Ele1095 8a Filtrosfir

Filtros Digitais tipo FIR 1 Filtros Digitais tipo FIR 2
Filtros Digitais Tipo FIR

• Resposta ao impulso com duração finita
• Função de transferência
Processamento Digital de Sinais M
bn z −n
X
H(z) =
n=0
• Implementação de forma não-recursiva

Notas de Aula
• Métodos de projeto
– Janelamento
– Amostragem em frequência
Filtros Digitais Tipo FIR – Métodos ótimos
Ricardo Tokio Higuti
Departamento de Engenharia Elétrica - FEIS - Unesp
Observação: Estas notas de aula estão baseadas no livro: “Discrete-Time Signal Processing”,
A.V. Oppenheim and R.W. Schafer, Prentice Hall, 1989/1999.
Método do Janelamento Resposta impulsiva - filtro passa-baixas ideal

Seja um filtro passa-baixas ideal com fase linear:
sin ωc (n − M/2)
 hd [n] = , −∞ < n < ∞
e−jωnd , |ω| ≤ ωc π(n − M/2)
Hd (ejω ) = 

0, ωc < |ω| ≤ π
A correspondente resposta impulsiva ideal é: 0.6
sin ωc (n − nd ) 0.4
hd [n] = −∞<n<∞ M = 6 (FIR tipo I)
π(n − nd )
0.2
Nota-se que a resposta impulsiva tem duração infinita e é não-causal.
Uma solução para isso é truncar a resposta impulsiva, tomando N amos- 0
tras:
−0.2
 −10 −5 0 5 10 15
 hd [n], 0 ≤ n ≤ M = N − 1
h[n] = 
0, caso contrário
0.6
o que equivale a multiplicar a resposta impulsiva ideal hd [n] por uma janela
0.4
de duração finita w[n]: M = 5 (FIR tipo II)
0.2
h[n] = hd [n] · w[n]
0
onde no caso de um simples truncamento, w[n] é uma janela retangular:
 −0.2
 1, 0 ≤ n ≤ M = N − 1 −10 −5 0 5 10 15
w[n] =  n
0, caso contrário
Método do Janelamento Método do Janelamento

Seja a resposta impulsiva de um filtro ideal hd [n]. Deseja-se aproximá-la O efeito do janelamento é mais evidente no domı́nio da frequência, no qual
por uma resposta de duração finita tem-se a convolução periódica entre a resposta em freq. ideal e o espectro
da janela:
h[n] 6= 0, para 0≤n≤M
1 Zπ
H(ejω ) = Hd (ejθ )W (ej(ω−θ))dθ
Para a aproximação, será buscada a solução que minimiza o erro quadrático: 2π −π
∞
E2 = |hd [n] − h[n]|2
X
n=−∞
Como a resposta final tem duração finita, pode-se separar a somatória

em três termos:
−1 M ∞
E2 = |hd [n]|2 + |hd [n] − h[n]|2 + |hd [n]|2
X X X
n=−∞ n=0 n=M +1
Como hd [n] está fixo, a minimização de E 2 consiste em minimizar a

somatória do meio, cujo valor mı́nimo é zero quando h[n] = hd [n].
Portanto, o truncamento da resposta ideal com uma janela retangular
resulta no mı́nimo erro quadrático da aproximação. No entanto, em geral
o truncamento com a janela retangular não é a melhor escolha no projeto
de filtros.
Dessa forma, a escolha da janela w[n] vai influenciar a resposta em freq.

do filtro obtido e por isso existem diversos tipos de janelas disponı́veis,
além da retangular.
Efeito do Janelamento Tipos de Janelas

Há vários tipos de janelas que podem ser usadas. Cada uma possui dife- Alguns tipos de janelas w[n] para 0 ≤ n ≤ M = N − 1:
rentes caracterı́sticas de:
• Retangular:
• Forma: relacionada com a largura do lóbulo principal e o nı́vel de w[n] = 1
lóbulo lateral;
• Bartlett (triangular):
• Comprimento: relacionada com a largura do lóbulo principal.
1 − 2|n − M/2|/M
• Blackman:
0.42 − 0.5 cos(2πn/M) + 0.08 cos(4πn/M)
• Hamming:
0.54 − 0.46 cos(2πn/M)
• Hanning:
0.5 − 0.5 cos(2πn/M)
• Kaiser:
I0[β(1 − [(n − M/2)/(M/2)]2)1/2]
, β≥0
I0(β)
I0 (.) - função de Bessel modificada do primeiro tipo e de ordem zero

