrów
Przetwarzanie sygnałów
Zofia M. Łabęda-Grudziak
zofia.grudziak@pw.edu.pl
Filtry IIR
Filtr analogowy
Filtr analogowy
Filtr analogowy
Filtr analogowy
Filtr analogowy
Filtry IIR
Równanie różnicowe
Równanie różnicowe filtru IIR wygląda następująco:
Filtry IIR
Transmitancja
Transmitancja filtru IIR jest następująca:
b0 + b1 z −1 + b2 z −2 + . . . + bN z −N
H(z) =
1 + a1 z −1 + a2 z −2 + . . . + aN z −N
Filtry IIR
b0 + b1 z −1 + b2 z −2 + . . . + bN z −N
H(z) =
1 + a1 z −1 + a2 z −2 + . . . + aN z −N
Filtry IIR
b0 + b1 z −1 + b2 z −2
H(z) =
1 + a1 z −1 + a2 z −2
Wracając do dziedziny czasu otrzymamy równanie różnicowe filtru IIR
drugiego rzędu:
Filtry IIR
N
X N
X
y(n) = bi x(n − i) − aj y(n − j)
i=0 j=0
Filtry IIR
N
X N
X
y(n) = bi x(n − i) − aj y(n − j)
i=0 j=0
Filtry IIR
Schemat
Schemat blokowy filtracji IIR dla filtru rzędu drugiego:
Filtry IIR
N
X N
X
y(n) = bi x(n − i) − aj y(n − j)
i=0 j=0
Tak jak we wszystkich systemach ze sprzężeniem zwrotnym, zmiany
sygnału wejściowego filtru IIR mogą, w niektórych przypadkach,
spowodować powstanie na wyjściu niestabilności i oscylacji o
nieskończonym czasie trwania. Stąd też wzięła się nazwa ”nieskończona
odpowiedź impulsowa”, czyli możliwość istnienia na wyjściu niezerowych
próbek o nieskończonym czasie trwania w sytuacji, gdy na wejście filtru nie
podawany jest żaden sygnał (lub próbki zerowe).
Filtry IIR
Stabilność
Jedna z najważniejszych właściwości każdego systemu jest stabilność.
Systemem stabilnym nazywamy taki, w którym przy ograniczonym sygnale
wejściowym, sygnał wyjściowy również przyjmuje wartości z ograniczonego
zakresu.
Filtry IIR
Stabilność
Co się stanie w przypadku gdy wzmocnienie w pętli sprzężenia zwrotnego
będzie większe od jedności?
Stabilność
Zera i bieguny
Zera i bieguny filtru wykreśla się na płaszczyźnie zespolonej: oś pozioma to
część rzeczywista, oś pionowa to część urojona. Okrąg o promieniu równym
1 i środku w punkcie zerowym nazywa się okręgiem jednostkowym. Zera
zaznacza się na wykresie symbolem kółka, a bieguny - krzyżyka.
Stabilność
Zera i bieguny
Transmitancję filtru IIR:
b0 + b1 z −1 + b2 z −2 + . . . + bN z −N
H(z) =
1 + a1 z −1 + a2 z −2 + . . . + aN z −N
(1 − q1 z −1 )(1 − q2 z −1 ) . . . (1 − qM z −1 )
H(z) = k
(1 − p1 z −1 )(1 − p2 z −1 ) . . . (1 − pN z −1 )
Stabilność
Zera i bieguny
Mając daną funkcję transmitancji H(z) filtru cyfrowego, możemy
prześledzić położenie biegunów tej funkcji w celu zbadania stabilności filtru.
Jeżeli istnieją bieguny o module bliskim 1, układ taki nazywa się układem
na granicy stabilności. Nie jest on ani stabilny, ani niestabilny, jego
odpowiedź impulsowa ani nie wygasza się, ani nie narasta.
