Anda di halaman 1dari 39

Desain filter FIR

5.1 BAB PREVIEW

Ini, bab terakhir, dimulai dengan membuat suatu kasus untuk penggunaan FIR
filter lebih dari IIR filter dalam kondisi tertentu. Kami kemudian akan melihat dua
standar metode yang digunakan untuk merancang filter FIR - yang 'Fourier' atau metode
'windowing' dan Metode 'frekuensi sampling'. dua teknik desain ini sangat bergantung
pada berbagai bentuk Transformasi Fourier dan Transformasi invers Fourier, dan jadi ini
Topik juga akan dibahas, termasuk 'Fast Fourier Transform' dan kebalikannya.

5.2 PENDAHULUAN

Sejauh ini kita telah melihat berbagai cara untuk merancang IIR filter.
Dibandingkan dengan FIR filter, IIR filter memiliki keuntungan yang mereka butuhkan
koefisien secara signifikan lebih sedikit untuk menghasilkan kira-kira setara filter. Pada
sisi negatifnya, mereka memiliki Kerugian yang mereka dapat menjadi tidak stabil jika
tidak dirancang dengan baik, yaitu jika salah satu kutub fungsi transfer yang luar
lingkaran satuan. Namun, dengan desain hati-hati ini tidak boleh terjadi.

Jadi mengapa repot-repot dengan filter FIR sama sekali? Mereka telah satu hal
besar yang terjadi bagi mereka yang kadang-kadang membuat mereka lebih untuk IIR
filter. Ini adalah bahwa mereka dapat dirancang untuk memiliki respon fase linier.

5.3 TAHAP-linearitas dan FIR FILTER

Bayangkan sebuah sinyal kontinyu, katakanlah pulsa persegi panjang, yang


melewati filter. Juga bayangkan bahwa fungsi transfer filter adalah sedemikian rupa
sehingga gain adalah 1 untuk semua frekuensi. filter tersebut ada dan disebut filter
'semua-pass'. Itu akan Tampaknya masuk akal bahwa pulsa akan melewati semua-pass
filter tidak terdistorsi. Namun, hal ini tidak mungkin terjadi. Ini karena kita belum dibawa
ke akun respon fase filter. Ketika sinyal melewati filter, frekuensi yang berbeda yang
membentuk pulsa persegi panjang biasanya akan menjalani perubahan fase yang berbeda
-effectively, sinyal frekuensi yang berbeda ditunda oleh waktu yang berbeda. Seolah-
olah, sebagai hasil dari melewati filter, sinyal yang 'terurai' dan kemudian disatukan
kembali dengan cara yang berbeda. rekonstruksi ini hasil distorsi dari sinyal yang
muncul. Sebuah contoh dari terus menerus, semua-pass filter adalah satu dengan fungsi
transfer T (s) = (s -4) / (s + 4). (Perhatikan bahwa fungsi transfer ini memiliki nol di
sebelah kanan sisi s-pesawat. Ini bagus - hanya tiang yang akan menyebabkan
ketidakstabilan jika ditempatkan di sini) filter khusus ini akan memiliki keuntungan dari
1 untuk semua frekuensi -. Ini harus cukup jelas dari diagram p-z nya. Interpretasi respon
sinyal dibuat sedikit lebih mudah jika kita membayangkan bahwa kita memiliki penguat
pembalik dalam seri dengan filter. Respon frekuensi, Gambar. 5.1, menegaskan bahwa
gain dari Kombinasi adalah 1. Gambar 5.2 menunjukkan respon filter untuk empat
persegi panjang p u l e - sinyal jelas telah berubah. Perhatikan bahwa distorsi terjadi
terutama di tepi terkemuka dan jatuh dari pulsa. Ini akan diharapkan, sebagai tepi sesuai
dengan perubahan mendadak dalam besarnya sinyal dan cepat.

Perubahan terdiri dari pita lebar frekuensi sinyal. Gambar 5.3 menunjukkan
output ketika unit impuls melewati filter. Secara teoritis, sebuah unit impuls terdiri dari
berbagai tak terbatas frekuensi dan sehingga harus menderita besar distortion- dan tentu
saja (perhatikan bagaimana lebarnya telah menyebar ke sekitar 1 s). Dalam cara yang
sama, filter diskrit semua-pass juga akan menyebabkan distorsi. Gambar 5.4
menunjukkan apa yang terjadi pada pulsa persegi panjang sampel, yang terdiri dari tiga
unit yang pulsa, melewati filter seperti itu.
Hal ini dapat menunjukkan bahwa hanya jika filter adalah seperti yang gradien
plot fase pergeseran terhadap frekuensi konstan akan ada ada distorsi sinyal akibat respon
fase. Hal ini karena keterlambatan sinyal yang efektif diperkenalkan oleh filter diberikan
oleh dr mana ~ O adalah perubahan fasa. Oleh karena itu kami mengharuskan ~ O =
KCO, di mana k adalah konstanta, jika penundaan itu harus sama untuk semua frekuensi,
sebagai maka d ~ O / DCO = k.
Gambar 5.2

Gambar 5.3

Jelas, respon fase filter semua-pass kami tidak linier (Gambar. 5.1), dan sebagainya

sinyal menderita distorsi. Dari filter memiliki respon fase dengan konstan
Gambar 5.4

Gradien, yaitu di mana respon fase linier kemudian, sangat bijaksana, filter adalah
digambarkan sebagai 'filter linear-fase'. Dalam bab sebelumnya kita menghabiskan cukup
banyak waktu konversi terus menerus filter untuk diskrit IIR setara mereka, dan
kemudian membandingkan mereka sangat kritis dalam hal respon besaran mereka.
Namun, Anda mungkin telah memperhatikan bahwa tidak terlalu banyak terbuat dari
perbedaan antara respon fase mereka, meskipun perbedaan yang kadang-kadang sangat
jelas. Hal ini karena respon fase filter terus menerus asli itu sendiri mungkin jauh dari
ideal dan sehingga tidak terlalu banyak masalah jika respon fase filter diskrit berbeda dari
itu. Sementara kita sedang berhadapan dengan masalah ini, harus disebutkan bahwa kita
dapat mengambil filter IIR dengan, yaitu non-linear, respon fase miskin dan
menempatkan cocok 'allpass' Filter diskrit dalam seri dengan itu sehingga linearize
respon fase gabungan. Serta memiliki keuntungan dari 1 untuk semua frekuensi sinyal,
kompensasi semua-pass filter akan memiliki respon fase yang sedekat mungkin dengan
kebalikan dari bahwa filter asli.

