การประมวลผลสัญญาณดิจิทัล

ระบบหลายอัตราที่เคลื่อนย้ายระหว่างอัตรา การประมวลผลสัญญาณ** — หัวข้อสุดท้ายของสาย EE EE06 สร้าง ทฤษฎีเวลาต่อเนื่อง; รายวิชานี้สร้างรากฐานใหม่บนตัวอย่าง: เครื่องจักร การแปลงแบบบิลิเนียร์. อัตราหลายระดับที่แปลงระหว่างอัตราต่างๆ

• หน่วย 12.1–12.3 เป็นพื้นฐาน: ระบบแบบไม่ต่อเนื่อง, DTFT/DFT, FFT
• หน่วย 12.4–12.5 ออกแบบตัวกรอง: FIR โดยใช้หน้าต่าง, IIR โดยใช้การแปลง แบบสองเชิงเส้น
• หน่วย 12.6–12.7 เปลี่ยนอัตราการไหลและสร้างท่อส่งข้อมูลขนาดเล็กที่ผ่านการตรวจสอบแล้ว

นิสัยการตรวจสอบ: การออกแบบตัวกรองทุกแบบต้องได้รับการตรวจสอบเทียบกับ สเปกซิฟิเคชัน (ความผันผวนที่วัดได้, ช่วงเปลี่ยนผ่านที่วัดได้, แถบหยุดที่วัดได้), ทุกการแปลงความถี่มีการปรับเฟสล่วงหน้าอย่างชัดเจน และทุกการเร่งความเร็ว ความเร็วทุกกรณีเป็นจำนวนการดำเนินการ ไม่ใช่ความเชื่อทั่วไป

ทำไมจึงสำคัญ ทุกสิ่งในรายวิชานี้ — ตัวกรองทุกชนิด, สเปกตรัมทุก ประเภท, การเร่งความเร็วทั้งหมด — ในที่สุดแล้วคือโปรแกรมที่ทำงานกับรายการ ตัวเลข พฤติกรรมทั้งหมดของโปรแกรมนั้นถูกกำหนดโดยรายการเดียว: ฟังก์ชัน ตอบสนองต่อสัญญาณกระตุ้น

แนวคิด พร้อมภาพประกอบ ระบบแบบไม่ต่อเนื่องเป็น LTI เมื่อระบบนั้นเป็นไป อธิบายโดย การตอบสนองต่อสัญญาณกระตุก $h[n]$: ค่าผลลัพธ์คือ การ Sending Convolution $y[n] = \sum_{k} h[k]\cdot x[n-k]$ — เลื่อนตัวคูณ (taps) ข้ามผ่านอินพุตและบวกทีละเส้นทแยงมุม

ความเป็นเหตุเป็นผล (Causality) หมายความว่า $h[n] = 0$ สำหรับ $n < 0$ (ไม่มีเอาต์พุตก่อนมี อินพุต); ความเสถียร BIBO BIBO หมายความว่า $\sum |h[n]|$ ลู่เข้าสู่ค่าใดค่าหนึ่ง ทุก ข้ออ้างในรายวิชานี้ลดรูปเหลือเพียงสองประโยคนี้

การพิสูจน์. ป้อนเลขยกกำลังเชิงซ้อน $x[n] = e^{j\omega n}$ เข้าไปในผลรวม Sending Convolution: แต่ละพจน์จะรับค่าปัจจัย $h[k]e^{j\omega(n-k)} = e^{j\omega n}h[k]e^{-j\omega k}$, ดังนั้นผลลัพธ์จึงเป็น $e^{j\omega n}\sum_{k}h[k]e^{-j\omega k}$ — เลขยกกำลังนี้เป็น ฟังก์ชันเฉพาะ (eigenfunction), และค่าเฉพาะ (eigenvalue) $H(e^{j\omega}) = \sum h[n]e^{-j\omega n}$ คือ การตอบสนองความถี่ การตอบสนองความถี่คือ DTFT ของ ตัวคูณ: หน่วย 12.2 สร้างบนพื้นฐานนี้โดยตรง

ตัวอย่างคำนวณ 1 — ตารางเลื่อน. $h = [1, 2, 1]$ (a 3-tap สามจุด) บนสัญญาณขั้นบันได $x = [1, 1, 1, 1, \ldots]$: เลื่อนและบวก — $y = 1, 3, 4, 4, \ldots$ ค่าคงตัวคือ $\sum h = 4$ ✓ (ขั้นบันได ผ่านFIR ใดๆ จะนิ่งอยู่ที่ผลรวมtaps — นั่นคือDC gain $H(1)$). A pulse有限$[1,1,1]$ ให้$1, 3, 4, 3, 1$, สะท้อนtaps: ของ output อ่านค่าเทปไปข้างหน้าแล้วถอยหลัง