• Lanczos:  L
 sin[2π(n− M/2)/M] 
, L>0
 2π(n − M/2)/M 
• Tukey:


 1,
|n − M/2| < αM/2
n−(1+α)M/2

 0.5 + 0.5 cos (1−α)M/2 , αM/2 ≤ |n − M/2| ≤ M/2
Espectros de Janelas Janela de Kaiser
Hamming 1
1 Hanning β=0
Blackman β=3
Bartlett β=6
0.8
0.8
0.6
0.4
0.6
0.2
0.4
0
0 5 10 15 20
n
0
0.2 β=0
−10 β=3
β=6
−20
0 −30
0 20 40 60 80 100 120
n −40
retangular Hamming −50
0 0 −60
−70
−20 −20
−80
−40 −40 −90

dB
−100
−60 −60 0 0.1 0.2 0.3 0.4 0.5
ω/π
0
N=10
−80 −80 N=20
−10 N=30
β=6
−100 −100 −20
0 0.02 0.04 0 0.02 0.04
−30
Hanning Blackman −40
0 0 −50
−60
−20 −20
−70
−40 −40 −80

dB
−90
−60 −60
−100
0 0.1 0.2 0.3 0.4 0.5
−80 −80 ω/π
−100 −100
0 0.02 0.04 0 0.02 0.04
w w
Efeito do Janelamento Efeito do Janelamento - Frequência

Resposta impulsiva - filtro passa-baixas ideal
N =3 N = 15
Retangular 1 1
0.6 0.8 0.8
0.6 0.6
0.4 0.4 0.4
0.2 0.2
Janela retangular
0.2 0 0
0 0.5 1 0 0.5 1
0 N = 31 N = 61
1 1
−0.2
−6 −4 −2 0 2 4 6 0.8 0.8
0.6 0.6
Hamming 0.4 0.4
0.6
0.2 0.2
0 0
0.4 0 0.5 1 0 0.5 1
ω/π ω/π
0.2
N =3 N = 15
0
1 1
0.8 0.8
−0.2
−6 −4 −2 0 2 4 6 0.6 0.6
n 0.4 0.4
Janela de Hamming
0.2 0.2
0 0
• Notar a simetria das janelas - manutenção da fase linear. 0 0.5 1 0 0.5 1
N = 31 N = 61
1 1
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0 0
0 0.5 1 0 0.5 1
ω/π ω/π
Caracterı́sticas de Janelas Janela de Kaiser

Caracterı́sticas de janelas com comprimento N = M + 1 • Janelas com formato fixo: apresentam um valor fixo de nı́vel de lóbulo
lateral, que independe do comprimento - o resultado pode não ser o
Janela ∆ω/2π Rp [dB] Rs [dB] LL [dB] δ
melhor (menor ordem).
Retangular 0.9/N 0.7416 21 13 0.089137
Hanning 3.1/N 0.0546 44 31 0.006306 • A janela de Kaiser é na verdade um conjunto de janelas parametri-
Hamming 3.3/N 0.0194 53 41 0.002236
Blackman 5.5/N 0.0017 74 57 0.000196 zadas por β, chamado de fator de forma. Dessa maneira, β está
Kaiser (β = 4.54) 2.93/N 0.0274 50 34 0.003156 relacionado com o nı́vel de lóbulo lateral da janela - menor ordem.
Kaiser (β = 6.76) 4.32/N 0.0027 70 49 0.000316
Kaiser (β = 8.96) 5.71/N 0.000274 90 66 0.000031
Procedimento de projeto:
1. Determinar a largura de transição:
• ∆ω = ωs − ωp : largura da faixa de transição
∆ω = ωs − ωp
• Rp : máximo ripple na faixa de passagem
• Rs :mı́nima atenuação na faixa de rejeição 2. Calcular:
A = −20 log10 min{δp, δs }
• LL: relação entre as magnitudes do lóbulo principal e do lóbulo lateral
3. Determinar o fator β:
• Notar que δp = δs = δ 




