m基于Matlab的fir和iir数字滤波器的设计与仿真

简介: m基于Matlab的fir和iir数字滤波器的设计与仿真

1.算法概述

   MATLAB系统供了许多工具箱(Toolbox),借助于信号处理工具箱(signal processing)中的freqz_m,remez等函数,使得FIR数字滤波器的设计大为简化,每个程序都只有短短的几十行。因此实用MATLAB进行滤波器的设计变得十分简便。本文分析了国内外数字滤波技术的应用现状与发展趋势,介绍了数字滤波器的基本结构,数字滤波器根据其冲激响应函数的时域特性,可分为两种,即无限长冲激响应(IIR)滤波器和有限长冲激响应(FIR)滤波器。讨论了IIR与FIR数字滤波器的设计方法。本文利用matlab的强大计算功能和信号数据处理功能,本文用matlab设计的数字滤波器对信号进行滤波降噪处理,并对实验方法的改进展开了讨论。

·有限冲击响应(Finite Impulse Response,FIR)滤波器

   有限长冲击响应滤波器,即FIR滤波器,是指离散系统的单位冲击响应h(k)是一个有限长的序列,即系统的单位冲击响应只在给定的时间区间里有非零值。FIR滤波器的单位抽样响应为有限长度,一般采用非递归形式实现。通常的FIR数字滤波器有横截性和级联型两种。

1.png

  无限冲击响应滤波器,即IIR滤波器,是指离散系统的单位冲击响应h(k)是一个无限长的时间序列。这种滤波器滤波的实现结构与一般数字滤波器的结构相同。一个数字滤波器可以用系统函数表示为:

2.png

   可见数字滤波器的功能就是把输入序列x(n)通过一定的运算变换成输出序列y(n)。不同的运算处理方法决定了滤波器实现结构的不同。无限冲激响应滤波器的单位抽样响应h(n)是无限长的,其差分方程如(2-2)式所示,是递归式的,即结构上存在着输出信号到输入信号的反馈,其系统函数具有(2-1)式的形式,因此在z平面的有限区间(0<︱z︱<∞)有极点存在。

2.仿真效果预览
matlab2022a仿真
3.png
4.png
5.png

3.MATLAB部分代码预览

%k=input('请选择窗的类型:\n 1、矩形窗\n 2、汉宁窗\n 3、汉明窗\n 4、布拉克曼窗\n');
k=2
switch k
    case 1
        x=win(0,N-1,0,N-1);                       %矩形窗
        figure,
        subplot(1,2,1);
        stem(n,x,'.');                            %得到数字信号波形表示方法函数STEM
        xlabel('n');                              %X坐标标签
        ylabel('x');                              %Y坐标标签
        string=['矩形窗时域图形','N=',num2str(N)];%波形标题
        text((0.6*N),0.8,string);                 %波形标题
        
        [H,m]=freqz(x,[1],1024,'whole');          %求其频率响应
        mag=abs(H);                               %得到幅值
        db=20*log10((mag+eps)/max(mag));
        subplot(1,2,2); 
        plot(m/pi,db);
        xlabel('w/pi');
        ylabel('dB');
        title('矩形窗的频率特性(db)');
        axis([0,1,-100,0]);
        string=['矩形窗','N=',num2str(N)];
        %==================================================================
    case 2
        x=win(0,N-1,0,N-1);
        x=(0.5-0.5*cos(2*pi*n/(N-1))).*x;
        figure,
        subplot(1,2,1);
        stem(n,x,'.');
        xlabel('n');
        ylabel('x');
        string=['汉宁窗时域图形','N=',num2str(N)];
        text((0.6*N),0.8,string);
        
        [H,m]=freqz(x,[1],1024,'whole'); %求其频率响应
        mag=abs(H); %得到幅值
        db=20*log10((mag+eps)/max(mag));
        subplot(1,2,2); 
        plot(m/pi,db);
        xlabel('w/pi');
        ylabel('dB');
        title('汉宁窗的频率特性(db)');
        axis([0,1,-100,0]);
        string=['汉宁窗','N=',num2str(N)];
        
        figure(3);[B,A]=fir1(N,Wn,'low',hann(N+1));y_Win=filter(B,A,y);plotspec(y_Win,Ts);              
 
    case 3
        x=win(0,N-1,0,N-1);
        x=(0.54-0.46*cos(2*pi*n/(N-1))).*x;
        figure,
        subplot(1,2,1);
        stem(n,x,'.');
        xlabel('n');
        ylabel('x');
        string=['汉明窗时域图形','N=',num2str(N)];
        text((0.6*N),0.8,string);
        
