FILTROS DIGITAIS

AULA 6

Prof. Eng. Viviana Raquel Zurro MSc.

Conversa inicial
Caro aluno, nesta aula desenvolveremos estudos sobre filtros digitais IIR e
FIR.
Os músicos têm usado filtros por milhares de anos para dar forma aos sons
de sua arte de várias formas. Por exemplo, a evolução das dimensões físicas de
um violino constitui uma evolução no projeto de filtros. A escolha da madeira, o
tipo de corte, os filetes, a geometria da ponte e tudo que afete a ressonância
está relacionado com a filtragem que o corpo do instrumento impõe às cordas
vibrantes. “Quando você pensa sobre isso, tudo é filtro” (SMITH, 2007)
Refletindo acerca do falado no parágrafo anterior, todo elemento que
processe e ou modifique qualquer tipo de sinal é um filtro, no caso do violino, é
um filtro analógico. Filtros digitais são algoritmos matemáticos implementados
em software ou hardware que processam sequências digitais 𝑥[𝑛] gerando uma
saída 𝑦[𝑛].
Vantagens
 Apresentam fase perfeitamente linear o que é impossível de obter com
filtros analógicos.
 Repetitividade.
 O desempenho do filtro não depende do entorno (calor, humidade,
envelhecimento dos componentes).
 Vários sinais podem ser processados com um único filtro.
 Possibilidade de armazenamento de dados.
 Facilidade de modificação da resposta em frequência do filtro.
 Eles podem ser usados em sinais de frequência muito baixa (sinais
biológicos, sinais de temperatura, etc).
Desvantagens
 Limitação em velocidade. Como existem as etapas de conversão
analógico-digital (AD) e digital-analógica (DA) e o próprio processamento,
a velocidade de resposta dos mesmos é inferior à dos filtros analógicos.
 Efeitos do comprimento finito das palavras digitais o que pode resultar em
perda da informação.
 Erros próprios do processo de quantização.
No vídeo a seguir podemos ver a aplicação de um filtro digital FIR para
emoção da componente de 50/60 Hz de um sinal de eletrocardiograma (ECG)
(PORR e MACLEOD, 2013)
DSP: Using an FIR filter to remove 50/60Hz from an ECG (MATLAB/OCTAVE)
Como todos os vídeos do youtube apresentados nesta aula estão em
inglês, para colocar as legendas em português proceda da seguinte maneira:

3
TEMA 1 – PROJETO DE FILTROS IIR
Os filtros digitais IIR são filtros de resposta infinita ao impulso (Infinite
Impulse Response). Também são conhecidos como filtros recursivos devido a
que são implementados com realimentação (a parte recursiva do filtro). A
resposta em frequência destes filtros é muito melhor que a dos filtros FIR (Finite
Impulse Response), mas sua característica de fase não é linear, o que pode
causar problemas com sistemas que precisam de fase linear. Devido à
realimentação, eles podem ter problemas de instabilidade também, por isso é
necessário verificar a estabilidade do filtro durante o projeto.
1.1 Especificações do filtro
Estes filtros podem ser projetados usando diferentes métodos, mas um dos
métodos mais usados é usando o filtro analógico como protótipo para projetar
filtros passa baixas (FPB), passa altas (FPA), passa faixa (FPF) e rejeita faixa
(FRF).
Para começar é necessário estabelecer os requerimentos e especificações
do filtro IIR desejado. É recomendável tomar como referência as características
do correspondente filtro analógico para começar o desenvolvimento. A faixa de
frequência do filtro deverá ser especificada de acordo com o sinal a ser
processado. Uma vez que o filtro analógico foi projetado será convertido para
digital. O método mais usado para fazer a conversão é a transformação bilinear.
O filtro obtido desta maneira é um filtro estável, mas instabilidades podem ser
causadas por efeitos colaterais devido ao comprimento finito das palavras
(MILIVOJEVIć, 2009).
A Figura 1 mostra as especificações na resposta em frequência para um
FPB (MILIVOJEVIć, 2009), (OPPENHEIM e SCHAFER, 2012).

(a)

4
 (b)

Figura 1: (a) Diagrama de tolerância de um FPB; (b) especificações

da resposta em frequência do FPB.
Nesta figura os parâmetros são definidos como:
 𝜔𝑝 frequência de corte da banda passante.
 𝜔𝑠 frequência de corte da faixa de rejeição.
 𝛿1 máximo ripple da banda passante.
 𝛿2 mínima atenuação da faixa de rejeição.
Para outros tipos de filtros, as especificações são mostradas na Figura 2
(MILIVOJEVIć, 2009).

(a) (b) (c)

Figura 2: Especificações de resposta em frequência para filtros (a)

FBA, (b) FPF, (c) FRF.
O processo de filtragem discreto de um sinal em tempo contínuo é
mostrado na Figura 3 (OPPENHEIM e SCHAFER, 2012).

Figura 3: Diagrama de fluxo de um sistema de filtragem em tempo

discreto de um sinal em tempo contínuo.