Jadi, untuk meringkas, kasus telah dibuat untuk menggunakan filter FIR dalam
preferensi untuk IIR filter, dalam keadaan tertentu. Hal ini karena filter FIR dapat
dirancang untuk memiliki respon fase linier. Akibatnya, seperti filter FIR tidak akan
memperkenalkan distorsi ke dalam sinyal output karena karakteristik fase. Namun, tidak
mendapatkan ide bahwa semua filter FIR secara otomatis filter linear-fase - jauh dari itu.
Jika kita ingin filter FIR memiliki respon fase linier, dan kami biasanya melakukan, maka
kita perlu merancang untuk memiliki properti tertentu ini.

5.4 Desain filter FIR

MENJALANKAN FILTER RATA-RATA

Anda bertemu filter ini cara kembali Bab 1. Hanya untuk mengingatkan Anda,
mereka FIR filter yang menghasilkan output yang merupakan rata-rata dari arus masukan
dan sejumlah input sebelumnya. Hal ini tidak filter sangat berguna praktis-Berperilaku
sebagai filter lowpass cukup biasa. Namun, hal ini sangat berguna untuk saya pada saat di
bahwa itu adalah contoh dari filter FIR yang secara alami memiliki karakteristik fase
linier. Misalnya, mempertimbangkan berjalan (atau bergerak) rata-rata menyaring bahwa
rata-rata saat ini dan sebelumnya tiga sampel input, yaitu ;

Di mana Y (z) dan X (z) adalah z-transformasi dari output filter dan masukan masing-
masing.

Atau
Gambar 5.5 menunjukkan respon frekuensi untuk filter ini. Perhatikan bahwa
besarnya respon adalah bahwa dari lowpass filter dengan frekuensi cut-off dari sekitar
0.2fN tetapi, jauh lebih penting, bahwa respon fase linier. Diskontinuitas di 0.5fN tidak
penting- yang penting adalah bahwa gradien dari plot fase memiliki nilai konstan.

Jadi, apa itu tentang fungsi transfer dari menjalankan penyaring rata yang
membuat itu linear-fase filter? Rahasianya adalah simetri koefisien pembilang. Dalam
contoh ini semua pembilang koefisien 1, dan jadi pasti simetris tentang titik tengah.
Namun, setiap FIR filter dengan simetri pusat ini akan menunjukkan fase linear
tanggapan. Sebagai contoh, jika kita memiliki filter dengan fungsi transfer:

Atau

Yaitu koefisien simetris 2, 1, 3, 1, 2, maka respon fase seperti yang ditunjukkan


pada Ara. 5. 6 - yaitu sekali lagi respon fase linier, meskipun dibagi menjadi segmen.
Jadi, untuk rekap, ketika kita merancang FIR filter linear-fase kita harus memastikan
bahwa koefisien dari fungsi transfer pembilang adalah simetris dengan pusat, yaitu
tentang pusat 'ruang' jika ada bahkan jumlah koefisien dan sekitar koefisien pusat jika
ganjil.
5.5 Transformasi Fourier dan kebalikan Fourier transform

Gambar 5.5

Gambar 5.6
5.5 Fourier Transform Dan Fourier invers TRANSFORM

Metode desain pertama yang akan kita gunakan sangat bergantung pada
transformasi Fourier, dan sehingga masuk akal untuk melakukan review singkat dari
topik ini sangat penting pada saat ini. Anda mungkin menyadari bahwa seri Fourier
memungkinkan kita untuk mengekspresikan periodic gelombang dalam hal DC nilai dan
serangkaian sinyal sinusoidal. komponen sinusoidal memiliki frekuensi yang sama
dengan frekuensi gelombang asli dan harmonik ini frekuensi 'mendasar'.

Misalnya, gelombang persegi terdiri dari frekuensi fundamental dan nilai-nilai


tertimbang dari harmonik ganjil. Namun, banyak sinyal yang tidak periodik - pidato akan
menjadi contoh yang jelas dari nonperiodik gelombang. Di sinilah transformasi Fourier
sangat penting tersebut.

Transformasi Fourier, F (jo)), sinyal, fit), didefinisikan oleh:

Ini adalah sangat berguna transformasi karena memungkinkan kita untuk


memecahkan sinyal non-periodik,f (t), ke dalam komponen frekuensi, F (JCO). F (jo))
biasanya kompleks, mengekspresikan baik besar dan fase komponen frekuensi. Sebagai
sinyal non-periodik frekuensi komponen akan mencakup berkelanjutan Band, tidak
seperti frekuensi diskrit menyusun gelombang periodik.

Invers transformasi Fourier (IFT) memungkinkan kita untuk bekerja sebaliknya


(Petunjuk adalah dalam nama!). Dengan kata lain, jika kita menggunakan IFT untuk
beroperasi pada spektrum frekuensi sinyal, kita dapat memulihkan variasi waktu, yaitu
sinyal bentuk. IFT diberikan oleh:
Seperti itu terbalik Transformasi Fourier yang lebih relevan untuk kita dalam
desain filter FIR, itu layak berhenti di sini untuk melihat contoh penggunaannya. Mari
kita bayangkan bahwa sinyal memiliki spektrum Gambar. 5.7, yaitu terdiri dari frekuensi
di kisaran-fc untuk fc +, semua dengan bobot yang sama. Sebagai Fourier yang
Transformasi sinyal biasanya kompleks, harus dinyatakan dalam bentuk amplitudo dan
spektrum fase. Untuk sinyal tertentu kita mengasumsikan bahwa sudut fase adalah nol
untuk semua frekuensi, yaitu bahwa yang Fourier transform tidak memiliki komponen
imajiner. Dengan kata lain, F (jc0) = 1 untuk -FC <f-<fc, yang lain = 0.

