feng

started from 11.28.2025

首页·个人博客

数字滤波器设计

滤波器性能指标

Pasted image 20260104153635.png

上图为一低通滤波器,分为通带,过渡带和阻带.通带内有一个忍受区间\([1+\delta_{p_1},1-\delta_{p_1}]\).\(w_p\)为通带截止频率;经过过渡带后到达阻带,阻带容许范围为\([0,\delta_s]\),阻带截止频率为\(\omega_s\).

从模拟滤波器设计数字滤波器

我们可以以模拟滤波器为原型,设计为数字滤波器,接下来的分析遵循

\[\Omega-模拟滤波器\quad w-数字滤波器\]

我们可以利用两种方法将因果稳定的模拟滤波器转为数字滤波器,分别为脉冲响应不变法和双线性变换法.常见的模拟滤波器有

以巴特沃斯滤波器为例,其幅度关系满足

\[\left|H_c(j\Omega)\right|^2=\frac{1}{1+\left(j\Omega/j\Omega_c\right)^{2N}}\]

其中\(\Omega_c\)为截止频率,当\(\Omega=\Omega_c\)时,\(H_c(j\Omega)=\frac{\sqrt{2}}{2}\),满足-3db的截止定义.\(N\)为巴特沃斯滤波器的阶数.
\(|H_c(j\Omega)|\)可以写为\(H_c(j\Omega)H_c^*(j\Omega)\),由于是实系统,满足共轭对称性拉普拉斯变换,所以\(H_c^*(j\Omega)=H_c(j\Omega^*)=H_c(-j\Omega)\),所以

\[|H_c(j\Omega)|^2=H_c(j\Omega)H_c(-j\Omega)\]

令\(s=j\Omega\),于是有

\[H_{c}(s)H_{c}(-s)=\frac{1}{1+\left(s/j\Omega_{c}\right)^{2N}}\]

由此可解出巴特沃斯滤波器的极点为\(s_{k}=(-1)^{1/2N}(j\Omega_{c})=\Omega_{c}e^{j\pi(\frac{1}{2}+\frac{2k-1}{2N})}\).

Pasted image 20260104160413.png

为了保证因果稳定,极点必须在\(jw\)轴左侧拉普拉斯变换.所以我们选取左半平面的极点建立系统函数

\[H_c(s)=\frac A{\prod_{k=1}^N(s-s_k)}\]

当\(s=0\)时,\(H_c(s)=1\),由此解出\(A=\prod_{k=1}^{N}(-s_{k})\),而\(s_{k}=\Omega_{c}e^{j\pi(\frac{1}{2}+\frac{2k-1}{2N})}\),代入求和可以得到

\[A=\Omega_c^N\]

于是可以得到巴特沃斯模拟滤波器的系统函数

\[H_{c}(s)=\frac{\Omega_{c}^{N}}{\prod_{k=1}^{N}(s-s_{k})}\]

脉冲响应不变法

假设原滤波器的单位脉冲响应为\(h[n]\),要转为数字滤波器,\(h[n]\)需要进行离散化处理,所以我们需要对其进行采样.即

\[\begin{gather}h[n]=T_{d}h_{c}(nT_{d})\\H(e^{j\omega})=\sum_{k=-\infty}^\infty H_c\left(j\frac\omega{T_d}+j\frac{2\pi}{T_d}k\right)\end{gather}\]

如果模拟滤波器是带限的,那么只要满足奈奎斯特采样定理,就不会发生混叠.所以这种方法只适用于带限滤波器的设计,即带通,低通滤波器.
模拟滤波器如果是因果的,那么传递函数满足

\[H_c(s)=\sum_{k=1}^N\frac{A_k}{s-s_k}\Longleftrightarrow h_c(t)=\sum_{k=1}^NA_ke^{s_kt}u(t)\]

进行采样后,得到

\[h[n]=T_dh_c(nT_d)=\sum_{k=1}^NT_dA_ke^{s_kT_dn}u[n]\Longleftrightarrow H(z)=\sum_{k=1}^{N}\frac{T_{d}A_{k}}{1-e^{s_{k}T_{d}}z^{-1}}\]