5
1.2 Projeto do filtro por invariância ao impulso
Para transformar filtros de tempo contínuo em tempo discreto o processo
de projeto por invariância ao impulso consiste em escolher amostras igualmente
espaçadas da resposta ao impulso em tempo contínuo para formar a resposta
ao impulso do filtro em tempo discreto.
ℎ[𝑛] = 𝑇𝑑 ℎ𝑐 [𝑛𝑇𝑑 ] (1)
Onde ℎ[𝑛] é a resposta ao impulso em tempo discreto, ℎ𝑐 é a resposta ao
impulso em tempo contínuo, 𝑇𝑑 é um intervalo de amostragem. Este último
parâmetro (𝑇𝑑 ) não vai intervir no processo do projeto do filtro, mas é comum
especificar o mesmo na definição do procedimento.
A resposta em frequência dos filtros em tempo contínuo e discreto estão
relacionadas por:
∞
𝜔 2𝜋
𝐻(ⅇ 𝑗𝜔 ) = ∑ 𝐻𝑐 (𝑗 +𝑗 𝑘) (2)
𝑇𝑑 𝑇𝑑
𝑘=−∞

Nos filtros de tempo contínuo a banda não pode ser limitada, portanto
ocorre aliasing devido a interferências entre termos sucessivos da equação (2).
Mas se a resposta do filtro em tempo contínuo se aproximar de zero em altas
frequências, o aliasing pode ser insignificante.
Mesmo sendo a transformação da invariância ao impulso de tempo
contínuo para tempo discreto definida pela amostragem no domínio do tempo, é
possível implementá-la como uma transformação da função do sistema.
Considerando a função do sistema de um filtro causal de tempo contínuo em
termos de uma expansão em frações parciais:
𝑁
𝐴𝑘
𝐻𝐶 (𝑠) = ∑ (3)
𝑠 − 𝑠𝑘
𝑘=1

Com uma resposta ao impulso correspondente:

𝑁
𝑠𝑘 𝑡
ℎ𝑐 (𝑡) = {∑ 𝐴𝑘 ⅇ 𝑡≥0 (4)
𝑘=1
0 𝑡<0
A resposta ao impulso do filtro causal de tempo discreto será:

6
 𝑁

ℎ[𝑛] = 𝑇𝑑 ℎ𝑐 (𝑛𝑇𝑑 ) = ∑ 𝑇𝑑 𝐴𝑘 ⅇ 𝑠𝑘 𝑛𝑇𝑑 𝑢[𝑛]

𝑘=1
(5)
𝑁

= ∑ 𝑇𝑑 𝐴𝑘 (ⅇ 𝑠𝑘 𝑇𝑑 )𝑛 𝑢[𝑛]
𝑘=1

Sendo 𝑢(𝑛) a função degrau unitário. Portanto, a função do sistema do filtro

causal em tempo discreto é:
𝑁
𝑇𝑑 𝐴𝑘
𝐻(𝑧) = ∑ (6)
1 − ⅇ 𝑠𝑘𝑇𝑑 𝑧 −1
𝑘=1

Verificar no livro texto páginas 298 a 300 o exemplo de um filtro passa

baixas tipo Butterworth (OPPENHEIM e SCHAFER, 2012).
1.3 Transformação bilinear
Outra forma de transformar em discretos os filtros contínuos é aplicando a
transformação bilinear. Depois de estabelecer o tipo de filtro e as especificações
do mesmo será necessário transformar o filtro analógico em filtro digital. Uma
forma de transformar a função de transferência do filtro de analógica para digital
é aplicando a transformação bilinear. Esta transformação aproxima fielmente a
resposta em frequência do filtro digital à resposta em frequência do filtro
analógico e garante estabilidade do sistema.
Esta transformação é uma transformação algébrica que mapeia o eixo da
frequência no plano 𝑠 em uma volta da circunferência de raio unitário no plano 𝑧.
esta técnica somente pode ser usada quando a deformação não linear no eixo
das frequências é aceitável.
Os filtros analógicos são estáveis quando os polos da função de
transferência se encontram do lado esquerdo do plano 𝑠, enquanto os filtros
digitais são estáveis quando os polos se encontram dentro da circunferência de
raio unitário (MILIVOJEVIć, 2009).
Substituindo 𝑠 por:
2 1 − 𝑧 −1
𝑠= ( ) (7)
𝑇𝑑 1 + 𝑧 −1
Portanto:
2 1 − 𝑧 −1
𝐻(𝑧) = 𝐻𝑐 ( ( )) (8)
𝑇𝑑 1 + 𝑧 −1

7
 A Figura 4 mostra a relação entre o plano 𝑠 e o plano 𝑧 (OPPENHEIM e
SCHAFER, 2012).

Figura 4: Transformação do plano 𝑠 no plano 𝑧 usando transformação

bilinear.
Trabalhando com a equação (7) e relacionando o plano 𝑠 com o plano 𝑧
podemos dizer que para 𝜎 < 0, |𝑧| < 1:
2 1 − ⅇ −𝑗⍵
𝑠= ( ) (9)
𝑇𝑑 1 + ⅇ −𝑗⍵
2 2ⅇ −𝑗⍵/2 (𝑗𝑠ⅇ𝑛(⍵/2)) 2𝑗
𝑠 = 𝜎 + 𝑗𝛺 = ( −𝑗⍵/2 ) = 𝑡𝑎𝑛(⍵/2) (10)
𝑇𝑑 2ⅇ (𝑐𝑜𝑠(⍵/2)) 𝑇𝑑
Para 𝜎 = 0:
2
𝛺= 𝑡𝑎𝑛(⍵/2) (11)
𝑇𝑑
Ou
⍵ = 2𝑎𝑟𝑐𝑡𝑎𝑛(𝛺𝑇𝑑 /2) (12)
A Figura 5 mostra a relação entre frequências em tempo contínuo e
frequências em tempo discreto determinadas pela equação (12) (OPPENHEIM
e SCHAFER, 2012).

