低通滤波器总结

低通滤波器总结

原理介绍${}^{[1]}$

一阶连续滤波器
$$\frac{y\left(s\right)}{x\left(s\right)}=\frac{a}{s+a}（1）$$

一阶离散滤波器

$$\dot{y}\left(t\right)+ay\left(t\right)=ax\left(t\right)（2）$$
采取一阶前向差分

$$\dot{y}\left(t\right)=\frac{y\left[\left(k+1\right)T\right]-y\left[kT\right]}{T}（3）$$
对式(3)进行推导，则可得：

$$\begin{array}{rl}& \frac{y\left[\left(k+1\right)T\right]-y\left(kT\right)}{T}+ay\left(kT\right)=ax\left(kT\right)\\ & y\left[\left(k+1\right)T\right]-y\left(kT\right)+Tay\left(kT\right)=Tax\left(kT\right)\\ & y\left[\left(k+1\right)T\right]=\left(1-aT\right)y\left(kT\right)+Tax\left(kT\right)\end{array}$$

对上述最后一步结果进行整理，可得下方通式
$$y\left[\left(k+1\right)T\right]=\left(1-A\right)y\left(kT\right)+Ax\left(kT\right)（4）$$
式中：$k+1$表示当前时刻，$k$表示上一时刻，$A$为滤波系数，$A$越大，表明滤波器越灵敏，当前测量值在滤波结果中占据的权重越大，同时表明滤波器的滤波效果差（此点可结合频率计算公式理解，$A$越大，滤波截至频率越大），$A$越小($1-A$越大)，表明滤波器不灵敏，上一时刻滤波结果占据的权重越大，即滤波器在延续之前的滤波效果，表明滤波之后的数据非常稳定，由此可说明滤波器的滤波效果好。

滤波器的截止频率计算式为
$$f_c=\frac{a}{2\pi T_s}（5）$$
式中：$f_c$表示截止频率，单位$\mathrm{H}\mathrm{z}$，$T_s$为采样时间。实际使用过程中，为了获得良好的滤波效果，滤波系数A的设置值不宜过大，考虑香农定理，采样频率至少为截止频率的2倍，才可有效的实现数字滤波器性能。

Simulink实现源码

方法一

采用单位延时环节记录上一时间步的滤波结果

%-----------------
%this code is used as low pass filter(method 1)
%made by PEZHANG
%2021.12.28
%-----------------
function y_now = fcn(y_last,x_now,Ts,fc)

wc = fc*2*3.141592654;
y_now = y_last+wc*Ts*(x_now - y_last);

方法二

采用静态变量记录上一时间步的滤波结果

%-----------------
%this code is used as low pass filter(method 2)
%made by PEZHANG
%2021.12.28
%-----------------
function y_now = fcn(x_now,Ts,fc)
persistent y_last 
if isempty(y_last)
y_last=0;
end

wc = fc*2*3.141592654;
y_now = y_last+wc*Ts*(x_now - y_last);
y_last = y_now;

源码效果演示

输入波形成分表达式如下：
$$y=\sin \left(2\pi t\right)+0.25\sin \left(2\pi 100t\right)$$
在Simulink中按照图示结构搭建模型，仿真验证后导出.xlsx格式数据。仿真图片如下：

---

---

---

---

绘图代码${}^{[2]}$

图片一

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

data = pd.read_excel('123456.xlsx')

print(data)

AA = data['time']
BB = data['raw data']
CC = data['filter data(method 1)']
DD = data['filter data(method 2)']
EE = data['y1']
FF = data['y2']

fig, (ax1, ax2, ax3) = plt.subplots(3, 1,figsize=(7.5,6.5))

plt.rcParams['axes.autolimit_mode'] = 'round_numbers'

ax1.plot(AA,EE,linewidth = 1,label='$y_1 = sin(2 \pi t)$')
ax1.grid(True, linestyle='--')
ax1.set_xlim(0,2.5)

ax2.plot(AA,FF,linewidth = 1,label='$y_2 = 0.25sin(2 \pi 100t)$')
ax2.grid(True, linestyle='--')
ax2.set_xlim(0,2.5)
ax2.set_ylim(-0.3,0.3)

ax3.plot(AA,BB,linewidth = 1,label='$y = sin ( 2\pi t ) +0.25sin ( 2\pi 100t ) $')
ax3.grid(True, linestyle='--')
ax3.set_xlim(0,2.5)
ax3.set_xlabel('Time (s)')
plt.grid(True, linestyle='--')

ax1.legend(loc='best')
ax2.legend(loc='best')
ax3.legend(loc='best')
plt.show()

图片二

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

data = pd.read_excel('123456.xlsx')

print(data)

AA = data['time']
BB = data['raw data']
CC = data['filter data(method 1)']
DD = data['filter data(method 2)']
EE = data['y1']
FF = data['y2']

fig, (ax4, ax5) = plt.subplots(2, 1)

ax4.plot(AA,BB,linewidth = 1,label='$raw\ data$')
ax4.plot(AA,CC,linewidth = 1,label='$filter\ data\ method\ 1$')
ax5.plot(AA,BB,linewidth = 1,label='$raw\ data$')
ax5.plot(AA,DD,linewidth = 1,label='$filter\ data\ method\ 2$')
ax4.legend(loc='best')
ax5.legend(loc='best')
plt.show()

参考文献

[1] https://blog.csdn.net/qq_27334499/article/details/52186336?spm=1001.2101.3001.6650.10&utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7EBlogCommendFromBaidu%7Edefault-10.fixedcolumn&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%7EBlogCommendFromBaidu%7Edefault-10.fixedcolumn

[2] https://blog.csdn.net/qq_50632468/article/details/121981925