matlab滤波器的设计与实现,fir滤波器的matlab设计与实现.doc

41528d3028836879cd698677c3999917.giffir滤波器的matlab设计与实现.doc

1FIR滤波器的MATLAB设计与实现1、设计任务1、用MATLAB软件实现FIR滤波器;2、设计基于DSP的FIR滤波器硬件框图;3、了解用DSP实现FIR滤波器的关键问题;4、完成必要的软件流程图。2.前言在通信与电子信息当中,在对信号作分析与处理时,常会遇到有用信号叠加无用噪声的问题。这些噪声信号有的是与信号同时产生的,有的是在传输过程中混入的,在接收的信号中,必须消除或减弱噪声干扰,这是信号处理中十分重要的问题。根据有用信号与噪声的不同特性,消除或减弱噪声,提取有用信号的过程就称为滤波。滤波器的种类很多,实现方法也多种多样。随着数字技术的飞速发展,数字滤波理论也得到了长足的进步。因此,对数字滤波系统硬件实现的要求也越来越高,而软件模拟的方法不仅能及时地提供系统运行的信息,还可以随时改变系统结构从而验证全新的系统,所以软件仿真变得非常重要。MATLAB是具有很强的科学计算和图形显示功能的软件系统,可以对数字滤波器进行精确设计,并且方便地进行FFT频谱分析与频谱图显示,从而对数字滤波器进行快速地检验和分析。本文讨论在MATLAB平台下的FIR数字滤波器设计与分析。DSP是一种实时、快速、特别适合于实现各种数字信号处理运算的微处理器。由于它由具有丰富的硬件资源、高速数据处理能力和强大的指令系统,而在通信、航空、航天、雷达、工业控制、网络及家用电器等各个领域得到广泛应用。DSP分为定点和浮点两种,本文以定点DSP芯片为例,讨论FIR滤波器实现的几个关键问题。所讨论的这些问题,在DSP系统设计中有实际的参考和应用价值。3.FIR滤波器的原理与MATLAB仿真设计31滤波器概述数字滤波在数字信号处理中占有重要的地位,是广泛使用的一种基本线性处理模块,它可以实现模拟器件很难达到的准确线性相位关系特性。数字滤波器分为无限冲激响应滤波器IIR和有限冲激响应滤波器FIR。由于FIR系统只有零点,因此这类滤波器不像IIR滤波器那样容易取得比较好的通带与阻带衰减特性。要2取得好的衰减特性,一般要求HZ的阶次要高,即N要大。FIR滤波器有自己突出的优点,其一是系统总是稳定的,其二是易实现线性相位,其三是只要经过一定的时延,任何非因果有现场序列都能变成因果有限长序列,因而总能用因果系统来实现,其四是FIR滤波器由于单位冲击响应是有限长的,因而可以用快速傅里叶变换算法来实现过滤信号,从而可以大大提高运算效率。由于FIR滤波器在阶数相同的条件下运算速度比IIR滤波器快,同时FIR滤波器具有不含反馈环路、结构简单以及可以实现的严格线性相位等优点,因而在对相位要求比较严格的条件下,常常采用FIR数字滤波器。目前常用的设计方法主要有窗函数法、频率取样法及等波纹逼近法。本文应用窗函数法设计FIR数字低通滤波器。具体参数见表一。32FIR数字滤波器基本原理321窗函数法的基本思想先构造一个线性相位理想滤波器的频率响应,然后用一个N点的窗函JWDHE数WN,去截取理想滤波器的单位抽样响应(通常为无限长),01NNDHN从而得到具有线性相位的实际滤波器的有限长单位抽样响。322基本方法1构造线性相位理想滤波器的频率响应,为简单起见,若没有90°JWDHE相移的特殊要求,一般选择滤波器具有第一类线性相位。2求理想滤波器的单位抽样响应。DHN3根据技术指标要求和4种形式的线性相位FIR数字滤波器的特点,选择合适的窗函数WN及其长度N,然后对加窗函数截取,得到具有线性相应的实D际FIR数字滤波器的单位抽样相应,。HNW01NN4检验实际滤波器的频率响应是否满足设计指标要求。JHEDTFH323用窗函数设计FIR滤波器的步骤1根据技术要求确定线性相位理想滤波器的频率响应。JWDHE2求理想滤波器的单位抽样响应。DHN3根据对过渡带及阻带衰减的要求,选择窗函数的形式,并估计窗口长度3N,设待求滤波器的过渡带用△表示,它近似等于窗函数主瓣的宽度。