Figura 5: Transformação bilinear, frequências em tempo contínuo em

relação às frequências em tempo discreto.
A Figura 6a mostra a deformação da resposta em frequência devido à
transformação bilinear de um FPB em tempo contínuo a FPB em tempo discreto.
E a Figura 6b mostra o efeito da transformação na fase.

8
 (a) (b)

Figura 6: (a) Transformação bilinear da resposta em frequência de

um filtro passa baixas. (b) Linha tracejada, fase linear; linha sólida,
fase resultante da transformação.

TEMA 2 – FILTROS IIR BUTTERWORTH, CHEBYSHEV E ELÍPTICOS

As topologias de filtros tipo Butterworth, Chebyshev e elípticos são as mais
usadas em projeto de filtros em tempo contínuo. Os protótipos de filtros
analógicos são usados para o desenvolvimento de filtros digitais. A partir desse
modelo analógico é que se “constrói” o filtro digital passando o sistema do plano
𝑠 para o plano 𝑧 (BAPTISTA e AFONSO, 2006).
Para cada um desses filtros existem características específicas de padrões
de polos e zeros e magnitudes de resposta em frequência. Essas características
fazem com que cada tipo de filtro seja elegível dependendo da aplicação na qual
o mesmo vai ser usado.
2.1 FPB Butterworth
A forma geral em tempo contínuo do ganho ao quadrado do filtro
Butterworth é a seguinte:
1
|𝐻𝑐 (𝑗𝛺)2 | = (13)
1 + (𝛺 ∕ 𝛺𝑐 )2𝑁
Como ⍵ e 𝛺 estão relacionadas pela equação (11):
2 1
|𝐻(ⅇ 𝑗𝜔 )| = 2𝑁
𝑡𝑔(𝜔 ∕ 2) (14)
1+( )
𝑡𝑔(𝜔𝑐 ∕ 2)

9
 A Figura 7 mostra as características de um filtro passa baixas Butterworth
de ordem 6. Para verificar o processo do filtro estudar páginas 304 e 305 do livro
texto (OPPENHEIM e SCHAFER, 2012).

(a) (b)

(c) (d)

Figura 7: FPB Butterworth de ordem 6; (a) Localização dos polos no

plano 𝑠. Resposta em frequência (b) com amplitude em escala
logarítmica, (c) com amplitude em escala linear. (d) Atraso de grupo.
2.2 FPB Chebyshev
Existem dois tipos de filtros Chebyshev:
Tipo I:
O tipo I é o mais comum deste tipo de filtros e tem resposta plana na faixa
de rejeição apresentando ripple na banda passante.
Tipo II:
Também conhecido como Chebyshev invertido, ele tem resposta plana na
banda passante, mas não apresenta uma queda tão acentuada como o de tipo I
e requer mais componentes. Este filtro apresenta ripple na faixa de rejeição.
A Figura 8 mostra as características de um filtro passa baixas Chebyshev
Tipo I de ordem 7, e a Figura 9 as de um filtro tipo II também de ordem 7. Para
verificar o processo do filtro estudar páginas 305 a 307 do livro texto
(OPPENHEIM e SCHAFER, 2012).

10
 (a) (b)

(c) (d)

Figura 8: FPB Chebyshev tipo I de ordem 7; (a) Localização dos polos

no plano 𝑠. Resposta em frequência (b) com amplitude em escala
logarítmica, (c) com amplitude em escala linear. (d) Atraso de grupo.

(a) (b)

(c) (d)

Figura 9: FPB Chebyshev tipo II de ordem 7; (a) Localização dos

polos no plano 𝑠. Resposta em frequência (b) com amplitude em
escala logarítmica, (c) com amplitude em escala linear. (d) Atraso de
grupo.
2.3 FPB elíptico
O filtro elíptico é também conhecido como filtro Cauer. Ele apresenta uma
queda mais acentuada na frequência de corte, mas o ripple aparece tanto na
banda passante quanto na faixa de rejeição.

11
 A Figura 10 mostra as características de um filtro passa baixas elíptico de
ordem 6. Para verificar o processo do filtro estudar páginas 308 e 311 do livro
texto (OPPENHEIM e SCHAFER, 2012).