Stabilność
Zera i bieguny
Przykładowy rozkład zer i biegunów dla filtru IIR:
Stabilność
Stabilność
Stabilność
Stabilność
Stabilność
Metoda Yule-Walkera
• Stosowana do systemów autoregresyjnych (AR), do których należą też
filtry IIR
• Współczynniki filtru są obliczane za pomocą algebry liniowej -
operacji na macierzach
• Dopasowanie metodą najmniejszych kwadratów
• Umożliwia zaprojektowanie filtru o dowolnym kształcie charakterystyki
• Skomplikowane obliczenia, dość rzadko stosowana do projektowania
filtrów
2 z−1 2 1 − z −1
s→ =
T z+1 T 1 + z −1
gdzie T jest odstępem próbkowania (1/fs ) dla filtru dyskretnego.
Filtr cyfrowy
2 z−1 2 1 − z −1
s= =
T z+1 T 1 + z −1
transmitancja filtru drugiego rzędu przyjmuje postać:
b0 + b1 z −1 + b2 z −2
H(z) =
1 + a1 z −1 + a2 z −2
Filtr cyfrowy
Filtr Butterwortha
• Wymagane parametry: fp , fz lub fp , N
• Filtr Butterwortha posiada maksymalnie płaską charakterystykę w
paśmie przepustowym - nie zniekształca amplitud składowych w tym
paśmie
• Pasmo przejściowe jest bardzo szerokie - słabe tłumienie
• Szybkość opadania charakterystyki w paśmie przejściowym wynosi
około N · 6 dB/oktawę, gdzie oktawa oznacza podwojenie
częstotliwości, N jest rzędem filtru
• Pasmo zaporowe w zasadzie nie występuje
• Aby uzyskać dobre tłumienie w paśmie zaporowym, musimy stosować
filtry dużego rzędu
(ωg − ωd )s
s→
s2 + ωg ωd
s2 + ωg ωd
s→
(ωg − ωd )s
Filtry IIR nie posiadają tej cechy. Filtry IIR zniekształcają fazę sygnału.
Opóźnienie zależy od częstotliwości.
Przykład
Aby zilustrować efekt opóźnienia rozważmy sygnał:
Przykład
Przykład
Sygnał po filtracji, na skutek zniekształceń fazowych, zmienia swój kształt.
Czy można dokonać filtracji sygnału filtrem IIR tak, aby nie powstały
zniekształcenia fazowe?
• Tylko w sytuacji przetwarzania offline - gdy mamy cały sygnał do
dyspozycji
• Nie można w przypadku przetwarzania online - gdy wciąż napływają
nowe próbki sygnału
• W sytuacji, gdy nie dopuszczamy zniekształceń fazowych (wymagamy
liniowość fazy) możemy rozważać tylko filtry FIR
Filtracja zerofazowa
Filtry IIR projektowane w opisany wyżej sposób mają nieliniową
charakterystykę fazową i zmienne opóźnienie grupowe. Jest to istotna
wada przy przetwarzaniu sygnałów szerokopasmowych. Istnieje jednak
możliwość zaprojektowania filtrów IIR nie zniekształcających fazy. Będą to
jednak filtry nieprzyczynowe. Nie będzie można ich zastosować w
przypadku, gdy próbki sygnału są przetwarzane online. Ale jeżeli
dysponujemy całym sygnałem, możemy zastosować opisywaną metodę.
Filtracja zerofazowa
Dlaczego to działa?
1 Przy pierwszym przetwarzaniu, do sygnału dodawane są
zniekształcenia fazowe spowodowane przez nieliniową charakterystykę
filtru
2 Następnie odwracamy sygnał w czasie - operacja ta powoduje
odwrócenie fazy oryginalnego sygnału względem zera (zmianę znaku).
Po ponownym przejściu sygnału przez filtr, dodane zniekształcenia
mają przeciwny znak do tych dodanych do sygnału w pierwszej fazie
3 W rezultacie mamy filtr, którego charakterystyka amplitudowa jest
równa kwadratowi charakterystyki oryginalnego filtru, natomiast
charakterystyka fazowa jest zerowa - zniekształcenia fazowe nakładają
się dwukrotnie, ale z przeciwnym znakiem, zatem kompensują się
nawzajem.
