【20210910】【信号处理】补偿FIR滤波器时延

一、FIR滤波器时延 = 滤波器阶数 / 采样频率（单位：s）

        （参考：补偿 FIR 滤波器引入的延迟）

二、仿真代码

fs = 1000; % 采样频率
ts = 1 / fs;  % 采样间隔
t = 0 : ts: 2;

A1 = 5; f1 = 10;  % 信号1的幅值和频率
A2 = 10; f2 = 20;  % 信号2的幅值和频率
s1 = A1 * sin(2*pi*f1*t);  % 信号1
s2 = A2 * sin(2*pi*f2*t);  % 信号1
s = s1 + s2;  % 两个频率的信号叠加

load 'lp_fir_0to18Hz.mat';
delay_fir = 388 / fs;  % fir阶数除以采样频率是延时时间（s）
delay_fir_ind = 388;

s_fir = filter(b, 1, s);  % fir滤波后的信号
s1_delay = s1(1, 1:end-delay_fir_ind);
s_fir_delay = s_fir(1, delay_fir_ind+1:end);

figure(1);
sp1 = subplot(4, 1, 1);
plot(t, s1, 'r', 'linewidth', 1.2); hold on;
plot(t, s2, 'b', 'linewidth', 1.2); hold off;
legend('信号1', '信号2'); title('原始信号'); axis('tight');
sp2 = subplot(4, 1, 2);
plot(t, s, 'linewidth', 1.2); axis('tight'); 
title('叠加信号');
sp3 = subplot(4, 1, 3);
plot(t, s_fir, 'linewidth', 1.2); axis('tight');
title('FIR滤波后的信号');
linkaxes([sp1, sp2, sp3], 'x');

figure(2);
sp11 = subplot(2, 1, 1);
plot(s1_delay, 'b', 'linewidth', 1.2); axis('tight');
title('弥补延时后的信号1');
sp21 = subplot(2, 1, 2);
plot(s_fir_delay, 'linewidth', 1.2); axis('tight');
title('弥补延时后的FIR滤波信号');
linkaxes([sp11, sp21], 'x');

三、理解 FIR 纠正时间延迟的 “左对齐” 和 “居中对齐”

        工作中使用到 60 阶的 FIR 滤波器，下图中最后一行是滤波后的相位信号。可以看出滤波后相对前两个信号产生了延迟。

        使用上面的 [60阶 / 10Hz采样频率] 计算得到时间延迟为 6s， 纠正 6s 时间延迟后的相位信号见下图。

        可以看出纠正后的滤波相位信号好像被过纠正了，并没有达到理想的和原始信号完全对齐的效果。这是因为纠正 6s 的相位延迟为左对齐，如果想要理想的对齐效果，可采用居中对齐，这只需纠正 3s 延迟即可。

        可以这样理解滤波器：如下图，滤波器到 AB 为进入异常段的最后一个稳态，BE 是进入异常段的第一个稳态，FC 为即将离开异常段的最后一个稳态，CD 是离开异常段的第一个稳态。而在 AB 到 BE 的过程中并不是稳态，所以从 B 到 E 的这一段异常段在滤波后的相位信号里不是稳态，可能表现不出来异常段的特征；从 F 到 C 段同理。

        因此滤波后的异常段要短于滤波前的异常段，所以才会出现如果采用 “左对齐” 的方式就会出现 “明显偏差” 的异常，此时选用 “居中对齐” 即可。“左对齐” 的纠正时间延迟为 [滤波器阶数 / 采样频率]，“居中对齐” 的纠正时间延迟为 “左对齐” 的纠正时间延迟的一半。

        注意：上面都是基于 Maltlab 做的，Python中的 scipy.signal() 做出来是不需要弥补延时的！对此，我做过相关的实验，结果如下图：

         可以看出，scipy.signal.filtfilt() 不需要弥补时延~

        （参考：详解利用Python scipy.signal.filtfilt() 实现信号滤波）

        （参考：scipy中 filtfilt和lfilter 区别）