0, A < 21
0.4
β= 0.5842(A − 21) + 0.07886(A − 21), 21 ≤ A ≤ 50
0.1102(A − 8.7), A > 50



4. Calcular o valor aproximado de M:

A−8
M=
2.285∆ω
no qual pode-se ter uma variação para mais ou para menos.
Método do janelamento Exemplo: Filtro Passa-Baixas

Escolha da janela: Especificações
1. Escolher o tipo da janela de acordo com os máximos desvios nas faixas • faixa de passagem: 0 a 1.5 kHz
de passagem e rejeição;
• largura de transição: 0.5 kHz
2. Determinar o comprimento da janela de acordo com a largura da
• freq. de rejeição: 2.0 kHz
faixa de transição.
• Máximo Ripple na faixa de passagem: 0.03 dB
Procedimento de projeto:
• Mı́nima atenuação na faixa de rejeição: 50 dB
1. A partir das especificações, determinar a resposta em freq. ideal, já
• Freq. amostragem: 8 kHz
incorporando o termo com fase linear (em geral e−jωM/2);
2. Calcular a resposta impulsiva ideal hd [n]; Transformando para freq. discretas ω = 2πf /fa:
3. Determinar o tipo/formato e o comprimento (M + 1) da janela w[n] • faixa de passagem: 0 a ωp = 3π/8
que atende às especificações;
• largura de transição: ∆ω = π/8
4. Obter a resposta do filtro: h[n] = hd [n] · w[n];
• freq. de rejeição: ωs = π/2
5. Verificar se o filtro atende às especificações. Se necessário, voltar ao
passo 3. • Máximo Ripple na faixa de passagem: Rp = 0.03 dB (δp = 0.0032)
• Mı́nima atenuação na faixa de rejeição: Rs = 50 dB (δs = 0.0032)
• Freq. amostragem: 8 kHz
Projeto com janela de Hamming:

• N = 3.3/(∆ω/2π) = 52.8 ⇒ N = 53, M = 52
• Filtro ideal: freq. corte ωc = (ωp + ωs )/2 = 0.4375π
sin ωc (n − M/2)
hd [n] =
π(n − M/2)
• Janela: w[n] = 0.54 − 0.46 cos(2πn/M), n = 0..M

• Resposta do filtro: h[n] = hd [n] · w[n]
Exemplo: Filtro Passa-Baixas - janela de Hamming Exemplo: Filtro Passa-Baixas - janela de Hamming
resposta ideal hd[n] Resposta em frequencia
0.6 0
0.4 −20
amplitude
dB
−40
0.2
−60
0
−80
0 0.2 0.4 0.6 0.8 1
−0.2
0 10 20 30 40 50 60 Resposta de Fase
0
resposta obtida h[n]=hd[n].w[n]. Janela de Hamming N=53
0.6 −10
−20
rad
0.4
−30
amplitude
0.2 −40
−50
0 0 0.2 0.4 0.6 0.8 1
ω/π
Faixa de Passagem − Hamming
−0.2
0 10 20 30 40 50 60
amostra n 1.002
0.998
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35

−3 Faixa de Rejeição
x 10
0
0.5 0.6 0.7 0.8 0.9 1
ω/π
Exemplo: Filtro Passa-Baixas - janela de Kaiser Exemplo: Filtro Passa-Baixas - janela de Kaiser
• A = 50
Resposta em frequencia
• β = 0.1102(A − 8.7) = 4.55 0
−20
• N > (A − 8)/(2.285∆ω) = 47.9 ⇒ N = 48, M = 47
dB
−40
• No MATLAB: w=kaiser(N,beta);
−60
resposta ideal hd[n] −80

