Canmv k230 案例4.1——FIR 滤波器（一）

Canmv k230 案例4.1——FIR 滤波器（一）

1 生成一个信号

import array
import math
from ulab import numpy as np
import time
PI = 3.14159265358979323846264338327950288419716939937510

rx = []   # 空列表，用于储存生成的输入数据
def input_data():    # 输入列表，5种频率 10Hz 100Hz 400Hz 合成信号
    for i in range(1000):
        data0 = 10 * math.cos(1 * 2 * PI * i / 100)
        data1  =10 * math.cos(10 * 2 * PI * i / 100)
        data2  =0 * math.cos(20 * 2 * PI * i / 100)
        data3  =0 * math.cos(30 * 2 * PI * i / 100)
        data4  =1 * math.cos(40 * 2 * PI * i / 100)
        rx.append(data0 + data1 + data2 + data3 + data4)  
input_data()                                                            
data = np.array(rx,dtype=np.float)  
print('输入   :',rx)

1）绘制信号

假定采样率为1kHz，1000点的数据FFT的分辨率为fs/N=1000/1000=1Hz/点

2）并分析频谱

除了FFT一个序列的直流分量外，三种谐波成分均已理论一致

2 设计FIR滤波器

采用MATLAB中设置如上图所示，导出FIR滤波器系数，长度为阶数+1

0.00213234868716711	0.0318386063424590	0.127481167764050	0.264264449913397	0.332658925764871	0.264264449913397	0.127481167764050	0.0318386063424590	0.00213234868716711

也可以采用MWORKS.Syslab工具箱需教育邮箱

生成的FIR系数相差很小

0.002132348687167138
0.03183860634245905
0.12748116776405022
0.26426444991339704
0.33265892576487105
0.26426444991339704
0.12748116776405022
0.03183860634245905
0.002132348687167138

3 FIR原理及测试结果

其中h(k)为滤波器系数，x(n-k)，代表离散信号沿时间轴移动

可以看到这是实时的信号处理过程，对于生成的数据集，反转FIR的系数较为简单，而本次设计的FIR滤波器参数的系数对称，因此直接乘积即可，后面实时处理时会说明

# 滤波后信号
yy=[]
# 滤波器系数h
h=[0.00213234868716711,0.0318386063424590,0.127481167764050,0.264264449913397,0.332658925764871,0.264264449913397,0.127481167764050,0.0318386063424590,0.00213234868716711]
x=[0,0,0,0,0,0,0,0,0]      # 循环的FIR处理数据 初始化
y=[0,0,0,0,0,0,0,0,0]      # 输出的每项乘积，需要sum(y)计算滤波器的输出
# FIR 
for i in range(1000-len(h)):
    x=rx[0+i:8+i]
    for i in range(8):
        y[i]=h[i]*x[i]

    yy.append((sum(y)))

print('FIR输出：',yy)

Canmv k230运行输出后信号及频谱（输出信号补0后做FFT）

高频信号消除，但低频信号幅值收到滤波器的幅度响应影响发生了变化，再次设计高通滤波器保留400Hz谐波，结果如下：

Canmv k230运行结果符合预期

至此，暂时告一段路，后续补充