Filtracja zerofazowa
Filtracja zerofazowa
Przykład
Wykres pokazuje charakterystykę fazową sygnału przed i po filtracji.
Efekt ten jest tym bardziej dotkliwy, im większy jest rząd filtru. Dla filtrów
IIR rzędu 1 lub 2, efekt ten jest mniej istotny. W praktyce potrzebujemy
jednak filtrów wyższego rzędu.
Im większy rząd filtru, tym większy szum kwantyzacji (błąd dłużej ”krąży”
w filtrze).
Z. M. Łabęda-Grudziak (IAiR PW) Przetwarzanie sygnałów 01.10.2021 77 / 104
Filtr IIR Problemy z rekursywnością
Szum kwantyzacji
Przykład szumu kwantyzacji filtru IIR w implementacji stałoprzecinkowej,
dla rzędu 2 i 8.
Utrata stabilności
Szum kwantyzacji wpływa na transmitancję filtru:
ai bi
ai (n) = PN bi (n) = PN
1+ i=0 ai e(n − i) 1 + i=0 ai e(n − i)
Szum zmienia współczynniki filtru, więc zmienia także zera i bieguny.
Szum może zwiększyć moduł bieguna powyżej 1 - filtr staje się niestabilny,
chociaż został zaprojektowany jako stabilny!
Utrata stabilności
Przykład odpowiedzi impulsowej eliptycznego filtru DP 3 kHz, 20-tego
rzędu.
Utrata stabilności
• Ryzyko utraty stabilności z powodu błędów kwantyzacji wzrasta z
rzędem filtru
• Filtry niskich rzędów (< 8) nie mają zwykle takiego problemu - lepiej
więc stosować filtry niskiego rzędu
• Co zrobić, jeżeli charakterystyka filtru wymaga zastosowania
wysokiego rzędu, np. 20? Należy zastosować kaskadowe połączenie
sekcji drugiego rzędu.
(1 − q1 z −1 )(1 − q2 z −1 ) . . . (1 − qM z −1 )
H(z) = k
(1 − p1 z −1 )(1 − p2 z −1 ) . . . (1 − pN z −1 )
(1 − q1 z −1 )(1 − q2 z −1 ) (1 − q3 z −1 )(1 − q4 z −1 )
H(z) = k1 · k2 · ... ·
(1 − p1 z −1 )(1 − p2 z −1 ) (1 − p3 z −1 )(1 − p4 z −1 )
(1 − qN −1 z −1 )(1 − qN z −1 )
kN/2
(1 − pN −1 z −1 )(1 − pN z −1 )
gdzie k1 · . . . · kN/2 = k.
(1 − q1 z −1 )(1 − q2 z −1 ) b0 + b1 z −1 + b2 z −2
H(z) = k1 = k1
(1 − p1 z −1 )(1 − p2 z −1 ) 1 + a1 z −1 + a2 z −2
Taki filtr składowy nazywa się sekcją drugiego rzędu (ang. Second Order
Section, SOS), inaczej filtrem dwukwadratowym lub bikwadratowym
(jeden ”kwadrat” w liczniku, drugi w mianowniku).
Każdy filtr IIR parzystego rzędu N można przedstawić jako kaskadę N/2
sekcji drugiego rzędu. Dla nieparzystych rzędów filtru trzeba zastosować
dodatkowo jedną sekcję pierwszego rzędu.
(1 − q1 z −1 )(1 − q2 z −1 ) (1 − q3 z −1 )(1 − q4 z −1 )
H(z) = k1 · k2 · ... ·
(1 − p1 z −1 )(1 − p2 z −1 ) (1 − p3 z −1 )(1 − p4 z −1 )
(1 − qN −1 z −1 )(1 − qN z −1 )
kN/2
(1 − pN −1 z −1 )(1 − pN z −1 )
Struktura kaskadowa
Przykład odpowiedzi impulsowej eliptycznego filtru DP 3 kHz, 20-tego
rzędu, ale zaprojektowany jako sekcje drugiego rzędu.