0.6 0 0.2 0.4 0.6 0.8 1
Resposta de Fase
0.4 0
amplitude
−10
0.2
rad
−20
0
−30
−0.2
0 10 20 30 40 50 −40
0 0.2 0.4 0.6 0.8 1
resposta obtida h[n]=hd[n].k[n]. Janela de Kaiser N=48 ω/π
Faixa de Passagem − Kaiser
0.6
0.4 1.002
amplitude
0.2 1
0 0.998
−0.2 0 0.05 0.1 0.15 0.2 0.25 0.3 0.35

0 10 20 30 40 50
amostra n −3 Faixa de Rejeição
x 10
0
0.5 0.6 0.7 0.8 0.9 1
ω/π
Exemplo - FIR Janelamento Resposta para M = 5, janela retangular

Seja um diferenciador com fase linear:
Diferenciador, resposta impulsiva, M=5, janela retangular
jω −jωM/2 1.5
Hdif (e ) = (jω)e , −π < ω < π
A correspondente resposta impulsiva ideal é dada por: 1
cos π(n − M/2) sin π(n − M/2)

hdif [n] = − , −∞ < n < ∞
n − M/2 π(n − M/2)2 0.5
Para obter um filtro FIR, multiplica-se a resposta ideal por uma janela
0
w[n], de comprimento N = M + 1:
h[n] = hdif · w[n] −0.5
• A resposta impulsiva obedece a h[M − n] = −h[n]

−1
• Filtros FIR tipos III ou IV
−1.5
0 1 2 3 4 5
amostra
Diferenciador, resposta em freq, M=5, janela retangular
3.5
2.5
Magnitude
2
1.5
0.5
0
0 0.2 0.4 0.6 0.8 1
ω/π
Resposta para M = 5, janela retangular Resposta para M = 5, janela de Hamming
Diferenciador, M=5, retangular Diferenciador, resposta impulsiva, M=5

1 1.5
0.8
entrada
0.6 1
0.4
0.2 0.5
0
0 5 10 15 20 25 30 35 40
0
2
1 −0.5
saída
0
−1
−1
−2 −1.5
0 5 10 15 20 25 30 35 40 0 1 2 3 4 5
amostra amostra
Diferenciador, M=5, retangular Diferenciador, resposta em freq., M=5
20 3.5
15
3
entrada
10
2.5
5
Magnitude
0 2
0 5 10 15 20 25 30 35 40
4 1.5
2
1
saída
0
0.5
−2
−4 0
0 5 10 15 20 25 30 35 40 0 0.2 0.4 0.6 0.8 1
amostra ω/π
Resposta para M = 5, janela de Hamming Resposta para M = 6, janela de Hamming
Diferenciador, M=5 Diferenciador, resposta impulsiva, M=6

1 0.8
0.8
0.6
Entrada
0.6
0.4 0.4
0.2
0.2
0
0 5 10 15 20 25 30 35 40
0
2
−0.2
1
−0.4
Saída
−1 −0.6
−2 −0.8
0 5 10 15 20 25 30 35 40 0 1 2 3 4 5 6
amostra amostra
Diferenciador, M=5 Diferenciador, resposta em freq., M=6
20 3.5
15
3
Entrada
10
2.5
5
Magnitude
0 2
0 5 10 15 20 25 30 35 40
4 1.5
2
1
Saída
0
0.5
−2
−4 0
0 5 10 15 20 25 30 35 40 0 0.2 0.4 0.6 0.8 1
amostra ω/π
Resposta para M = 6, janela de Hamming Amostragem em Frequência

Consiste em amostrar a resposta em frequência ideal ou desejada e calcular
Diferenciador, M=6
1 a DFT inversa.
0.8
Seja uma resposta desejada:
6 Hd (ejω )
Entrada
0.6 Hd (ejω ) = |Hd (ejω )|ej

