Методические ошибки цифровой фильтрации

Материал из Национальной библиотеки им. Н. Э. Баумана
Последнее изменение этой страницы: 23:50, 17 ноября 2016.

Методическими ошибками называются искажения сигналов, возникшие при цифровой обработке, обусловленные несовершенством выбранных методов.

Большинство методов анализа и обработки данных имеют в своем составе операцию свертки множества данных с функцией оператора свертки . Как множество данных , так и оператор , выполняющий определенную задачу обработки данных и реализующий определенную частотную передаточную функцию системы (фильтра), могут быть бесконечно большими. Практика цифровой обработки имеет дело только с ограниченными множествами и данных, и коэффициентов оператора. В общем случае эти ограниченные множества "вырезаются" из бесконечных множеств и , что равносильно умножению этих множеств на прямоугольную функцию с единичным амплитудным значением, которую называют естественным временным окном или естественной весовой функцией. Учитывая, что произведение функций отображается в спектральной области сверткой их фурье-образов, это может весьма существенно сказаться как на спектральных характеристиках функций, так и на результатах их последующих преобразований и обработки.

Явление Гиббса

Чаще всего с изменением частотных характеристик функций приходится сталкиваться при усечении операторов фильтров. На примере усечения операторов и рассмотрим характер происходящих изменений. При расчетах фильтров, как правило, задается определенная передаточная характеристика фильтра, и по ней производится расчет оператора фильтра , количество членов которого может оказаться очень большим, в пределе – бесконечным. Усечение может рассматриваться как результат умножения функции оператора фильтра на селектирующее весовое окно длиной . В простейшем случае это окно представляет собой П-образную селектирующую функцию:

при при

Функция оператора фильтра обуславливает определенную частотную передаточную характеристику фильтра . Полному оператору соответствует исходная частотная характеристика :

Сущность явления Гиббса

Усеченной функции во временном окне селекции в частотном пространстве соответствует спектральная функция, которая в определенной степени должна отличаться от функции . Очевидно, что при усечении ряда Фурье до конечного числа членов мы будем иметь усеченный ряд Фурье:

при этом сходимость суммы остающихся членов ряда к исходной передаточной функции ухудшается, и происходит отклонение частотной характеристики фильтра от первоначально заданной в тем большей степени, чем меньше значение . Особенно ярко это проявляется на крутых перепадах (разрывах, скачках) в передаточных функциях:

  • крутизна перепадов "размывается", т. к. она не может быть больше, чем крутизна (в нулевой точке) последней сохраненной гармоники ряда ;
  • по обе стороны "размытых" перепадов появляются выбросы и затухающие осцилляции с частотой, близкой к частоте первого отброшенного члена ряда .

Эти эффекты при усечении рядов Фурье получили название явления Гиббса.

Рассмотрим явление Гиббса более подробно на примере разложения в ряд Фурье частотной функции единичного скачка , которая является Фурье-образом какой-то дискретной временной функции . Уравнение функции единичного скачка:

Функция имеет разрыв величиной 1 в точке и в точках в силу дискретности временной функции и периодичности ее спектра. Поскольку функция является нечетной, ее ряд Фурье не содержит косинусных членов, и коэффициенты ряда определяются выражением:


Рис. 1. Значения коэффициентов .

Как видно на рис. 1, ряд коэффициентов затухает очень медленно. Соответственно, медленно будет затухать и ряд Фурье функции :

Если мы будем ограничивать количество коэффициентов , т. е. ограничивать значение ряда Фурье функции , то суммирование в будет осуществляться не до , а до значения . Графики частичных сумм ряда в сопоставлении с исходной функцией приведены на рис. 2. Они наглядно показывают сущность явления Гиббса.


Рис. 2. Явление Гиббса.

При усечении рядов Фурье определенное искажение функции, разложенной в ряд Фурье, существует всегда, но при малой доле энергии отсекаемой части сигнала этот эффект может быть и мало заметен. На скачках и разрывах функций он проявляется наиболее выразительно.

Параметры эффекта

Для определения местоположения максимумов и минимумов осцилляций функции приравняем к нулю ее первую производную (подинтегральную функцию), при этом:

Соответственно, амплитудные значения первых (максимальных) осцилляций функции приходится на точки , вторых (противоположных по полярности) – на точки . Период пульсаций равен , т. е. интервалу дискретизации спектра при равном количестве отсчетов оператора фильтра и его спектра. Функция пульсаций (при ее выделении) является нечетной относительно скачка. Соответственно, при скачке функции на произвольной частоте главного частотного диапазона значения являются значениями относительно частоты скачка. Амплитудные значения функции в точках и (при подстановках и верхним пределом в ) практически не зависят от количества членов ряда и равны:

Амплитуда последующих осцилляций постепенно затухает.

