CN101295969A - 高阶有限冲击响应数字滤波器设计方法 - Google Patents
高阶有限冲击响应数字滤波器设计方法 Download PDFInfo
- Publication number
- CN101295969A CN101295969A CNA2008100315966A CN200810031596A CN101295969A CN 101295969 A CN101295969 A CN 101295969A CN A2008100315966 A CNA2008100315966 A CN A2008100315966A CN 200810031596 A CN200810031596 A CN 200810031596A CN 101295969 A CN101295969 A CN 101295969A
- Authority
- CN
- China
- Prior art keywords
- omega
- impulse response
- filter
- digital filter
- amplitude
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Complex Calculations (AREA)
Abstract
本发明公开了一种高阶有限冲击响应数字滤波器设计方法,包括以下步骤:利用神经网络方法,通过建立待设计的滤波器与理想滤波器的幅频响应误差平方和作为神经网络的计算能量函数,采用梯度下降学习算法训练神经网络的权值使待设计滤波器与理想滤波器的幅频响应误差平方和最小化,当神经网络稳定时即可获得有限冲击响应数字滤波器各项参数,即完成有限冲击响应数字滤波器的设计。本发明方法所设计的高阶有限冲击响应数字滤波器具有通带波动小、阻带衰减大、边界频率可控、精度高等特点,特别是设计中不需要进行矩阵求逆运算、计算速度快,在数据传输、高精度电视、雷达和声纳系统、语音和图像处理等工程领域具有广泛的应用前景。
Description
技术领域
本发明涉及一种滤波器的设计方法,特别涉及一种高阶有限冲击响应数字滤波器设计方法。
背景技术
有限冲击响应数字滤波器具有无限冲击响应数字滤波器难以实现的线性相位特性,在数据传输、高精度电视、雷达和声纳系统、语音和图像处理等工程领域具有广泛的应用前景。
采用窗口设计法与频率采样设计法来实现的有限冲击响应数字滤波器,在实际应用中不易精确控制通带与阻带边界频率。一些设计方法,例如利用最大误差最小化准则的Remez交换算法与线性规划算法,需要计算一个矩阵的逆,当滤波器的阶数很高时,矩阵的求逆会很困难。
发明内容
为了解决现有有限冲击响应数字滤波器设计存在的上述技术问题,本发明提供一种高阶有限冲击响应数字滤波器设计方法。采用本发明方法设计的有限冲击响应数字滤波器具有高精度和可控制性。
本发明解决上述的技术问题的技术方案包括以下步骤:
利用神经网络方法,通过建立待设计的滤波器与理想滤波器的幅频响应误差平方和作为神经网络的计算能量函数,采用梯度下降学习算法训练神经网络的权值使待设计滤波器与理想滤波器的幅频响应误差平方和最小化,当神经网络稳定时即可获得有限冲击响应数字滤波器各项参数,即完成有限冲击响应数字滤波器的设计。
本发明的技术效果在于:本发明方法设计的高阶有限冲击响应数字滤波器具有通带波动小、阻带衰减大、边界频率可控、精度高等特点,特别是设计中不需要进行矩阵求逆运算、计算速度快,在数据传输、高精度电视、雷达和声纳系统、语音和图像处理等工程领域具有广泛的应用前景。
下面结合附图及实施例对本发明作详细的说明。
附图说明
图1为本发明设计有限冲击响应数字滤波器所应用的神经网络模型。
图2为本发明应用示例1的有限冲击响应数字陷波器幅频响应。
图3为本发明应用示例2的有限冲击响应数字低通滤波器幅频响应及幅频响应误差。
图4为本发明应用示例3的有限冲击响应数字低通微分器幅频响应及幅频响应误差。
图5为本发明应用示例4的有限冲击响应数字窄带滤波器幅频响应。
具体实施方式
本发明中首先考虑所设计的N-1阶有限冲击响应数字滤波器的系统函数为 其中h(n)为滤波器的冲激响应,N为奇数,且h(n)=h(N-1-n)。
此时 线性相位为 幅频响应为 其中
该有限冲击响应数字滤波器系数a(n)和h(n)采用下述神经网络算法获取:
神经网络结构参见图1,该神经网络为三层:输入层、隐层和输出层,其中每个输入层和第i个隐层神经元的权值分别为1和wi,隐层第i个神经元的激励函数为fi=cos[iΩ(m)],i=0,1,...,n。
神经网络能量函数为 式中e=Md-Hd, Md、Hd分别为待求的与理想的滤波器幅频响应,