Worked example 2 — the recursive cousin. The running average $y[n] = (y[n-1] + x[n])/2$ มี impulse response แบบไม่จำกัด $h[n] = 0.5^{n+1}$: step response ของมันคำนวณได้ $0.5, 0.75, 0.875, 0.9375$ — ลดระยะห่างจาก 1 ลงครึ่งหนึ่งในแต่ละขั้นตอน, การลดทอนแบบเอ็กซ์โพเนนเชียล $1 - 2^{-(n+1)}$ ✓, เพราะโพลเดียวของมันอยู่ที่ $z = 0.5$ เปรียบเทียบกับ two smoothers: the FIR's memory is exactly 3 samples; the recursive one ไม่เคยลืมสนิทเลย. $|pole| < 1$ คือเสถียรภาพ — ยูนิต 12.5 ทำให้เป็นอาชีพไปเลย

ข้อผิดพลาดทั่วไป. สลับสัญญาณผิดในตาราง (convolution เป็น commutative แต่ตารางมือต้องคงความสม่ำเสมอหรือเส้นทแยงมุมจะ ผิด) อ้างถึง $\sum h$ ว่า "ผลคูณ" โดยไม่ระบุว่าคือผลคูณที่ความถี่ศูนย์ only. And expecting a recursive smoother to settle — it approaches, never มาถึงสูงเกินพื้นนี้แค่ไหน

สรุป. LTI หมายถึงการ convolve ด้วย $h[n]$; ความเป็นเหตุเป็นผลคือ $h[n]=0$ สำหรับ $n<0$; stability คือ $\sum|h| < \infty$ (โพลอยู่ภายใน unit circle); exponentials เป็น eigenfunctions ที่มี eigenvalue $H(e^{j\omega})$.

เหตุผลที่สำคัญ. คอมพิวเตอร์จัดเก็บ $N$ ตัวอย่าง ไม่ใช่อินทิกรัล — spectral ต้องกลายเป็นรายการตัวเลขที่มีจำนวนจำกัด. รายการนี้ถูกนำเสนอต่อคุณอย่างไร คือหัวข้อที่มีประโยชน์ทางปฏิบัติมากที่สุดเรื่องหนึ่งในหลักสูตร. เป็นเรื่องปฏิบัติที่สำคัญที่สุดในรายวิชา

แนวคิด พร้อมภาพประกอบ DTFT $X(e^{j\omega}) = \sum_{n} x[n]e^{-j\omega n}$ เป็นฟังก์ชันซ้ำใน $\omega$ โดยมีรอบ $2\pi$ การสุ่มตัวอย่างที่ $N$ จุดจะให้ได้ DFT — และการสุ่มตัวอย่างในความถี่หมายความว่าสัญญาณเวลา ถูกมองว่าเป็นฟังก์ชันซ้ำซ้อน: ข้อเท็จจริงเพียงข้อเดียวนี้อธิบาย การรั่วไหล

ความละเอียด คือการตัดสินใจด้านเวลา: bins คือ $\Delta f = f_{s}/N$ wide, so 1 Hz resolution at $f_{s} = 1$ kHz means $N = 1000$ — one second ของข้อมูล ไม่มีข้อยกเว้น

การพิสูจน์ การสุ่มตัวอย่าง DTFT ที่ $\omega_{k} = 2\pi k/N$ คือ การคูณด้วยหวีความถี่; ตามหลักการคู่กัน สัญญาณเวลาจึงกลายเป็น ซ้ำด้วยช่วง $N$. หากโทนเสียงของคุณอยู่ที่ตรงกับ bin พอดี, การ สำเนาซ้ำจะเชื่อมต่อกันอย่างสมบูรณ์ — เกิดยอดสองยอดที่ชัดเจน. หากมันตกอยู่ระหว่าง bins, สำเนาเหล่านั้นไม่ตรงกัน และความไม่ตรงนั้นกระจายพลังงานไปยังทุก $w[n]$ dB, ได้สเปกตรัมที่สะอาดขึ้นแต่แลกมาด้วย main lobe ที่กว้างขึ้น. ตัวอย่างวิธีทำ $W(e^{j\omega})$ — การกระจาย, คำนวณเป็นตัวเลข. DFT ขนาด $-13$ จุดของคลื่นไซน์ การกระจายนี้ดังขึ้น; Hamming window ลด sidelobes ลงเหลือ $-43$ dB, ได้สเปกตรัมที่สะอาดในราคาของ main lobe ที่กว้างขึ้น.