0.4
0.2
Amostrando Hd (ejω ) em L pontos equiespaçados entre ω = 0 e 2π,
tem-se:
0
0 5 10 15 20 25 30 35 40
H[k] = Hd (ejω )|ω=2πk/L, k=0..L−1
1
A partir de H[k] calcula-se a DFT inversa, obtendo-se a resposta im-
0.5 pulsiva.
Saída
0 Da teoria da DFT, sabe-se que a resposta no tempo será composta por

um perı́odo do sinal:
−0.5
∞
X
−1 h̃[n] = hd [n − rL]
0 5 10 15 20 25 30 35 40 r=−∞
amostra
Diferenciador, M=6
20
h[n] = h̃[n], n = 0..L − 1
15
Assim, pode haver aliasing no tempo, caso a resposta impulsiva desejada
Entrada
10 não tenha duração menor ou igual a L, que é o caso geral. Um janelamento

5
também pode ser utilizado para reduzir esse problema.
0
0 5 10 15 20 25 30 35 40
2
Saída
−2
−4
0 5 10 15 20 25 30 35 40
amostra
Exemplo - FIR Amostragem em Frequência Amostragem em Freq. − Retangular
0.4
Considere um filtro passa-baixas com as seguintes especificações em relação
às frequências de corte: 0.2
ωp = 0.4π ωs = 0.5π 0
Usando a técnica de amostragem em frequência, a resposta de magni- −0.2

0 5 10 15 20 25 30
tude amostrada fica como indicada a seguir, com L = 32 amostras entre 0
e 2π − 2π/L:
0
Resposta desejada
1.2 −20
−40
1 −60
−80
0 0.2 0.4 0.6 0.8 1
0.8
ω/π
Amostragem em Freq. − Hanning

0.6
0.4
0.2
0.4
0.2 −0.2
0 5 10 15 20 25 30
0
0 0.5 1 1.5 2 0
ω/π
−20
Dos valores de Hd [k], incorpora-se uma fase linear e calcula-se a DFT −40
inversa, obtendo-se a resposta impulsiva h[n]. Esta resposta pode ainda
−60
ser multiplicada por uma janela de Hanning, por exemplo. Os gráficos
seguintes mostram as respostas impulsivas e as magnitudes: −80
0 0.2 0.4 0.6 0.8 1
ω/π
Métodos Ótimos Métodos Ótimos

Consiste da aproximação da resposta em frequência desejada em termos • Aproximação pela minimização do erro quadrático: Deve-se
do erro quadrático ou do erro absoluto. procurar os coeficientes d[n] que minimizem o erro dado por:
Seja um filtro FIR tipo I (resp. imp. simétrica, M par):
L L
e2i [A(ωi) − D(ωi )]2
X X
jω
M
X −jωn −jωM/2
E= =
H(e ) = h[n]e = A(ω)e i=1 i=1
n=0
e O resultado é dado pela solução de mı́nimos quadrados discretos (ref:

M/2
Proakis)
X
A(ω) = d[n] cos(ωn) • Aproximação pela minimização do erro absoluto: Procuram-se
n=0
os coeficientes tal que, definindo o erro:
em que d[0] = h[M/2]; d[k] = 2h[(M/2) − k], k = 1..M/2
Suponha que sejam dadas as especificações de um filtro por meio de E(ω) = A(ω) − D(ω)
uma resposta desejada:
tenha-se
Hd (ejω ) = D(ω)e−jωM/2
na qual D(ω) representa a resposta de amplitude desejada. min{max|E(ω)|}
• Problema: determinar os coeficientes d[n] que melhor aproximem a considerando os erros nas faixas de passagem e rejeição, nas freq.
resposta desejada. ωi escolhidas. A solução é dada pelo algoritmo de Remez (Parks-
McClellan).
Escolhendo L pontos da resposta desejada, nas freq. ωi, i = 0..L − 1,
procura-se o melhor A(ωi) que aproxima D(ωi ) segundo um critério de erro.
Filtros Ótimos - Minimax Solução da aproximação
Considere um filtro FIR tipo I (simétrico, M par), cuja resposta é repre- A solução é dada pelo Teorema da Alternância:
sentada por:
H(ejω ) = A(ω)e−jωL Teorema da Alternância: Seja Ω um subconjunto de ω em [0, π],

