что такое детерминированный сигнал

Детерминированный и Случайный сигналы

Шумом называются нежелательные явления мешающие получать информацию из полезного сигнала. Шум присутствует повсюду, он случаен по своей природе, источниками его может быть как физика самого процесса, который можно зафиксировать, так и неидеальности приемной аппаратуры или оцифровщиков. Нужно различать понятия шумов и полезного сигнала, в том числе и с точки зрения их математического описания.

Детерминированные и случайные сигналы

Давайте рассмотрим, как можно описать полезный сигнал. В качестве математической модели используем детерминированный сигнал заданный аналитической функцией.

Значение сигнала можно определить в любой момент времени, подставив все необходимые аргументы в описывающую его аналитическую функцию. На примере представлены синусоиды, если зафиксировать параметры амплитуды, частоты и фазы, и передавать в формуле меняющееся значение времени, будем получать точное значение сигнала в эти моменты времени.

Детерминированный сигнал

Детерминированный сигнал описываемой аналитической функции, как модель очень удобен, но сигналы реального мира подвержены воздействию множества физических факторов. Их значения могут колебаться от наблюдения к наблюдению, да и сами средства наблюдения также могут вносить погрешность измерений. Проще говоря, реальный сигнал будет отличаться от его аналитического описания на случайную величину ошибки.

Рассмотрим очередной бытовой пример, нагрев воды в чайнике на газовой горелке. Температура воды с течением времени монотонно нарастает, но мы наблюдаем некоторые флуктуации или отклонения. Это может быть обусловлено неравномерной подачей газа в горелке, ветром, термодинамикой, неидеальностью средств измерения, так или иначе полученные отсчеты мы можем приблизить прямой линией.

Прямая линия это детерминированный сигнал описываемой функции. Можно узнать его значение между соседними отчетами, то есть интерполировать данные эксперименты или даже подсчитать величину сигнала за пределами периода наблюдения, то есть использовать его для прогнозирования значений температуры.

Но реальные значения немного отличаются от линейной зависимости в большую или меньшую сторону. Записанный сигнал можно рассматривать, как математическую модель типа детерминированный сигнал плюс случайный процесс. Если с детерминированным описанием сигналов все более менее понятно, то с моделью случайного процесса нам только предстоит познакомиться.

Случайный процесс

Понятие случайного процесса связано с определением случайной функции. Случайная функция это функция, вид который в результате проведения эксперимента мы не можем предугадать. Случайный процесс — случайная функция времени. Конкретный вид результата протекания случайного процесса называется реализацией. На рисунке ниже показан ансамбль реализации одного случайного процесса.

В отличии от сигналов описываемых аналитической функцией, реализация случайного процесса, практически всегда отличаются друг от друга, но общие характеристики у них есть. Как же нам описать случайный процесс без необходимости хранения бесконечного числа его реализаций? Для описания мы используем теорию вероятностей и математическую статистику.

Распределение случайной величины

Простой пример дискретной случайной величины, число выпадающие при броске игральных костей, может выпасть значение от 1 до 6. Величина может принимать одно из шести дискретных значений, но совершенно случайно. Не трудно подсчитать вероятность выпадения какого-либо числа, она равна 1/6 или 16,67% для каждого из дискретных значений.

Рассмотрим пример непрерывной случайной величины. Рост человека, он не изменяется дискретно, может принимать любое значение в разумных пределах. Представим себе, что мы измеряем рост каждого посетителя, кто заходит в магазин. Измерив достаточное количество людей можно построить вот такой график, по оси x отложен рост в сантиметрах, по оси y количество людей с таким ростом.

На графике мы видим дискретные полоски, но эти полоски обозначают количество людей чей рост попадает в определенной пределы. Например, в пределы от 182 до 183 сантиметров. Взглянув на этот график выше, мы понимаем, что чаще всего в магазин заходили люди среднего роста, а посетителей ростом выше двух метров видели редко. То, что было представлено на графике очень близко к понятию плотности распределения случайной величины.

Плотность распределения

Значение плотности распределения показывает вероятность того, что случайная величина примет определенное значение, а частичная площадь под графиком вероятность того, что значение попадет в выбранный предел.

Как вы понимаете, площадь под графиком на всем диапазоне значений равна единице или 100 %. В случае с игральными костями, мы рассматривали равномерное распределение, то есть одинаковую вероятность того, что случайная величина примет, то или иное значение.