Таким образом, для усеченных рядов Фурье предельные значения максимальных выбросов по обе стороны от скачка и следующих за ними обратных выбросов при единичной амплитуде разрыва функции достигают соответственно 9% и 5% значения амплитуды скачка. Кроме того, сам скачок функции из собственно скачка преобразуется в переходную зону, длина которой между точками максимальных выбросов по обе стороны скачка равна , а по уровню исходных значений функции на скачке (в данном случае от -0.5 до 0.5) порядка . Это явление типично для всех функций с разрывом.

Можно рассмотреть это явление и с других позиций. Как известно, произведение функций отображается в частотном представлении сверткой их фурье-образов. Отсюда:


Правая часть выражения и отражает математическую сущность явления Гиббса. Ограничение массива функции определенным количеством членов (умножением на П-окно, прямоугольную селектирующую функцию) отображается сверткой частотной характеристики функции с частотной характеристикой селектирующей функции (которую часто называют свертывающей функцией). Частотная характеристика прямоугольной функции хорошо известна как функция отсчетов , , и для П-импульса длиной приведена на рис. 3 (для ряда значений N). Свертка этой частотной функции (Фурье-образа селектирующей функции) с частотной характеристикой усекаемых функций и порождает явление Гиббса на резких скачках частотных характеристик. Чем больше , тем уже центральный пик спектра прямоугольного импульса, и, соответственно, меньше ширина переходной зоны, которая формируется вместо скачков функций. Амплитуда самих осцилляций (по номеру от центрального пика) имеет постоянное значение и не зависит от .

Рис. 3. Свертывающие (частотные) весовые функции.

Применение на практике

При расчетах фильтров и усечении размеров их операторов явление Гиббса является весьма нежелательным, т. к. приводит к искажению формы передаточных характеристик фильтров. В качестве примера рассмотрим явление Гиббса применительно к фильтру низких частот.

Попытаемся реализовать передаточную функцию фильтра вида при при в главном частотном диапазоне от -0.5 до 0.5.

Функция четная, коэффициенты ряда Фурье представлены только косинусными членами:

Передаточная функция:

Результат усечения ряда Фурье до приведен на рис. 4.

Рис. 4. Передаточные функции ФНЧ.

Как показывает рисунок, явление Гиббса существенно искажает передаточную функцию фильтра. Однако при реализации фильтров ограничение длины операторов фильтров является правилом их конструирования исходя из чисто практических соображений реализации.

Явление Гиббса имеет место при усечении любых числовых массивов. При обработке геофизических данных операция усечения числовых массивов, как одномерных, так и многомерных, относится к числу типовых. Из профилей и площадей вырезаются участки съемки с аномальными данными для их более детальной обработки и интерпретации. При анализе усекаются корреляционные функции и соответственно свертываются с частотным образом весового окна вычисляемые спектры мощност. Во всех этих случаях можно столкнуться как с явлением Гиббса, так и с другими последствиями свертки функций в частотной области, в частности с цикличностью свертки, с определенным сглаживанием спектров усекаемых данных, которое может быть и нежелательным (снижение разрешающей способности), и полезным (повышение устойчивости спектров). В самих усекаемых данных мы не видим этих явлений, т. к. они проявляется в изменении их частотного образа, но при обработке данных, основной целью которой, как правило, и является изменение частотных соотношений в сигналах, последствия этих явлений могут сказаться самым неожиданным образом.

На рис. 5 показан другой пример искажений сигнала при усечении. Исходный аналоговый сигнал был вырезан из массива данных на интервале , дискретизирован и переведен в цифровой форме в спектральную область для обработки. Дискретизация сигнала вызвала периодизацию его спектра, а дискретизация спектра вызвала периодизацию его динамического представления. Но на точках и в периодическом повторении исходного сигнала при усечении образовался скачок функции с бесконечным частотным спектром, а главный диапазон спектра дискретизированного сигнала ограничен интервалом его дискретизации (). Следовательно, спектр сигнала является искаженным за счет наложения спектров боковых периодов, а при восстановлении аналогового сигнала по спектру главного диапазона он восстанавливается из усеченного спектра. Это приводит к появлению явления Гиббса на обоих концах вырезанного сигнала (за счет периодизации сигнала), что наглядно видно на рис. 5.

Рис. 5. Передаточные функции ФНЧ.

Практически это означает, что при частотной обработке вырезанного сигнала будет обрабатываться не спектр исходного сигнала, а спектр, которому соответствует сигнал, восстанавливаемый по данному спектру с наложенным явлением Гиббса.

Весовые функции

Основное назначение рассматриваемых весовых функций – сведение к минимуму нежелательных эффектов усечения функций.

