1.巴特沃斯模拟滤波器(低通,高通,带通,带阻)设计-MATLAB实现

1.巴特沃斯模拟滤波器(低通,高通,带通,带阻)设计-MATLAB实现1.基础知识介绍我们首先明确一个知识(这个非常重要):某正弦信号,频率为50Hz这意味着信号的模拟频率fff=50(Hz),注意它的单位是Hz信号的表达式为y=sin(2πft)=sin(2π∗50t)=sin(100πt)y=sin(2\pift)=sin(2\pi*50t)=sin(100\pit)y=sin(2πft)=sin(2π∗50t)=sin(100πt)由于信号也可以表示为y=sin(Ωt)y=sin(\Omegat)y=sin(Ωt)的形式,所以这里

大家好,又见面了,我是你们的朋友全栈君。

本文是模拟滤波器设计,如果需要了解数字滤波器的内容,可以按顺序看我写的另外两篇博客,如下:

2.MATLAB实现无限脉冲响应数字滤波器(IIR)

3.MATLAB实现有限脉冲响应数字滤波器(FIR)

1. 基础知识介绍

我们首先明确一个知识(这个非常重要):

某正弦信号,频率为50Hz
这意味着 信号的模拟频率 f f f= 50 (Hz),注意它的单位是Hz

信号的表达式为
y = s i n ( 2 π f t ) = s i n ( 2 π ∗ 50 t ) = s i n ( 100 π t ) y = sin(2\pi ft)=sin(2\pi *50 t)=sin(100\pi t) y=sin(2πft)=sin(2π50t)=sin(100πt)

由于信号也可以表示为 y = s i n ( Ω t ) y = sin(\Omega t) y=sin(Ωt)的形式,所以这里
Ω = 2 π f = 100 π \Omega=2\pi f=100\pi Ω=2πf=100π

这里的 Ω \Omega Ω模拟角频率它的单位是rad/s

注意模拟角频率 Ω \Omega Ω模拟频率 f f f的关系 Ω = 2 π f \Omega=2\pi f Ω=2πf

2. 函数介绍

首先介绍一些用到的MATLAB函数

2.1 buttord – 求解滤波器的阶数N和3dB截止频率wc

[N,wc] = buttord(wp, ws, Rp, As, ‘s’)  

输入参数如下:

通带边界模拟频率wp、阻带边界模拟频率ws模拟角频率单位是rad/s

通带最大衰减Rp、阻带最小衰减As单位是dB

‘s’指的就是模拟滤波器,设计数字滤波器时就没有’s’这个参数了。

2.2 butter – 求解N阶滤波器的具体参数B和A,求解完B和A后滤波器就设计完成了。

[B,A] = butter(N, wc, ‘ftype’, ‘s’)  - 模拟滤波器设计

输入参数如下:

N – 滤波器阶数

wc – 3dB截止模拟频率(单位rad/s,N和wc都是用buttord函数计算出来的)

ftype – 滤波器类型‘’:
(1)当输入wc为一维向量时:
默认情况下设计的低通滤波器,设计高通滤波器的话令ftype=high

(2)当输入wc为二维向量[wcl,wcu]时:
默认情况下设计的带通滤波器,设计带阻滤波器的话令ftype=stop

2.3 filter – 滤波函数

y = filter(B,A,x)

这个就是滤波函数了,

x是输入的有噪声的信号,

B,A就是设计好的滤波器参数

得到的输出y就是滤波后的信号了。

3. 代码实现:

(1)低通滤波器:

例: 设计通带截止频率5kHz,通带衰减2dB,阻带截止频率12kHz,阻带衰减30dB的巴特沃斯低通滤波器

由题可知,设计的是模拟滤波器,所以用到下面三个函数:

[N,wc] = buttord(wp, ws, Rp, As, ‘s’)
[B,A] = butter(N, wc, ‘ftype’, ‘s’)
y = filter(B,A,x)

划重点 ! ! !

模拟滤波器的频率都是模拟角频率 Ω \Omega Ω ,它和频率 f f f 的关系
Ω = 2 π f \Omega = 2\pi f Ω=2πf

所以这里

wp = 2 ∗ p i ∗ 5000 2*pi*5000 2pi5000,ws = 2 ∗ p i ∗ 12000 2*pi*12000 2pi12000,Rp = 2, As = 30

代码如下:


wp = 2 * pi * 5000;
ws = 2 * pi * 12000;
Rp = 2;
As = 30;

[N, wc] = buttord(wp, ws, Rp, As, 's');
[B, A] = butter(N, wc, 's');

