Clase

Introducción
Filtros FIR
Filtros Digitales
M. en C. Rogelio Manuel Higuera Gonzalez
TECNOLÓGICO DE ESTUDIOS SUPERIORES DE IXTAPALUCA
16 de junio de 2019
M. en C. Rogelio Manuel Higuera Gonzalez Filtros Digitales

Introducción
Filtros FIR
1 Introducción
2 Filtros FIR
Diseño de filtros FIR de fase lineal utilizando ventanas

Introducción
Filtros FIR
Transformada rápida de Fourier
Para realizar el análisis en frecuencia de una señal discreta en el

tiempo x(n), convertimos la secuencia en el dominio del tiempo
en una representación equivalente en el dominio de la frecuencia.
Sabemos que tal representación está dada por la transformada de
Fourier X (ω) de la secuencia x(n). Una representación en el dominio
de la frecuencia como ésta nos lleva a la transformada discreta de
Fourier (DFT, discrete Fourier transform), la cual es una potente
herramienta de cálculo para llevar a cabo el análisis en frecuencia de
señales discretas en el tiempo.

Introducción
Filtros FIR
Transformada discreta de Fourier de una dimension
La FFT y [k] de longitud N de la secuencia de N longitud de x[n]

esta definido como:
kn
!
N−1
X − 2πj
y [k] = e N x[n] (1)
n=0
Y la transformada inversa esta definida como:

kn
!
N−1
X − 2πj
1 N y [k]
x[n] = e (2)
N
k=0
Esas transformadas pueden ser calculadas con la librerı́a SciPy por

medio de fft y ifft respectivamente.

Introducción
Filtros FIR
Transformada discreta de Fourier (ejemplo)

Introducción
Filtros FIR
Diseño de filtros
Los filtros electrónicos se definen en tiempo continuo, tiempo dis-

creto y filtros digitales. La función de un filtro es alterar o manipular
la forma de una señal, energı́a, distribución y otros atributos. En
muchos casos los filtros digitales son utilizados para remplazar la
tecnologı́a de los filtros analógicos. Los filtros digitales han madu-
rado hasta el punto de mostrar una larga lista de atributos, entre
los que se incluyen: alta precision y exactitud, programabilidad y
adaptabilidad, control preciso de fase y latencia, rendimiento robus-
to en una amplia gama de frecuencias, bajo costo y bajo consumo
de potencia, alta fiabilidad y repetibilidad.

Introducción
Filtros FIR
Filtros digitales
Los filtros digitales de lı́nea base han evolucionado a lo largo de dos

caminos principales llamados filtros de respuesta al impulso finito
(FIR) y filtros de respuesta al impulso infinito (IIR). La más simple
y, en muchos casos, la más importante de estas clases de filtros es
el FIR. SciPy proporciona funciones para diseñar ambos filtros.

Introducción
Filtros FIR
Filtros FIR
Matemáticamente, la respuesta de salida de un filtro FIR lineal de

orden-N, teniendo una respuesta al impulso h[k] a una serie de tiem-
po de entrada x[k], es definida por la suma convolución lineal.
N−1
X N−1
X
y [k] = h[m]x[k − m] = x[m]h[k − m] (3)
m=0 m=0
En el dominio de la transformada Z, la función de transferencia del

filtro puede ser expresada como:
N−1
X
H(z) = hk z −k (4)
k=0

Introducción
Filtros FIR
Filtros FIR
El proceso de diseño de filtros FIR comienza con un conjunto de es-

pecificaciones que pueden ser articuladas en una variedad de formas
y dominios. La forma más común es un conjunto de especificaciones
en el dominio de la frecuencia las cuales se describen en la Figura.

Introducción
Filtros FIR
Respuesta al impulso unidad

En este metodo, a partir de la especificación de la respuesta en fre-
cuencia deseada Hd (ω) determinamos la correspondiente respuesta
al impulso unidad hd (n). Asi, hd (n) esta relacionada con Hd (ω) por
la transformada de Fourier
∞
X
Hd (ω) = hd (n)e −jωn
n=0
donde Z π
1
hd (n) = Hd (ω)e jωn dω
2π −π
Por lo tanto, dada Hd (ω), podemos determinar la respuesta al im-

pulso unidad hd (n) evaluando la integral.

