Signalbehandling og matematik 2 (Tidsdiskrete signaler og systemer)

Slides:



Advertisements
Lignende præsentationer
Regressions modeller – Hvad regresserer vi på og hvorfor?
Advertisements

Lyd fra musikinstrumenter
Svingninger & Bølger Sidste Chance.
Kvantitative metoder 2 Dummyvariabler 28. marts 2007 KM2: F16.
Det skrå kast - dokumentation
Hvordan programmerer man?? STREAM - en model. Programmører arbejder ofte i teams Hver programmør arbejder på sin del af en større helhed.
Design Via Frequency Response
Kommunikation i samarbejdet mellem Mentor og Mentee
Anvendt Statistik Lektion 5
Tegning af en parabel I hånden.
Overvej, at trekanterne DOKD og DOFG er ensvinklede
Sammenligning af to grupper – kapitel 7
Differentalkvotient af cos(x) og sin(x) og tan(x)
Gør ved eksempler rede for forstyrrelsers påvirkning af udgangssignalet ved forstyrrelser forskellige steder i et reguleringssystem.
Fra Internet til semantisk web via taksonomier AF:Hosein Askari ITST.
Signalbehandling og matematik (Tidsdiskrete signaler og systemer)
Signalbehandling og matematik (Tidsdiskrete signaler og systemer)
Signalbehandling og matematik 1 (Tidsdiskrete signaler og systemer)
REG1 Øvelse 5 Optimering af Blackbox med digital lead- regulator Journal J.Nybo
CSY2 – Spørgsmål 10 Generelt reguleringssystem
Statistik Lektion 3 Bernoulli og binomial fordelingerne
Begrebskort for lineære differentialligningsmodeller
Økonometri 1: Binær responsmodeller: Logit og probit1 Økonometri 1 Binær responsmodeller: Logit og probit 8. maj 2003.
Microcontroller ► Fordele ved anvendelse af microcontroller ► Teori ► Informationsflow i microcontrolleren ► Anvendelses muligheder ► Implementering.
Økonometri 1: F121 Økonometri 1 Heteroskedasticitet 27. oktober 2006.
Lyd som fysisk fænomen 1. Trommehinde periode Afstand f.eks. målt i cm.
Delprøve i kurset ”Calculus og indledende lineær algebra” 29. oktober 2014 Delprøve i M2CAL2 29. oktober A. B. A. 1x1 + 1x4 + 1x(-1) = 4 B. 1x4 =
Delprøve (reduceret) i kurset ”Calculus og indledende lineær algebra” den 7. maj 2014 Delprøve i M2CAL2, Betragt matricen til højre. Hvilket.
Hypotesetest Hypotesetest og kritiske værdier Type 1 og Type 2 fejl
Multipel Lineær Regression
Statikstik II 2. Lektion Lidt sandsynlighedsregning
PC baseret analyse og simulering
Økonometri 1: F81 Økonometri 1 Inferens i den lineære regressionsmodel 2. oktober 2006.
W6a1 PC baseret analyse og simulering. w6a2 Samplede data Eksperimentelt bliver mange signaler digitaliseret – de bliver overført fra det kontinuerte.
Statistik Lektion 7 Hypotesetest og kritiske værdier
Digitalt højpasfilter
EFE1 DC-AC invertere, drives Mohahan Kap J.Nybo
Økonometri 1: Heteroskedasticitet1 Økonometri 1 Heteroskedasticitet 22. marts 2006.
KM2: F191 Kvantitative metoder 2 Heteroskedasticitet 16. april 2007.
KM2: F61 Kvantitative metoder 2 Den simple regressionsmodel 21. februar 2007.
Økonometri 1: Inferens i den lineære regressionsmodel1 Økonometri 1 Kvalitative variable 8. marts 2006.
KM2: F201 Kvantitative metoder 2 Heteroskedasticitet 18. april 2007.
Økonometri 1: Den multiple regressionsmodel1 Økonometri 1 Den multiple regressionsmodel 15. februar 2006.
Økonometri 1: Heteroskedasticitet1 Økonometri 1 Heteroskedasticitet 31. marts 2003.
Økonometri 1: Inferens i den lineære regressionsmodel1 Økonometri 1 FunktioneI form i den lineære regressionsmodel 11. oktober 2005.
Økonometri 1: Heteroskedasticitet1 Økonometri 1 Heteroskedasticitet 24. marts 2006.
Signalbehandling og matematik 2 (Tidsdiskrete signaler og systemer) Session 9. Design of digital IIR filters Ved Samuel Schmidt
Signalbehandling og matematik 2 (Tidsdiskrete signaler og systemer)
Statistik II 4. Lektion Logistisk regression.
1 Lydtryksmåler Kim Nørmark. 2 Lydtryksmåler 3 A-vægtningsfilter.
Økonometri 1: Heteroskedasticitet1 Økonometri 1 Heteroskedasticitet 27. marts 2003.
Økonometri 1: Heteroskedasticitet1 Økonometri 1 Heteroskedasticitet 29. oktober 2004.
Logistisk regression - fortsat
Projekt forslag. Vejleder Frank Mikkelsen Elektronisk vægt: Vægten baseres på et elektronisk signal fra en strain gauge Wheatstones målebro. Signalet Vsignal.
Undervisningskompendie i Lyd
Transposed tones vs Gaussian impulses G. Christopher Stecker Dept of Speech & Hearing Sciences University of Washington.
Kvadratisk optimering Lavet af Mikkel Iversen og Mathias Møllemus Svendsen HH3-ØA.
Lineære funktioner og udviklingsforløb. Tillægsspørgsmål  Tillægsspørgsmål 1: En særlig linje er tangenten. Redegør for hvordan man bestemmer tangentligningen.
Den multiple regressionsmodel 21. september 2005
Niveau 3: Regressionsanalyse: Tværsnitsundersøgelser
Teoretiske kontinuerte fordelinger
Præsentationens transcript:

