Processamento de Sinais Estudo de Caso: Removendo o Bad, mantendo a Boa
Opçãos uma e b são os filtros notch FIR e IIR fixos, respectivamente. A simplicidade desses filtros é um grande atrativo. Mas quão bem eles funcionam? Caracterizar os filtros no domínio da frequência é um bom ponto de partida para esta avaliação.
Um sinal sinusoidal do formulário
não vai passar por esses filtros em estado estacionário.
A figura a seguir fornece resposta de magnitude em dB em relação lotes de frequência dos filtros notch FIR e IIR, quando fEu = 1.000 Hz e fs = 8.000 Hz. Para o IIR, entalhe r é um passo acima de 0,8, 0,9 e 0,95. Na Figura C, uma cascata de dois filtros de entalhe IIR tendo r = 0,95 é feita para fi = 1000 e 600 Hz.
Aqui estão as entradas de linha de comando ipython para criar a cascata IIR:
Dentro [659]: BIIR95, aIIR95 = ssd.fir_iir_notch (1000,8000,0.95) Em [664]: BIIR95_600, aIIR95_600 = ssd.fir_iir_notch (600,8000,0.95) Em [665]: BIIR_cas, aIIR_cas = ssd.cascade_filters (bIIR95, aIIR95, bIIR95_600, aIIR95_600) Em [666]: F, = HIIR_cas signal.freqz (bIIR_cas, aIIR_cas, 1024)
tons SNOI serão bloqueados se
está definido corretamente. Quais são os componentes espectrais do SOI também são removidos? Infelizmente, algumas informações SOI está perdido, mas você quer minimizar a perda dentro da razão. O entalhe FIR, embora simples de implementar, remove demasiada informação do SOI. Então jogue este filtro de análise mais aprofundada.
Indo com o entalhe IIR vale a pena o esforço extra para conseguir a remoção precisão essencialmente apenas o SNOI. Você tem que aceitar que, se o SOI tem componentes de frequência nas frequências SNOI, eles também serão removidos pelos filtros FIR e IIR.
O filtro adaptativo vem com muitos parâmetros para brincar. Para este estudo, o comprimento do filtro é M = 64 e # 956- = 0,005.