Introducción
Filtros FIR
Respuesta al impulso unidad (truncada)

La respuesta al impulso unidad hd (n) es infinita en duración y tiene
que truncarse en algún punto, por ejemplo n = M − 1, para pro-
porcionar un filtro FIR de longitud M. Truncar hd (n) a una longitud
M − 1 es equivalente a multiplicar hd (n) por una ventana rectangu-
lar, definida como

1, n = 0, 1, ..., M − 1
w (n) =
0, en otro caso
La respuesta al impulso unidad del filtro FIR es

hd (n), n = 0, 1, ..., M − 1
h(n) = hd (n)w (n) =
0, en otro caso

Introducción
Filtros FIR
Respuesta en frecuencia deseada Hd (ω)

Multiplicar la funcion de ventana w (n) por hd (n) es equivalente a
convolucionar Hd (ω) con W (ω), donde W (ω) es la representación
en el dominio de la frecuencia (transformada de Fourier) de la fun-
ción de ventana, es decir,
M−1
X
W (ω) = w (n)e −jωn
n=0
La convolución de Hd (ω) con W (ω) proporciona la respuesta en

frecuencia del filtro FIR (truncado). Es decir,
Z π
1
H(ω) = Hd (v )W (ω − v )dv
2π −π

Introducción
Filtros FIR
Funciones de ventanas

Introducción
Filtros FIR
Funciones de ventanas

Introducción
Filtros FIR
Función rectangular
M=11
0 M=31
M=61
Normalized magnit de [dB]
−20
−40
−60
−80
0.0 0.1 0.2 0.3 0.4 0.5

Normalized freq ency [cycles per sample]

Introducción
Filtros FIR
La anchura del lóbulo principal [la anchura que se mide en el pri-

mer cero de W (ω)] es 4π/M. Luego, cuando M aumenta, el lóbulo
principal se hace más estrecho. Las caracterı́sticas de la ventana rec-
tangular desempeñan un papel importante en la determinación de la
respuesta en frecuencia resultante del filtro FIR obtenido por trunca-
miento de hd (n) a una longitud M. Especı́ficamente, la convolución
de Hd (ω) con W (ω) tiene el efecto de suavizar Hd (ω). Cuando M
aumenta, W (ω) se hace más estrecha y el suavizado proporcionado
por W (ω) se reduce.

Introducción
Filtros FIR
Por otro lado, los grandes lóbulos secundarios de W (ω) dan lugar
a una serie de efectos de rizado no deseados en la respuesta en
frecuencia del filtro FIR H(ω), y también en los relativamente gran-
des lóbulos de secundarios de H(ω). Estos efectos no deseados se
eliminan bien utilizando ventanas que no contengan discontinuida-
des abruptas en sus caracterı́sticas en el dominio en el tiempo y los
correspondientes lóbulos secundarios más pequeños en sus carac-
terı́sticas en el dominio de la frecuencia.

Introducción
Filtros FIR
Comportamiento de las ventanas
Todas las funciones de ventana tienen lóbulos secundarios significa-

tivamente más pequeños comparados con los de la ventana rectan-
gular. Sin embargo, para el mismo valor de M, la anchura del lóbulo
principal también es mayor para estas ventanas si se comparan con
la ventana rectangular. En consecuencia, estas funciones de ventana
proporcionan más suavizado a través de la operación de convolu-
ción en el dominio de la frecuencia y, como resultado, la región de
transición de la respuesta del filtro FIR es más ancha. ara reducir
la anchura de esta región de transición, podemos simplemente au-
mentar la longitud de la ventana, lo que da lugar a un filtro más
grande.