(a) (b)

(c) (d)

Figura 10: FPB elíptico de ordem 6; (a) Localização dos polos no

plano 𝑠. Resposta em frequência (b) com amplitude em escala
logarítmica, (c) com amplitude em escala linear. (d) Atraso de grupo.
2.4 Transformações em frequência
Em tempo contínuo é comum projetar um FPB protótipo, normalizado em
frequência, e depois, por meio de manipulações algébricas, projetar o tipo de
filtra desejado (FPA, FPF, FRF). No caso do filtro discreto, é possível projetar o
filtro em tempo contínuo para depois transformá-lo em discreto usando
transformação bilinear, mas não com invariância ao impulso. O método
apresentado a seguir funciona tanto com a transformação bilinear quanto com
invariância ao impulso. Este método consiste em projetar um FPB em tempo
discreto para depois, por transformações algébricas, obter o filtro discreto
desejado. O processo de transformação de um FPB para outro filtro é muito
similar à transformação bilinear usada para as funções de sistemas em tempo
contínuo em funções de sistemas em tempo discreto. O processo detalhado para
realizar esta transformação pode ser visto nas páginas 311 a 314 do livro texto
(OPPENHEIM e SCHAFER, 2012).

12
 A Tabela 1 mostra as transformações a partir de um FPB (OPPENHEIM e
SCHAFER, 2012).
Tabela 1: Transformações a partir de um FPB com frequência de
corte 𝜃𝑝 para FPA, FPF e FRF.

TEMA 3 – PROJETO DE FILTROS FIR POR JANELAMENTO

Os filtros FIR tem as seguintes vantagens:
 São sempre estáveis.
 Apresentam fase linear.
 Resposta sem distorção na banda passante.
Mas eles têm uma grande desvantagem que é que precisam de uma ordem
muito alta para uma determinada resposta em frequência.
As técnicas de projeto de filtros FIR mais comuns são: janelamento e
amostragem em frequência.
Para o método por janelamento, sendo a resposta desejada ideal:
∞

𝐻𝑑 (ⅇ 𝑗𝜔 ) = ∑ ℎ𝑑 [𝑛]ⅇ −𝑗𝜔 (15)

𝑛=∞

13
 Onde ℎ𝑑 [𝑛] é a sequência de resposta ao impulso correspondente:
𝜋
ℎ𝑑 [𝑛] = ∫ 𝐻𝑑 (ⅇ 𝑗𝜔 )ⅇ 𝑗𝜔𝑛 ⅆ𝜔 (16)
−𝜋

Pela equação (16) é possível verificar que a resposta ao impulso não é

causal e tem duração infinita. Portanto, para se obter um filtro causal FIR ℎ𝑑 [𝑛]
deverá ser truncada. Esta nova função será:
ℎ [𝑛] 0≤𝑛≤𝑀
ℎ[𝑛] = { 𝑑 (17)
0 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜
Com 𝑀 Isto equivale a multiplicar ℎ𝑑 [𝑛] por uma janela de duração finita
𝑤[𝑛]:
ℎ[𝑛] = ℎ𝑑 [𝑛]. 𝑤[𝑛] (18)
3.1 Método de janelamento
A convolução entre o espectro da janela e a resposta em frequência ideal
tornam mais visível o efeito do janelamento no domínio da frequência.

𝑗𝜔
1 𝛱
𝐻(ⅇ )= ∫ 𝐻𝑑 (ⅇ 𝑗𝜃 )𝑊(ⅇ 𝑗(𝜔−𝜃) ) ⅆ𝜃 (19)
2𝜋 −𝜋
Na Figura 11 podemos ver o processo de janelamento (OPPENHEIM e
SCHAFER, 2012).

(a)

(b)

Figura 11: (a) Processo de convolução entre espectro da janela e a

resposta em frequência. (b) Aproximação típica resultante.
3.1.1 Tipos de janelas
O tipo de janela influenciará na resposta em frequência do sistema, por isso
existem vários tipos de janelas que podem ser usadas. Os tipos mais comuns
são os mostrados na Figura 12 (OPPENHEIM e SCHAFER, 2012).
14
 Figura 12: Tipos de janelas mais usadas.
Retangular:
1 0≤𝑛≤𝑀
𝑤[𝑛] = { (20)
0 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜
Bartlett (triangular):
2𝑛 ∕ 𝑀 0 ≤ 𝑛 ≤ 𝑀⁄2 , 𝑀 𝑝𝑎𝑟
𝑤[𝑛] = {2 − 2𝑛 ∕ 𝑀 𝑀∕2<𝑛 ≤𝑀 (21)
0 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜
Hann ou Hanning:
0,5 − 0,5 cos(2𝜋𝑛 ∕ 𝑀) 0≤𝑛≤𝑀
𝑤[𝑛] = { (22)
0 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜
Hamming:
0,54 − 0,46 cos(2𝜋𝑛 ∕ 𝑀) 0≤𝑛≤𝑀
𝑤[𝑛] = { (23)
0 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜
Blackmann:
𝑤[𝑛]
0,42 − 0,5 cos(2𝜋𝑛⁄𝑀) + 0,08 cos(4𝜋𝑛 ∕ 𝑀) 0≤𝑛≤𝑀 (24)
={
0 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜
As janelas, além de ser usadas no projeto de filtros são usadas para análise
espectral. A transformada de Fourier das mesmas concentra-se ao redor de 𝜔 =
0 e podem ser facilmente calculadas. A transformada de Fourier das janelas
(espectro das janelas) pode ser observada na Figura 13 onde são apresentados
os espectros das janelas. Nos espectros podemos observar que os mesmos têm
um lóbulo principal e vários lóbulos laterais de amplitudes menores. O
comprimento do lóbulo principal depende do tipo de janela. A janela retangular
tem um lóbulo principal mais estreito o que deverá provocar transições mais
abruptas. É possível observar que nas outras janelas os lóbulos laterais são
bastante menores, mas isto traz como consequência um lóbulo principal mais
largo. (OPPENHEIM e SCHAFER, 2012).