ตัวอย่างวิธีทำ 1 — การกระจาย, คำนวณเป็นตัวเลข. DFT ขนาด 8 ของโคไซน์ ที่ bin 1 พอดี ($f = f_{s}/8$): มีค่า $|X| = 4$ ที่ bins 1 และ 7, ค่าศูนย์ อื่น ๆ ✓ (sample ทั้งหมด 8 อธิบายรอบเต็ม) เลื่อนโทนเสียงไปครึ่ง bin ($f = 1.5\cdot f_{s}/8$): ค่า magnitude คำนวณได้ $2.40, 2.80, 1.19, 1.0, \ldots$ across every bin ✓ — a tone between bins is visible ในทุกที่ และสัญญาณเล็กข้างเคียงสัญญาณใหญ่จะหายไป ใน sidelobes ของมัน นั่นคือต้นทุนที่แท้จริงของการรั่วไหล

ตัวอย่างวิธีทำ 2 — งบประมาณความละเอียด ที่ $f_{s} = 1$ kHz: $N = 100$ gives 10 Hz bins — two tones 6 Hz apart are ONE bump, however clean the plot looks. $N = 1000$ gives 1 Hz bins for one second of data. Zero-padding ไปยัง 4000 จุด วาดยอดคลื่นเดียวกันด้วยหมึกมากขึ้น 40 เท่า: zero-padding เปรียบเทียบสเปกตรัมเดียวกัน มันไม่ได้ความละเอียดเพิ่ม ความละเอียดถูกกำหนดแล้วเมื่อคุณเลือกระยะเวลาการวัด

Common mistakes. การอ่านเลข bin เป็น hertz — map นี้ $f = k\cdot f_{s}/N$. การเชื่อว่า zero-padding ซื้อความละเอียด And ลืมว่า DFT สมมติว่าตัวอย่าง $N$ ของคุณซ้ำไปเรื่อยๆ: ขอบ ความไม่ต่อเนื่องระหว่างสำเนาแต่ละอันเองก็เป็นสัญญาณ broadband.

Summary. $X[k]$ = DTFT sampled at $2\pi k/N$ ⇔ time periodic with period $N$; off-bin tones leak through the window's sidelobes (rectangle $-13$ dB, Hamming $-43$ dB); $\Delta f = f_{s}/N$ ถูกซื้อด้วย เวลาการวัด ไม่ใช่ด้วยการเติม

Why it matters. The DFT costs $N^{2}$ complex operations — a การแปลงขนาด 1024 คือการคูณล้านครั้ง. FFT คืออัลกอริทึมที่ทำให้การประมวลผลสัญญาณดิจิทัลกลายเป็นสาขาวิชา

แนวคิด พร้อมภาพประกอบ แยก DFT ขนาด $N$ ออกเป็นสอง $N/2$-point DFTs plus $N/2$ combining multiplies — and recurse. The บัตเตอร์ฟลาย คือหน่วยรวม: $\log_{2}N$ ระยะของ $N/2$ บัตเตอร์ฟลาย, แต่ละหนึ่งเป็นการคูณและบวก

การพิสูจน์ แยก $x[n]$ เป็นตัวอย่างคู่และคี่: $X[k] = \sum_{even} x[n]W_{N}^{kn} + W_{N}^{k}\sum_{odd}x[n]W_{N}^{kn}$ ด้วย ตัวคูณเฟส $W_{N} = e^{-j2\pi/N}$. ผลรวมแต่ละตัวคือ DFT ขนาด $N/2$ (Danielson–Lanczos); แขนคี่ต้องการเพียง factor $W_{N}^{k}$ to recombine. Recurse $\log_{2}N$ deep. The การแยกคู่/คี่ทำงานย้อนกลับผ่านบิตที่อยู่ — ดังนั้น ลำดับอินพุตกลับด้านบิต สำหรับแบบ decimation-in-time

ตัวอย่างคำนวณ 1 — การนับ นับการดำเนินการคูณ-บวกเชิงซ้อน การดำเนินการ: แบบตรง $N^{2} = 1024^{2} = 1\,048\,576$; FFT $N\log_{2}N = 1024\times 10 = 10\,240$ — 102× fewer ✓. At $N = 4096$: $4096^{2}$ against $4096\times 12$ = 341× ✓. The gap กว้างขึ้นตาม $N$: FFT มี $O(N\log N)$, และลำดับทั้งหมดของการ คำนวณเปลี่ยนไป

