Pasmo przenoszenia dla filtra zaprojektowanego przy użyciu
funkcji masła wynosi:
Ale nie ma powodu, aby ograniczać filtr do stałej konstrukcji filtra monotonicznego. Jeśli potrzebujesz wyższego tłumienia w paśmie zatrzymania i bardziej stromym paśmie przejścia, istnieją inne opcje. Aby uzyskać więcej informacji na temat określania filtra za pomocą iirdesing, zobacz to . Jak pokazują wykresy odpowiedzi częstotliwości dla projektu masła, częstotliwość graniczna (punkt -3 dB) jest daleka od celu. Można to złagodzić poprzez próbkowanie w dół przed filtrowaniem (funkcje projektowe będą miały trudny czas przy tak wąskim filtrze, 2% szerokości pasma). Przyjrzyjmy się filtrowaniu oryginalnej częstotliwości próbkowania z określonym punktem odcięcia.
import numpy as np
from scipy import signal
from matplotlib import pyplot as plt
from scipy.signal import fir_filter_design as ffd
from scipy.signal import filter_design as ifd
# setup some of the required parameters
Fs = 1e9 # sample-rate defined in the question, down-sampled
# remez (fir) design arguements
Fpass = 10e6 # passband edge
Fstop = 11.1e6 # stopband edge, transition band 100kHz
Wp = Fpass/(Fs) # pass normalized frequency
Ws = Fstop/(Fs) # stop normalized frequency
# iirdesign agruements
Wip = (Fpass)/(Fs/2)
Wis = (Fstop+1e6)/(Fs/2)
Rp = 1 # passband ripple
As = 42 # stopband attenuation
# Create a FIR filter, the remez function takes a list of
# "bands" and the amplitude for each band.
taps = 4096
br = ffd.remez(taps, [0, Wp, Ws, .5], [1,0], maxiter=10000)
# The iirdesign takes passband, stopband, passband ripple,
# and stop attenuation.
bc, ac = ifd.iirdesign(Wip, Wis, Rp, As, ftype='ellip')
bb, ab = ifd.iirdesign(Wip, Wis, Rp, As, ftype='cheby2')
Jak wspomniano, ponieważ próbujemy przefiltrować tak mały procent szerokości pasma, filtr nie będzie miał ostrego odcięcia. W tym przypadku filtr dolnoprzepustowy możemy zmniejszyć przepustowość, aby uzyskać lepiej wyglądający filtr. Funkcja ponownego próbkowania python / scipy.signal może być wykorzystana do zmniejszenia przepustowości.
Uwaga: funkcja ponownego próbkowania wykona filtrowanie, aby zapobiec aliasingowi. Filtrowanie wstępne może być również wykonane (w celu zmniejszenia aliasingu), w tym przypadku możemy po prostu przeskalować ponownie o 100 i wykonać , ale zadaje się pytanie o tworzenie filtrów. W tym przykładzie zmniejszymy próbkę o 25 i utworzymy nowy filtr
R = 25; # how much to down sample by
Fsr = Fs/25. # down-sampled sample rate
xs = signal.resample(x, len(x)/25.)
Jeśli zaktualizujemy parametry projektu dla filtra FIR, nowa odpowiedź to.
# Down sampled version, create new filter and plot spectrum
R = 25. # how much to down sample by
Fsr = Fs/R # down-sampled sample rate
Fstop = 11.1e6 # modified stopband
Wp = Fpass/(Fsr) # pass normalized frequency
Ws = Fstop/(Fsr) # stop normalized frequency
taps = 256
br = ffd.remez(taps, [0, Wp, Ws, .5], [1,0], maxiter=10000)
Filtr działający na danych o zmniejszonej próbce ma lepszą odpowiedź. Kolejną zaletą stosowania filtra FIR jest to, że będziesz miał liniową odpowiedź fazową.
filtfilt
chcea
parametr.czy to działa?
Masz rację, dokumentacja nie jest zbyt kompletna. Wygląda
butter
to na opakowanieiirfilter
, które jest lepiej udokumentowane :Większość tych rzeczy jest jednak sklonowanych z Matlaba, więc możesz też przejrzeć ich dokumentację :
Aktualizacja:
Dodałem dokumentację dla tych funkcji. :) Github ułatwia.
źródło
Nie jestem pewien, jaka jest twoja aplikacja, ale możesz sprawdzić Gnuradio: http://gnuradio.org/doc/doxygen/classgr__firdes.html
Bloki przetwarzania sygnałów są napisane w C ++ (chociaż wykresy przepływu Gnuradio są w języku Python), ale powiedziałeś, że wysoka wydajność jest ważna.
źródło
Mam dobre wyniki z tym filtrem FIR. Zauważa, że stosuje filtr dwa razy, przesuwając „do przodu” i „do tyłu”, aby zrekompensować przesunięcie sygnału (
filtfilt
funkcja nie działała, nie wiem dlaczego):Świetnym źródłem do filtrowania projektu i użycia, skąd wziąłem ten kod i skąd można wziąć przykłady filtrów pasmowoprzepustowych i hi-passowych, jest TO .
źródło
Nie mam uprawnień do komentowania ...
@endolith: Używam tego samego, co ty, z wyjątkiem scipy.signal.filtfilt (B, A, x), gdzie x jest wektorem wejściowym do filtrowania - np. numpy.random.normal (size = (N)) . filtfilt wykonuje przekazywanie sygnału do przodu i do tyłu. Ze względu na kompletność (większość jest taka sama jak @endolith):
filtfilt, jak sugeruje również @heltonbiker, wymaga tablic współczynników, które moim zdaniem. W przypadku, gdy konieczne jest przeprowadzenie filtrowania pasmowoprzepustowego w złożonym paśmie podstawowym, wymagana jest bardziej zaangażowana konfiguracja, ale tutaj nie wydaje się to stanowić problemu.
źródło