15
 (a)

(b) (c)

(d) (e)

Figura 13: Transformadas de Fourier das janelas com 𝑀 = 50. (a)

Retangular. (b) Bartlett. (c) Hanning. (d) Hamming. (e) Blackmann.
3.2 Fase linear generalizada
Sistemas causais com resposta com fase linear generalizada são o objetivo
no projeto de filtros FIR. Todas as janelas respondem à seguinte equação:
𝑤[𝑀 − 𝑛] 0≤𝑛≤𝑀
𝑤[𝑛] = { (25)
0 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜
Aplicando a transformada de Fourier:
𝑊(ⅇ 𝑗𝜔 ) = 𝑊𝑒 (ⅇ 𝑗𝜔 )ⅇ −𝑗𝜔𝑀∕2 (26)
Com 𝑊𝑒 (ⅇ 𝑗𝜔 ) sendo uma função real e par de 𝜔. Sendo a resposta ao
impulso simétrica em relação a 𝑀 ∕ 2, portanto, ℎ𝑑 [𝑀 − 𝑛] = ℎ𝑑 [𝑛], a resposta
ao impulso janelada também será simétrica. A resposta em frequência resultante
será:
𝐻(ⅇ 𝑗𝜔 ) = 𝐴𝑒 (ⅇ 𝑗𝜔 )ⅇ −𝑗𝜔𝑀∕2 (27)
Onde 𝐴𝑒 (ⅇ 𝑗𝜔 ) é função real e par de 𝜔. Tendo a resposta em frequência
fase linear generalizada.

16
 Sendo a resposta ao impulso antissimétrica em relação a 𝑀 ∕ 2, portanto,
ℎ𝑑 [𝑀 − 𝑛] = −ℎ𝑑 [𝑛], a resposta ao impulso janelada também será
antissimétrica. A resposta em frequência resultante será:
𝐻(ⅇ 𝑗𝜔 ) = 𝑗𝐴𝑜 (ⅇ 𝑗𝜔 )ⅇ −𝑗𝜔𝑀∕2 (28)
Onde 𝐴𝑜 (ⅇ 𝑗𝜔 ) é função real e ímpar de 𝜔. Tendo a resposta em frequência
fase linear generalizada com deslocamento de fase constante de 90o.
A Tabela 2 mostra as características das janelas (HIGUTI).
Tabela 2: Características de filtros (FPB, FPA, FPF e FRF) projetados
usando janelas de comprimento 𝑁 = 𝑀 + 1.

 𝛥𝜔 = |𝜔𝑠 − 𝜔𝑝 |: largura de faixa de transição.

 𝑅𝑝 : máximo ripple na banda passante.
 𝑅𝑠 : mínima atenuação na faixa de rejeição.
 𝐿𝐿: relação entre as magnitudes do lóbulo principal e do lóbulo lateral.
 𝛿: desvio efetivo ao usar determinada janela.
 𝛿 = 𝛿𝜌−𝑒𝑓𝑒𝑡𝑖𝑣𝑜 = 𝛿𝑠−𝑒𝑓𝑒𝑡𝑖𝑣𝑜

TEMA 4 – JANELA KAISER

As janelas descritas anteriormente não são ótimas. Uma janela ótima é
aquela que produz atenuação máxima de acordo com determinado comprimento
do lóbulo principal. A janela Kaiser, também chamada de Kaiser – Bessel é uma
aproximação de uma janela esferoidal alongada (prolate-spheroidal window)
onde a relação de energia entre o lóbulo principal e o lóbulo lateral é maximizada.
Para uma janela de determinado comprimento, o parâmetro 𝛽 controla a altura
do lóbulo lateral. Para determinado 𝛽 a altura do mesmo é fixa em relação ao
comprimento da janela. A equação que define a janela Kaiser é a seguinte:

17
 𝑛−𝛼 2
𝐼0 (𝛽 √1 − ( 𝛼 ) )
𝑤[𝑛] = 0≤𝑛≤𝑀 (29)
𝐼0 (𝛽)
{ 0 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜
Com 𝑀 = 𝑁 − 1, 𝛼 = 𝑀/2 e 𝐼0 (… ) a função de Bessel modificada de
primeira espécie de ordem zero.
Esta janela depende de dois parâmetros:
 O comprimento 𝑁 (ou 𝑀 + 1).
 O parâmetro de forma 𝛽.
O erro de aproximação 𝛿 (Figura 14) é determinado pelo 𝛽 escolhido.
Sendo 𝛿 fixo (OPPENHEIM e SCHAFER, 2012)