Gambar 5.7

N.B. Anda mungkin tidak akrab dengan konsep frekuensi 'negatif'. Jelas, frekuensi
negative tidak berarti praktis. Namun, mewakili sinyal dalam hal mereka 'normal' positif
frekuensi dan juga frekuensi negatif setara adalah taktik matematika rapi yang
membantudengan analisis sinyal.

Menerapkan inverse Fourier transform (persamaan (5.1)) dengan F (jo)) = 1:

N.B. Kita sekarang hanya mengintegrasikan antara-O9c dan + C0c sebagai IF memiliki
nilai nol di luar ini rentang frekuensi.
tapi, dari identitas Euler,

Fungsi ini diplot pada Gambar. 5.8, menggunakan COC - 5 rad / s dan t= 1 0 s ke 10 s.

(Tidak ada yang istimewa tentang nilai-nilai ini, mereka dipilih cukup acak.)

Gambar 5.8
Sinyal ini mungkin tampak agak tidak biasa dan satu tidak mungkin untuk
bertemu secara teratur! Hal ini, pada kenyataannya, bentuk sinyal yang sangat penting
dalam dunia pemrosesan sinyal. Juga, dengan menggunakan spektrum frekuensi
sederhana ini, analisis itu cukup mudah. Anda akan menemukan bahwa ini adalah contoh
yang sangat berguna untuk telah bekerja melalui ketika kita beralih ke desain FIR pada
bagian berikutnya.

Jadi, untuk meringkas, jika kita tahu spektrum frekuensi sinyal kita dapat
menggunakan IFT untuk mendapatkan bentuk sinyal dalam domain waktu. Jika kita perlu
bergerak di arah yang berlawanan, yaitu dari domain waktu ke domain frekuensi, maka
kita harus menggunakanTransformasi Fourier.

Ulasan ini mungkin cukup untuk memungkinkan kita untuk melanjutkan tapi, jika
Anda merasa bahwa Anda perlu melakukan lebih banyak membaca, ada banyak
rangkaian analisis / sinyal teks pengolahan yang berhubungan dengan topik ini. Beberapa
contoh adalah: Howatson (1996), Denbigh (1998), Lynn dan Fuerst (1994), Proakis dan
Manolakis (1996) dan Meade dan Dillon (1991). (Kata kunci: seri Fourier, Transformasi
Fourier, terbalik Fourier, spektrum amplitudo, spektrum fase.)

5.6 PERENCANAAN FIR FILTER MENGGUNAKAN FOURIER TRANSFORM


OR metode 'windowing'

Titik awal untuk metode desain filter ini adalah respon frekuensi yang diinginkan filter.
Untuk memanfaatkan kerja yang dilakukan pada bagian sebelumnya, mari kita misalkan
bahwa kita ingin merancang sebuah FIR lowpass filter dengan frekuensi cut-off dari 4
kHz. besarnya respons yang diperlukan ditunjukkan pada Gambar. 5.9. Kami akan
memutuskan frekuensi sampling selama proses desain. Kami akan menganggap bahwa
fase respon adalah nol, yaitu bahwa sinyal dari semua frekuensi tidak mengalami
perubahan fasa pada melewati filter.
Gambar 5.9

Langkah pertama dalam proses desain adalah untuk berpindah dari domain
frekuensi ke domain waktu, dengan menggunakan inverse Fourier transform. Untungnya,
kami sudah sudah membuat ini konversi frekuensi-to-waktu tertentu di bagian
sebelumnya (meskipun untuk spektrum frekuensi daripada respon frekuensi) dan tahu
bahwa Waktu fungsi yang sesuai, f (t), diberikan oleh:

Oleh karena itu, untuk filter ini, dengan frekuensi cut-off nya 4kHz:

Tapi apakah fungsi utama saat ini? Ini adalah unit respon impuls filter. Untuk
meyakinkan diri sendiri ini, Anda perlu membayangkan menggunakan unit impuls
sebagai masukan filter. Sebagai Transformasi Laplace dari impuls satuan adalah '1', maka
Transformasi Laplace, Y (s), output, akan menjadi sama seperti fungsi transfer filter,
yaitu Y (s) = 1 x T (s) = T (s). Seperti kita tertarik dalam respon frekuensi, kita dapat
mengganti 's' dengan joging. Oleh karena itu Y (JCO) - T (JCO), di mana Y (JCO) adalah
spektrum frekuensi dari respon impuls satuan. Kita tahu yang beroperasi pada spektrum
frekuensi sinyal dengan IFT merekonstruksi sinyal dalam domain waktu. Hal berikut
yang menerapkan IFT untuk T (JCO), dan karena itu ke Y (joging), harus memberikan
kami waktu respon dari Y (JCO), yang kita tahu adalah unit respon impuls filter. Pastikan
bahwa Anda senang dengan argumen ini, karena merupakan dasar untuk proses desain.

Gambar 5.10 (a) menunjukkan plot f (t) = [sin (8000rct)] / m, yaitu unit filter
respon impuls, dalam jendela waktu-1,5 ms untuk 1,5 ms.

Gambar 5.10
N.B. Respon waktu menunjukkan sinyal yang terjadi sebelum t - 0, yaitu sebelum
masukan tiba, tetapi tidak khawatir tentang hal ini untuk saat ini. Langkah berikutnya
dalam desain adalah untuk sampel respon impuls satuan. Ini adalah Inti dari desain
sebagai nilai-nilai sampel harus koefisien filter FIR. Untuk Misalnya, mari kita
bayangkan bahwa kita bisa mewakili sinyal memadai dengan mengambil hanya lima
sampel, a, b, c, b, a, dengan sampel yang simetris tentang pusat puncak. Ini, tentu saja,
benar-benar realistis dan banyak sampel harus menjadi diambil - tapi beruang dengan
saya. Jika sekarang kita menggunakan ini sebagai koefisien dari fungsi transfer penyaring
maka ini di rumuskan:

Jika kita sekarang menggunakan urutan unit sampel sebagai masukan ke filter
diskrit maka output akan urutan a, b, c, b, a. Ini mengikuti bahwa amplop unit respon
sampel dari filter diskrit akan sama dengan respon impuls satuan filter terus menerus.
Dengan kata lain, kita akan telah merancang filter digital yang memiliki respon sampel
satuan yang sesuai dengan respon frekuensi yang diperlukan. Ini terdengar baik-baik saja,
tapi kami memiliki sedikit masalah praktis di sini dalam waktu respon, secara teoritis,
terus selamanya. Gambar 5.10 (a) menunjukkan hanya bagian dari itu; riak kedua sisi
puncak sentral secara bertahap mendapatkan lebih kecil dan lebih kecil.