由于是采样得到的离散脉冲响应,所以依然满足

\[\Omega=w/T_d\]

e.g.利用脉冲响应不变法设计如下巴特沃斯滤波器

\[\begin{cases}0.89125\leq|H(e^{j\omega})|\leq1,&0\leq|\omega|\leq0.2\pi\\|H(e^{j\omega})|\leq0.17783,&0.3\pi\leq|\omega|\leq\pi\end{cases}\]

首先要确定阶数,将脉冲响应离散化,利用\(\Omega=w/T_d\)可得

\[\begin{cases}0.89125\leq|H_c(j\Omega)|\leq1,&0\leq|\Omega|\leq\frac{0.2\pi}{T_d}\\|H_c(j\Omega)|\leq0.17783,&\frac{0.3\pi}{T_d}\leq|\Omega|\leq\infty\end{cases}\]

由于巴特沃斯滤波器在全频段下都是单调的,所以只需要满足

\[\begin{cases}\left|H_c\left(j\frac{0.2\pi}{T_d}\right)\right|\geq0.89125\\\left|H_c\left(j\frac{0.3\pi}{T_d}\right)\right|\leq0.17783&\end{cases}\]

代入平方关系表达式\(\left|H_{c}(j\Omega)\right|^{2}=\frac{1}{1+\left(\Omega/\Omega_{c}\right)^{2N}}\)可得

\[\begin{cases}1+\left(\frac{0.2\pi}{\Omega_{c}T_{d}}\right)^{2N}=\left(\frac{1}{0.89125}\right)^{2}\\1+\left(\frac{0.3\pi}{\Omega_{c}T_{d}}\right)^{2N}=\left(\frac{1}{0.17783}\right)^{2}\end{cases}\Rightarrow \begin{cases}\Omega_cT_d=0.7032\\N=5.88\rightarrow N=6\end{cases}\]

得到\(N\)和\(\Omega_cT_d\)以后,再对系统函数进行求解.前文已经求出了巴特沃斯滤波器的系统函数

\[H_{c}(s)=\frac{\Omega_{c}^{N}}{\prod_{k=1}^{N}(s-s_{k})}=\sum_{k=1}^N\frac{A_k}{s-s_k}\]

由脉冲响应不变法可知\(H_c(s)=\sum_{k=1}^N\frac{A_k}{s-s_k}\longrightarrow H(z)=\sum_{k=1}^{N}\frac{T_{d}A_{k}}{1-e^{s_{k}T_{d}}z^{-1}}\).而模拟极点

\[s_{k}=\Omega_{c}e^{j(\frac{1}{2}+\frac{2k-1}{2N})\pi}=\Omega_{c}e^{j(\frac{1}{2}+\frac{2k-1}{12})\pi}\]

转为数字后,极点变为

\[e^{s_kT_d}=e^{T_d \Omega_{c}e^{j(\frac{1}{2}+\frac{2k-1}{12})\pi}}=e^{0.7032e^{j(\frac{1}{2}+\frac{2k-1}{12})\pi}}\]

由传递函数可以求解出\(A_k\):

\[A_k=(s-s_k)H_c(s)\Big|_{s=s_k}=\frac{\Omega_c^N}{\prod_{j=1,j\neq k}^N\left(s_k-s_j\right)}\]

由于巴特沃斯滤波器的极点为\(s_{k}=\Omega_{c}e^{j(\frac{1}{2}+\frac{2k-1}{2N})\pi}\),所以下面积的结果应该是\(\Omega_c^{N-1}*指数\),指数记为\(e^{j\triangle}\).于是

\[A_k=\frac{\Omega_{c}^{N}}{\Omega_{c}^{N-1}e^{j\Delta}}=\frac{\Omega_{c}}{e^{j\Delta}}\Rightarrow A_{k}T_{d}=\frac{\Omega_{c}T_{d}}{e^{j\Delta}}=\frac{0.7032}{e^{j\Delta}}\]

这样传递函数就求解出来了,可以发现,最终的结果和\(T_d\)的取值没有关系.

\[H(z)=\frac{0.2871-0.4466z^{-1}}{1-1.2971z^{-1}+0.6949z^{-2}}+\frac{-2.1428+1.1455z^{-1}}{1-1.0691z^{-1}+0.3699z^{-2}}+\frac{1.8557-0.6303z^{-1}}{1-0.9972z^{-1}+0.2570z^{-2}}\]