Figura 14: Tipo de aproximação devido à descontinuidade da

resposta em frequência ideal.
As frequências de corte do filtro passa baixas da figura são definidas como:
 𝜔𝑝 frequência de corte da banda passante, é a frequência mais alta de tal
forma que |𝐻(ⅇ 𝑗𝜔 )| ≥ 1 − 𝛿.
 𝜔𝑠 frequência de corte da faixa de rejeição, é a frequência mais baixa de
tal forma que |𝐻(ⅇ 𝑗𝜔 )| ≤ 𝛿.
A região de transição tem largura determinada pela equação seguinte para
o FPB:
𝛥𝜔 = 𝜔𝑠 − 𝜔𝑝 (30)
Definindo:
𝐴 = −20 log10 𝛿 (31)
O valor de 𝛽 para alcançar um valor específico de 𝐴 é:
18
 0,1102(𝐴 − 8,7) 𝐴 > 50
𝛽 = {0,5842(𝐴 − 21)0,4 + 0,07886(𝐴 − 21) 21 ≤ 𝐴 ≤ 50 (32)
0 𝐴 < 21
Olhando a equação (32) podemos verificar que para 𝛽 = 0 e 𝐴 = 21
teremos uma janela retangular.
Para atingir os valores prescritos de 𝛥𝜔 e 𝐴, 𝑀 deve satisfazer a seguinte
equação:
𝐴−8
𝑀= (33)
2,258𝛥𝜔
Na Figura 15 podemos ver três janelas Kaiser diferentes com suas
respectivas transformadas de Fourier (OPPENHEIM e SCHAFER, 2012).

(a)

(b) (c)

Figura 15: (a) Janelas Kaiser com 𝑀 = 20. (b) Espectro das janelas
do ponto (a). (c) Espectro das janelas Kaiser com 𝛽 = 6.
4.1 Projeto de filtros FIR com janela de Kaiser
A continuação enunciaremos alguns projetos de filtros utilizando a janela
de Kaiser. Para maiores informações estudar as páginas 322 a 327 do livro texto.
4.1.1 FPB
A resposta em frequência de um FPB com fase linear generalizada
determinada pela equação (34):
ⅇ −𝑗𝜔𝑀∕2 |𝜔| < 𝜔𝑐
𝐻𝑙𝑝 (ⅇ 𝑗𝜔 ) = { (34)
0 𝜔𝑐 < |𝜔| ≤ 𝜋
Para se projetar um filtro passa baixas o procedimento é o seguinte:

19
1. Especificar o filtro selecionando 𝜔𝑝 , 𝜔𝑠 e o máximo erro de aproximação 𝛿.
2. Determinar a frequência de corte do FPB ideal:
𝜔𝑝 + 𝜔𝑠
𝜔𝑐 =
2 (35)

3. Determinar os parâmetros da janela Kaiser:

𝛥𝜔 = 𝜔𝑠 − 𝜔𝑝 𝐴 = −20 log10 𝛿 (36)
Usando as equações (32) e (33) calculam-se 𝛽 e 𝑀.
4. Calcular a resposta ao impulso:
𝑛−𝛼 2
𝐼0 (𝛽 √1 − ( 𝛼 ) )
ℎ[𝑛] = 𝑠ⅇ𝑛𝜔𝑐 (𝑛 − 𝛼) . 0≤𝑛≤𝑀
𝜋(𝑛 − 𝛼) 𝐼0 (𝛽) (37)
{ 0 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜

Ver exemplo 7.7 da página 319 do livro texto (OPPENHEIM e SCHAFER,

2012).
4.1.2 FPA
A resposta em frequência de um FPA com fase linear generalizada
determinada pela equação (38):
0 |𝜔| < 𝜔𝑐
𝐻ℎ𝑝 (ⅇ 𝑗𝜔 ) = { −𝑗𝜔𝑀∕2 (38)
ⅇ 𝜔𝑐 < |𝜔| ≤ 𝜋
Sendo a reposta ao impulso a transformada inversa de 𝐻ℎ𝑝 (ⅇ 𝑗𝜔 ).
𝐻ℎ𝑝 (ⅇ 𝑗𝜔 ) = ⅇ −𝑗𝜔𝑀∕2 − 𝐻𝑙𝑝 (ⅇ 𝑗𝜔 ) (39)
Portanto:
𝑠ⅇ𝑛𝜋(𝑛 − 𝑀 ∕ 2) 𝑠ⅇ𝑛𝜔𝑐 (𝑛 − 𝑀 ∕ 2)
ℎℎ𝑝 [𝑛] = − (40)
𝜋(𝑛 − 𝑀 ∕ 2) 𝜋(𝑛 − 𝑀 ∕ 2)
Para projetar o filtro devemos atender as especificações do passa altas:
|𝐻ⅇ (𝑗𝜔) | ≤ 𝛿2 |𝜔| ≤ 𝜔𝑠 (41)
1 − 𝛿1 ≤ |𝐻(ⅇ 𝑗𝜔 )| ≤ 1 + 𝛿1 𝜔𝑝 ≤ |𝜔| ≤ 𝜋 (42)
O processo do projeto é similar ao já explicado para o filtro passa baixas.
4.1.3 Generalização
O processo apresentado anteriormente pode ser aplicado a filtros com
múltiplas faixas de passagem ou de rejeição. O filtro multibanda mostrado na
Figura 16 inclui FPB, FPF, FPA e FRF. Se multiplicarmos uma magnitude
determinada pelo fator ⅇ −𝑗𝜔𝑀∕2, teremos a seguinte resposta ao impulso ideal:

20
 𝑁𝑚𝑏
𝑠ⅇ𝑛𝜔𝑘 (𝑛 − 𝑀 ∕ 2)
ℎ𝑚𝑏 [𝑛] = ∑(𝐺𝑘 − 𝐺𝑘+1 ) (43)
𝜋(𝑛 − 𝑀 ∕ 2)
𝑘=1

Sendo 𝑁𝑚𝑏 o número de faixas e 𝐺𝑁𝑚𝑏 +1 = 0.

Figura 16: Filtro multibandas, resposta em frequência ideal

(OPPENHEIM e SCHAFER, 2012).
Livro texto páginas 322 a 327.

TEMA 5 – APROXIMAÇÕES ÓTIMAS DE FILTROS FIR

Projetar filtros FIR por janelamento é um processo simples e relativamente
fácil, mas tem limitações. Existem formas de melhorar esses filtros para
determinados valores de 𝑀.
5.1 Algoritmo de Remez
O algoritmo de Remez para projeto de filtros FIR de fase linear está
baseado no critério de erro de Chebyshev (ou minimax). A minimização de
Chebyshev é muito útil porque permite ou projetista explicitar os limites das
bandas e o tamanho do erro para cada uma delas. Os filtros podem ser
desenvolvidos usando o algoritmo de Remez ou por técnicas de programação
lineares. O algoritmo de Remez não é tão geral quanto as abordagens de
programação linear, mas é muito robusto e converge rapidamente para uma
solução ótima, por isso é amplamente usado. O mesmo pode ser usado para
projetar os quatro tipos de filtros de fase linear (I, II, III e IV), mas por
conveniência mostraremos somente o do tipo I (SELESNICK).
Considerando o projeto de filtro de fase zero:
ℎ𝑒 [𝑛] = ℎ𝑒 [−𝑛] (44)
A resposta em frequência será:
𝐿
𝑗𝜔
𝐴𝑒 (ⅇ ) = ∑ ℎ𝑒 [𝑛]ⅇ −𝑗𝜔𝑛 (45)
𝑛=−𝐿

21
 Com 𝐿 = 𝑀/2, inteiro:
𝐿

𝐴𝑒 (ⅇ 𝑗𝜔 ) = ℎ𝑒 [0] + ∑ 2ℎ𝑒 [𝑛] cos(𝜔𝑛) (46)

𝑛=1
𝑗𝜔
𝐴𝑒 (ⅇ ) é uma função real, par e periódica. A resposta ao impulso do
sistema resultante é:
ℎ[𝑛] = ℎ𝑒 [𝑛 − 𝑀 ∕ 2] = ℎ[𝑀 − 𝑛] (47)
Com uma resposta em frequência:
𝐻(ⅇ 𝑗𝜔 ) = 𝐴𝑒 (ⅇ 𝑗𝜔 )ⅇ −𝑗𝜔𝑀∕2 (48)

5.2 Algoritmo de Parks-McClellan

O algoritmo de Parks-McClellan (variação do algoritmo Remez exchange)
permite realizar o projeto do filtro por aproximação polinomial. Os termos cos(𝜔𝑛)
da equação (46) podem ser escritos da seguinte maneira:
cos(𝜔𝑛) = 𝑇𝑛 (cos 𝜔) (49)
Sendo 𝑇𝑛 o polinômio de Chebyshev de ordem 𝑛. Reescrevendo a equação
(46):
𝐿
𝑗𝑤
𝐴𝑒 (ⅇ ) = ∑ 𝑎𝑘 (cos 𝜔)𝑘 = 𝑃(𝑥)|𝑥=𝑐𝑜𝑠⍵ (50)
𝑘=0

Onde 𝑃(𝑥) é o polinômio de ordem 𝐿

𝐿

𝑃(𝑥) = ∑ 𝑎𝑘 𝑥 𝑘 (51)
𝑘=0

5.3 Teorema da alternância

O teorema da alternância fornece uma condição necessária e suficiente
que um polinômio de uma dada ordem deve satisfazer para que ele minimize o
erro ponderado máximo (OPPENHEIM e SCHAFER, 2012).
Considerando 𝐹𝑝 um subconjunto fechado proveniente da união disjunta de
subconjuntos fechados no eixo real 𝑥, e 𝑃(𝑥) um polinômio 𝑃(𝑥) de ordem 𝑟:
𝐸𝑝 (𝑥) = 𝑊𝑝 (𝑥)[𝐷𝑝 (𝑥) − 𝑃(𝑥)] (52)
𝐸𝑝 (𝑥) é o erro ponderado, 𝑊𝑝 (𝑥) é uma função positiva, contínua em 𝐹𝑝 , e
𝐷𝑝 (𝑥) uma função determinada contínua em 𝐹𝑝 .
O erro máximo é definido como:
‖𝐸‖ = max|𝐸𝑝(𝑥)| (53)
𝑥∈𝐹𝑝