Jelas kita tidak bisa mengambil jumlah tak terbatas sampel! Apa yang harus kita
lakukan adalah kompromi dan sampel lebih dari hanya terbatas, tapi memadai, rentang
waktu. Disini kita akan sampel antara sekitar 5 x 10 4 s. slot waktu ini agak pendek tapi
itu akan cukup untuk menunjukkan prinsip-prinsip pendekatan. Jika kita menggunakan
jendela waktu yang lebih realistis maka matematika yang terlibat akan menjadi tidak
perlu membosankan dan di jalan penjelasan. Jika kita ingin salah satu sampel kami
berada di puncak pusat, yang tampaknya masuk akal hal yang harus dilakukan, maka,
sebagai koefisien harus simetris tentang pusat untuk memastikan fase-linear # y, itu
berarti bahwa kita perlu mengambil ganjil sampel.
Mudah, jika kita sampel setiap 0,5 x 10 0,4 s maka kita bisa pas 21 sampel ke 10
0,3 s slot waktu. oleh karena itu kita akan sampel di 20 kHz (T - 0,5 x 10 4 s). Hal ini
memberikan frekuensi Nyquist dari 10 kHz, yang jauh di atas cut-off frekuensi 4 kHz dan
harus memuaskan. (Jelas, itu akan menjadi sia-sia memutuskan untuk sampel pada
frekuensi yang sesuai dengan frekuensi Nyquist yang adalah di bawah frekuensi cut-off!)
Sebelum kita melaksanakan sampling ada satu masalah lainnya ke alamat bahwa respon
waktu mulai pada waktu negatif. Ini telah disebut sebelumnya tapi dimasukkan ke satu
sisi. Jelas, ini merupakan respon mustahil untuk digital nyata menyaring seperti itu berarti
bahwa sinyal yang dihasilkan sebelum input yang diterima, di lain kata, filter adalah 'non-
kausal'. Namun, bukan masalah besar ini secara matematis karena kami hanya bisa
menggeser waktu respon yang diperlukan ke kanan dengan 0,5 x 10 0,3 s sehingga
dimulai pada t - 0. Praktis, ini memiliki efek memperkenalkan penundaan ke filter 0,5 x
10 -3 s, tapi ini seharusnya tidak menjadi masalah. Hal ini dapat menunjukkan bahwa hal
itu juga mengubah respon fase filter dari aslinya nol untuk non-nol tetapi respon fase
linier. Sekali lagi, ini baik-baik saja.

Untuk mencerminkan ini waktu-pergeseran oleh 5 x 10 0,4 s, persamaan (5.3)


perlu diubah untuk:

Kita sekarang, akhirnya, dalam posisi untuk sampel sinyal untuk mendapatkan
koefisien filter kami. Untuk melakukan hal ini kita perlu mengganti t dengan nT dalam
persamaan (5.4), dimana n adalah sampel

nomor, 0 sampai 20, dan T periode sampling 0,5 10 s4 s


'Waktu-berjendela', bergeser dan sinyal sampel ditunjukkan pada Gambar. 5.10 (b), dan
nilai-nilai sampel pada Tabel 5.1.

N.B. Nilai sentral melibatkan membagi 0 0, yang bermasalah! Namun, jika kita
memperluas sinus

Fungsi menggunakan seri kekuasaan,

maka kita dapat melihat bahwa dosa x pendekatan x, dimana x mendekati nol, dan
sebagainya (sin x) / x harus mendekati 1.
Oleh karena itu harus menjadi

Dari Tabel 5.1, filter harus memiliki fungsi transfer:

Atau

(Kedua koefisien nol telah dimasukkan untuk kejelasan.) Jadi, kini hadir saat
kebenaran- respon frekuensi filter. Ini ditunjukkan pada Gambar. 5.11 - dan tidak terlihat
terlalu baik! Meskipun filter memiliki respon fase linier dan cut-off frekuensi sangat
dekat dengan yang dibutuhkan 4 kHz (0.4fN), besarnya respon terlalu besar. Namun,
seharusnya kita akan terlalu terkejut dengan ini? Pikirkan kembali ke bab sebelumnya di
mana kita dikonversi filter terus menerus untuk setara diskrit, menggunakan impuls-
invariant transform (Bagian 4.10). Metode ini memberikan kesepakatan yang sangat baik
antara sampel Unit respon dari filter diskrit dan unit respon impuls yang terus menerus
prototipe. Namun, meskipun besarnya respons juga memiliki bentuk yang benar, itu
terlalu besar, dan jadi kami harus skala fungsi transfer. Ini adalah persis apa yang harus
dilakukan di sini. Besarnya respon di passband adalah sekitar 86 dB daripada 0 dB
diperlukan, yang kira-kira20 000 kali terlalu besar, dan jadi kita perlu membagi semua
koefisien oleh 20 000.
Gambar 5.11

Besarnya respons dari filter skala ditunjukkan pada Gambar. 5.12 dan sekarang

setuju erat dengan spesifikasi filter. Oleh karena itu filter kami memiliki transfer fungsi
dari:
gambar 5.12

N.B. Bukan suatu kebetulan bahwa kita sampling pada 20 kHz dan bahwa kita perlu skala
oleh 1/20 000. Ini adalah mungkin untuk menunjukkan bahwa, untuk mendapatkan
koefisien filter dari respon impuls unit sampel nilai-nilai, kita perlu membagi nilai-nilai
sampel oleh frekuensi sampling. Jadi, untuk meringkas: titik awal dalam proses desain
adalah diperlukan respon frekuensi filter. IFT tersebut kemudian diambil dari respon
frekuensi ini untuk menghasilkan respon unit filter impuls. Jendela waktu yang cukup
sekarang dipilih, dengan puncak pusat respon impuls satuan di tengah-titik. Itu bagian
yang dipilih dari respon impuls satuan kemudian bergeser, sampel simetris, dan sampel
skala. Nilai-nilai skala adalah koefisien filter.