神经网络的权值调整方式W(k+1)=W(k)+ηct1e,其中η为学习率, n+1为隐层神经元个数。
当神经网络稳定时即V(e)最小,此时由神经网络权值即可获得滤波器系数:W=[a(0),a(1),...,a(n)]T,c1(Ω)=[1,cos(Ω),...,cos(nΩ)]T,
应用示例1:
为便于比较和验证本发明方法的有效性,本发明以文献[Pavel Zahradnikand Miroslav Fast analytical design algorithms for FIR notch filters],IEEETrans.Circuits and Syst.I,vol.51(3),pp.608-623,2004]中的例1为例,设计一个80阶的陷波频率Ωm=0.35π的有限冲击响应陷波器。
首先设N=81,ε=+10-10,η=0.0244,并在Ω∈[0,π]内均匀采样以获得41个训练样本,例如 l=0,1,2,...,40,并设初始权值为随机的。为使通带和阻带无过冲和波动现象,在过渡带中分别取两个样本,其幅值分别为0.78和0.25。按上步骤,经21次训练,神经网络收敛,所设计的有限冲击响应陷波器幅频响应见图2。实际陷波器的参数为Ωm=0.3499π和ΔΩ=0.0924π(相对于a=-3.0103dB)。而文献[IEEE Trans.Circuits and Syst.I,vol.51(3),pp.608-623,2004]中的例1用解析算法设计指标相同的89阶滤波器,其实际滤波器参数为Ωm=0.3498π和ΔΩ=0.1496π(相对于a=-3.0103dB)。显见,利用本发明方法设计的有限冲击响应陷波器更逼近理想情况。
其次,本发明考虑所设计的N-1阶有限冲击响应数字滤波器的系统函数为 其中h(n)为滤波器的冲激响应,N为偶数,且h(n)=h(N-1-n)。
此时 线性相位为 幅频响应为 其中
该有限冲击响应数字滤波器系数b(n)和h(n)采用下述神经网络(结构参见图1)算法获取:
神经网络能量函数为 式中e=Md-Hd, Md、Hd分别为待求的与理想的滤波器幅频响应。
神经网络的权值调整方式W(k+1)=W(k)+ηct2e,其中η为学习率, n为神经网络隐层神经元的个数。
当神经网络稳定时即V(e)最小,此时由神经网络权值即可获得滤波器系数:W=[b(1),a(2),...,b(n)]T,c2(Ω)=[cos(0.5ω),...,cos((n-0.5)Ω)]T,
应用示例2:
为便于比较和验证本发明方法的有效性,本发明以文献[Soo-Chang Peiand Peng-Hua Wang.Design of equiripple FIR filters with constraint using amultiple exchange algorithm,IEEE Trans.Circuits and Syst.I,vol.49(1),pp.113-116,2002]中的例1为例,设计一个77阶、通带为[0,0.4π]、阻带为[0.45π,π]的有限冲击响应低通滤波器。
设N=78,ε=+10-5,η=0.02564,并在Ω∈[0,π]内均匀采样以获得40个训练样本,例如 l=0,1,2,...39,设神经网络初始权值为随机的,并在过渡带中分别取两个样本,其幅值分别为0.78和0.25。经12次训练,神经网络收敛,所设计的有限冲击响应滤波器幅频响应及幅频响应误差见图3。从图中可看出,采用本发明方法设计的滤波器在低通带和高阻带的波动与文献[IEEE Trans.Circuits and Syst.I,vol.49(1),pp.113-116,2002]用多变换算法设计的78阶滤波器类似。
第三,本发明考虑所设计的N-1阶有限冲击响应数字滤波器的系统函数为 其中h(n)为滤波器的冲激响应,N为奇数,且h(n)=-h(N-1-n)。
此时 线性相位为 幅频响应为 其中
该有限冲击响应数字滤波器系数c(n)和h(n)采用下述神经网络(结构参见图1)算法获取:
神经网络能量函数为 式中e=Md-Hd, Md、Hd分别为待求的与理想的滤波器幅频响应。
神经网络的权值调整方式W(k+1)=W(k)+ηct3e,其中η为学习率, n为神经网络隐层神经元的个数。
当神经网络稳定时即V(e)最小,此时由神经网络权值即可获得滤波器系数:W=[c(1),c(2),...,c(n)]T,c3(Ω)=[sin(Ω),...,sin(nΩ)]T,
应用示例3:
为便于比较和验证本发明方法的有效性,本发明以文献[IEEE Trans.Circuits and Syst.I,vol.49(1),pp.113-116,2002]中的例2为例,设计一个78阶低通频率响应的线性相位数字微分器。该低通微分器在低频带具有理想的频率响应jΩ,在高频带具有零频率响应。且低频带边界频率为0.8π,高频带边界频率为0.85π。