ตัวอย่างคำนวณ 2 — เครื่องวิเคราะห์สเปกตรัม 1 HzBins ที่ $f_{s} = 1$ kHz ต้องใช้ $N \ge 1000$: เลือก $N = 1024$ (กำลังสอง), ให้ $\Delta f = 1000/1024 = 0.977$ Hz ✓ พอดีพอดี ในเวลา 10 นาโนวินาทีต่อ operation transform เสร็จสิ้นในประมาณ $100\ \mu s$ — real time against a 1.024 s record. Bin 100 of that DFT is frequency $100\times 0.977 = 97.66$ Hz ✓ — การจับคู่ bin เป็นเฮิรตซ์คือ $k\cdot f_{s}/N$, และการลืมมันคือข้อผิดพลาดในห้องปฏิบัติการที่พบบ่อยที่สุด

ข้อผิดพลาดทั่วไป. การสันนิษฐานว่า $N$ ต้องเป็นกำลังสอง (mixed-radix และ Bluestein สามารถจัดการกับ $N$ ใดก็ได้ แต่กรณีกำลังสองนั้นเป็นเพียง วิธีที่เร็วที่สุด) การคาดหวังว่า FFT จะเปลี่ยนคำตอบ — มันคำนวณ DFT เดียวกัน DFT, เพียงแต่เร็วขึ้น และอ่านค่าเป็นเฮิรตซ์อีกครั้ง

สรุป. การแยกคู่/คี่ + ตัวคูณปรับเฟส, $\log_{2}N$ ระยะ, $N\log_{2}N$ การดำเนินการ: การเร่งความเร็ว 102× ที่ $N=1024$ ซึ่งเพิ่มขึ้นตาม $N$; คณิตศาสตร์คือ DFT วิศวกรรมคือ butterfly

ทำไมถึงสำคัญ. ตัวกรอง FIR คือเครื่องมือหลักที่คุณ สามารถพิสูจน์เรื่องต่างๆ ได้: ไม่เสถียรโดยสมบูรณ์, และ — ด้วย symmetric taps — exactly linear phase. Frequencies ใน passband ที่ราบเรียบคงรักษา relative phases ของมันไว้; amplitude filtering ยังสามารถเปลี่ยน waveform ได้.

แนวคิด พร้อมภาพประกอบ. เริ่มต้นจาก impulse response ของ low-pass แบบอุดมคติ (sinc) response (a sinc), ตัดทอนให้เป็น $N$ taps ด้วย window $w[n]$, และรูปทรงทางสเปกตรัมของ spectral shape ของ window ISชะตากรรมของ filter: main-lobe width ของมัน จะกลายเป็นแถบผ่านของคุณ แขนข้างจะกลายเป็นแถบตัดของคุณ

นิยามด้วยตัวเลข. แพล็กไซด์โลบของตัวปรับแต่งเอง: สี่เหลี่ยม $-13$ dB, Hann $-31$ dB, Hamming $-43$ dB, Blackman $-58$ dB. ความกว้างของการเปลี่ยนผ่าน $\approx 3.3\cdot f_{s}/N$ สำหรับฮามมิ่ง. คอยที่สมมาตรจริง $h[n] = h[N-1-n]$ ให้ เฟสเชิงเส้น พร้อมดีเลย์กลุ่ม $(N-1)/2$ ตัวอย่างทุกครั้งที่การตอบสนองไม่เป็นศูนย์. เฟสอาจกระโดดไป $\pi$ เมื่อปัจจัยแอมพลิจูดจริงเปลี่ยนเครื่องหมาย; เฟสและกลุ่ม ดีเลย์จะไม่มีค่าที่จุดศูนย์ของการตอบสนอง.

กระบวนการหาผลลัพธ์. การตัดทอน $h[n]$ คือการคูณด้วย $w[n]$; ใน โดเมนความถี่ ค่าตอบสนองจริงจะคอนโวลูตกับ $W(e^{j\omega})$ ดังนั้นค่า ตอบสนองที่นำไปใช้จึงเป็น VALUESbrick wall แบบอุดมคติที่ถูกกระจายโดยฟังก์ชัน: ความแปรปรวนของแถบผ่าน, การเปลี่ยนผ่านด้วยความกว้างของแขนหลักหนึ่งอัน, และแถบตัด ซึ่งการลดทอนขึ้นอยู่กับผลคูณ Sending, จุดตัด และจำนวนคอยต์. A ค่าพลักไซด์โลบของตัวปรับแต่งไม่ใช่การรับประกันย่านหยุดของฟิลเตอร์ที่ได้มา. ใช้ตารางตัวปรับแต่งและการประมาณการการเปลี่ยนผ่านเพื่อเลือกการออกแบบเริ่มต้น, จากนั้นคำนวณการตอบสนอง. (ทฤษฎีบทสลับ เบื้องหลังพาร์กส์–แมคเคลลันทำให้การออกแบบเอควิริปเปิลเหมาะสมที่สุดเมื่อตัวปรับแต่ง เป็นเพียงทางเลือกที่สะดวก)