Pendekatan yang lebih cepat Untuk membuat prinsip-prinsip di balik proses


desain sejelas mungkin, filter desain telah didekati dengan cara yang paling logis. Kami
mulai dengan yang dibutuhkan respon frekuensi dan kemudian menggunakan IFT untuk
mengkonversi ke domain waktu untuk mendapatkan Unit sesuai respon impuls. Respon
impuls satuan kemudian sampel, bergeser dan akhirnya diperkecil untuk menemukan
koefisien FIR filter. Namun, hal ini bukan proses yang panjang dan cara yang jauh lebih
langsung dan praktis untuk menemukan koefisien berikut.

Kita tahu bahwa respon impuls satuan diberikan oleh f (t) = (sin (2nfct)) / zt dari
persamaan (5.2), dan nilai-nilai sampel, sebelum bergeser dan scaling, diberikanoleh:
Namun, kita tahu bahwa untuk mendapatkan koefisien filter, C (n), kita perlu
skala ini sampel dengan membagi oleh fs.

Tapi,

Hal ini sering lebih mudah untuk mengungkapkan frekuensi cut-off di


dinormalisasi bentuk, yaitu sebagai sebagian kecil dari frekuensi Nyquist, F N , dan
jadi kita dapat menulis ulang persamaan untuk C(n) sebagai:

Tapi,

Dengan membuat ini titik awal kita dan, misalnya khusus kita, menggunakan n =
-10 untuk + 10, kita dapat menemukan koefisien filter sangat cepat. Kami tidak perlu
repot ke waktu-menggeser ekspresi selama kita ingat bahwa C (-10) akan sesuai koefisien
pertama kami, C (-9) untuk yang kedua, dll Baik adalah scaling diperlukan sebagai ini
telah dimasukkan ke dalam ekspresi untuk C (n).

5.7 Penjendelaan Dan Gibbs Fenomena

Meskipun filter yang baru saja kita dirancang memenuhi spesifikasi cukup baik,
Anda akan melihat 'riak' di stopband (Gbr. 5.12). Jauh lebih serius, ini juga hadir dalam
passband, meskipun mereka kurang jelas karena skala log. Gambar 5.13 menunjukkan
versi yang diperluas dari hanya passband- yang riak sekarang jauh lebih jelas. riak di
passband ini jelas tidak diinginkan seperti, idealnya, kita memerlukan gain konstan
selama rentang frekuensi ini.

Gambar 5.13

Ripple ini disebut fenomena 'Gibbs', setelah seorang pekerja di awal bidang
analisis sinyal. Hal ini terjadi karena kita telah menerapkan 'window' ke unit respon
impuls, yaitu kita hanya menganggap bahwa sebagian dari sinyal yang terkandung dalam
waktu-slot 10
3
s. Pada contoh sebelumnya kita telah efektif diterapkan jendela
persegi panjang, bahwa semua nilai sinyal yang dikalikan dengan 1 selama 10 -3 s slot
waktu dan dengan 0 untuk semua nilai waktu lain. Namun demikian, profil jendela
standar lain yang tersedia untuk kita yang dapat kita gunakan untuk mengurangi riak.
Salah satu yang banyak digunakan adalah Hamming window. Profil jendela khusus ini
didefinisikan oleh:
Dimana n adalah jumlah sampel dan N jumlah total sampel. Hamming yang profil
jendela, untuk N - 21, ditunjukkan pada Gambar. 5.14.Apa yang harus kita lakukan untuk
mengalikan semua nilai-nilai sampel dalam waktu 10 0,3 s.

Slot oleh nilai jendela yang sesuai, sebelum kita menemukan koefisien filter kami.
Lebih nyaman, ini setara dengan hanya mengalikan masing-masing kami filter raw
koefisien dengan nilai window Hamming.

Gambar 5.14

Nilai-nilai Hamming window dan koefisien filter baru untuk lowpass Filter
dijelaskan dalam Tabel 5.2.
Gambar 5.15

N.B.1 Ada beberapa profil jendela lain yang umum digunakan. Sebagai contoh:

N.B.2 The MATLAB fungsi fir 1 akan menghasilkan FIR koefisien fungsi transfer
filter - Hamming yang memiliki fungsi window secara otomatis . Misalnya, semua yang
diperlukan untuk merancang lowpass kami Filter adalah instruksi tunggal:a = firl (20,0.4)
di mana 20 adalah jumlah koefisien kurang 1, dan '0,4' adalah normal cut-off frekuensi,
yaitu fc / F N .Fungsi window lainnya dapat digunakan. Lihat panduan MATLAB
pengguna atau membantu layar untuk keterangan lebih lanjut.

5.8 HIGHPASS, BANDPASS DAN BANDSTOP FILTER

Telah ditunjukkan bahwa koefisien untuk linear-fase lowpass filter FIR yang dirumuskan
oleh:
Tapi bagaimana kalau kita membutuhkan highpass filter? Dalam Bab 4, filter lowpass IIR
dikonversi ke highpass filter IIR oleh menerapkan tertentu transformasi di z-domain
(Bagian 4.17). Kita bisa melakukan ini di sini tapi itu akan menjadi tugas enak karena ada
begitu banyak istilah z untuk mengubah. Juga, bahkan jika kita terganggu, kita akan
berakhir dengan filter IIR, dan satu dengan fase respon non-linear . Namun, semua itu
tidak hilang, karena dapat menunjukkan bahwa tanggapan unit sampel, dan koefisien
filter, untuk highpass linear-fase, bandpass dan bandstop FIR filter seperti yang
ditunjukkan pada Tabel 5.3, wherefu adalah atas cut-off frekuensi dan fl lebih rendah.
Jika Anda memerlukan informasi lebih lanjut tentang asal-usul ungkapan ini melihat
Chassaing dan Horning (1990). Highpass, bandpass dan bandstop filter, dengan berbagai
fungsi jendela, juga dapat dirancang dengan menggunakan MATLAB, fungsi 'firl'.
Mengacu pada MATLAB pengguna manual atau bantuan layar untuk informasi lebih
lanjut.

5,9 SELF-ASSESSMENT TES

1 (a) Desain lowpass FIR filter dengan frekuensi cut-off dari 3 kHz. Filter adalah untuk
digunakan dengan frekuensi sampling 12 kHz dan memiliki 'panjang' dari 11, yaitu 11
koefisien yang akan digunakan.