Introducción
Filtros FIR
Caracterı́sticas en el dominio de la frecuencia de algunas

funciones de ventana

Introducción
Filtros FIR
Formas de varias funciones de ventana (M=61)
1.0
0.8
0.6
Amplitude
Rectangular
Bartlett
0.4 Blackman
Bohman
Hanning
0.2 Tukey
0.0
0 10 20 30 40 50 60
Sample

Introducción
Filtros FIR
Respuestas en frecuencia utilizando varias funciones de

ventana (M=61)
0
−50
Normalized magni ude [dB]
−100
−150
−200 Rec angular

Bar le
−250 Blackman
Bohman
Hanning
−300 Tukey
0.0 0.1 0.2 0.3 0.4 0.5

Normalized frequency [cycles per sample]

Introducción
Filtros FIR
Respuestas en frecuencia del filtro pasa-banda (ventana

rectangular)
M=11
1.0 M=31
M=61
0.8 M=101
Magnitude
0.6
0.4
0.2
0.0
0 200 400 600 800 1000
Frequency (Hz)

Introducción
Filtros FIR
Respuestas en frecuencia del filtro pasa-banda utilizando

diferentes ventanas (M=61)
1.0 Rectangular
Bartlett
Blackman
0.8 Bohman
Hanning
Tukey
Magnitude
0.6
0.4
0.2
0.0
0 200 400 600 800 1000
Frequency (Hz)

Introducción
Filtros FIR
Respuesta de la ventana Kaiser (M=61)
1.0
0.8
0.6
Amplitude
0.4 Beta=0
Beta=2
Beta=6
0.2
Beta=8.6
Bata=14
0.0
0 10 20 30 40 50
Sample

Introducción
Filtros FIR
Respuesta en frecuencia utilizando la ventana Kaiser

(M=61)
0
−25
Normalized magnit de [dB]
−50
−75
−100
−125
Beta=0
−150 Beta=2
−175 Beta=6
Beta=8.6
−200 Beta=14
0.0 0.1 0.2 0.3 0.4 0.5
Normalized freq ency [cycles per sample]

Introducción
Filtros FIR
Respuestas en frecuencia del filtro pasa-banda utilizando la

ventana Kaiser (M=61)
1.0
0.8
Magnitude
0.6
0.4 Beta=0
Beta=2
0.2 Beta=6
Beta=8.5
Beta=14
0.0
0 100 200 300 400
Frequency(Hz)

Introducción
Filtros FIR
Respuestas en frecuencia del filtro rechaza-banda

utilizando la ventana Kaiser (M=61)
1.0
0.8
Magnitude
0.6
Beta=0
0.4 Beta=2
Beta=6
Beta=8.5
0.2
Beta=14
0.0
0 100 200 300 400
Frequency(Hz)

Introducción
Filtros FIR
Respuestas en frecuencia del filtro pasa-baja utilizando la

1.0
0.8
Magnitude
0.6
Beta=0
0.4 Beta=2
Beta=6
Beta=8.5
0.2 Beta=14
0.0
0 100 200 300 400
Frequency(Hz)

Introducción
Filtros FIR
Respuestas en frecuencia del filtro pasa-alta utilizando la

1.0
0.8
Magnitude
0.6
Beta=0
0.4 Beta=2
Beta=6
Beta=8.5
0.2
Beta=14
0.0
0 100 200 300 400
Frequency(Hz)