设N=79,ε=+10-10,η=0.05,并在Ω∈[0,π]内均匀采样以获得40个训练样本,例如 l=0,1,2,...39。设神经网络初始权值为随机的,并在过渡带中分别取两个样本,其幅值分别为2.0和0.6。经5次训练,神经网络收敛,所设计的FIR滤波器幅频响应及幅频响应误差见图4。从图中可看出,所设计的滤波器在通带和阻带的波动小于0.015,而文献[IEEE Trans.Circuits and Syst.I,vol.49(1),pp.113-116,2002]用多变换算法设计的78阶滤波器在通带和阻带的波动大于0.02。表明本发明方法所设计的滤波器精度高,更有效。
最后,本发明考虑所设计的N-1阶有限冲击响应数字滤波器的系统函数为 其中h(n)为滤波器的冲激响应,N为偶数,且h(n)=-h(N-1-n)。
此时, 线性相位为 幅频响应为 其中
该有限冲击响应数字滤波器系数d(n)和h(n)采用下述神经网络(结构参见图1)算法获取:
经网络能量函数为 式中e=Md-Hd, Md、Hd分别为待求的与理想的滤波器幅频响应。
神经网络的权值调整方式W(k+1)=W(k)+ηct4e,其中η为学习率, n为神经网络隐层神经元的个数。
当神经网络稳定时即V(e)最小,此时由神经网络权值即可获得滤波器系数:W=[d(1),d(2),...,d(n)]T,c4(Ω)=[sin(0.5Ω),...,sin((n-0.5)Ω)]T,
应用示例4:
为便于比较和验证本发明方法的有效性,本发明设计一个79阶窄带通线性相位有限冲击响应数字滤波器,其中心频率为Ωm=0.35π。
设N=80,ε=+10-5,η=0.025,并在Ω∈[0,π]内均匀采样以获得41个训练样本,例如 l=0,1,2...,40。设神经网络初始权值为随机的,并在过渡带中分别取两个样本,其幅值分别为0.5999和0.015。经13次训练,神经网络收敛,所设计的有限冲击响应数字滤波器幅频响应见图5。实际滤波器参数为Ωm=0.3500π和ΔΩ=0.0580π(a=-6.0206dB)。可见本发明方法设计的精度高,几乎与理想情况一致。
Claims (5)
1、一种高阶有限冲击响应数字滤波器设计方法,包括以下步骤:利用神经网络方法,将待设计的滤波器与理想滤波器的幅频响应误差平方和作为神经网络的计算能量函数,采用梯度下降学习算法训练神经网络的权值使待设计滤波器与理想滤波器的幅频响应误差平方和最小化,当神经网络稳定时即可获得高阶有限冲击响应数字滤波器的各项参数。
2、根据权利要求1所述的高阶有限冲击响应数字滤波器设计方法,其N-1阶有限冲击响应数字滤波器的系统函数为 线性相位为 幅频响应为 ,其中 h(n)为滤波器的冲激响应,N为奇数,h(n)=h(N-1-n);
该有限冲击响应数字滤波器系数a(n)和h(n)采用下述神经网络算法获取:
神经网络能量函数为 式中e=Md-Hd, Md、Hd分别为待求的与理想的滤波器幅频响应;
神经网络的权值调整方式W(k+1)=W(k)+ηct1e,其中η为学习率,
当神经网络稳定时即V(e)最小,此时由神经网络权值即可获得滤波器系数:W=[a(0),a(1),...,a(n)]T,c1(Ω)=[1,cos(Ω),...,cos(nΩ)]T,
3、根据权利要求1所述的高阶有限冲击响应数字滤波器设计方法,其N-1阶有限冲击响应数字滤波器的系统函数为 线性相位为 幅频响应为 ,其中 h(n)为滤波器的冲激响应,N为偶数,h(n)=h(N-1-n);
该有限冲击响应数字滤波器系数b(n)和h(n)采用下述神经网络算法获取:
神经网络能量函数为 式中e=Md-Hd, Md、Hd分别为待求的与理想的滤波器幅频响应;
神经网络的权值调整方式W(k+1)=W(k)+ηct2e,其中η为学习率,
当神经网络稳定时即V(e)最小,此时由神经网络权值即可获得滤波器系数:W=[b(1),a(2),...,b(n)]T,c2(Ω)=[cos(0.5ω),...,cos((n-0.5)Ω)]T,
4、根据权利要求1所述的高阶有限冲击响应数字滤波器设计方法,其N-1阶有限冲击响应数字滤波器的系统函数为 线性相位为 幅频响应为 ,其中 h(n)为滤波器的冲激响应,N为奇数,h(n)=-h(N-1-n);
该有限冲击响应数字滤波器系数c(n)和h(n)采用下述神经网络算法获取:
神经网络能量函数为 式中e=Md-Hd, Md、Hd分别为待求的与理想的滤波器幅频响应;
神经网络的权值调整方式W(k+1)=W(k)+ηct3e,其中η为学习率,