como por exemplo a união dos conjuntos [0, ωp] e [ωs, π]. Então A(ω) é a
na qual única e melhor aproximação de D(ω) (no sentido de minimizar o máximo
L
X erro absoluto) se e somente se a função erro E(ω) é equiripple e tem pelo
A(ω) = d[n] cos(nω) menos L + 2 frequências onde a derivada é zero (frequências extremantes).
n=0
Em outras palavras, existem, no conjunto Ω, frequências extremantes
e há (L + 1) parâmetros a determinar.
Considere agora uma resposta desejada 0 ≤ ω1 < ω2 . . . < ωL+2 ≤ π
Hd (ejω ) = D(ω)e−jωL que incluem ωp e ωs , tal que:
No caso de um filtro passa-baixas, D(ω) ficaria: E(ωi) = −E(ωi+1) = ±|Em |, i = 1, 2, . . . , L + 1


 1, ω ∈ [0, ωp] (faixa de passagem) no qual
D(ω) = 
0, ω ∈ [ωs , π] (faixa de rejeição)
|Em | = max{ω∈Ω}|E(ω)|
Definindo a função peso:
 Uma resposta que obedece ao teorema da alternância, para L = 7, é:
 δs /δp , ω ∈ [0, ωp]
W (ω) = 
1, ω ∈ [ωs , π]
na qual δp e δs são constantes relacionadas aos desvios nas faixas de pas-
sagem e rejeição. O erro normalizado fica:
E(ω) = W (ω)[A(ω) − D(ω)]
A função peso W (ω) serve para normalizar os erros nas faixas de passagem
e rejeição, que podem ter desvios diferentes.
O problema consiste em determinar os coeficientes d[n] que minimizem
o máximo erro absoluto |E(ω)| quando ω estiver nas faixas de passagem e
rejeição.
Possı́veis aproximações para L = 7 Algoritmo de Parks-McClellan ou Algoritmo de Re-

mez
O objetivo do problema é determinar a melhor aproximação nas frequências
ωi, tal que:
W (ωi)[A(ωi) − D(ωi)] = (−1)i+1δ, i = 1, 2, . . . , (L + 2)
ou
L δ
d[n] cos(nωi) − (−1)i+1
X
= D(ωi), i = 1, 2, . . . , (L + 2)
n=0 W (ωi)
A solução é dada pela melhor aproximação polinomial que obedeça ao
teorema da alternância, com as seguintes condições:
• O número máximo de alternâncias é (L + 3);

• Alternâncias sempre ocorrem em ωp e ωs ;
• O filtro será equiripple, exceto e possivelmente em ω = 0 e ω = π.
Parks e McClellan mostraram que o seguinte algoritmo resolve o pro-

blema:
Algoritmo de Parks-McClellan ou Algoritmo de Re- Algoritmo de Parks-McClellan ou Algoritmo de Re-

mez mez
Primeira estimativa das

(L+2) freq. extremantes
Calcula o d ótimo no
conjunto wi
Interpola pelos (L+1)

pontos para obter A(ejw)
Calcula o erro E(w) e

encontra o máximo,
onde |E(w)|>=d
Sim Conserva (L+2) freq.

Há mais de (L+2)
referentes aos máximos
freq. extremantes ?
extremos Estimativa do comprimento do filtro
Uma aproximação para o valor de M para um filtro passa-baixas com
Não
aproximação pelo método ótimo foi dada por Kaiser (1974):
−10 log10(δ1 δ2) − 13
Sim As freq. M=
extremantes se 2.324∆ω
modificaram?
Não
Melhor
aproximação
Exemplo: Algoritmo de Remez Calculando agora a função erro: e(x) = a(x) − d(x), tem-se o gráfico
seguinte, de onde tira-se que as frequências extremantes e os respectivos
Deseja-se aproximar a função d(x) = x4 + x por uma função do segundo erros são:
grau: a(x) = a0 + a1 x + a2 x2 no intervalo [0, 1] usando a técnica da mini-
mização do erro máximo absoluto. X2 = {0, 0.23, 0.76, 1}
Solução: Como o polinômio do segundo grau tem L = 2, há pelo menos
e(X2 ) = {0.0337, −0.0405, 0.1142, −0.0337}
L + 2 = 4 frequências extremantes. Considerando a primeira estimativa,
incluindo os extremos, como:
Primeira iteração
0.12
X1 = {0, 0.3, 0.5, 1}
0.1
Deve-se buscar a solução para a aproximação: 0.08
0.06
W (xi)[a(xi) − d(xi)] = (−1)i+1δ, i = 1, 2, 3, 4.
0.04
e(x)
ou, considerando a função peso igual a 1:
0.02
i+1
a(xi) − (−1) δ = d(xi), i = 1, 2, 3, 4. 0
−0.02
a0 + a1 xi + a2 x2i − (−1) i+1