# -*- coding: utf-8 -*-
"""
Created on Sat May 4 13:55:56 2019
FIR (ventanas frecuencia)
Tecnológico Nacional de México
Tecnológico de Estudios Superiores de Ixtapaluca
División de Ingeniería Electrónica
@author: M. en C. Rogelio Manuel Higuera Gonzalez
"""
from scipy import signal
from scipy.fftpack import fft, fftshift
import matplotlib.pyplot as plt
import numpy as np
import matplotlib as mpl
params = {'xtick.labelsize': 14, 'ytick.labelsize': 14}
mpl.rcParams.update(params)
window1 = signal.boxcar(11)
A1 = fft(window1, 2048) / (len(window1)/2.0)
response1 = 20 * np.log10(np.abs(fftshift(A1 / abs(A1).max())))
freq = np.linspace(-0.5, 0.5, len(A1))
fig,axes1=plt.subplots(figsize=(11, 6))
axes1.plot(freq,response1,label='M=11',linewidth=2)
axes1.set_xlim([0,0.5])
axes1.set_ylim([min(response3-5),10])
axes1.set_ylabel('Normalized magnitude [dB]',fontsize=16)
axes1.set_xlabel('Normalized frequency [cycles per sample]',fontsize=16)
plt.legend(bbox_to_anchor=(0.82,1),loc=2,borderaxespad=0.1,fontsize=16)
plt.grid(True)
plt.savefig('ventanarect_f.eps',dpi=500,bbox_inches='tight')
1
# -*- coding: utf-8 -*-
"""
Created on Sat May 4 13:55:56 2019
FIR (ventanas frecuencia)
"""
from scipy.fftpack import fft, fftshift
import numpy as np
window2 = signal.bartlett(61)
window3 = signal.blackman(61)
window4 = signal.bohman(61)
window5 = signal.hanning(61)
window6 = signal.tukey(61)
freq = np.linspace(-0.5, 0.5, len(A1))
fig,axes=plt.subplots(figsize=(11, 6))
axes.plot(window1,label='Rectangular',linewidth=2)
axes.plot(window2,label='Bartlett',linewidth=2)
axes.plot(window3,label='Blackman',linewidth=2)
axes.plot(window4,label='Bohman',linewidth=2)
axes.plot(window5,label='Hanning',linewidth=2)
axes.plot(window6,label='Tukey',linewidth=2)
axes.set_ylabel('Amplitude',fontsize=16)
axes.set_xlabel('Sample',fontsize=16)
plt.legend(bbox_to_anchor=(0.40,0.55),loc=2,borderaxespad=0.1,fontsize=14)
plt.grid(True)
plt.savefig('ventanasample1.eps',dpi=1000,bbox_inches='tight')
axes1.plot(freq,response1,label='Rectangular',linewidth=2)
axes1.plot(freq,response2,label='Bartlett',linewidth=2)
axes1.plot(freq,response3,label='Blackman',linewidth=2)
axes1.plot(freq,response4,label='Bohman',linewidth=2)
axes1.plot(freq,response5,label='Hanning',linewidth=2)
axes1.plot(freq,response6,label='Tukey',linewidth=2)
axes1.set_xlim([0,0.5])
axes1.set_ylabel('Normalized magnitude [dB]',fontsize=16)
axes1.set_xlabel('Normalized frequency [cycles per sample]',fontsize=16)
1
plt.grid(True)
plt.savefig('ventanasfreq1.eps',dpi=1000,bbox_inches='tight')
2
# -*- coding: utf-8 -*-
"""
Created on Sun May 5 17:08:34 2019
Filtro FIR (Prueba1)
"""
import numpy as np
f1=50 #Frecuencia de la señal 1
A1=1 #Amplitud de la señal 1
A2=0.5 #Amplitud de la señal 2
w1=2*np.pi*f1 #Frecuencia angular señal 1
w2=2*np.pi*f2 #Frecuencia angulae señal 2
T=1/f1 #Periodo de la señal 1