        [H,m]=freqz(x,[1],1024,'whole'); %求其频率响应
        mag=abs(H); %得到幅值
        db=20*log10((mag+eps)/max(mag));
        subplot(1,2,2); 
        plot(m/pi,db);
        xlabel('w/pi');
        ylabel('dB');
        title('汉明窗的频率特性(db)');
        axis([0,1,-100,0]);
        string=['汉明窗','N=',num2str(N)];
        
        figure(3);[B,A]=fir1(N,Wn,'low',hamming(N+1));y_Win=filter(B,A,y);plotspec(y_Win,Ts);              
 
    case 4
        x=win(0,N-1,0,N-1);
        x=(0.42-0.5*cos(2*pi*n/(N-1))+0.08*cos(4*pi*n/(N-1))).*x;
        figure,
        subplot(1,2,1);
        stem(n,x,'.');
        xlabel('n');
        ylabel('x');
        string=['布拉克曼窗时域图形','N=',num2str(N)];
        text((0.6*N),0.8,string);
        
        [H,m]=freqz(x,[1],1024,'whole'); %求其频率响应
        mag=abs(H); %得到幅值
        db=20*log10((mag+eps)/max(mag));
        subplot(1,2,2); 
        plot(m/pi,db);
        xlabel('w/pi');
        ylabel('dB');
        title('布拉克曼窗的频率特性(db)');
        axis([0,1,-100,0]);
        string=['布拉克曼窗','N=',num2str(N)];
        
        figure(3);[B,A]=fir1(N,Wn,'low',blackman(N+1));y_Win=filter(B,A,y);plotspec(y_Win,Ts);              
end
01-018M
相关文章
|
3天前
|
传感器 机器学习/深度学习 算法
【使用 DSP 滤波器加速速度和位移】使用信号处理算法过滤加速度数据并将其转换为速度和位移研究(Matlab代码实现)
【使用 DSP 滤波器加速速度和位移】使用信号处理算法过滤加速度数据并将其转换为速度和位移研究(Matlab代码实现)
|
9天前
|
算法 机器人
基于SOA海鸥优化算法的PID控制器最优控制参数计算matlab仿真
本课题研究基于海鸥优化算法(SOA)优化PID控制器参数的方法,通过MATLAB仿真对比传统PID控制效果。利用SOA算法优化PID的kp、ki、kd参数,以积分绝对误差(IAE)为适应度函数,提升系统响应速度与稳定性。仿真结果表明,SOA优化的PID控制器在阶跃响应和误差控制方面均优于传统方法,具有更快的收敛速度和更强的全局寻优能力,适用于复杂系统的参数整定。
|
4天前
|
传感器 算法 数据挖掘
基于协方差交叉(CI)的多传感器融合算法matlab仿真,对比单传感器和SCC融合
基于协方差交叉(CI)的多传感器融合算法,通过MATLAB仿真对比单传感器、SCC与CI融合在位置/速度估计误差(RMSE)及等概率椭圆上的性能。采用MATLAB2022A实现,结果表明CI融合在未知相关性下仍具鲁棒性,有效降低估计误差。
|
5天前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于WOA鲸鱼优化的XGBoost序列预测算法matlab仿真
基于WOA优化XGBoost的序列预测算法,利用鲸鱼优化算法自动寻优超参数,提升预测精度。结合MATLAB实现,适用于金融、气象等领域,具有较强非线性拟合能力,实验结果表明该方法显著优于传统模型。(238字)
|
9天前
|
机器学习/深度学习 算法 语音技术
【语音分离】通过分析信号的FFT,根据音频使用合适的滤波器进行语音信号分离(Matlab代码实现)
【语音分离】通过分析信号的FFT,根据音频使用合适的滤波器进行语音信号分离(Matlab代码实现)
|
9天前
|
传感器 算法 数据可视化
MATLAB来计算和仿真无人机飞行过程
使用MATLAB来计算和仿真无人机飞行过程中的运动参数是一个极其常见且强大的方法。这通常被称为无人机建模与仿真,是无人机飞控算法开发中不可或缺的一环。
30 1
|
9天前
|
存储 算法 数据可视化
基于禁忌搜索算法的TSP问题最优路径搜索matlab仿真
本程序基于禁忌搜索算法解决旅行商问题(TSP),旨在寻找访问多个城市的最短路径。使用 MATLAB 2022A 编写,包含城市坐标生成、路径优化及结果可视化功能。通过禁忌列表、禁忌长度与藐视准则等机制,提升搜索效率与解的质量,适用于物流配送、路径规划等场景。
|
7天前
|
人工智能 供应链 新能源
电动汽车参与运行备用的能力评估及其仿真分析(Matlab代码实现)
电动汽车参与运行备用的能力评估及其仿真分析(Matlab代码实现)
|
9天前
|
传感器 算法 定位技术
【GPS+INS在MAV导航上融合】基于间接卡尔曼滤波的IMU与GPS融合MATLAB仿真(IMU与GPS数据由仿真生成)
【GPS+INS在MAV导航上融合】基于间接卡尔曼滤波的IMU与GPS融合MATLAB仿真(IMU与GPS数据由仿真生成)
|
4天前
|
传感器 算法 安全
基于分布式模型预测控制DMPC的单向拓扑结构下异构车辆车队研究(Matlab代码实现)
基于分布式模型预测控制DMPC的单向拓扑结构下异构车辆车队研究(Matlab代码实现)

热门文章

最新文章