当神经网络稳定时即V(e)最小,此时由神经网络权值即可获得滤波器系数:W=[c(1),c(2),...,c(n)]T,c3(Ω)=[sin(Ω),...,sin(nΩ)]T,
5、根据权利要求1所述的高阶有限冲击响应数字滤波器设计方法,其N-1阶有限冲击响应数字滤波器的系统函数为 线性相位为 幅频响应为 ,其中 h(n)为滤波器的冲激响应,N为偶数,h(n)=-h(N-1-n);
该有限冲击响应数字滤波器系数d(n)和h(n)采用下述神经网络算法获取:
神经网络能量函数为 式中e=Md-Hd, Md、Hd分别为待求的与理想的滤波器幅频响应;
神经网络的权值调整方式W(k+1)=W(k)+ηct4e,其中η为学习率,
当神经网络稳定时即V(e)最小,此时由神经网络权值即可获得滤波器系数:W=[d(1),d(2),...,d(n)]T,c4(Ω)=[sin(0.5Ω),...,sin((n-0.5)Ω)]T,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008100315966A CN101295969B (zh) | 2008-06-26 | 2008-06-26 | 高阶有限冲击响应数字滤波器设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008100315966A CN101295969B (zh) | 2008-06-26 | 2008-06-26 | 高阶有限冲击响应数字滤波器设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101295969A true CN101295969A (zh) | 2008-10-29 |
CN101295969B CN101295969B (zh) | 2011-04-27 |
Family
ID=40066038
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2008100315966A Expired - Fee Related CN101295969B (zh) | 2008-06-26 | 2008-06-26 | 高阶有限冲击响应数字滤波器设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101295969B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103152013A (zh) * | 2013-03-27 | 2013-06-12 | 北京众谱达科技有限公司 | 车载在用无线电设备检测系统滤波器单元 |
CN103236867A (zh) * | 2013-03-27 | 2013-08-07 | 北京众谱达科技有限公司 | Gpib命令控制的射频滤波器切换系统 |
CN103956987A (zh) * | 2014-04-28 | 2014-07-30 | 唐萍 | 一种数字滤波器设计方法 |
CN107565932A (zh) * | 2017-09-26 | 2018-01-09 | 天津工业大学 | 一种基于线性神经网络的fir原型滤波器设计方法 |
CN108780140A (zh) * | 2016-03-11 | 2018-11-09 | 罗伯特·博世有限公司 | 用于运行雷达传感器的设备 |
CN109639258A (zh) * | 2018-12-11 | 2019-04-16 | 天津工业大学 | 一种基于Hopfield神经网络二维FIR陷波滤波器的设计方法 |
CN110493072A (zh) * | 2019-07-11 | 2019-11-22 | 网宿科技股份有限公司 | 基于深度学习的带宽滤波方法、装置、服务器及存储介质 |
CN110678816A (zh) * | 2017-04-04 | 2020-01-10 | 西门子股份公司 | 用于控制技术系统的方法和控制机构 |
CN111159891A (zh) * | 2019-12-27 | 2020-05-15 | 南京航空航天大学 | 基于dnn神经网络的单样本极化滤波器系数预测方法 |
US11005689B2 (en) | 2019-07-11 | 2021-05-11 | Wangsu Science & Technology Co., Ltd. | Method and apparatus for bandwidth filtering based on deep learning, server and storage medium |