ตัวอย่างที่แสดงวิธีทำ 1 — การกำหนดขนาดฟิลเตอร์ ไฟเตอร์ FIR ของฮามมิ่งที่ $f_{s} = 1$ กิโลเฮิรตซ์ ต้องส่งผ่านถึง 200 Hz และลดทอนตั้งแต่ 250 Hz. เลือก 225 Hz ideal cutoff in the 50 Hz transition: $N = 3.3\cdot 1000/50 = 66$ ✓ — take 67, odd, สำหรับ Type-I ฟิลเตอร์สมมาตรพร้อมดีเลย์ $(67-1)/2 = 33$ ตัวอย่าง (33 มิลลิวินาที). ที่ $N = 31$ หน้าต่างเดียวกันให้ $3.3\cdot 1000/31 = 106$ เฮิรตซ์ การเปลี่ยนผ่าน: การออกแบบทั้งสองข้างกั้นสเปคไว้; ความหน่วงคือ ค่าใช้จ่ายในการบันทึก ไม่ใช่หมายเหตุท้ายหน้า.

ตัวอย่างแบบฝึกหัด 2 — ตรวจสอบการออกแบบ. สร้าง 67 คอยต์จาก $h[n] = 0.45\operatorname{sinc}(0.45(n-33))w[n]$, ที่ $\operatorname{sinc}(x)=\sin(\pi x)/(\pi x)$ และค่าที่จุดศูนย์คือ 1. ทำให้ผลรวมคอยต์เป็น 1. ประเมิน $H(f)=\sum_{n=0}^{66}h[n]e^{-j2\pi fn/1000}$. On a 0.025 Hz grid, the computed passband (0–200 Hz) ranges from $-0.034$ ถึง $+0.0045$ dB, และระดับย่านหยุดสูงสุด (250–500 Hz) มีค่าประมาณ $-52.3$ dB การตรวจสอบด้วยตัวอย่างเหล่านี้เป็นไปตามเป้าหมาย ของripple ±0.05 dB และระดับ_stopband สูงสุดที่ $-43$ dB; หรือใช้ตารางละเอียดกว่าหรือ การตรวจสอบแบบ extremum search ระหว่างจุดตัวอย่าง หากการออกแบบให้ผลลัพธ์เป็น $-37$ dB แทน จะไม่ผ่านเป้าหมายนั้น: ให้ตรวจสอบ taps, cutoff, window, tap จำนวนและย่านวัดผลแทนการเดาสาเหตุที่เป็นเพียงหนึ่งเดียว

ข้อผิดพลาดทั่วไป. ออกแบบ $N$ จากค่าตัดขาดและไม่เคยวัด. เลือก $N$ คู่เมื่อต้องการการออกแบบ Type-I (คี่, สมมาตร) ลืมความหน่วง $(N-1)/2$ ในวงควบคุม และขอหน้าต่างเพื่อ ประสิทธิภาพสูงสุด — พวกมันสะดวก ไม่ใช่ดีที่สุด

สรุป. ใช้ window กับ ideal sinc: ตาราง sidelobe ช่วยในการเลือก window, $3.3f_{s}/N$ กำหนดการเปลี่ยนผ่าน, สมมาตรกำหนดเฟสเชิงเส้นที่ความหน่วง $(N-1)/2$; แล้ววัดการตอบสนองเทียบกับทุกตัวเลขที่สัญญาไว้

ทำไมถึงสำคัญ. ค่าตัด 100 เฮิรตซ์เดียวกันที่ costing FIR 67 ทาป cost IIR biquad 5 สัมประสิทธิ์ — เพราะมันสืบทอด ความรู้เรื่องฟิลเตอร์อนาล็อกสี่สิบปีผ่านการแทนที่เดียว

แนวคิดพร้อมภาพประกอบ การแปลงแบบบิลิเนียร์ $s = \frac{2}{T}\cdot\frac{1-z^{-1}}{1+z^{-1}}$ maps the whole analog left half-plane inside the unit circle: every stable analog filter becomes a stable digital one, automatically.

The price is frequency warp: the analog axis $-\infty \ldots \infty$ wraps once around the unit circle, compressively, so every critical frequency must be prewarped $\omega_{a} = \frac{2}{T}\tan(\omega_{d}T/2)$ before use.