Естественным методом нейтрализации нежелательных эффектов усечения сигналов во временной области (и любой другой области аргументов) является изменение окна селекции сигнала таким образом, чтобы частотная характеристика окна селекции при свертке как можно меньше искажала спектр сигнала. Что последнее возможно, показывает, например, даже такая простая модификация прямоугольной функции, как уменьшение в два раза значений ее крайних членов. Фурье-образ модифицированной П-функции уже рассматривался нами в составе сглаживающих фильтров МНК 1-го порядка, отличается от обычной П-функции с тем же размером окна выходом в ноль на частоте Найквиста и несколько меньшей амплитудой осцилляций при небольшом расширении главного максимума.

Нейтрализация явления Гиббса в частотной области. Рассмотрение продолжим с формулы при усечении произвольного оператора фильтра прямоугольным селектирующим окном . Период осцилляций суммы усеченного ряда Фурье примерно равен периоду первого отброшенного члена ряда. С учетом этого фактора осцилляции частотной характеристики могут быть существенно сглажены путем усреднения по длине периода осцилляций в единицах частоты, т. е. при нормированной свертке с импульсом, длина которого равна периоду осцилляций . Эта свертка отобразится во временной области умножением коэффициентов фильтра h(n) на множители, которые являются коэффициентами преобразования Фурье частотной П-образной сглаживающей функции :


Эта операция носит название сглаживания Ланцоша. Произведение представляет собой новое весовое окно селекции взамен прямоугольного окна. Функцию обычно называют временной весовой функцией (окном). Вид и частотная характеристика весового окна Ланцоша в сопоставлении с прямоугольным окном приведены на рис. 6.

Как видно на рисунке, частотная характеристика весовой функции Ланцоша по сравнению с П-образной функцией имеет почти в 4 раза меньшую амплитуду осцилляций, но при этом ширина главного максимума увеличилась примерно на четверть. Отметим, однако, что если амплитуда осцилляций (в единицах амплитуды главного максимума) определяется выбранным типом весовой функции, то ширина главного максимума, которой определяется ширина переходной зоны (вместо скачка функции), зависит от размеров весового окна и соответственно может изменяться под поставленные условия (уменьшаться увеличением размера весового окна).

Рис. 6. Весовая функция Ланцоша.

Основные весовые функции

В настоящее время известны десятки различных по эффективности весовых функций. В идеальном случае хотелось бы иметь весовую свертывающую функцию с минимальной амплитудой осцилляций, высокую и узкую в главном максимуме.

В таблицах 1 и 2 приведены формулы и основные спектральные характеристики наиболее распространенных и часто используемых весовых окон. Носители весовых функций являются неограниченными и при использовании в качестве весовых окон действуют только в пределах окна и обнуляются за его пределами (как и в ), что выполняется без дальнейших пояснений. Для упрощения записи формулы приводятся в аналитической, а не в дискретной форме, с временным окном , симметричным относительно нуля (т.е. ). При переходе к дискретной форме окно заменяется окном (полное количество точек дискретизации выделяемой сигнальной функции), а значения - номерами отсчетов (). Следует заметить, что большинство весовых функций на границах окна () принимают нулевые или близкие к нулевым значения, т. е. фактическое окно усечения данных занижается на 2 точки. Последнее исключается, если принять .

Таблица 1. Основные весовые функции.
Таблица 2. Характеристики спектров весовых функций.

Сравнительный вид весовых функций приведен на рис. 7. Расчет функций проведен с исключением нулевых значений на границах весового окна.

Рис. 7. Расчет весовых функций.

Спектральные окна Бартлетта и Карре не имеют отрицательных выбросов и применяются, в основном, для усечения корреляционных функций. Функция Карре не имеет нулей и представляет собой положительно убывающую функцию. Функции Хеннинга и Хемминга примерно одного класса, функция Хемминга является улучшенным вариантом функции Хеннинга. Частотные образы функций Бартлетта и Хемминга приведены на рис. 8.

Весовые окна Лапласа и Кайзера – усеченные функции соответственно Гаусса и Бесселя. Степень усечения зависит от параметра . Характеристики функций, приведенные в таблице 2, действительны при для окна Лапласа и для окна Кайзера. При уменьшении значения крутизна главного максимума сглаживающих функций увеличивается (ширина пика уменьшается), но платой за это является увеличение амплитуды осцилляций.

Рис. 8. Частотные функции весовых окон.

Функции Лапласа и Кайзера являются универсальными функциями. По-существу, их можно отнести к числу двупараметровых: размером окна (числом ) может устанавливаться ширина главного максимума, а значением коэффициента – относительная величина осцилляций на частотной характеристике весовых функций, причем, вплоть до осцилляций П-окна при . Это обусловило их широкое использование, особенно при синтезе операторов фильтров.

Попутно заметим, что достаточно гладкие частотные характеристики весовых функций позволяют использовать их в качестве сглаживающих низкочастотных НЦФ.

Литература

  1. Макс Ж. Методы и техника обработки сигналов при физических измерениях: В 2-х томах. - М.: Мир, 1983.
  2. Хемминг Р.В. Цифровые фильтры. – М.: Недра, 1987. – 221 с.

См. также