A Figura 17 mostra um exemplo de aproximação ótima para um FPB

(OPPENHEIM e SCHAFER, 2012).
22
 Figura 17: Resposta de um FPB que está de acordo com o teorema
da alternância para 𝐿 = 7.
A Tabela 3 mostra os quatro tipos de filtros e suas características
(MATHWORKS).
Tabela 3: Quatro tipos de filtros FIR com fase linear.
Tipo Comprimento Resposta ao impulso

I ímpar Simétrico

II par Simétrico

III ímpar Antissimétrico

IV par Antissimétrico

5.4 Filtro digital aplicado a um sinal de áudio

O vídeo a seguir apresenta a aplicação dos filtros tipo “comb” (pente)
adicionando atrasos e mostrando como isso impacta em sinais de áudio
(STEARNS, 2014).
The Delay Spectrum - comb filtering

23
FINALIZANDO
Para verificar o aprendido nesta Aula veremos a aplicação de um filtro
digital para otimizar o som da canção “Mandelbrot Set” do Jonathan Coulton. Na
parte superior da tela do equipamento podemos ver o espectro em frequência do
sinal de áudio, e na parte inferior o filtro que está sendo aplicado. Aos 16
segundos do vídeo podemos observar que a amplitude do sinal foi aumentada
em 6 dB pelo operador. A partir desse momento aparece a ação de um filtro
adaptativo “comb” que vai se adaptar automáticamente ao sinal de entrada. É
possivel ver alguns ajustes realizados pelo operador em relação ao ganho do
filtro que só serão perceptíveis num aparelho de alta definição ou por um ouvido
educado (músicos e especialistas na área). Até 1:45 o filtro está sendo ajustado
pelo operador, ou seja está “aprendendo”. A partir daí o filtro começa a rodar
automáticamente e a se adaptar à frequência do sinal de áudio, aquí é possível
ver o filtro agindo no tempo, se ajustando às variações da canção. É desta forma
que se procede para limpar um som e dar os efeitos desejados (RATIONAL
ACOUSTICS, 2011).
Looking At Comb Filters
Para finalizar, cabe lembrar que esta rota de estudo é somente um guia, e
que aluno, além de ler este guia de estudos deve estudar pelo livro texto e pelo
material de leitura obrigatória disponibilizado na Aula.
 Capítulo 7: Técnicas de projeto de filtros – página 295.

REFERÊNCIAS
BAPTISTA, M.; AFONSO, E. Projecto de Filtros Digitais IIR. Escola Superior
de Tecnologia de Viseu, 2006. Disponivel em:
<http://www.estgv.ipv.pt/paginaspessoais/maeb/SPD/Teorico_Praticas_PDF/Gu
ia%20TP7_Filtros%20IIR%20Solu%C3%A7%C3%B5es.pdf>.

HIGUTI, R. T. Filtros Digitais Tipo FIR. Universidade Estadual Paulista

UNESP. Disponivel em:
<http://www.feis.unesp.br/Home/departamentos/engenhariaeletrica/ele1095_8a
_filtrosfir.pdf>. Acesso em: 2017.

MATHWORKS. firtype. MathWorks. Disponivel em:

<https://www.mathworks.com/help/signal/ref/firtype.html>. Acesso em: 2017.

24
MILIVOJEVIć,. Digital Filter Design. Belgrade: MikroElektronika, 2009.
Disponivel em: <https://learn.mikroe.com/ebooks/digitalfilterdesign/>.

OPPENHEIM, V.; SCHAFER, R. W. Processamento em Tempo Discreto de

Sinais. 3. ed. São Paulo: Pearson Education do Brasil, 2012.

PORR, B.; MACLEOD, K. DSP: Using an FIR filter to remove 50/60Hz from an
ECG (MATLAB/OCTAVE). Youtube, 2013. Disponivel em:
<https://www.youtube.com/watch?v=r7ypfE5TQK0>.

RATIONAL ACOUSTICS. Looking At Comb Filters. Youtube, 2011. Disponivel

em: <https://www.youtube.com/watch?v=GJQKjcBC96c>.

SELESNICK, I. The Remez Algorithm. NYU Tandon School of Engineering.

Disponivel em: <http://eeweb.poly.edu/iselesni/EL713/remez/remez.pdf>.
Acesso em: 2017.

SMITH, J. O. I. Introduction to Digital Filter Theory. Center for Computer

Research in Music and Acoustics - Stanford University, Stanford, p. 64,
2007. ISSN STAN-M-20. Disponivel em:
<https://ccrma.stanford.edu/~jos/filters/>.

STEARNS, L. The Delay Spectrum - comb filtering. Youtube, 2014. Disponivel

em: <https://www.youtube.com/watch?v=dQ5DEdO9ELg&t=8s>.

25