The derivation. Set $s = j\omega_{a}$ in the transform: it solves to $z = \frac{1+sT/2}{1-sT/2}$, whose magnitude is 1 exactly when $\mathrm{Re}\,s = 0$ — the analog imaginary axis maps onto the unit circle, left half-plane strictly inside. The tangent relation is the warp: near dc $\tan\theta \approx \theta$ (negligible distortion), but a ความถี่ดิจิทัลที่เข้าใกล้ Nyquist จะบีบอัดเข้าสู่สัญญาณอะนาล็อก อนันต์ ตาราง Butterworth, Chebyshev และ elliptic ถูกถ่ายโอนมาอย่างสมบูรณ์ เนื่องจากแกนความถี่เพียงอย่างเดียวที่โค้ง — เรขาคณิตของพหุนามยังคงอยู่

ตัวอย่างวิธีทำ 1 — บิกิวาด (Biquad) ตัวกรองต่ำผ่าน Butterworth order 2 ที่ 100 Hz, $f_{s} = 1$ kHz: การปรับความถี่ล่วงหน้า (prewarp) $\omega_{a} = 2000\tan(\pi\cdot 100/1000) = 649.8$ rad/s ✓. ด้วย เมื่อ $s$ มาตรฐานด้วย $\omega_{a}$ ค่าคงที่การแทนที่คือ $K = 1/\tan(0.1\pi) = 3.078$ และต้นแบบ $H(s) = 1/(s^{2}+1.4142s+1)$ เปลี่ยนเป็น

ตัวอย่างวิธีทำ 2 — ตรวจสอบ แล้วจ่าย._gain DC: ส่วนประกอบของตัวส่วนรวมกัน เป็น $14.82 - 16.94 + 6.12 = 4.00$ ดังนั้น $H(1) = 4/4 = 1.000$ ✓ (Butterworth มีค่าคงที่ที่ dc) การตอบสนองที่ความถี่ 100 Hz พอดีคำนวณได้ $-3.0$ dB ✓ — การปรับก่อนทำให้จุด $-3$ dB อยู่ตรงบนความถี่ ที่กำหนดไว้ ซึ่งเป็นเหตุผลหลักของการปรับก่อน จุดขั้ว ตั้งอยู่ที่ $|z| = 0.643$, ภายในวงกลมหน่วย เพราะการแปลงค่า รับประกันสิ่งนั้น ✓. ทิ้งการปรับความถี่ล่วงหน้า — ออกแบบตัวกรองอะนาล็อกที่ $2\pi \times 100 = 628.3$ rad/s — และจุด $-3$ dB ลงที่ 96.9 Hz; ตั้งค่า $T = 1$ ด้วย ($K = 1$) และจะตัดที่ 250 Hz, อ่านค่าได้สบายใจว่า $-0.05$ dB ที่ 100 Hz แต่พลาดข้อกำหนดไปทั้งหมด — ค่า แสดงถึงความแตกต่างเสมอ ตัวอย่างเช่น บิล: 5 สัมประสิทธิ์ เทียบกับ FIR's 67 taps, แต่เฟสเป็น ไม่เชิงเส้นใกล้จุดตัด และใน fixed point, ตัวส่วน สัมประสิทธิ์คือสิ่งที่เปราะบาง — การปัดเศษของ $6.12$ เคลื่อนย้าย จุดตัดอย่างมีนัยสำคัญ ประสิทธิภาพ เฟส และความไวแลกเปลี่ยนกันในบรรทัดเดียว

ข้อผิดพลาดทั่วไป การข้ามขั้นตอนการปรับความถี่ล่วงหน้า (จุดตัดจะต่ำกว่า — 96.9 Hz สำหรับ 100 Hz ที่ 1 kHz ค่อนข้างน้อย, 2.86 kHz สำหรับ 4 kHz ที่ 10 kHz เป็นเรื่องร้ายแรง). การตั้งค่า $T = 1$ ขณะที่ยังอ้างอิง hertz แบบอนาล็อก การทดสอบเสถียรภาพโดย ใช้โชคแทนที่จะไว้วางใจการแปลงค่า และคาดหวังRegardingเฟสเชิงเส้น — IIR เฟสใกล้กับขั้วของระบบจะตรงข้ามกับความแบนราบ

สรุป. การแปลง Bilinear: LHP → วงกลมหน่วย (เสถียรภาพอัตโนมัติ), ความถี่ ถูกบิดเบือนโดย $\frac{2}{T}\tan(\cdot)$ (ปรับความถี่วิกฤตทุกจุดก่อนใช้); บิควอดด์ Butterworth จะจัดวางได้เป็น $H(z) = \frac{1+2z^{-1}+z^{-2}}{14.82 - 16.94z^{-1} + 6.12z^{-2}}$ (DC 1.000, $-3.0$ dB ที่ 100 Hz, ขั้วอยู่ที่ 0.643).