(B) Redesign filter, sehingga dapat mengurangi riak passband, dengan menggunakan
Hanning (N.B. tidak Hamming?) Jendela.
2. Desain highpass filter FIR dengan cut-off frekuensi 4 kHz. filter adalah untuk
digunakan dengan frekuensi sampling 20 kHz. Sebuah jendela persegi panjang adalah
untuk menjadi terapan dan 21 sampel yang harus diambil. (Petunjuk: Sebagian dasar
memiliki desain filter lowpass dalam Bagian 5.6.)

5.10 RECAP

Untuk desain filter FIR lowpass, menggunakan Fourier (atau windowing) metode,
kita perlu mencari koefisien filter, C (n), dengan menggunakan:

Secara efektif sampel, pergeseran dan skala respon impuls satuan dari filter yang
diinginkan. Jika perlu, untuk mengurangi passband (dan stopband) Ripple, yaitu yang
'Gibbs Fenomena ', fungsi window yang cocok (selain empat persegi panjang) dapat
terapan.

Pernyataan juga ada untuk menurunkan koefisien fungsi transfer untuk highpass,
bandpass dan bandstop filter.

5.13TES SELF-ASSESSMENT

Sebuah filter highpass FIR harus dirancang, menggunakan teknik 'frekuensi


sampling'.filter adalah untuk memiliki frekuensi cut-off dari 3 kHz dan akan
digunakan denganrekuensi sampling dari 9 kHz. Respon frekuensi untuk menjadi
sampel setiap 1 kHz.

5.14REKAP

Transformasi Fourier diskrit (DFT), digunakan untuk mengkonversi sinyal sampel


untukspektrum frekuensi sampel, sedangkan Fourier diskrit invers
transformasi(IDFT) mencapai proses sebaliknya.
spektrum frekuensi yang sampel diperoleh dengan menggunakan DFT terdiri dari
frekuensikomponen pada frekuensi dari kfJN, untuk k = 0 N 1, di mana f ~ adalah
samplingfrekuensi dan N jumlah sampel yang diambil.
Dengan dimulai dengan respon frekuensi yang diinginkan sampel dari filter, itu
adalahmungkin untuk menemukan koefisien yang cocok linear-fase filter FIR
dengan menerapkanyang IDFT.

5.15TRANSFORMASI CEPAT FOURIER DANKEBALIKANNYA

Jelas, transformasi Fourier diskrit adalah sangat penting dalam bidang


sinyalpengolahan karena memungkinkan kita untuk menganalisis konten spektral
dari sinyal sampel. ItuIDFT tidak sebaliknya, dan kita telah melihat bagaimana
berharga itu ketika datang kedesain filter FIR. Meskipun kita tidak akan melihat
tertentu. Metode DFT juga dapat digunakan untuk merancang filter digital.Namun,
berguna seperti mereka, DFT dan kebalikannya memiliki praktis utamamasalah-ini
adalah bahwa mereka melibatkan banyak perhitungan dan begitu sangatboros
dalam hal waktu komputasi. Sebelumnya, kami melakukan beberapa transformasi
manual, menggunakan angka realistis kecil sampel. Bayangkan
perhitungandiperlukan jika ribuan sampel menjadi u s e d - dan ini tidak biasa
dipraktis pemrosesan sinyal digital. Karena ini, algoritma telah dikembangkanyang
memungkinkan dua transformasi yang akan dilakukan lebih cepat- sangatbijaksana
mereka disebut Fast Fourier Transform (FFT), dan kebalikan cepatFourier
transform (FIFT) atau kebalikan Fast Fourier Transform (IFFT). Pada
dasarnya,algoritma ini memecah tugas mengubah waktu sampel untuk
sampelfrekuensi, dan sebaliknya, menjadi blok-blok yang lebih kecil - mereka juga
memanfaatkan dari setiap redundansi komputasi di 'normal' transformasi
diskrit.Untuk menunjukkan prinsip-prinsip umum, FFT untuk urutan empat
sampel,x [0], x [1], x [2] dan x [3], yaitu sebuah 'empat titik' urutan, sekarang akan
diturunkan.Dari
atau, lebih rapi:

Dimana (W sering disebut sebagai 'faktor bermalas'!)

Ini set empat persamaan dapat dinyatakan lebih nyaman, dalam bentuk matriks, sebagai

Memperluas W l, W 2, W 3 dll menggunakan identitas Euler, atau dengan


mempertimbangkan periodisitas *
istilah ini, Anda harus mampu menunjukkan bahwa "

* Periodicity: Ingat bahwa merupakan vektor satuan pada diagram Argand,

cenderung pada sudut sumbu real positif. Hal berikut bahwa dan , yaitu W
1 dan W 9, hanya berbeda dalam bahwa W 9 telah membuatdua revolusi ekstra. Efektif,
mereka berdua merupakan vektor satuan cenderung t - 9 0 ~ atau 270 ~ kesumbu real
positif, dan sehingga mereka sama dengan -J.)

Mensubstitusi ke dalam persamaan 5.9:

Memperluas persamaan matriks:

Jika kita sekarang mari:


Kemudian

Ketika dilakukan oleh komputer, proses perkalian jauh lebihmemakan waktu dari proses
penambahan dan sehingga sangat penting untuk mengurangijumlah perkalian dalam
algoritma sebanyak mungkin. Kami memiliki jelasmelakukan ini dan sehingga
perhitungan X0 untuk X3 harus dicapai jauh lebihcepat dibandingkan jika DFT yang
akan digunakan.FFT, diwakili oleh empat persamaan (5.11a-d) di atas, dapat
digambarkandengan diagram aliran sinyal dari Gambar. 5.20. diagram aliran sinyal FFT
inisering disebut sebagai 'kupu-kupu' diagram untuk alasan yang jelas.Kami telah melihat
FFT untuk hanya empat sampel tetapi FFT ada untuk setiapjumlah sampel (meskipun
algoritma ini adalah yang paling sederhana untuk bilangan genap).Memang, peningkatan
relatif dalam pengolahan meningkat waktu sebagai N meningkat. T dapat ditunjukkan
bahwa jumlah perkalian dilakukan oleh DFT normal,ketika mengubah sinyal yang terdiri
dari N sampel, adalah urutan dari N 2, sedangkan,untuk FFT, itu kira-kira N log2 N.
Untuk urutan empat sampel kami ini sesuaisekitar 16 perkalian untuk DFT dan delapan
untuk FFT. Namun,

Gambar 5.20
jika kita mengambil sejumlah lebih realistis sampel, seperti 1024, maka DFT membawa
out hanya lebih dari satu juta perkalian dan FFT lebih dari 10 000, yaitu jauh Perbedaan
yang lebih signifikan. Lihat Proakis dan Manolakis (1996), Lynn dan Fuerst (1994), atau
Ingle dan Proakis (1997) jika Anda memerlukan perawatan yang lebih rinci topik ini.

