[发明专利]高阶有限冲击响应数字滤波器设计方法

说明书

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：

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，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＝M_d-H_d，M_d、H_d分别为理想的与待求的滤波器幅频响应，M为离散频率点数，且Ω(m)∈[0，π]，m＝1，2，...，M；

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，

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W_i，隐层第i个神经元的激励函数为f_i＝cos[iΩ(m)]，i＝0，1，...，n。

神经网络能量函数为式中e＝M_d-H_d，M_d、H_d分别为理想的与待求的滤波器幅频响应，

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：