В случае с ростом человека, мы наблюдали нормальное распределение, также именуемое распределением Гаусса. Нормальное распределение широко распространено в природе и используется как удобная модель случайного процесса. Популярность эта вытекает из центральной предельной теоремы, она гласит что сумма большого количества слабо зависимых случайных величин имеет распределение, близкое к нормальному. На отклонение величины от среднего влияет множество факторов, подобно тому, как множество факторов влияет на рост человека, поэтому сумму их влияний можно описать случайным процессом с Гауссовским или Нормальным распределением.

Убедимся в этом в matlab. Смотри с 05:00 минуты!

Плотность распределения это лишь одна из характеристик которыми мы описываем случайные процессы.

Источник

Классификация сигналов

Сигналы подразделяются на следующие категории:

Непрерывное время и сигналы дискретного времени

Детерминированные и недетерминированные сигналы

Четные и нечетные сигналы

Периодические и апериодические сигналы

Сигналы энергии и мощности

Реальные и мнимые сигналы

Непрерывное время и сигналы дискретного времени

Детерминированные и недетерминированные сигналы

Четные и нечетные сигналы

Периодические и апериодические сигналы

Сигналы энергии и мощности

Реальные и мнимые сигналы

Непрерывное время и сигналы дискретного времени

Сигнал называется непрерывным, когда он определен для всех моментов времени.

Сигнал называется дискретным, если он определен только в дискретные моменты времени /

Детерминированные и недетерминированные сигналы

Сигнал называется детерминированным, если нет неопределенности относительно его значения в любой момент времени. Или сигналы, которые могут быть точно определены математической формулой, называются детерминированными сигналами.

Сигнал считается недетерминированным, если в какой-то момент времени существует неопределенность относительно его значения. Недетерминированные сигналы носят случайный характер, поэтому их называют случайными сигналами. Случайные сигналы не могут быть описаны математическим уравнением. Они смоделированы в вероятностных терминах.

Четные и нечетные сигналы

Сигнал называется четным, даже если он удовлетворяет условию x (t) = x (-t)

Пример 1: t2, t4… стоимость и т. Д.

Пример 2: Как показано на следующей диаграмме, функция прямоугольника x (t) = x (-t), поэтому она также является четной функцией.

Источник

Рассмотрим четыре формы сигналов источников. Постоянный сигнал: e(t) = E = const (рис. 1.9, кривая 1). Гармонический сигнал: e(t) = E_m sin(wt+j₀) (рис. 1.9, кривая 2). Периодический негармонический сигнал, описывается рядом Фурье (рис. 1.9, кривая 3). Непериодический сигнал, описывается интегралом Фурье (рис. 1.9, кривая 4).

Управляемые источники тока и напряжения. Идеальные источники тока и напряжения могут быть и управляемыми (зависимыми). В общем случае управляемый источник — это идеализированный активный элемент с двумя парами выводов, параметр которого является определенной функцией тока или напряжения некоторого участка цепи.

Внутреннее сопротивление управляемого источника напряжения равно нулю, а внутреннее сопротивление управляемого источника тока равно бесконечности.

Источник напряжения, управляемый напряжением (ИНУН), показан на рис. 1.10, а. Уравнения ИНУН:

где m — коэффициент передачи по напряжению.

Источник напряжения, управляемый током (ИНУТ), показан на рис. 1.10, б. Уравнения ИНУТ:

где r — передаточное сопротивление.

Источник тока, управляемый напряжением (ИТУН), показан на рис. 1.10, в. Уравнения ИТУН:

где g — передаточная проводимость.

Источник тока, управляемый током (ИТУТ), представлен на рис. 1.10, г и описывается уравнениями:

где a — коэффициент передачи по напряжению.

Приведенные управляемые источники являются линейно управляемыми, хотя в общем случае зависимости между током и напряжением могут быть произвольной формы. Управляемые источники тока и напряжения широко используют при составлении эквивалентных схем электронных приборов.

1.6. Классификация сигналов

Одномерные и многомерные сигналы. Типичным примером сигнала является напряжение на зажимах (входных или выходных) какой-либо цепи. Такой сигнал описывается одной функцией времени и называется одномерным (например, напряжение u (t) на зажимах вольтметра (рис. 1.11, а).

Многомерный сигнал образуется как множество одномерных , где n — размерность сигнала (рис. 1.11, б).

Детерминированные и случайные сигналы. Детерминированный сигнал — это сигнал, математическая модель которого позволяет предсказать его мгновенное значение в любой момент времени, например:

; ,

где — круговая частота, T — период.