W4计算滤波器的单位抽样响应DHN5验算技术指标是否满足要求,设计出的滤波器频率响应用下式计算10NJWJWNNHEE324用窗函数设计FIR滤波器设滤波器的通带截止频率为,阻带截止频率为,系统采样频率为,PFSFSAMPF则其过渡带宽带为,TWSPFF抽样周期为2SSAMPT则过渡带数字角频率为2SPTWTSAMPAMFF各种窗函数的过渡带宽可用来表示,其中N是滤波器阶数,X是一个整数,对X应于矩形窗,三角窗,汉宁窗,汉明窗,其值分别为4,8,8,8,所以滤波器的阶数N可由下式求得2SAMPTWXFN理想低通滤波器的冲击响应为SINCDH其中,是3DB通带截止数字角频率,其值为12NCW2PSSPSCAMFTF加窗后的低通滤波器的冲击响应为NDNHW检验实际滤波器的频率响应是否满足设计指标要求。JHEDTFH表1几种常见的窗函数对比4旁瓣峰值主瓣最小阻带窗函数衰减/DB宽度//N衰减/DB矩形窗13421三角窗25825汉宁窗31844海明窗41853例用窗函数设计一个线性相位FIR低通滤波器,并满足性能要求通带边界的归一化频率WP05,阻带边界的归一化频率WS066,阻带衰减不小于30DB,通带波纹不大于3DB,假设一个信号,其中F15HZ,F220HZ。信号的采样频率为50HZ。并将原信号与通过滤波器的信号进行比较。由题意值,阻带衰减不小于30DB,根据表1,选取汉宁窗,因为汉宁窗的第一旁瓣相对主瓣衰减为31DB,满足滤波要求。WP05PIWS066PI滤波器的边界频率WDELTAWSWP过渡带宽度NCEIL8PI/WDELTA根据过渡带宽等于表中汉宁窗函数的主瓣宽度求得滤波器所用常函数的最小带宽WN0506PI/2截止频率取通带和阻带边界频率的中点BFIR1N,WN/PI,HANNINGN1设计FIR滤波器H,FFREQZB,1,512,50采用50HZ的采样频率绘出该滤波器的幅频和相频响应SUBPLOT2,1,1,PLOTF,20LOG10ABSHXLABEL 频率 YLABEL 振幅 GRIDONSUBPLOT2,1,2,PLOTF,180/PIUNWRAPANGLEHXLABEL 频率 YLABEL 相位 GRIDONF13F220DT002T0DT3采样间隔和检测信号的时间序列XSIN2PIF1TCOS2PIF2T检测信号YFFTFILTB,X给出滤波器的输出FIGURE2SUBPLOT2,1,1,PLOTT,X,TITLE 输入信号 绘出输入信号5SUBPLOT2,1,2,PLOTT,Y绘出输出信号HOLDONPLOT11N1/2DT,YLIM, R 绘出延迟到的时刻XLABEL 时间 ,TITLE 输出信号 图1所设计滤波器的幅频响应(上图)和相频响应(下图)6图2所设计滤波器的输入和输出信号程序运行结果如图1,2该例对应于50HZ的采样频率通带边界频率为FP50/205125HZ,FS50/2066165HZ。有图1上图得,在小于125HZ的频段上,几乎看不到下降,即满足通带波纹不大于3DB的要求。在大于165HZ的频段上,阻带衰减大于30DB,满足题目要求。由图1下图得,在通带范围内,相位频率响应为一条直线,表面该

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可为两个关键的任务,目标定位和目标类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要为两类:Two stage和One stage。Two stage方法将目标检测过程为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行类,并根据类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度数阈值,将置信度数小于阈值的直接过滤掉 将剩下框的置信度数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值