网站开发语言,上海广告公司工资,产品质量推广营销语,工控主机做网站服务器参考来源#xff1a; https://www.zhihu.com/question/323353814 本节主要围绕以下几个问题进行描述#xff1a;
什么是FIR滤波器时域的卷积频域的相乘
关于FIR
FIR滤波就是在时域上卷积的过程。将含噪声信号与低通滤波器的傅里叶逆变换值进行卷积#xff0c;这个过程就是…参考来源 https://www.zhihu.com/question/323353814 本节主要围绕以下几个问题进行描述
什么是FIR滤波器时域的卷积频域的相乘
关于FIR
FIR滤波就是在时域上卷积的过程。将含噪声信号与低通滤波器的傅里叶逆变换值进行卷积这个过程就是FIR滤波。
任务描述
如下图我们仿真生成了两段信号。其中一条是未加入噪声的纯净信号另外一条是加入白噪声后的含噪声信号。其中纯净信号使用了一段正弦信号。我们的目的就是将含噪声信号中的噪声部分滤除得到一条尽量还原纯净信号的滤波结果。
一种直观的方法
从上图容易看出含噪声信号是在纯净信号上下波动的所以很容易想到如果取某几个含噪声信号的平均值作为滤波结果则可以抵消掉噪声在上下随机波动中的干扰效果。
三、另外一种理解角度——引入权重系数概念
上边讲到的滑动平均是将3个相邻信号求取平均值这也可以理解为这3个值分别乘以权重系数1/3再求和那么上述滤波过程可以用下边这张动图来演示应该是比较直观的了图3. 选取了前10个数据点作为演示看到这里大家想到什么了吗。是的——是卷积。
卷积如何影响滤波算法的构造的
卷积有一个重要性质时域的卷积等于频域相乘。 这个性质可以说和滤波是息息相关的因为滤波的目的就是想要得到某特定的频率段。 而频域相乘恰恰能够实现这个筛选的目的。
回到文章最开始的例子想要对含噪声信号滤波那我们不妨先看看他的频谱图11. 含噪声信号及其对应频谱可以看到我们想要保留的频率段范围基本在3Hz以下高于3Hz的都可以抛弃很自然地我们可以想到一个办法即构造如下一组频域信号图12. 构造的低通滤波器此时将图11中的频谱和图12相乘高于3Hz的数值就全部变为了0此时频谱就成了图13. 高于3Hz的分量全部被滤除再将此频域数值进行傅里叶逆变换得到时域数值
可以看到我们近乎完美的实现了滤波。一句话表述上述滤波过程设计一个频域滤波器将想要保留的频率段赋值为1其他频率段赋值为0将其与含噪声信号的频谱在频域上相乘再将乘积做傅里叶逆变换即可实现滤波这种滤波器叫频域滤波器。
上面所说是在频域上相乘时域的卷积频域相乘!!! 所以上述在频域空间的一大堆操作可以简单地转化成在时域上的卷积操作具体来说就是将含噪声信号与低通滤波器的傅里叶逆变换值进行卷积这个过程就是FIR滤波。
参考
1. 如何通俗易懂地理解FIR/IIR滤波器 2. matlab fir1