Случайный сигнал — это, как правило, помехи, препятствующие получению полезного сигнала из принятого сообщения, вызванные различными флуктуациями (тепловыми, электромагнитными и др.).

В физическом смысле чисто детерминированных сигналов не существует. Любой сигнал содержит в своем составе случайную по времени составляющую (помеху), и часто эти составляющие соизмеримы по величине.

Импульсные сигналы. Импульсные сигналы — это сигналы, существующие лишь в пределах конечных отрезков времени. Они могут следовать во времени с некоторой частотой повторения, либо быть одиночными.

Различают видеоимпульсы (рис. 1.12, а) и радиоимпульсы (рис. 1.12, б). Радиоимпульс представляет собой некоторую несущую частоту , промодулированную видеоимпульсом. Радиоимпульс и видеоимпульс связаны соотношением

.

При этом функцию называют огибающей, а функцию — заполнением.

В современной электронике длительность импульсов колеблется от нескольких секунд до долей наносекунды.

Аналоговые, дискретные и цифровые сигналы. Сигнал, который полностью аналогичен протекающему физическому процессу и который может быть измерен в любой момент времени, называется аналоговым сигналом. Одномерный аналоговый сигнал представляет собой осциллограмму, график которой может быть задан непрерывным (рис. 1.13, а) или дискретным (рис. 1.13, б) способом.

Дискретный сигнал представляет собой счетное множество точек на оси времени, в каждой из которых определено отсчетное значение сигнала . При этом шаг дискретизации — постоянный, постоянна и ширина (длительность) отдельного импульса. Тогда площадь импульса несет информацию о значении сигнала в данной точке. Очевидно, что при этом , а частота дискретного сигнала много больше частоты аналогового сигнала .

Основное достоинство аналогового дискретизированного сигнала состоит в том, что при его воспроизведении достаточно иметь информацию о значениях функции в точках дискретизации и интерполировать остальные значения, что позволяет по одному каналу одновременно передавать большое количество сигналов, используя режим разделения времени.

Однако рассмотренный принцип дискретизации сигнала трудно реализуется физически и сильно зависит от помех при обработке сигнала.

Поскольку информация заключается в площади дискретного импульса, то можно сделать амплитуду импульса постоянной, а длительность поставить в соответствие значению сигнала (рис. 1.14). Это — второй способ дискретизации сигнала.

Значение величины сигнала в точках отсчета для обоих способов дискретизации может быть представлено в цифровой форме, например, в двоичной системе счисления. Поскольку цифровая форма записи двоичного числа — это последовательность единиц и нулей, то физическая реализация этой формы выглядит как импульсные сигналы фиксированной частоты и длительности двух уровней, один из которых соответствует единице, а другой — нулю (рис. 1.15).

Для осуществления операции представления аналогового сигнала в цифровой форме и для обратного преобразования соответственно разработаны микросхемы аналого-цифровых (АЦП) и цифро-аналоговых (ЦАП) преобразователей.

1.7. Понятие о компонентных и топологических уравнениях. Закон Ома. Законы Кирхгофа

Математическое описание процессов в электрических цепях базируется на компонентных и топологических уравнениях.

Компонентные уравнения (уравнения компонентов или ветвей) устанавливают связь между током и напряжением каждой ветви в ЭЦ. Количество таких уравнений равно числу ветвей, а вид уравнений зависит от типа рассматриваемого компонента.

Чтобы распечатать файл, скачайте его (в формате Word).

Источник

Курс лекций «Основы цифровой обработки сигналов»

Часто ко мне обращаются люди с вопросами по задачам из области цифровой обработки сигналов (ЦОС). Я подробно рассказываю нюансы, подсказываю нужные источники информации. Но всем слушателям, как показало время, не хватает практических задач и примеров в процессе познания этой области. В связи с этим я решил написать краткий интерактивный курс по цифровой обработке сигналов и выложить его в открытый доступ.

Большая часть обучающего материала для наглядного и интерактивного представления реализована с использованием Jupyter Notebook. Предполагается, что читатель имеет базовые знания из области высшей математики, а также немного владеет языком программирования Python.