上面这些代码就设计好了滤波器

如果有输入噪声信号x的话,调用y = filter(B,A,x),得到的y就是滤波后的信号了。

下面是绘图部分

为了让滤波器的结果得到更形象的表示,我们可以画出来它的幅频特性曲线,代码如下:
其中,我们使用了freqs这个函数,

h = freqs(B,A,wk)

它是用来计算当频率为wk时,对应的频率响应h的大小,主要是用来画图的。

绘图代码如下:


f = 0 : 10 : 14000;%取点,从0-14000,每隔10取一个点
w = 2 * pi * f;%注意模拟滤波器用的频率都是模拟角频率,要乘上2pi的
 
Hk = freqs(B,A,w);%对于取的每个点,求该处的频率响应大小
 
%画图
figure
plot(f/1000, 20 * log10(abs(Hk)));%横坐标单位是kHz,纵坐标单位是dB,
grid on;
%设置横纵坐标标签
xlabel('f/kHz');
ylabel('-A(f)/dB');
%设置横纵坐标轴范围
axis([0, 14, -40, 5]);

绘图结果如下:

在这里插入图片描述

(2)高通滤波器:

高通滤波器与低通几乎完全一样,只要注意
[B,A] = butter(N, wc, ‘ftype’, ‘s’)中的 ftype=high

例: 设计通带截止频率4kHz,通带衰减0.1dB,阻带截止频率1kHz,阻带衰减40dB的巴特沃斯高通滤波器

代码如下:


wp = 2 * pi * 4000;
ws = 2 * pi * 1000;
Rp = 0.1;
As = 40;
 
[N, wc] = buttord(wp, ws, Rp, As, 's');
[B, A] = butter(N, wc,'high', 's');%注意这个'high'

高通滤波器设计完成了

如果有输入噪声信号x的话,调用 y = filter(B,A,x),得到的y就是滤波后的信号了。

接着我们画出高通滤波器的幅频特性曲线


f = 0 : 10 : 14000;%取点,从0-14000,每隔10取一个点
w = 2 * pi * f;%注意模拟滤波器用的频率都是模拟角频率,要乘上2pi的
 
Hk = freqs(B,A,w);%对于取的每个点,求该处的频率响应大小
 
%画图
figure
plot(f/1000, 20 * log10(abs(Hk)));%横坐标单位是kHz,纵坐标单位是dB,
grid on;
%设置横纵坐标标签
xlabel('f/kHz');
ylabel('-A(f)/dB');
%设置横纵坐标轴范围
axis([0, 14, -60, 5]);

曲线图如下:

在这里插入图片描述

(3)带通滤波器:

例: 设计巴特沃斯带通滤波器,通带上下边界频率分别为4kHz和7kHz,通带衰减1dB,阻带上下边界频率2kHz和9kHz,阻带衰减20dB。

滤波器设计代码如下:

%带通
wp = 2 * pi * [4000, 7000];
ws = 2 * pi * [2000,9000];
Rp = 1;
As = 20;
 
[N, wc] = buttord(wp, ws, Rp, As, 's');%此时输入wp和ws都是二维的,输出wc也是两维的
[B, A] = butter(N, wc,'s');

带通模拟滤波器设计完成了

如果有输入噪声信号x的话,调用y = filter(B,A,x),得到的y就是滤波后的信号了。

接着我们画出带通滤波器的幅频特性曲线,如下:


f = 0 : 10 : 14000;%取点,从0-14000,每隔10取一个点
w = 2 * pi * f;%注意模拟滤波器用的频率都是模拟角频率,要乘上2pi的
 
Hk = freqs(B,A,w);%对于取的每个点,求该处的频率响应大小
 
%画图
figure
plot(f/1000, 20 * log10(abs(Hk)));%横坐标单位是kHz,纵坐标单位是dB,
grid on;
%设置横纵坐标标签
xlabel('f/kHz');
ylabel('-A(f)/dB');
%设置横纵坐标轴范围
axis([0, 14, -60, 5]);

曲线图如下:
在这里插入图片描述

(4)带阻滤波器:

例: 设计巴特沃斯带阻滤波器,通带上下边界频率分别为2kHz和9kHz,通带衰减1dB,阻带上下边界频率4kHz和7kHz,阻带衰减20dB。


%带阻
wp = 2 * pi * [2000, 9000];
ws = 2 * pi * [4000,7000];
Rp = 1;
As = 20;
 
[N, wc] = buttord(wp, ws, Rp, As, 's');%此时输入wp和ws都是二维的,输出wc也是两维的
[B, A] = butter(N, wc,'stop','s');

带阻模拟滤波器设计完成了,如果有输入噪声信号x的话,调用
y = filter(B,A,x),得到的y就是滤波后的信号了。

接着我们画出带阻滤波器的幅频特性曲线,代码如下:


f = 0 : 10 : 14000;%取点,从0-14000,每隔10取一个点
w = 2 * pi * f;%注意模拟滤波器用的频率都是模拟角频率,要乘上2pi的
 