CN113676156A (zh) * | 2021-08-09 | 2021-11-19 | 成都玖锦科技有限公司 | 一种基于lms的任意幅频响应fir滤波器设计方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5532950A (en) * | 1994-04-25 | 1996-07-02 | Wadia Digital Corporation | Dynamic digital filter using neural networks |
CN1262104C (zh) * | 2003-09-27 | 2006-06-28 | 哈尔滨工业大学 | 采用神经网络技术对图像进行滤波的方法 |
CN100464500C (zh) * | 2006-07-10 | 2009-02-25 | 东南大学 | 时-频混叠信号的几何特征滤波方法 |
-
2008
- 2008-06-26 CN CN2008100315966A patent/CN101295969B/zh not_active Expired - Fee Related
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103152013A (zh) * | 2013-03-27 | 2013-06-12 | 北京众谱达科技有限公司 | 车载在用无线电设备检测系统滤波器单元 |
CN103236867A (zh) * | 2013-03-27 | 2013-08-07 | 北京众谱达科技有限公司 | Gpib命令控制的射频滤波器切换系统 |
CN103236867B (zh) * | 2013-03-27 | 2015-05-20 | 北京众谱达科技有限公司 | Gpib命令控制的射频滤波器切换系统 |
CN103152013B (zh) * | 2013-03-27 | 2016-03-30 | 北京众谱达科技有限公司 | 车载在用无线电设备检测系统滤波器单元 |
CN103956987A (zh) * | 2014-04-28 | 2014-07-30 | 唐萍 | 一种数字滤波器设计方法 |
CN103956987B (zh) * | 2014-04-28 | 2016-06-22 | 唐萍 | 一种数字滤波器设计方法 |
CN108780140B (zh) * | 2016-03-11 | 2023-11-14 | 罗伯特·博世有限公司 | 用于运行雷达传感器的设备 |
CN108780140A (zh) * | 2016-03-11 | 2018-11-09 | 罗伯特·博世有限公司 | 用于运行雷达传感器的设备 |
CN110678816B (zh) * | 2017-04-04 | 2021-02-19 | 西门子股份公司 | 用于控制技术系统的方法和控制机构 |
CN110678816A (zh) * | 2017-04-04 | 2020-01-10 | 西门子股份公司 | 用于控制技术系统的方法和控制机构 |
US10983485B2 (en) | 2017-04-04 | 2021-04-20 | Siemens Aktiengesellschaft | Method and control device for controlling a technical system |
CN107565932A (zh) * | 2017-09-26 | 2018-01-09 | 天津工业大学 | 一种基于线性神经网络的fir原型滤波器设计方法 |
CN109639258A (zh) * | 2018-12-11 | 2019-04-16 | 天津工业大学 | 一种基于Hopfield神经网络二维FIR陷波滤波器的设计方法 |
CN110493072A (zh) * | 2019-07-11 | 2019-11-22 | 网宿科技股份有限公司 | 基于深度学习的带宽滤波方法、装置、服务器及存储介质 |
US11005689B2 (en) | 2019-07-11 | 2021-05-11 | Wangsu Science & Technology Co., Ltd. | Method and apparatus for bandwidth filtering based on deep learning, server and storage medium |
CN111159891A (zh) * | 2019-12-27 | 2020-05-15 | 南京航空航天大学 | 基于dnn神经网络的单样本极化滤波器系数预测方法 |
CN111159891B (zh) * | 2019-12-27 | 2022-03-15 | 南京航空航天大学 | 基于dnn神经网络的单样本极化滤波器系数预测方法 |