Список лекций

Этот курс содержит материалы в виде законченных лекций по разным тематикам из области цифровой обработки сигналов. Материалы представлены с использованием библиотек на языке Python (пакеты numpy, scipy, matplotlib, и т.д.). Основная информация для этого курса взята из моих лекций, которые я, будучи аспирантом, читал студентам Московского Энергетического Института (НИУ МЭИ). Частично информация из этих лекций была использована на обучающих семинарах в Центре Современной Электроники, где я выступал в качестве лектора. Кроме того, в этот материал входит перевод различных научных статей, компиляция информации из достоверных источников и литературы по тематике цифровой обработки сигналов, а также официальная документация по прикладным пакетам и встроенным функциям библиотек scipy и numpy языка Python.

Для пользователей MATLAB (GNU Octave) освоение материала с точки зрения программного кода не составит труда, поскольку основные функции и их атрибуты во многом идентичны и схожи с методами из Python-библиотек.

Все материалы сгруппированы по основным тематикам цифровой обработки сигналов:

Список лекций — достаточный но, разумеется, неполный для вводного знакомства с областью ЦОС. При наличии свободного времени я планирую поддерживать и развивать этот проект.

Где найти?

Все материалы — абсолютно бесплатны и доступны в виде открытого репозитория на моем гитхабе как opensource проект. Материалы представлены в двух форматах — в виде тетрадок Jupyter Notebook для интерактивной работы, изучения и редактирования, и в виде скомпилированных из этих тетрадок HTML-файлов (после скачивания с гитхаба имеют вполне пригодный формат для чтения и для печати).

Ниже приводится очень краткое описание разделов курса с небольшими пояснениями, терминами и определениями. Основная информация доступна в исходных лекциях, здесь представлен лишь краткий обзор!

Сигналы. Z-преобразование

Вводный раздел, в котором содержится основная информация по типам сигналов. Вводится понятие дискретной последовательности, дельта-функции и функции Хевисайда (единичный скачок).

Для правильного восстановления аналогового сигнала из цифрового без искажений и потерь используется теорема отсчетов, известная как Теорема Котельникова (Найквиста-Шеннона).

Любой непрерывный сигнал с ограниченным спектром может быть восстановлен однозначно и без потерь по своим дискретным отсчетам, взятым с частотой строго больше удвоенной верхней частоты спектра непрерывного сигнала.

Такая трактовка справедлива при условии, что непрерывная функция времени занимает полосу частот от 0 до значения верхней частоты. Если шаг квантования и дискретизации выбраны неправильно, преобразование сигнала из аналоговой формы в дискретную будет происходить с искажениями.

Также в этом разделе описывается Z-преобразование и его свойства, показывается представление дискретных последовательностей в Z-форме.

Пример конечной дискретной последовательности:
.
Пример этой же последовательности в Z-форме:

Преобразование Фурье. Свойства. ДПФ и БПФ

В этом разделе описывается понятие временной и частотной области сигнала. Вводится определение дискретного преобразования Фурье (ДПФ). Рассмотрены прямое и обратное ДПФ, их основные свойства. Показан переход от ДПФ к алгоритму быстрого преобразования Фурье (БПФ) по основанию 2 (алгоритмы децимации по частоте и по времени). Отражена эффективность БПФ в сравнении с ДПФ.

В частности, в этом разделе описывается Python пакет scipy.ffpack для вычисления различных преобразований Фурье (синусное, косинусное, прямое, обратное, многомерное, вещественное).

Преобразование Фурье позволяет представить любую функцию в виде набора гармонических сигналов! Преобразование Фурье лежит в основе методов свертки и проектировании цифровых корреляторов, активно применяется при спектральном анализе, используется при работе с длинными числами.

Особенности спектров дискретных сигналов:
1. Спектральная плотность дискретного сигнала – периодическая функция с периодом, равным частоте дискретизации.
2. Если дискретная последовательность вещественная, то модуль спектральной плотности такой последовательности есть четная функция, а аргумент – нечетная функция частоты.

Спектр гармонического сигнала:

Сравнение эффективности ДПФ и БПФ

Эффективность алгоритма БПФ и количество выполняемых операций линейно зависит от длины последовательности N:

Как видно, чем больше длина преобразования, тем больше экономия вычислительных ресурсов (по скорости обработки или количеству аппаратных блоков)!

Любой сигнал произвольной формы можно представить в виде набора гармонических сигналов разных частот. Иными словами, сигнал сложной формы во временной области имеет набор комплексных отсчетов в частотной области, которые называются *гармоники*. Эти отсчеты выражают амплитуду и фазу гармонического воздействия на определенной частоте. Чем больше набор гармоник в частотной области, тем точнее представляется сигнал сложной формы.