N.B. Kami menghabiskan waktu melihat FFT dan kebalikannya, IFFT, karena
transformasi ini digunakan dalam desain sistem pemrosesan sinyal digital. Namun,
sebelum pindah dari FFT harus menunjukkan bahwa prosesor sinyal digital, pada
gilirannya, digunakan untuk menemukan FFT dari sinyal sehingga memungkinkan
spektrum untuk dianalisis. Ini adalah aplikasi yang sangat umum dari sistem DSP.

5.16Invers Transformasi Fourier Cepat

Sejauh ini kita telah berkonsentrasi pada FFT tapi kebalikan cepat Fourier transform
adalah sama pentingnya. Karena merupakan proses terbalik dengan FFT, pada dasarnya,
semua yang diperlukan adalah untuk bergerak melalui FFT sesuai diagram aliran sinyal
di arah berlawanan. Namun, dapat ditunjukkan bahwa kita harus terlebih dahulu
mengubah tanda-tanda eksponensial dalam hal W - dengan kata lain, mengubah tanda
sudut fase dari pengganda. Sebagai sudut fase _ + 180 ~ _ + 540 ~ + _900 ~ dll efektif
sama, seperti 0 ~ 360 ~ 720 ~ dll maka semua yang diperlukan adalah untuk mengubah
tanda pengganda j. Hal ini karena vektor satuan dengan sudut fase dari 90 ~ atau 270 ~
dll, tidak sama, satu diwakili pada diagram Argand oleh j dan yang lainnya oleh j.

Hal ini juga dapat menunjukkan bahwa output yang dihasilkan harus dibagi dengan N.
Gambar 5.21 menunjukkan diagram kupu-kupu yang dimodifikasi untuk sistem empat-
sampel kami. Hanya untuk menunjukkan bahwa ini bekerja, pertimbangkan x [0]. Dari
Gambar. 5.21:
Gambar 5.21

Tapi dan

Menggantikan Xo, Xl, X 2 dan X 3 menggunakan persamaan 5.10 (a-d), akan


menemukan bahwa nanti berakhir dengan x [0] = x [0], yang menunjukkan
bahwa algoritma diwakili oleh Gambar. 5.21 karya(Lihat Damper (1995)
dan juga Ifeachor dan Jervis (1993) untuk lebih lanjut rincian.)

5.17 MATLAB DAN FFT

FFT untuk berurutan dapat diperoleh dengan sangat mudah dengan menggunakan
MATLAB, 'cocok'fungsi. Program berikut akan menghasilkan sampel, frekuensi
kompleksnilai untuk 10 sampel urutan 1, 2, 3, 5, 4, 2, -1, 0, 1, 1.

Nilai sinyal sampel dihasilkan sesuai nilai frekuensi sampel.

magnitude dan fase nilai-nilai sampel ditampilkan secara grafis pada Gambar
5.22,menggunakan frekuensi sampling 10 kHz.
Gambar 5.22

Lebih menarik, Gambar. 5.23 (a) menunjukkan sinyal sampel yang dihasilkan dengan
menambahkantiga gelombang sinus unit amplitudo, memiliki frekuensi 100, 210 dan 340
Hz,sementara Gambar. 5.23 (b) menampilkan spektrum amplitudo sampel, diperoleh
dengan menggunakanFungsi 'FFT'. Frekuensi sampling yang digunakan adalah 1 kHz dan
50 sampeldiambil dan resolusi frekuensi 20 Hz, (fs / N). Perhatikan bahwa sinyal
darifrekuensi 100 dan 340 Hz muncul dengan sangat jelas pada Gambar. 5.23 (b),
sedangkan 210sinyal hz tidak begitu jelas. Hal ini karena 100 dan 340 Hz adalah
duafrekuensi sampel, yaitu nfJN, sementara 210 Hz tidak. Meski begitu, fft yang
membuatupaya berani untuk mengungkapkannya.
Gambar 5.23

subplot (2, i, i) ;
stem(t,y)
grid
xlabel('Time in seconds')
fs=n*20
subplot (2, i, 2)
m=abs (fft (y)) ;
Frekuensi sampling 1 kHz, frekuensi dari Tiga sinyal 50 sampel yang diambil Kali di
sinyal yang sampel Y adalah jumlah dari tiga sinyal Plot y terhadap t menggunakan
"Batang" menambahkan jaringan sampel dari nilai-nilai (frequensi resolusi% = 20 Hz)
Menemukan nilai-nilai besaran saja, misal tidak fase plot m terhadap frekuensi.

Ada juga fungsi MATLAB 'ifft'. Berikut ini menunjukkan program yang sederhana
bagaimana urutan 10-point, 1, 2, 3, 5, dll, 'FFT' sebelumnya, dapat dipulihkan dengan
menggunakan fungsi ifft.

Urutan sampel menemukan FFT, Menemukan ifft dari sampel konten spektral

Hasil yang diperoleh adalah:


yaitu nyata asli, sampel sinyal dari 1, 2, 3, 5, dll terungkap oleh ifft

fungsi.

REKAP

DFT dan IDFT sangat berguna tetapi memiliki kelemahan bahwa


merekamemerlukan jumlah yang relatif besar perhitungan.
Cepat Fourier transform (FFT), dan kebalikannya, telah dikembangkan
untukmengurangi waktu pemrosesan.