CN113676156A (zh) * | 2021-08-09 | 2021-11-19 | 成都玖锦科技有限公司 | 一种基于lms的任意幅频响应fir滤波器设计方法 |
CN113676156B (zh) * | 2021-08-09 | 2024-01-26 | 成都玖锦科技有限公司 | 一种基于lms的任意幅频响应fir滤波器设计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101295969B (zh) | 2011-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101295969B (zh) | 高阶有限冲击响应数字滤波器设计方法 | |
CN101425152B (zh) | 一种基于变学习率神经网络的fir滤波器的设计方法 | |
US20150263701A1 (en) | Adaptive filter for system identification | |
US20140310326A1 (en) | Adaptive filter for system identification | |
CN104133241B (zh) | 波场分离方法和装置 | |
CN103823239A (zh) | 频率域优化混合交错网格有限差分正演模拟方法 | |
CN101902416B (zh) | 模糊控制的动态小波神经网络反馈盲均衡方法 | |
CN107562990A (zh) | 基于bvd模型的baw滤波器设计方法、装置及设备 | |
CN109687843B (zh) | 一种基于线性神经网络的稀疏二维fir陷波滤波器的设计方法 | |
CN103956987B (zh) | 一种数字滤波器设计方法 | |
CN107294512A (zh) | 一种基于树型结构的非均匀滤波器组滤波方法 | |
CN109861666B (zh) | 基于反馈神经网络的frm滤波器设计方法及系统 | |
Beylkin et al. | On the design of highly accurate and efficient IIR and FIR filters | |
Dogra et al. | Comparison of different Techniques to Design of Filter | |
CN110365314B (zh) | 具有稀疏系数的可分离二维fir滤波器的设计方法 | |
Yu et al. | A general structure of linear-phase FIR filters with derivative constraints | |
CN106130505A (zh) | 一种可变分数时延数字滤波器的优化方法 | |
Zeng et al. | Optimal design study of high-order fir digital filters based on neural-network algorithm | |
CN107276559B (zh) | 量子生物地理学演进机制的多约束fir数字滤波器生成方法 | |
CN105677957B (zh) | 一种近似精确重构余弦调制滤波器组的设计方法与装置 | |
Sirota et al. | Active boundary and interior absorbers for one-dimensional wave propagation: Application to transmission-line metamaterials | |
CN109639258B (zh) | 一种基于Hopfield神经网络二维FIR陷波滤波器的设计方法 | |
CN102137052B (zh) | 一种基于梯度向量的变步长最小均方信道均衡方法 | |
CN111010144B (zh) | 改进的两通道iir的qmfb设计方法 | |
Mandal et al. | FIR band stop filter optimization by improved particle swarm optimization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20110427 Termination date: 20200626 |
|
CF01 | Termination of patent right due to non-payment of annual fee |