Pasted image 20260104191135.png

使用该方法设计出的滤波器极点均在单位圆内,但是零点可能绘制单位圆外,并且会在无穷处有一个零点

双线性变换法

数学基础不足,只能直接看结果了,满足如下关系

\[s=\frac{2}{T_d}\Bigg(\frac{1-z^{-1}}{1+z^{-1}}\Bigg)\Rightarrow H(z)=H_c(s)\Big|_{s=\frac{2}{T_d}\left(\frac{1-z^{-1}}{1+z^{-1}}\right)}=H_c\left(\frac{2}{T_d}\frac{1-z^{-1}}{1+z^{-1}}\right)\]

接下来需要确定变化前后\(\omega\)和\(\Omega\)的关系.代入\(s=j\Omega\),\(z=e^{jw}\)可得

\[j\Omega=\frac2{T_d}\frac{1-e^{-j\omega}}{1+e^{-j\omega}}=j\frac2{T_d}tan\left(\frac\omega2\right)\]

所以

\[\begin{aligned}&\Omega=\frac{2}{T_{d}}tan\left(\frac{\omega}{2}\right)\\&\omega=2\tan^{-1}\left(\frac{\Omega T_{d}}{2}\right)\end{aligned}\]

Pasted image 20260104174818.png

e.g 利用双线性变换法设计巴特沃斯滤波器

\[\begin{cases}0.89125\leq|H(e^{j\omega})|\leq1,&0\leq|\omega|\leq0.2\pi\\|H(e^{j\omega})|\leq0.17783,&0.3\pi\leq|\omega|\leq\pi\end{cases}\]

首先求解\(N\).转换为数字角频率可得

\[\begin{cases}0.89125\leq|H_c(j\Omega)|\leq1,&0\leq|\Omega|\leq\frac2{T_d}tan(0.1\pi)\\\\|H_c(j\Omega)|\leq0.17783,&\frac2{T_d}tan(0.15\pi)\leq|\Omega|\leq\infty\end{cases}\]

由巴特沃斯的单调性可知,欲满足题目要求,即满足

\[\begin{cases}\left|H_{c}\left(j\frac{2}{T_{d}}\tan(0.1\pi)\right)\right|\geq0.89125\\\left|H_{c}\left(j\frac{2}{T_{d}}tan(0.15\pi)\right)\right|\leq0.17783\end{cases}\]

代入巴特沃斯滤波器的幅度关系\(\left|H_c(j\Omega)\right|^2=\frac{1}{1+\left(j\Omega/j\Omega_c\right)^{2N}}\)可得

\[\begin{cases}1+\left(\frac{2tan(0.1\pi)}{\Omega_{c}T_{d}}\right)^{2N}=\left(\frac{1}{0.89125}\right)^{2}\\{1+\left(\frac{2tan(0.15\pi)}{\Omega_{c}T_{d}}\right)^{2N}=\left(\frac{1}{0.17783}\right)^{2}}\end{cases}\Longrightarrow\begin{cases}\Omega_cT_d=0.766\\N=5.305\rightarrow N=6\end{cases}\]

由于\(H_c(s)=\frac{\Omega_c^N}{\prod_{k=1}^N(s-s_k)},\:s_k=\Omega_ce^{j(\frac12+\frac{2k-1}{2N})\pi}\:,\:k=1,\cdots,N\)所以代入

\[\begin{aligned}H(z)&=H_{{_{c}}}(s)|_{{_{s}=\frac{2}{T_{d}}}\frac{1-z^{-1}}{1+z^{-1}}}=\frac{(0.766/T_{d})^{N}}{\prod_{k=1}^{N}\left(\frac{2}{T_{d}}\frac{1-z^{-1}}{1+z^{-1}}-\frac{0.766}{T_{d}}e^{{j(\frac{1}{2}+\frac{2k+1}{2N})\pi}}\right)}\\&=\frac{0.766^N}{\quad\prod_{k=1}^{N}\left(2\frac{1-z^{-1}}{1+z^{-1}}-0.766e^{{j(\frac{1}{2}+\frac{2k-1}{2N})\pi}}\right)}\\&=\frac{0.0007378(1+z^{-1})^6}{(1-1.2686z^{-1}+0.7051z^{-2})(1-1.0106z^{-1}+0.3583z^{-2})(1-0.9044z^{-1}+0.2155z^{-2})}\end{aligned}\]

可以看到,和\(T_d\)依然没有关系.