δ = d(xi), i = 1, 2, 3, 4. −0.04
Na primeira iteração, tem-se o sistema: −0.06

0 0.2 0.4 0.6 0.8 1
x
2
1 0 0 1 a0 0 0
      
1 0.3 0.32 −1 
  a1 
 0.34 + 0.3   0.3081  Como o resultado do erro não é equiripple, utilizando X2 , repete-se o
      
 

=  
=  
1 0.5 0.52 1  a   0.54 + 0.5   0.5625  procedimento, conseguindo o seguinte resultado:
       
  2     
1 1 12 −1 δ 14 + 1 2
a0 0.0619
   
Cuja solução é: a  0.0546 

   
 1


a0
 
0.0337

a 
=  
1.8214 
   
 2

 
a   0.3175 
   
 1
=   δ −0.0619
a   1.6150 
   
 2  
δ 0.0337
A nova função erro e as frequências extremantes são dadas por: Terceira iteração
0.08
X3 = {0, 0.28, 0.78, 1} 0.06
e(X3 ) = {0.0619, −0.0661, 0.0626, −0.0619} 0.04
0.02
Segunda iteração
0.08
e(x)
0
0.06
−0.02
0.04
−0.04
0.02
−0.06
e(x)
0
−0.08
0 0.2 0.4 0.6 0.8 1
−0.02 x
−0.04 No qual nota-se que o erro é equiripple e finalizam-se aqui as iterações.

Os gráficos da função d(x) = x4 + x e da função a(x) são:
−0.06
Aproximação − algoritmo de Remez

−0.08 2
0 0.2 0.4 0.6 0.8 1
x 4
x +x
1.8 2
0.063448 + 0.061504 x + 1.8116 x
Repetindo novamente: 1.6
1.4
a0 0.0634
   
a  0.0615 
   
1.2
 1

a 
=  
1.8116 
   
 2

  1
δ −0.0634 0.8
0.6
X4 = {0, 0.28, 0.78, 1} 0.4
0.2
e(X3 ) = {0.0634, −0.0634, 0.0634, −0.0634}
0
0 0.2 0.4 0.6 0.8 1
x
Exemplo: Filtro Passa-Baixas - Algoritmo de Remez Alguns comandos no MATLAB - Filtros FIR
• N = 44, M = 43 • Janelas:
– hamming
resposta obtida h[n]. Algoritmo de Remez N=44
0.6 – hanning
0.4
– kaiser
amplitude
0.2
– blackman
0
– bartlett
−0.2
0 5 10 15 20 25
amostra n
30 35 40 45 – chebwin
Resposta em frequencia
– boxcar
0
−20 • Projeto
dB
−40
– kaiserord
−60
– fir1
−80
0 0.2 0.4 0.6 0.8 1 – fir2
Resposta de Fase
0 – remezord, pmord
−10 – remez, pm
rad
−20
• Análise
−30
– filter
−40
0 0.2 0.4
ω/π
0.6 0.8 1 – freqz
Faixa de Passagem − Remez
1.002
0.998
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35

−3 Faixa de Rejeição
x 10
0
0.5 0.6 0.7 0.8 0.9 1
ω/π

Ele1095 8a Filtrosfir

Enviado por

Dados do documento

Descrição original:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Ele1095 8a Filtrosfir

Enviado por

Direitos autorais:

Formatos disponíveis

Filtros Digitais tipo FIR 1 Filtros Digitais tipo FIR 2

Filtros Digitais Tipo FIR

• Implementação de forma não-recursiva

Ricardo Tokio Higuti

Departamento de Engenharia Elétrica - FEIS - Unesp

Método do Janelamento Resposta impulsiva - filtro passa-baixas ideal

Método do Janelamento Método do Janelamento

Como a resposta final tem duração finita, pode-se separar a somatória

n=−∞ n=0 n=M +1

Como hd [n] está fixo, a minimização de E 2 consiste em minimizar a

Dessa forma, a escolha da janela w[n] vai influenciar a resposta em freq.