Filtry IIR
Projekty filtrów
Przykład
Rozważmy sygnał składający się z pięciu ”sinusów” o częstotliwościach
500, 1000, 1500, 2000, 2500 Hz oraz z szumu.
Projekty filtrów
Przykład
Projekt 1: chcemy usunąć dwa ostatnie sinusy. Stosujemy:
• filtr dolnoprzepustowy
• częstotliwość graniczna 1700 Hz
• częstotliwość próbkowania 48000 Hz
• rząd filtru N = 8
• typ eliptyczny
• zakładamy maksymalne zafalowanie w paśmie przepustowym: Rp = 1
dB
• zakładamy minimalne tłumienie w paśmie zaporowym, względem
pasma przepustowego: Rz = 60 dB (z wykresu wynika, że stosunek
sygnału do szumu ok. 50 dB, więc Rz = 60 dB powinno wystarczyć)
• wynik w formie TK - współczynników (b, a) (zakładamy, że filtr nie
straci stabilności)
Z. M. Łabęda-Grudziak (IAiR PW) Przetwarzanie sygnałów 01.10.2021 89 / 104
Filtr IIR Problemy z rekursywnością
Projekty filtrów
Przykład
Projekty filtrów
Przykład
Projekty filtrów
Przykład
Projekt 2: chcemy usunąć pierwszy i ostatni prążek. Stosujemy:
• pasmowo-przepustowy
• częstotliwości graniczne pasma przepustowego 750 Hz, 2250 Hz
• szerokość pasma przejściowego 250 Hz
• częstotliwości graniczne pasma zaporowego 500 Hz, 2500 Hz
• częstotliwość próbkowania 48000 Hz
• typ eliptyczny
• zafalowania: Rp = 1 dB, Rz = 60 dB
• wynik w formie SOS - nie mamy pewności jaki będzie wynikowy rząd
filtru, zabezpieczamy się przed utratą stabilności
Projekty filtrów
Przykład
Wynik obliczeń w formie SOS:
Projekty filtrów
Przykład
Przykład
Porównanie filtrów FIR i IIR z taka sama liczba mnożeń.
Podsumowanie
• Filtry IIR są cyfrowym odpowiednikiem analogowych filtrów
• Filtr IIR jest rekursywny. W filtracji biorą udział także poprzednie
wyniki filtracji
• Transmitancja filtru jest opisana ułamkiem, ze współczynnikami b w
liczniku i a w mianowniku
• Projektowanie filtrów IIR opiera się na znanych metodach
projektowania filtrów analogowych i stosowaniu przekształceń
• Przy projektowaniu filtru należy wybrać typ filtru. Wybór zależy od
wymagań, typy filtru różnią się szerokością pasma przejściowego,
wielkością zafalowań w paśmie przepustowym i wielkością tłumienia w
paśmie zaporowym
• Transmitancję filtru IIR można zapisać w formie zer, biegunów i
wzmocnienia
• Filtr IIR nadający się do praktycznego zastosowania musi być stabilny
- moduł wszystkich biegunów musi być mniejszy od 1
Z. M. Łabęda-Grudziak (IAiR PW) Przetwarzanie sygnałów 01.10.2021 98 / 104
Filtr IIR Problemy z rekursywnością
Podsumowanie
Podsumowanie
Funkcja koherencji
|Gxy (ω)|2
γxy (ω) = Gyy (ω)
Gxx (ω)
Jest to odpowiednik funkcji korelacji wzajemnej w dziedzinie częstotliwości.