Свертка и корреляция

В этом разделе вводится понятие корреляции и свертки для дискретных случайных и детерминированных последовательностей. Показана связь автокорреляционной и взаимнокорреляционной функций со сверткой. Описываются свойства свертки, в частности, рассмотрены методы линейной и циклической свертки дискретного сигнала с подробным разбором на примере дискретной последовательности. Кроме того, показан метод вычисления «быстрой» свертки с помощью алгоритмов БПФ.

В реальных задачах часто ставится вопрос о степени похожести одного процесса на другой или же о независимости одного процесса от другого. Иными словами, требуется определить взаимосвязь между сигналами, то есть найти корреляцию. Методы корреляции используются в широком диапазоне задач: поиск сигналов, компьютерное зрение и обработка изображений, в задачах радиолокации для определения характеристик целей и определения расстояния до объекта. Кроме того, с помощью корреляции производится поиск слабых сигналов в шумах.

Свертка описывает взаимодействие сигналов между собой. Если один из сигналов — импульсная характеристика фильтра, то свертка входной последовательности с импульсной характеристикой есть ни что иное, как реакция цепи на входное воздействие. Иными словами, результирующий сигнал отражает прохождение сигнала через фильтр.

Автокорреляционная функция (АКФ) находит применение в кодировании информации. Выбор кодирующей последовательности по параметрам длины, частоты и формы во многом обусловлен корреляционными свойствами этой последовательности. Наилучшая кодовая последовательность обладает наименьшим значением вероятности ложного обнаружения или срабатывания (для детектирования сигналов, для пороговых устройств) или ложной синхронизации (для передачи и приема кодовых последовательностей).

В этом разделе представлена таблица сравнения эффективности быстрой свертки и свертки, вычисляемой по прямой формуле (по числу вещественных умножений).

Как видно, для длин БПФ до 64, быстрая свёртка проигрывает у прямого метода. Однако, при увеличении длины БПФ результаты меняются в обратную сторону — быстрая свертка начинает выигрывать у прямого метода. Очевидно, чем больше длина БПФ, тем лучше выигрыш частотного метода.

Случайные сигналы и шум

В этом разделе вводится понятие случайных сигналов, плотности распределения вероятностей, закона распределения случайной величины. Рассматриваются математические моменты — среднее (математическое ожидание) и дисперсия (или корень этой величины — среднеквадратическое отклонение). Также в этом разделе рассматривается нормальное распределение и связанное с ним понятие белого шума, как основного источника шумов (помех) при обработке сигналов.

Случайным сигналом называют функцию времени, значения которой заранее неизвестны и могут быть предсказаны лишь с некоторой вероятностью. К основным характеристикам случайных сигналов относятся:

В задачах ЦОС случайные сигналы делятся на два класса:

С помощью случайных величин можно моделировать воздействие реальной среды на прохождение сигнала от источника к приёмнику данных. При прохождении сигнала через какое-то шумящее звено, к сигналу добавляется так называемый белый шум. Как правило, спектральная плотность такого шума равномерно (одинаково) распределена на всех частотах, а значения шума во временной области распределены нормально (Гауссовский закон распределения). Поскольку белый шум физически добавляется к амплитудам сигнала в выбранные отсчеты времени, он называется аддитивный белый гауссовский шум (AWGN — Additive white Gaussian noise).

Сигналы, модуляция и манипуляция

В этом разделе показаны основные способы изменения одного или нескольких параметров гармонического сигнала. Вводятся понятия амплитудной, частотной и фазовой модуляции. В частности, выделяется линейная частотная модуляция, применяемая в задачах радиолокации. Показаны основные характеристики сигналов, спектры модулированных сигналов в зависимости от параметров модуляции.

Для удобства на языке Python создан набор функций, осуществляющих перечисленные виды модуляции. Пример реализации ЛЧМ-сигнала:

Также в этом разделе из теории передачи дискретных сообщений описаны виды цифровой модуляции — манипуляции. Как и в случае с аналоговыми сигналами, цифровые гармонические последовательности могут быть манипулированы по амплитуде, фазе и частоте (либо по нескольким параметрам сразу).

Цифровые фильтры — БИХ и КИХ

Достаточно большой раздел, посвященный вопросам цифровой фильтрации дискретных последовательностей. В задачах цифровой обработки сигналов данные проходят через цепи, которые называются фильтрами. Цифровые фильтры, как и аналоговые, обладают различными характеристиками — частотные: АЧХ, ФЧХ, временная: импульсная характеристика, а также передаточная характеристика фильтра. Цифровые фильтры используются в основном для улучшения качества сигнала — для выделения сигнала из последовательности данных, либо для ухудшения нежелательных сигналов — для подавления определенных сигналов в приходящих последовательностях отсчетов.