เหตุผลที่สำคัญ. อัตราการสุ่มตัวอย่างคืองบประมาณการคำนวณ: ตัวกรองที่ทำงานที่ 48 kHz มีค่าใช้จ่ายมากกว่าตัวกรองเดียวกันที่ 8 kHz ถึงหกเท่า การประมวลผลหลายอัตราส่วนคือศิลปะของการ ทำงานในพื้นที่ที่มีต้นทุนต่ำที่สุด

แนวคิด พร้อมภาพประกอบ การลดอัตราส่วน โดย $M$ (เก็บทุก $M$ ตัวอย่าง) ต้องตัวกรองต่ำผ่านก่อนที่ $f_{s}/(2M)$ — หรือคลื่นที่ folded $L$ ศูนย์ระหว่างตัวอย่าง) ต้องผ่านตัวกรองต่ำต่อจากนั้นที่ต่ำกว่า Nyquist เดิมเพื่อ $L-1$ ศูนย์ระหว่างตัวอย่าง) ต้องจากนั้นตัวกรองต่ำผ่านต่ำกว่า Nyquist เดิมเพื่อ กำจัดภาพสะท้อน (images).

$L$ — สเปกตรัมเดิมซ้ำ $X_{up}(e^{j\omega}) = X(e^{j\omega L})$ รอบวงกลม: นั่นคือภาพสะท้อน และพวกมันถูกต้องตาม $L$ ครั้งรอบวงกลม: นั่นคือภาพสะท้อน, และพวกมันตรงกับ เหมือนสัญญาณจริง การเก็บ 1 ตัวอย่างใน $M$ จะทำให้ $M$ สเปกตรัมซ้ำซ้อนทับกัน เข้าด้วยกัน: สิ่งใดที่มีค่าสูงกว่า Nyquist ใหม่จะพับกลับเข้าไปใน ย่านความถี่นั้น ฟิลเตอร์ต่ำผ่านทั้งสองไม่ใช่เรื่องยุ่งยาก; แต่ละตัวลบสิ่ง ทางคณิตศาสตร์ที่แน่นอนออก Polyphase จึงเป็นพีชคณิตบริสุทธิ์: การ ฟิลเตอร์การแทรกสอดมี $L$ ชุดเฟส แต่ละชุดมองเห็นเพียงทุก $L$อินพุต, ดังนั้นฟิลเตอร์เดียวที่ $f_{s}L$ จึงกลายเป็น $L$ ฟิลเตอร์ย่อยที่ $f_{s}$ — ทำการคำนวณ เหมือนกัน $1/L$ การคูณเท่านั้น

ตัวอย่างฝึกหัด 1 — เสียงพูด 8 kHz เป็น 48 kHz. การแทรกโดย 6 แล้วใช้ ฟิลเตอร์ต่ำผ่านที่ 4 kHz (Nyquist เดิม) เพื่อลบภาพที่ 8k, 16k, 40k… หากดำเนินการแบบธรรมดา ฟิลเตอร์นี้จะทำงานที่ 48 kHz — ทำงานหนักขึ้น หกเท่า Polyphase จัดรูปแบบใหม่ให้เป็น 6 ฟิลเตอร์ย่อยที่ทำงานที่ 8 kHz: ทำการคำนวณ เหมือนกัน $1/6$ การคูณ ✓ — และนี่ไม่ใช่การประมาณ แต่เป็นการคำนวณเดียวกันที่ถูกจัดตารางเวลาต่างออกไป การประมาณค่า, มันคือการคำนวณเดียวกันที่วางแผนไว้ต่างกัน

ตัวอย่างวิธีทำ 2 — ตัวแปลงหนึ่ง ไม่ใช่สอง การเปลี่ยนอัตราตัวอย่างเสียง 48 kHz ขึ้นเป็น 72 kHz ต้องใช้ $L = 3$, $M = 2$ ($48\times 3/2 = 72$ ✓). การทำสองรอบจะ ต้องใช้ตัว interpolator, ตัวกรอง, ตัว decimator และตัวกรองอีกชุด หนึ่ง rational converter does it: upsample by 3 to 144 kHz, apply a single low-pass at 24 kHz (the input's own Nyquist — it stops the $\uparrow 3$ ภาพและ aliase ที่ $\downarrow 2$ พร้อมกัน), เก็บทุกตัวอย่างที่สอง ใช้ฟิลเตอร์เดียว ผ่านเดียว ได้ผลลัพธ์เดียวกัน

ข้อผิดพลาดที่พบบ่อย. การลดอัตราตัวอย่างก่อนการกรอง (ซึ่งจะทำให้เกิดสัญญาณหลอกที่ไม่ได้ เป็นเสียงรบกวน แต่เป็นสัญญาณถาวร) การลืม $1/L$ การสูญเสียแอมพลิจูดของ การเติมศูนย์ (ชดเชยด้วยการเพิ่มกำลัง $L$ ในตัวกรอง) และ การมองว่าโพลีเฟสเป็นการประมาณค่า — มันคือระบบบันทึกข้อมูลที่แม่นยำ