Funkcja koherencji
Funkcja koherencji przyjmuje wartości z przedziału:
Przetwarzanie sygnałów
Zofia M. Łabęda-Grudziak
zofia.grudziak@pw.edu.pl
Filtr różniczkujący
Filtr różniczkujący
Najprostszym cyfrowym filtrem różniczkującym („naiwny” układ
różniczkujący) jest filtr FIR pierwszego rzędu, który oblicza różnicę między
bieżącą a poprzednią próbką:
Filtr różniczkujący
Obydwa filtry mają charakterystyki znacznie odbiegające od oryginalnej:
Filtr różniczkujący
Filtr różniczkujący
Przykład
Filtrujemy sygnał położenia obiektu. Mając sygnał opisujący zmiany
położenia obiektu, możemy uzyskać informację o prędkości poruszania się
tego obiektu (pochodna położenia = prędkość).
Filtr Hilberta
Filtr Hilberta
Filtr różniczkujący
Przykład
Moduł sygnału analitycznego daje obwiednię sygnału mowy. Po jej
wygładzeniu za pomocą np. filtru DP dostajemy sygnał reprezentujący
głośność:
Filtr całkujący
Filtr całkujący (ang. Integrator ) oblicza całkę sygnału, jego działanie jest
zatem odwrotne do filtru różniczkującego. W obwodach analogowych,
układy różniczkujące składają się z rezystorów i kondensatorów (RC).
Filtr całkujący
Filtr całkujący
Charakterystyki filtrów:
Filtr całkujący
Przykład
Całkujemy znowu sygnał prędkości, dostajemy z powrotem położenie.
1 − z −1
H(z) =
1 − αz −1
Znaczenie parametru α jest takie samo jak dla filtru całkującego: α < 1,
aby układ był stabilny.
Przykład
Sygnał ze sztucznie dodaną składową stałą (0,1) i sygnał po filtracji
(α = 0.998)
y(n) = x(n − L)
Filtr grzebieniowy
Filtr grzebieniowy typu FIR można uzyskać z filtru FIR pierwszego rzędu
poprzez zwiększenie opóźnienia do wartości L, tak że równanie różnicowe
przyjmuje postać:
y(n) = b0 x(n) + bL x(n − L)
gdzie |bL | ¬ 1. Działanie filtru polega zatem na dodaniu do sygnału jego
”echa”, czyli opóźnionej i przeskalowanej kopii.
Filtr grzebieniowy
Filtr grzebieniowy
Filtr grzebieniowy
Filtr grzebieniowy
Odpowiedź impulsowa filtru rekursywnego:
Filtr grzebieniowy
Charakterystyki amplitudowe filtru dla b0 = 1:
Filtr grzebieniowy
Filtr wszechprzepustowy
Filtr wszechprzepustowy
Rozważmy filtr pierwszego rzędu (L = 1). Połączenie obu filtrów daje filtr
o równaniu różnicowym:
oraz transmitancji:
b0 + z −L
H(z) =
1 + aL z −L
Filtr wszechprzepustowy
Filtr wszechprzepustowy
Filtr wszechprzepustowy
Filtry półkowe
Inne...
• Filtr szczytowy
• Bank filtrów
• Filtr połówkowy
• ...
Przetwarzanie obrazów
1. Dla każdej linii obrazu (tj. dla każdego wiersza macierzy pikseli)
obliczamy transformatę Fouriera
Rotacja widma
Zasada nieoznaczoności
Zasada nieoznaczoności
Zasada nieoznaczoności
Histogram obrazu
Histogram obrazu
Histogram obrazu
Histogram obrazu
Histogram obrazu
Histogram obrazu
Histogram obrazu
Histogram obrazu
Histogram obrazu
Modulacja sygnału
Realizacje modulacji
Modulacja cyfrowa
Modulacja ASK
Modulacja ASK
Modulacja FSK
Przejście z jednej częstotliwości może odbywać się z ciągłością fazy lub bez
niej. Ta modulacja wyróżnia się stała amplitudą chwilową, niezależną od
sygnału modulującego. Ta właściwość jest bardzo przydatna przy
transmisji sygnałów przez kanały, gdzie występują zmiany amplitudy
transmitowanego sygnału na skutek nieliniowości tego kanału.
Modulacja FSK
Modulacja PSK
Modulacja PSK
Zastosowania modulacji
Zastosowania modulacji
Dziękuję za uwagę