Signalbehandling og matematik 2 (Tidsdiskrete signaler og systemer) Session 12. Design of digital IIR filters Ved Samuel Schmidt sschmidt@hst.aau.dk http://www.hst.aau.dk/~sschmidt/Mat1/

IIR og FIR filtre IIR FIR Systemer med uendelige impuls respons har altid mindst en betydende pol (det vil sige ikke nul poler eller ophævede poler) FIR Systemer med endelige impuls respons har ingen betydende poler (det vil sige ikke nul poler eller ophævede poler) General form: Eksempel: Invers transformation:

IIR vs FIR filter Hvorfor IIR filtre? Hvorfor ikke ? IIR filter har stejlere ”sidelobes” end et FIR filter med samme antal koefficienter. Dermed hurtigere og mindre hukommelses krævende Hvorfor ikke ? Et IIR filter har ikke lineær fase Et IIR filter kan være ustabilt ET IIR filter er mere sensitivt i for hold til afrundingsfejl

Definitioner på filter

Navne af frekevnes variabler i kontinuær og diskret domæne Kontinuer signaler Diskrete signaler Frekvens: F (Hz) f=F/Fs (Normaliseret frekvens) Vinkel hastighed : Ω=2πF (Radianer / sekund) ω=2πf (Radianer / sample) Konvertering Ω=ω/T Ω=ΩT Afgrænsning -∞<Ω<∞ -π/T<ω<π/T T= samplings perioden

Design af digitale IIR filtre ved hjælp af IIR analoge filtre Specifikation af filteret i digitalt domæne Konverter specifikationer til analogt Design filteret i det analoge domæne Konverter det analoge filter til det digitale domæne Implementer filteret i det digital domæne

Stabile systemer in z og s domænet Z: Poler skal være i enhedscirklen s: Poler skal være i venstre halvdel Re Im 1 *1/2 *1/3 σ jΩ 1 *1/2 *1/3

3 metoder til konvertering af analoge IIR filtre til digitale IIR filtre Approksimation af afledte Impuls invarians Bilineær Transformation

Bilineær Transformation Ved den Bilineær Transformation sættes s lig med Det betyder at:

Karakteristika ved Bilineær Transformation Poler fra højre side i s-planet ligger udenfor enhedscirkelen. Modsat poler fra venstre side i s-planet som ligger indenfor enhedscirklen Re Im 1 σ jΩ 1

Karakteristika ved Bilineær Transformation (3) Sammenhæng mellem ΩT og ω

Karakteristika ved Bilineær Transformation (4) Re Im 1 σ jΩ 1

Agend Design of Digital IIR filters Design af lowpass filtre Design af digitale Butterworth filtre Design af digitale Chebyshev filtre Design af digitale Elliptic filtre

Analogt lavpas Butterworth filter Er et ”all pole” filter Kvadreret frekvens amplitude respons N:filter orden Ωc: 3dB knæk frekvens Ωp: Anden knæk frekvens ε: relateret til dæmpning ved knæk frekvens se figur. Laplace transformation eller

Poler fra analogt Butterworth filter jΩ Ωc σ Polerne vil ligge spejlet omkring både den imaginære akse og den reelle akse.