สรุป. $\downarrow M$ ต้องมีตัวกรองต่ำผ่านที่ $f_{s}/2M$ ก่อน; $\uparrow L$ ต้องมีตัวกรองต่ำผ่านที่ Nyquist เดิมหลังจาก; โพลีเฟส ให้ผลลัพธ์ทางคณิตศาสตร์เท่ากันสำหรับ $1/L$ ที่คูณด้วย; ตัวแปลง $L/M$ แบบเศษส่วน รวมเข้ากับตัวกรองเดียวที่อัตราการส่งผ่านกลาง

ทำไมถึงสำคัญ. หลักสูตรนี้ปิดช่องว่างที่การปฏิบัติเปิดไว้: ด้วย ข้อกำหนด, การนำไปใช้จริง และการวัดผล — รวมถึงช่องว่างที่แท้จริง ระหว่างทั้งสามอย่างนี้

แนวคิด พร้อมภาพประกอบ. สร้างเครื่องตรวจจับโทนเสียงเป็นกระบวนการต่อเนื่อง, แต่ละขั้นตอนได้รับการตรวจสอบแยกต่างหากก่อนขั้นตอนถัดไป: ฟิลเตอร์ป้องกัน aliasing → หากพบข้อบกพร่องในขั้นตอนใดขั้นตอนหนึ่ง จะใช้เวลาแก้ไขหนึ่งชั่วโมง; แต่หากพบในระบบที่บูรณาการแล้ว จะต้องใช้เวลาหาจุดผิดปกติเป็นหนึ่งสัปดาห์ในการแบ่งครึ่งพื้นที่

วิธีการ. เขียนข้อกำหนดก่อน — เครื่องตรวจจับโทนเสียง: 1 ช่องความถี่ ภายใต้เวลาหน่วง 1 วินาที, การตรวจจับที่ SNR $-10$ dB — นำไปใช้จริงใน ขั้นตอนที่ยืนยันแล้ว และรายงาน ประสิทธิภาพที่วัดได้ ต่อทุก บรรทัด รวมถึงความล้มเหลว

ตัวอย่างคำนวณ 1 — ข้อกำหนดกลับมารังเกียจ. 1 Hz bins ที่ $f_{s} = 1$ kHz ต้องใช้ $N \ge 1000$ ตัวอย่าง — นั่นคือข้อมูลระยะเวลา $1.0$ วินาทีแล้ว และ spec says under 1 s latency. The conflict surfaces at design time, which is when you want it: $N = 1024$ gives 0.977 Hz ✓ but a 1.024 s record ✗; $N = 1000$ gives 1.000 Hz — exactly on the line. The margin table records the trade; nothing is silent.

Worked example 2 — can $-10$ dB even be detected? A sinusoid's แบนหนึ่งเดียว ในขณะที่สัญญาณรบกวนสีขาวกระจายทั่วทั้ง $N/2$: การเพิ่มกำลังประมวลผล ของแบนคือ $10\log_{10}(N/2)$ — ที่ $N = 1024$ นั้นเท่ากับ $27$ dB ✓ อัตราส่วนสัญญาณต่อสัญญาณรบกวนเข้าอยู่ที่ $-10$ dB จะกลายเป็นประมาณ $+17$ dB ในแบนการตัดสินใจ: ตรวจจับได้ด้วยระยะเผื่อ — ฟังก์ชัน มีค่าใช้จ่ายหลาย dB จากกำลังนี้ แต่มันยังคงผ่านเกณฑ์ — และตัวเลขนั้นมาจาก การแปลง ไม่ใช่จากความหวัง

ข้อผิดพลาดที่พบบ่อย วัดเฉพาะเส้นทางที่ประสบความสำเร็จ เป้าหมายที่เงียบงัน — บรรทัด ข้อกำหนดที่มีอยู่ในโค้ดแต่ไม่มีในรายงาน ปรับตัวตรวจจับให้เข้ากับเสียงทดสอบ (การ overfitting คือการหลอกด้วยขั้นตอนเพิ่มเติม) และข้าม การตรวจสอบแต่ละขั้นตอน: การอินทิเกรตซ่อนสิ่งที่การตรวจสอบจะแสดงออก — กลไกของวัตถุในสภาวะสมดุล ทุกสิ่งที่เครื่องจักร สะพานหรือ

สรุป กำหนดก่อน ตรวจสอบขั้นตอนแยกกัน เชื่อถือการวัด ขอบเขต; ผลกำไรจากการประมวลผล $10\log_{10}(N/2)$ กำหนดความเป็นไปได้