n=10000 #Numero de muestras
t=np.linspace(0,250*T,n) #Vector de tiempo
V1=A1*np.sin(w1*t) #Señal 1
Vin=V1+V2
fs=1/(t[10]-t[9]) #Frecuencia de muestreo
fc1=100 #Frecuencia de corte 1
wn1=fc1/(fs/2) #Frecuencia Normalizada 1
M1=11 #Orden del Filtro
taps1 = signal.firwin(M1,[wn1,wn2],pass_zero=False, window=('boxcar'))
w_1, h_1 = signal.freqz(taps1, worN=8000)
axes1.plot((w_1/np.pi)*(fs/2), np.absolute(h_1), label='M=11', linewidth=2)
axes1.set_ylabel('Magnitude',fontsize=16)
axes1.set_xlabel('Frequency (Hz)',fontsize=16)
plt.grid(True)
plt.savefig('FIRven2.eps',dpi=1000,bbox_inches='tight')
1
# -*- coding: utf-8 -*-
"""
Filtro FIR (Ventanas)
"""
import numpy as np
Vin=V1+V2
M=61 #Orden del Filtro
taps1 = signal.firwin(M,[wn1,wn2],pass_zero=False, window=('boxcar'))
taps2 = signal.firwin(M,[wn1,wn2],pass_zero=False, window=('bartlett'))
taps3 = signal.firwin(M,[wn1,wn2],pass_zero=False, window=('blackman'))
taps4 = signal.firwin(M,[wn1,wn2],pass_zero=False, window=('bohman'))
taps5 = signal.firwin(M,[wn1,wn2],pass_zero=False, window=('hanning'))
taps6 = signal.firwin(M,[wn1,wn2],pass_zero=False, window=('tukey',1))
axes1.plot((w_1/np.pi)*(fs/2), np.absolute(h_1), label='Boxcar', linewidth=2)
axes1.plot((w_2/np.pi)*(fs/2), np.absolute(h_2), label='Bartlett', linewidth=2)
axes1.plot((w_3/np.pi)*(fs/2), np.absolute(h_3), label='Blackman', linewidth=2)
axes1.plot((w_4/np.pi)*(fs/2), np.absolute(h_4), label='Bohman', linewidth=2)
axes1.plot((w_5/np.pi)*(fs/2), np.absolute(h_5), label='Hanning', linewidth=2)
axes1.plot((w_6/np.pi)*(fs/2), np.absolute(h_6), label='Tukey', linewidth=2)
axes1.set_xlabel('Frequency (Hz)',fontsize=16)
plt.grid(True)
1
# -*- coding: utf-8 -*-
"""
"""
import numpy as np
f1=0.1 #Frecuencia de la señal 1
noise=np.random.normal(0,1,n)
Vin=V1+V2+noise
N=61 #Orden del Filtro
taps1 = signal.firwin(N,[wn1,wn2],pass_zero=False, window=('kaiser',0))
taps4 = signal.firwin(N,[wn1,wn2],pass_zero=False, window=('kaiser',8.5))
axes1.plot((w_1/np.pi)*(fs/2), np.absolute(h_1), label='Beta=0', linewidth=2)
axes1.plot((w_4/np.pi)*(fs/2), np.absolute(h_4), label='Beta=8.5', linewidth=2)
axes1.set_xlabel('Frequency(Hz)',fontsize=16)
plt.grid(True)
1
# -*- coding: utf-8 -*-
"""
"""
import numpy as np
Vin=V1+V2+noise
taps1 = signal.firwin(N,[wn1,wn2],pass_zero=True, window=('kaiser',0))
taps4 = signal.firwin(N,[wn1,wn2],pass_zero=True, window=('kaiser',8.5))
plt.grid(True)
1
# -*- coding: utf-8 -*-
"""
"""
import numpy as np
Vin=V1+V2+noise
taps1 = signal.firwin(N,wn1,pass_zero=True, window=('kaiser',0))
taps4 = signal.firwin(N,wn1,pass_zero=True, window=('kaiser',8.5))
plt.grid(True)
1
# -*- coding: utf-8 -*-
"""
"""
import numpy as np
Vin=V1+V2+noise
taps1 = signal.firwin(N,wn1,pass_zero=False, window=('kaiser',0))
taps4 = signal.firwin(N,wn1,pass_zero=False, window=('kaiser',8.5))
plt.grid(True)