Design af digitalt lavpass Butterworth filter Steps: Konverter specifikationer fra digitale til analoge specifikationer (ω til Ω) Formel 7.26 Beregn nødvendig filter orden. Formel 7.29- Dan overførselsfunktionen H(s) ud fra poler i venstre halvplan Bestem Gain ved Ω=0 Transformer til z domænet med bilineær transformation. Formel 7.18 Omskriv til simple rationel form (bk og ak koefficienter)

Konverter specifikationer fra digitale til analoge specifikationer (Step 1) Hvis specifikationen er opgivet i Hz find den normaliserede vinkel hastighed ωc=2πFc/Fs Omdan knækfrekvensen ωc til Ωc Samme procedure for andre vinkel hastigheder. F.eks. Stopbånds frekvenser (ωs )

Bestem filter orden (Step 2) Ωc kendt Ωc =3 dB cut off frequency Hvis filter orden (N) er forud defineret forsæt til næste slide. Hvis en given dæmpning (δ2) er påkrævet ved Ωs og Ωc findes N ved: δ2: dæmpning i stopbånd et ved Ωc Obs: Hvis N ikke er et hel tal rundes op

Bestem filter orden (Step 2) Ωc ukendt Ωs: Stop bånd knæk frekvens Ωp: Pass bånd knæk frekvens δ1: dæmpning i stopbånd et ved Ωp δ2: dæmpning i stopbånd et ved Ωs Løs for Ωc 𝑁= log 1 𝛿 𝑝 2 −1 / 1 𝛿 𝑐 2 −1 2 log Ω 𝑠 Ω 𝑝 Ωc kan findes fra Obs: Hvis N ikke er et hel tal rundes op

Bestem overførselsfunktionen fra poler i venstre side af s-planet (Step 3) Beregn poler: Opstil system funktion fra poler i venstre halv plan altså dem fra H(s)

Bestem gain (Step 4) Normalt ønskes i gain på 1 ved DC. Find G så H(0)=1;

Fra s domæne til z domæme (Step 5) Brug bilinear transformation Bilinear transformation

Fra kompleks z transformation til tidsdomæne filter (Step 6) Simplificer Invers z-transformation

Eksempel Konstruer et digitalt butterworth lavpas filter (fc=40 Hz, Fs=200 sps. og δ2=20dB dæmpning ved fs=60Hz)

Eksempel step 1 Normaliserede vinkel hastighed: Knækfrekevns Stopbåndets hjørne frekvens Fra digital til analog vinkel hastighed (T=1) ωc=2π 40/200=0.4 π ωc=2πFc/Fs ωs=2π 60/200=0.6 π

Eksempel: Bestem filter orden (Step 2) Ønsket dæmpning ved Ωs 20dB Filter orden N=4

Bestem overførselsfunktionen fra poler i venstre side af s-planet (Step 3) Beregn poler: Absolut værdi: Vinkeler:

Bestem overførselsfunktionen fra poler i venstre side af s-planet (Step 3 forsat) Opstil system funktion fra poler i venstre halvplan 4 poler i venstre halvplan: 4 poler i venstre halvplan: Tip: multiplikation af kompleks konjugerede

Bestem gain (Step 4) Find G så H(0)=1;

Fra s domæne til z domæme (Step 5) Bilinear transformation Bilinear transformation

Fra kompleks z transformation til tidsdomæne filter (Step 6) Mål:

Test af eksempel Test i matlab Sammenlign med ”butter” i matlab freqz(b,a,1000,200) [b a]=butter(4,[40/100]) b =[0.0466 0.1863 0.2795 0.1863 0.0466] a =[1.0000 -0.7821 0.6800 -0.1827 0.0301]

Chebyshev filter type I Overførselsfunktion Hvor ε er relateret til ripples i pasbåndet Hvor TN er et N ordens polynomium

Chebyshev filter type I Poler Polerne ligger på en ellipse Hvor β er relateret til ε Polernes location: Hvor vinklen φk er:

Chebyshev filter type II Overførselsfunktion Bemærk indeholder også nulpunkter Hvor ε er relateret til ripples i stopbåndet Hvor TN er samme Chebyshev polynomium

Bestem filter orden (N) på Chebyshev filter Hvor N: filter orden ε: Ripple i pass bånd δ2 : Dæmpning i stopbåndet Ωs : Knæk frekvens Ωp: Start på stopbånd Hvor TN er samme Chebyshev polynomium

Transformation af lavpas filtre til andre filter typer. Transformer et eksisterende filter til ønskede egenskaber. Simple transformation Spejl poler omkring IMG. aksen

Transformation i analogt domæne Filter type Transformation Ny knæk frekvens Lavpas>Lavpas Lavpas>Højpas Lavpas>Båndpas Lavpas>Stopbånd Oprindelig knæk frekvens Laveste knækfrekvens Ny knæk frekvens Højeste knækfrekvens

Eksempel Konverter vores lavpas filter til et højpas filter med knæk frekvens ved ωc=0.5 π

Test af eksempel i Matlab freqs(b,a)

Transformation i det digitale domæne

Eksempel digitalt Konverter vores lavpas filter til et højpas filter med knæk frekvens ved ωc=0.5 π Oprindelig knækfrekvens ωp=0.4π Ny knækfrekvens ω’p=0.5π Transformation:

Test af digitalt eksempel i Matlab freqz(b,a,1000,200) Ups: lille fejl

Sammenligning mellem filtre 4. ordens filter (fc=40 Hz, fs =80 Hz ,Fs=200 sps)

Update til næste år Mere fokus på transformation mellem filter typer Mere fokus på Butterworth poler Ny opgaver mindre bi linear