5.18PERINGATAN PADA AKHIR KATA

Dalam buku ini kita telah melihat teori di balik analisis dan desain filter digital.
Namun, ketika kita mengatasi beberapa pengolahan praktis Anda
mungkinmenemukan bahwa sistem tidak melakukan cukup seperti yang
diharapkan! Masalah seriuspole dan zero 'bunching' disebutkan dalam bab
sebelumnya, tetapi adabanyak sumber lain dari kesalahan yang dapat
mempengaruhi perilaku sinyal digitalsistem pengolahan. Salah satu penyebab
yang jelas dari ketidakakuratan adalah kuantisasi darisinyal input karena A-to-D
converter. Nilai-nilai output digital dari konverter.hanya akan representasi
perkiraan nilai masukan terus menerus - yang
lebih kecil jumlah A-to-D bit semakin kesalahan kuantisasi ini. kesalahan lebih
lanjut diperkenalkan karena register prosesor memiliki jumlah terbatas bit diyang
menyimpan berbagai data, seperti input, output dan multiplier nilai. Iniakan
menghasilkan angka yang dipotong atau dibulatkan. Kesalahan ini akan menjadi
bencanajika, sebagai akibat dari penambahan atau perkalian misalnya, nilai-nilai
yang dihasilkanyang terlalu besar untuk disimpan sepenuhnya. Seperti overflow
data biasanya menghasilkandalam bit yang paling signifikan yang hilang dan data
yang tersisa disimpan adalah omong kosong.Untuk mengurangi risiko ini,
perangkat lunak pengolah sering skala data, yaitu mengurangimereka. Dalam
keadaan tertentu, pembulatan nilai data dalam sistem IIR juga dapat menyebabkan
osilasi, yang dikenal sebagai 'batas siklus'.Ini hanya gambaran singkat dari
beberapa kekurangan lebih jelassistem DSP. Jika Anda ingin mempelajari lebih
lanjut tentang aspek ini sinyal digitalprosesor kemudian beberapa sumber yang
baik adalah Jackson (1996), Proakis dan Manolakis(1996), Terrell dan Lik-Kwan
Shark (1996) dan Ifeachor dan Jervis (1993).

5.19BAB RINGKASAN

Dalam hal ini, bab terakhir, kasus untuk menggunakan FIR daripada filter IIR
dibuat. Keuntungan utama dari sistem FIR adalah bahwa adalah mungkin untuk
merancang mereka untuk memiliki karakteristik fase linier, mis pergeseran fasa
dari komponen frekuensi,disebabkan oleh melewati filter, sebanding dengan
frekuensi. Ini filter linear-fase efektif menunda berbagai komponen frekuensi
sinyal dengansaat yang sama, dan menghindari distorsi sinyal. Untuk filter FIR
memiliki linearrespon fase, itu harus dirancang untuk memiliki koefisien fungsi
transfer simetris.Terlepas dari itu menjadi tidak mungkin untuk filter FIR tidak
stabil (tidak seperti IIRfilter), keuntungan lebih lanjut adalah bahwa mereka dapat
dirancang untuk memiliki berkekuatan. Tanggapan dari bentuk-apa meskipun
hanya 'brickwall' profil telah dipertimbangkansini.Dua teknik desain utama yang
described- yang 'Fourier' atau 'windowing'Metode dan juga pendekatan 'frekuensi
sampling'. Peningkatan dalam filterkinerja, yang dihasilkan dari penggunaan yang
sesuai profil 'jendela', seperti Hamming,Hanning atau Blackman, juga dibahas dan
menunjukkan.Sebagai dua metode desain sangat bergantung pada baik terus
menerus atau diskrittransformasi Fourier - atau invers mereka, topik ini juga
tertutup. Masalahdari waktu pemrosesan yang relatif lama diperlukan oleh DFT
dan IDFT kemudiandipertimbangkan dan alternatif, FFT jauh lebih cepat dan
FIFT dijelaskan.Akhirnya, beberapa sumber lebih jelas kesalahan penyaring yang
disorot.

5.20MASALAH
1. Sebuah filter bandpass FIR rendah harus dirancang dengan menggunakan
'Fourier' atau 'windowing' metode. filter harus memiliki 11 koefisien dan
frekuensi cut-off dari0.25fN. filter adalah harus dirancang dengan
menggunakan (a) jendela persegi panjang dan (b) jendela Hamming.

2. Sebuah filter bandpass FIR, dengan panjang sembilan (sembilan koefisien)


diperlukan. Hal ini untukmemiliki bawah dan atas cut-off frekuensi 3 dan 6
kHz masing-masing dandimaksudkan untuk digunakan dengan frekuensi
sampling 20 kHz. Cari filterkoefisien menggunakan metode Fourier dengan
jendela persegi panjang.

3. Sebuah sinyal diskrit terdiri dari urutan terbatas 1, 0, 2. Gunakan DFT untuk
menemukankomponen frekuensi dalam sinyal, dengan asumsi frekuensi
sampling 1 kHz. Periksa transformasi telah dilakukan dengan benar dengan
menerapkanyang IDFT komponen frekuensi diturunkan dalam rangka untuk
memulihkan aslisampel sinyal.
4. Menggunakan metode 'frekuensi sampling' untuk merancang filter lowpass
FIR dengan cutofffrekuensi 500 Hz, mengingat bahwa filter akan digunakan
dengan sampling frekuensi 4 kHz. Sampling frekuensi yang akan
dilaksanakan di delapanpoin. (N.B. Sebuah bahkan jumlah titik sampling.

5. Sebuah filter bandstop harus dirancang dengan menggunakan teknik sampling


frekuensi. Bawah dan atas frekuensi cut-off yang menjadi masing-masing 1
dan 3 kHz danfilter adalah untuk digunakan dengan frekuensi sampling
adalah 9 kHz. Frekuensisampling akan dilakukan di sembilan poin.

6. Sebuah sinyal diskrit terdiri dari empat sampel 1, 2, 0, -1.


(A) Gunakan diagram FFT kupu-kupu dari Gambar. 5.20 untuk mencari
frekuensi sampelspektrum sinyal.
(B) Menerapkan diagram aliran sinyal dari Gambar. 5.21, yaitu Fourier
terbalik cepattransformasi, untuk sampel frekuensi yang diperoleh pada
(a) di atas, untuk mengungkapkansampel sinyal asli.