Clase

Загружено:

Сведения о документе

Исходное описание:

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Clase

Загружено:

Авторское право:

Доступные форматы

Introducción

M. en C. Rogelio Manuel Higuera Gonzalez

TECNOLÓGICO DE ESTUDIOS SUPERIORES DE IXTAPALUCA

M. en C. Rogelio Manuel Higuera Gonzalez Filtros Digitales

M. en C. Rogelio Manuel Higuera Gonzalez Filtros Digitales

Transformada rápida de Fourier

Para realizar el análisis en frecuencia de una señal discreta en el

M. en C. Rogelio Manuel Higuera Gonzalez Filtros Digitales

Transformada discreta de Fourier de una dimension

La FFT y [k] de longitud N de la secuencia de N longitud de x[n]

Y la transformada inversa esta definida como:

Esas transformadas pueden ser calculadas con la librerı́a SciPy por

M. en C. Rogelio Manuel Higuera Gonzalez Filtros Digitales

Transformada discreta de Fourier (ejemplo)

M. en C. Rogelio Manuel Higuera Gonzalez Filtros Digitales

Los filtros electrónicos se definen en tiempo continuo, tiempo dis-

M. en C. Rogelio Manuel Higuera Gonzalez Filtros Digitales

Los filtros digitales de lı́nea base han evolucionado a lo largo de dos

M. en C. Rogelio Manuel Higuera Gonzalez Filtros Digitales

Matemáticamente, la respuesta de salida de un filtro FIR lineal de

En el dominio de la transformada Z, la función de transferencia del

M. en C. Rogelio Manuel Higuera Gonzalez Filtros Digitales

El proceso de diseño de filtros FIR comienza con un conjunto de es-

M. en C. Rogelio Manuel Higuera Gonzalez Filtros Digitales

Respuesta al impulso unidad

Por lo tanto, dada Hd (ω), podemos determinar la respuesta al im-

M. en C. Rogelio Manuel Higuera Gonzalez Filtros Digitales

Respuesta al impulso unidad (truncada)

La respuesta al impulso unidad del filtro FIR es

M. en C. Rogelio Manuel Higuera Gonzalez Filtros Digitales

Respuesta en frecuencia deseada Hd (ω)

La convolución de Hd (ω) con W (ω) proporciona la respuesta en

M. en C. Rogelio Manuel Higuera Gonzalez Filtros Digitales

M. en C. Rogelio Manuel Higuera Gonzalez Filtros Digitales

M. en C. Rogelio Manuel Higuera Gonzalez Filtros Digitales

0.0 0.1 0.2 0.3 0.4 0.5

M. en C. Rogelio Manuel Higuera Gonzalez Filtros Digitales

La anchura del lóbulo principal [la anchura que se mide en el pri-

M. en C. Rogelio Manuel Higuera Gonzalez Filtros Digitales

M. en C. Rogelio Manuel Higuera Gonzalez Filtros Digitales

Comportamiento de las ventanas

Todas las funciones de ventana tienen lóbulos secundarios significa-

M. en C. Rogelio Manuel Higuera Gonzalez Filtros Digitales

Caracterı́sticas en el dominio de la frecuencia de algunas

M. en C. Rogelio Manuel Higuera Gonzalez Filtros Digitales

Formas de varias funciones de ventana (M=61)

M. en C. Rogelio Manuel Higuera Gonzalez Filtros Digitales

Respuestas en frecuencia utilizando varias funciones de

−200 Rec angular

0.0 0.1 0.2 0.3 0.4 0.5

M. en C. Rogelio Manuel Higuera Gonzalez Filtros Digitales

Respuestas en frecuencia del filtro pasa-banda (ventana

M. en C. Rogelio Manuel Higuera Gonzalez Filtros Digitales

Respuestas en frecuencia del filtro pasa-banda utilizando

M. en C. Rogelio Manuel Higuera Gonzalez Filtros Digitales

Respuesta de la ventana Kaiser (M=61)

M. en C. Rogelio Manuel Higuera Gonzalez Filtros Digitales

Respuesta en frecuencia utilizando la ventana Kaiser

M. en C. Rogelio Manuel Higuera Gonzalez Filtros Digitales

Respuestas en frecuencia del filtro pasa-banda utilizando la

M. en C. Rogelio Manuel Higuera Gonzalez Filtros Digitales

Respuestas en frecuencia del filtro rechaza-banda

M. en C. Rogelio Manuel Higuera Gonzalez Filtros Digitales