Hk = freqs(B,A,w);%对于取的每个点,求该处的频率响应得下
 
 
%画图
figure
plot(f/1000, 20 * log10(abs(Hk)));%横坐标单位是kHz,纵坐标单位是dB,
grid on;
%设置横纵坐标标签
xlabel('f/kHz');
ylabel('-A(f)/dB');
%设置横纵坐标轴范围
axis([0, 14, -100, 5]);

结果如下:

在这里插入图片描述

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请联系我们举报,一经查实,本站将立刻删除。

发布者:全栈程序员-站长,转载请注明出处:https://javaforall.net/145891.html原文链接:https://javaforall.net

(0)
全栈程序员-站长的头像全栈程序员-站长


相关推荐

  • 云服务器和虚拟主机哪个好?两者有什么优缺点?「建议收藏」

    云服务器和虚拟主机哪个好?两者有什么优缺点?「建议收藏」云服务器和虚拟主机哪个好?两者有什么优缺点?想必有好多网站站长和中小型企业都被这个问题所困惑。现在小杜就来讲一讲云服务器和虚拟主机分别的特征和差异,小杜我相信大家看完本文后,就不会再被这样的问题所困惑了。云服务器云服务类似于传统的独立主机一样,它有自身独立的IP和宽带资源的,而且云服务器自身带有防火墙等防御工具。可是它不同于传统的独立主机,它可以按照使用者的需求量来增加或是降低服务器的配置,而且可以按照所需所用租用,而且租用云主机建立网站的成本,比传统独立主机建立要低好多。优点:它有独立的IP,独立

    2022年6月25日
    25
  • maven本地有包却加载失败_maven configuration problem

    maven本地有包却加载失败_maven configuration problem[INFO]BUILDFAILURE[ERROR]Failedtoexecute[ERROR]Formoreinformationabouttheerrorsandpossiblesolutions,pleasereadthefollowingarticles:1、问题情形项目代码是从SVN上刚下载的。同事在启动项目时,程序卡在下图这个地方不…

    2022年9月18日
    5
  • CUMCM→MCM/ICM→NPMCM:关于国赛(全国大学生、研究生、博士研究生数学建模竞赛)和美赛中的数学的专业词汇详细攻略—美国数学建模竞赛

    CUMCM→MCM/ICM→NPMCM:关于国赛(全国大学生、研究生、博士研究生数学建模竞赛)和美赛中的数学的专业词汇详细攻略—美国数学建模竞赛 国赛、美赛各种整理后的资料(有偿提供,替朋友转载,扫描下方二维码提问,或者向博主扫描提问即可获得,2元/份) 数学专业词汇Aabsolutevalue绝对值 accept接受  acceptableregion接受域additivity可加性    adjusted调整的 alternativehypothesis对立假设analysis分析  ana…

    2022年5月8日
    74
  • python selenium清除浏览器缓存[通俗易懂]

    python selenium清除浏览器缓存[通俗易懂]最近在做自动化测试的时候,由于重复进入登录页面多次,并且此页面在第一次进入的时候才会出现输入用户名和密码,之后进入时候由于登录过了就不会出现用户名和密码框了,所以没登录一次就清除一次浏览器的缓存,下面是清除浏览器缓存的代码fromseleniumimportwebdriverfromselenium.webdriver.common.keysimportKeysdriver=webdriver.Chrome()driver.get(‘chrome://settings/cl

    2022年7月18日
    17
  • oracle优化:instr做join条件很慢「建议收藏」

    情况描述sql语句selectsqdbh,sqr,bm,sqrq,skdwbm,skdwmc,sqfkje,’N’asxz_flag,sjfkrq,fkdwkhyhfrom(select*fromyw_fksqdwhereto_char(sqrq,’yyyy/mm’)>=’2018/12’andstatein(‘付款’,’已审核’…

    2022年4月15日
    213
  • OpenCV 人脸识别LBPH算法分析

    OpenCV 人脸识别LBPH算法分析一、背景及理论基础人脸识别是指将一个需要识别的人脸和人脸库中的某个人脸对应起来(类似于指纹识别),目的是完成识别功能,该术语需要和人脸检测进行区分,人脸检测是在一张图片中把人脸定位出来,完成的是搜寻的功能。从OpenCV2.4开始,加入了新的类FaceRecognizer,该类用于人脸识别,使用它可以方便地进行相关识别实验。原始的LBP算子定义为在3*3的窗口内,以窗口中心像素为阈值,将相邻的8…

    2022年6月3日
    35

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注

关注全栈程序员社区公众号