Efeito do Janelamento Tipos de Janelas

0.42 − 0.5 cos(2πn/M) + 0.08 cos(4πn/M)

I0 (.) - função de Bessel modificada do primeiro tipo e de ordem zero

Espectros de Janelas Janela de Kaiser

retangular Hamming −50

−40 −40 −90

Hanning Blackman −40

−40 −40 −80

Efeito do Janelamento Efeito do Janelamento - Frequência

Caracterı́sticas de Janelas Janela de Kaiser

4. Calcular o valor aproximado de M:

Método do janelamento Exemplo: Filtro Passa-Baixas

Projeto com janela de Hamming:

• Janela: w[n] = 0.54 − 0.46 cos(2πn/M), n = 0..M

resposta ideal hd[n] Resposta em frequencia

0 0.05 0.1 0.15 0.2 0.25 0.3 0.35

• β = 0.1102(A − 8.7) = 4.55 0

resposta ideal hd[n] −80

−0.2 0 0.05 0.1 0.15 0.2 0.25 0.3 0.35

Exemplo - FIR Janelamento Resposta para M = 5, janela retangular

A correspondente resposta impulsiva ideal é dada por: 1

cos π(n − M/2) sin π(n − M/2)

h[n] = hdif · w[n] −0.5

• A resposta impulsiva obedece a h[M − n] = −h[n]

Resposta para M = 5, janela retangular Resposta para M = 5, janela de Hamming

Diferenciador, M=5, retangular Diferenciador, resposta impulsiva, M=5

Resposta para M = 5, janela de Hamming Resposta para M = 6, janela de Hamming

Diferenciador, M=5 Diferenciador, resposta impulsiva, M=6

Resposta para M = 6, janela de Hamming Amostragem em Frequência

0.6 Hd (ejω ) = |Hd (ejω )|ej

0 Da teoria da DFT, sabe-se que a resposta no tempo será composta por

10 não tenha duração menor ou igual a L, que é o caso geral. Um janelamento

Exemplo - FIR Amostragem em Frequência Amostragem em Freq. − Retangular

Usando a técnica de amostragem em frequência, a resposta de magni- −0.2

Amostragem em Freq. − Hanning

Métodos Ótimos Métodos Ótimos

e O resultado é dado pela solução de mı́nimos quadrados discretos (ref:

na qual D(ω) representa a resposta de amplitude desejada. min{max|E(ω)|}

Filtros Ótimos - Minimax Solução da aproximação

H(ejω ) = A(ω)e−jωL Teorema da Alternância: Seja Ω um subconjunto de ω em [0, π],

Hd (ejω ) = D(ω)e−jωL que incluem ωp e ωs , tal que:

No caso de um filtro passa-baixas, D(ω) ficaria: E(ωi) = −E(ωi+1) = ±|Em |, i = 1, 2, . . . , L + 1

E(ω) = W (ω)[A(ω) − D(ω)]

Possı́veis aproximações para L = 7 Algoritmo de Parks-McClellan ou Algoritmo de Re-

W (ωi)[A(ωi) − D(ωi)] = (−1)i+1δ, i = 1, 2, . . . , (L + 2)

• O número máximo de alternâncias é (L + 3);

Parks e McClellan mostraram que o seguinte algoritmo resolve o pro-

Algoritmo de Parks-McClellan ou Algoritmo de Re- Algoritmo de Parks-McClellan ou Algoritmo de Re-

Primeira estimativa das

Interpola pelos (L+1)

Calcula o erro E(w) e