Pasted image 20260104191053.png

使用这种方法设计出的滤波器零极点均在单位圆内

总结

Pasted image 20260104190524.png

e.g 脉冲响应不变法和双线变换法是两种将IIR模拟滤波器变换为IIR数字滤波器的方法。
1.哪种方法能够将一个模拟全通系统变换为一个数字全通系统?
2.哪种方法能够将一个模拟最小相位系统变换为一个数字最小相位系统?
3.哪种方法能够将一个模拟带通IIR变换为一个数字带通IIR?
4.哪种方法能够将一个模拟带阻IIR变换为一个数字带阻IIR?
5.哪种方法能够将一个线性相位模拟低通IIR变换为一个线性相位的数字低通IIR?

1.全通=非带限,因此只能用双线性变换
2.最小相位系统=零极点均在单位圆内,因此只能用双线性变换
3.带通=带限,因此两种方法均可
4.带阻=非带限,因此只能用双线性变换法
5,线性相位,双线性变化法相位是非线性的,并且低通是带限的,所以只能用脉冲响应不变法.

FIR滤波器设计

FIR的好处在于容易实现线性相位,并且总可以用因果系统实现信号与系统/Z变换,设计线性相位FIR滤波器的方法有:1.窗函数法 2.最佳逼近法

窗函数法

现在我们要设计一个线性相位的理想低通滤波器

\[H_d(e^{j\omega})=\begin{cases}e^{-j\omega\alpha},&|\omega|<\omega_c\\0,&\omega_c<|\omega|\leq\pi\end{cases}\overset{DTFT}\longleftrightarrow h_d[n]=\frac{\sin[\omega_c(n-\alpha)]}{\pi(n-\alpha)}, -\infty<n<\infty\]

显然\(h_d[n]\)是无限长的,实际电路无法实现,并且\(n<0\)时,\(h_d[n]\neq 0\),不满足因果性,所以我们需要对\(h_d[n]\)进行截断

Pasted image 20260105164024.png

即

\[h[n]=\begin{cases}h_d[n],0\leq n\leq M\\0,others\end{cases}=h_d[n]w[n]\quad w[n]=\begin{cases}1,0\leq n\leq M\\0,others\end{cases}\]

在信号与系统/Z变换已经说明:因果线性相位系统的\(h[n]\)满足奇对称或者偶对称,因此为了保证线性相位,我们在截断的时候不能破坏\(h_d[n]\)的对称性,所以窗函数也需要是对称的.我们假设\(\alpha=\frac{M}{2}\),那么窗函数和原函数都应当关于\(\frac{M}{2}\)对称,单位脉冲响应如果对称,就相当于多出了一个\(e^{-jwM/2}\)的线性相位,所以

\[\begin{gather}w[n]=w[M-n]\:\Rightarrow\:W\big(e^{j\omega}\big)=W(\omega)\:e^{-j\omega M/2}\\h_d[n]=h_d[M-n],H_d(e^{j\omega})=H_d(\omega)e^{-j\omega M/2}\\h[n]=h[M-n]\Rightarrow H\big(e^{j\omega}\big)=H(\omega)e^{-j\omega M/2}\end{gather}\]

而时域相乘=频域相卷,对于离散信号就是循环卷积信号与系统/数字信号处理/DFT

\[\begin{aligned}H\big(e^{j\omega}\big)&=\frac{1}{2\pi}\int_{-\pi}^{\pi}H_{d}\big(e^{j\theta}\big)W\big(e^{j(\omega-\theta)}\big)d\theta\\&=e^{-j\omega M/2}\cdot\boxed{\frac{1}{2\pi}\int_{-\pi}^{\pi}H_{d}(\theta)W(\omega-\theta)\:d\theta}\\&=H(\omega)e^{-j\omega M/2}\end{aligned}\]

对于矩形窗,有

\[w[n]=\begin{cases}1,&0\leq n\leq M\\0,&\text{otherwise}\end{cases}\longleftrightarrow W(e^{j\omega})=\sum_{n=0}^{M}e^{-j\omega m}=\frac{\sin[\omega(M+1)/2]}{\sin(\omega/2)}e^{-j\omega M/2}=W(\omega)e^{-j\omega M/2}\]