В разделе перечислены основные преимущества и недостатки цифровых фильтров (в сравнении с аналоговыми). Вводится понятие импульсной и передаточной характеристик фильтра. Рассматривается два класса фильтров — с бесконечной импульсной характеристикой (БИХ) и конечной импульсной характеристикой (КИХ). Показан способ проектирования фильтров по канонической и прямой форме. Для КИХ фильтров рассматривается вопрос о способе перехода к рекурсивной форме.

Для КИХ фильтров показан процесс проектирования фильтра от стадии разработки технического задания (с указанием основных параметров), до программной и аппаратной реализации — поиска коэффициентов фильтра (с учетом формы представления числа, разрядности данных и т.д.). Вводятся определения симметричных КИХ фильтров, линейной ФЧХ и её связи с понятием групповой задержки.

Оконные функции в задачах фильтрации

Чем сильнее подавление боковых лепестков спектра, тем шире главный лепесток спектра и наоборот.

Одно из применений оконных функций: обнаружение слабых сигналов на фоне более сильных путём подавления уровня боковых лепестков. Основные оконные функции в задачах ЦОС — **треугольное, синусоидальное, окно Ланцоша, Ханна, Хэмминга, Блэкмана, Харриса, Блэкмана-Харриса, окно с плоской вершиной, окно Наталла, Гаусса, Кайзера** и множество других. Большая часть из них выражена через конечный ряд путём суммирования гармонических сигналов с определенными весовыми коэффициентами. Такие сигналы отлично реализуются на практике на любых аппаратных устройствах (программируемые логические схемы или сигнальные процессоры).

Ресемплинг. Децимация и интерполяция

В этом разделе рассматриваются вопросы многоскоростной обработки сигналов — изменения частоты дискретизации. Многоскоростная обработка сигналов (multirate processing) предполагает, что в процессе линейного преобразования цифровых сигналов возможно изменение частоты дискретизации в сторону уменьшения или увеличения, либо в дробное число раз. Это приводит к более эффективной обработке сигналов, так как открывается возможность использования минимально допустимых частот дискретизации и, как следствие, значительного уменьшения требуемой вычислительной производительности проектируемой цифровой системы.

Децимация (прореживание) – понижение частоты дискретизации. Интерполяция – повышение частоты дискретизации.

Также в разделе рассматривается класс однородных КИХ фильтров, которые называются интегрально-гребенчатыми фильтрами (CIC, Cascaded integrator–comb). Показана реализация, основные свойства и особенности CIC фильтров. В силу линейности математических операций, происходящих в CIC фильтре возможно каскадное соединение нескольких фильтров подряд, что дает пропорциональное уменьшение уровня боковых лепестков, но также увеличивает «завал» главного лепестка амплитудно-частотной характеристики.

График АЧХ фильтра в зависимости от коэффициента децимации:

Также в этом разделе обсуждается вопрос увеличения разрядности данных на выходе CIC фильтра в зависимости от его параметров. Это особенно важно в задачах программной реализации, в частности на ПЛИС.

Для практической реализации CIC фильтров на Python разработан отдельный класс CicFilter, реализующий методы децимации и интерполяции. Также показаны примеры изменения частоты дискретизации с помощью встроенных методов из scipy пакета Python.

Наконец, в этом разделе приведен особый класс фильтров — скользящего среднего. Показано три способа реализации: через свертку сигналов, с помощью КИХ-фильтра и БИХ-фильтра.

Заключение

Надеюсь, этот курс лекций в совокупности с моими предыдущими статьями по цифровой обработке сигналов на ПЛИС принесет практическую пользу и поможет читателю лучше понять основы цифровой обработки сигналов. Этот проект будет улучшаться и дополняться новым полезным и не менее интересным материалом. Следите за развитием!

Дополнительно к этому материалу я поддерживаю и развиваю свой проект по основным модулям ЦОС (на языке Python). Он содержит пакет генерации различных сигналов, класс CIC фильтров для задач децимации и интерполяции, алгоритм расчета коэффициентов корректирующего КИХ-фильтра, фильтр скользящего среднего, алгоритм вычисления сверх-длинного БПФ через методы двумерного преобразования (последнее очень пригодилось в работе при аппаратной реализации на ПЛИС).

UPD: 20.04.2020

Источник