矩形窗换算到频域后也是一个sinc函数

Pasted image 20260105171509.png

主瓣是最中间的两个零点,代入\(W(w)=\frac{\sin[\omega(M+1)/2]}{\sin(\omega/2)}=0\)可得两个零点位置为\(\pm\frac{2\pi}{M+1}\),故主瓣宽度为\(\Delta w_m=\frac{4\pi}{M+1}\)
\(W(w)\)的总面积为\(A=\int_{-\pi}^\pi W(\omega)d\omega=2\pi\)
主瓣面积为\(A_m=\int_{-\frac{2\pi}{M+1}}^{\frac{2\pi}{M+1}}W(\omega)d\omega\approx1.179\times2\pi\)
左右旁瓣面积为\(A_s=\frac{A-A_m}2\approx-0.0895\times2\pi\)

在被理想低通滤波后,只保留了\(\pm w_c\)之间的频谱.于是前面推导的\(H\big(e^{j\omega}\big)=\frac{1}{2\pi}\int_{-\pi}^{\pi}H_{d}\big(e^{j\theta}\big)W\big(e^{j(\omega-\theta)}\big)d\theta=H(\omega)e^{-j\omega M/2}\)中,循环卷积过程变为了

\[H(\omega)=\frac{1}{2\pi}\int_{-\pi}^{\pi}H_{d}(\theta)W(\omega-\theta)\:d\theta=\frac{1}{2\pi}\int_{-\omega_{c}}^{\omega_{c}}W(\omega-\theta)d\theta\]

所以得到

Pasted image 20260105172840.png

\(H(0)\approx A=A_{m}+2A_{s}\)

Pasted image 20260105172935.png

\(H(\omega_c)\approx0.5H(0)\)

Pasted image 20260105173024.png

此时面积在滤波器通带内面积最大,为\(H\big(\omega_{c}-\frac{2\pi}{M+1}\big)\approx A_{m}+A_{s}=A-A_{s}\)

Pasted image 20260105173119.png

此时面积最小,为\(H\big(\omega_{c}+\frac{2\pi}{M+1}\big)\approx A_{s}\)


最终得到的结果为

Pasted image 20260105173546.png

正负峰的距离等于窗谱的主瓣宽度\(\Delta w_M\)
由于\(W(w)\)的对称性,\(H(w)\)在\(w_c\)附近趋于对称.
最大逼近误差取决于窗的类型,和M无关.增加M只能减小过渡带宽度,不会改变逼近误差的大小.

Pasted image 20260105191705.png

凯泽窗

\[w[n]=\begin{cases}\frac{I_0[\beta(1-[(n-\alpha)/\alpha]^2)^{1/2}]}{I_0(\beta)},&0\leq n\leq M\\0,&\text{otherwise}&\end{cases},\alpha=M/2\]

其中\(I_0(x)\)为第一类零阶修正贝塞尔函数,\(\beta\)为形状参数.通过调整\(\beta\)和\(M\)可以实现调整窗的形状和长度.\(\beta\)越大,则窗的两端越尖,窗谱旁瓣幅度越低,主板宽度越宽.若保持\(\beta\)不变而增大\(M\),则可使主瓣宽度减小,且不影响旁瓣幅度.

给定滤波器过渡带宽\(\Delta w\),最小阻带衰减\(A=-20log_{10}\delta\),于是有经验公式

\[\begin{aligned}&\beta=\begin{cases}0.0,&A<21\\0.5842(A-21)^{0.4}+0.07886(A-21),&21\leq A\leq50\\0.1102(A-8.7),&A>50\end{cases}\\&M=\frac{A-8}{2.285\Delta\omega}\end{aligned}\]

最佳逼近法

我们可以遵循一些准则来逼近理想滤波器
1.最小均方误差

\[\mathrm{minimize}\int_{-\pi}^{\pi}\left|W(\omega)[H(e^{j\omega})-H_{d}(e^{j\omega})]\right|^{2}d\omega\]

2.最小最大误差

\[\mathrm{minimize~max}\left|W(\omega)[H(e^{j\omega})-H_d(e^{j\omega})]\right|\]

← 上一篇: