Xử lý tín hiệu kỹ thuật số

Đây là khóa học thứ mười hai trong Kỹ thuật Điện Đại học: xử lý tín hiệu số — khóa cuối cùng trong chuỗi EE. EE06 xây dựng lý thuyết thời gian liên tục; khóa học này tái nền tảng nó dựa trên các mẫu: các biến đổi tồn tại trên máy tính, các bộ lọc có thể thực tế triển khai, và cơ chế đa tốc độ di chuyển giữa các mức tốc độ. cơ chế đa tốc độ chuyển đổi giữa các mức tỷ lệ.

• Các đơn vị 12.1–12.3 thiết kế bộ lọc: FIR bằng cửa sổ, IIR bằng biến đổi bilinear
• Các đơn vị 12.4–12.5 thiết kế bộ lọc: FIR bằng phương pháp cửa sổ, IIR bằng biến đổi bilinear biến đổi.
• Các đơn vị 12.6–12.7 thay đổi tỷ lệ và xây dựng một đường ống đã được xác minh nhỏ.

mỗi tuyên bố ánh tần số đều được tiền biến dạng rõ ràng, và mỗi tuyên bố tăng tốc đều là phép đếm toán tử, không phải lời đồn đoán. đặc tả (gợn sóng đo lường, dải chuyển tiếp đo lường, dải chặn đo lường), Một hệ thống rời rạc là LTI khi nó được mô tả đầy đủ bởi đáp ứng xung tuyên bố là một phép đếm thao tác, không phải kiến thức dân gian.

Tầm quan trọng. Tất cả những gì trong khóa học này — mỗi bộ lọc, mỗi phổ, mỗi sự tăng tốc — đều cuối cùng là một chương trình hoạt động trên danh sách các số. Toàn bộ hành vi của chương trình đó được quyết định bởi một danh sách: đáp ứng xung.

Ý tưởng, kèm hình ảnh. Một hệ thống rời rạc là LTI khi nó hoàn toàn được mô tả bởi đáp ứng xung $h[n]$: đầu ra là tích chập $y[n] = \sum_{k} h[k]\cdot x[n-k]$ — trượt các điểm lấy mẫu trên đầu vào và cộng từng đường chéo một.

Tính nhân quả nghĩa là $h[n] = 0$ cho $n < 0$ (không có đầu ra trước khi có đầu vào); Độ ổn định BIBO BIBO nghĩa là $\sum |h[n]|$ hội tụ. Mọi Giả định trong bài học này rút gọn về một trong hai câu sau.

Phép suy diễn. Đưa hàm mũ phức $x[n] = e^{j\omega n}$ vào tổng tích chập: mỗi số hạng nhận được thừa số $h[k]e^{j\omega(n-k)} = e^{j\omega n}h[k]e^{-j\omega k}$, nên đầu ra là $e^{j\omega n}\sum_{k}h[k]e^{-j\omega k}$ — hàm mũ là một eigenfunction (hàm riêng), và eigenvalue (giá trị riêng) $H(e^{j\omega}) = \sum h[n]e^{-j\omega n}$ là phản ứng tần số. Phản ứng tần số chính là DTFT của các hệ số lọc: bộ tạo đơn vị 12.2 dựa đúng vào điều này.

Ví dụ tính toán 1 — bàn trượt. $h = [1, 2, 1]$ (một bộ làm mịn 3-taps) trên tín hiệu bước $x = [1, 1, 1, 1, \ldots]$: trượt và cộng — $y = 1, 3, 4, 4, \ldots$ Giá trị ổn định là $\sum h = 4$ ✓ (bất kỳ FIR nào thông qua bất kỳ FIR nào sẽ hội tụ về tổng các hệ số lọc — đó là độ lợi DC $H(1)$). Một xung hữu hạn $[1,1,1]$ tạo ra $1, 3, 4, 3, 1$, phản chiếu các hệ số lọc: đó là đầu ra đọc các hệ số lọc theo chiều trước rồi đến chiều ngược.

2 có đáp ứng xung vô hạn $y[n] = (y[n-1] + x[n])/2$ có đáp ứng xung vô hạn $h[n] = 0.5^{n+1}$: đáp ứng bước tính toán được $0.5, 0.75, 0.875, 0.9375$ — giảm một nửa khoảng cách đến 1 ở mỗi bước, hàm mũ $1 - 2^{-(n+1)}$ là chu kỳ theo $z = 0.5$ hai bộ lọc trơn: bộ nhớ của FIR đúng bằng 3 mẫu; loại đệ quy một không bao giờ quên hoàn toàn. $|pole| < 1$ là độ ổn định — đơn vị 12.5 xây dựng sự nghiệp dựa trên điều đó.

Lỗi thường gặp. Lật ngược tín hiệu sai trong bảng (tích chập, có tính giao hoán, nhưng bảng tay phải luôn nhất quán hoặc các đường chéo sẽ nằm lệch). Trích dẫn $\sum h$ là "độ khuếch đại" mà không nêu rõ đó là độ khuếch đại tại DC thôi. Và kỳ vọng một bộ lọc làm mịn đệ quy sẽ hội tụ — nó tiến gần, nhưng không xuất hiện.

Tóm tắt. LTI nghĩa là tích chập với $h[n]$; tính nhân quả là $h[n]=0$ đối với $n<0$; độ ổn định là $\sum|h| < \infty$ (cực nằm trong vòng tròn đơn vị); hàm mũ là hàm riêng với giá trị riêng $H(e^{j\omega})$.

Tại sao nó quan trọng. Máy tính lưu trữ $N$ mẫu, chứ không phải tích phân — do đó, phổ phải trở thành một danh sách hữu hạn các số. Cách danh sách này biểu diễn cho bạn là chủ đề thực tiễn nhất trong khóa học.

Khái niệm, kèm hình ảnh. DTFT $X(e^{j\omega}) = \sum_{n} x[n]e^{-j\omega n}$ chu kỳ theo $\omega$ với chu kỳ $2\pi$. Lấy mẫu ở $N$ điểm sẽ thu được DFT — và lấy mẫu trong miền tần số có nghĩa là tín hiệu thời gian được xem là tuần hoàn: chính sự thật đơn giản này giải thích hiện tượng rò rỉ.

Độ phân giải là quyết định về thời gian: các ô rộng $\Delta f = f_{s}/N$ vậy nên độ phân giải 1 Hz tại $f_{s} = 1$ kHz tương đương với $N = 1000$ — một giây dữ liệu, không ngoại lệ.

Sự suy diễn. Lấy mẫu DTFT tại $\omega_{k} = 2\pi k/N$ là nhân nó với một lược tần số; theo tính đối ngẫu, tín hiệu thời gian trở thành chu kỳ với chu kỳ $N$. Nếu âm của bạn nằm chính xác trên một ô bin, thì các bản sao chu kỳ nối liền nhau — tạo ra hai đỉnh nhọn rõ ràng. Nếu nó nằm giữa các ô bin, các bản sao không đồng nhất và sự bất đồng này làm lan truyền năng lượng vào mọi ô bin. Việc áp dụng hàm cửa lên dữ liệu với $w[n]$ sẽ tích chập phổ thực với $W(e^{j\omega})$: các lobe bên của hình chữ nhật chỉ giảm đi $-13$ dB, do đó vạch nhiễu mạnh; hàm Hamming suppressing sidebands của nó xuống $-43$ dB, mang lại phổ sạch nhưng đổi lấy độ rộng của lobe chính tăng lên.

Ví dụ minh họa 1 — sự lan truyền, được định lượng. Một DFT 8 điểm của tín hiệu cosin nằm chính xác trên ô bin 1 ($f = f_{s}/8$): $|X| = 4$ tại các ô bin 1 và 7, bằng không ở những vị trí khác ✓ (tất cả 8 mẫu mô tả đúng các chu kỳ nguyên). Trượt âm nửa một bin ($f = 1.5\cdot f_{s}/8$): các độ lớn tính được là $2.40, 2.80, 1.19, 1.0, \ldots$ trên toàn bộ các ô bin ✓ — một âm nằm giữa các ô bin xuất hiện trên khắp nơi, và một tín hiệu nhỏ cạnh một tín hiệu lớn bị chìm vào các lobe bên của nó. Đó chính là chi phí thực sự của hiện tượng rò rỉ.

Ví dụ minh họa 2 — ngân sách phân giải. Tại $f_{s} = 1$ kHz: $N = 100$ cho 10 Hz ô bin — hai âm cách nhau 6 Hz sẽ gộp thành MỘT đỉnh, dù biểu đồ có trông sạch sẽ đến đâu. $N = 1000$ cho 1 Hz ô bin cho một giây dữ liệu. Nén zero (zero-padding) lên 4000 điểm vẽ cùng một đỉnh với 40× nhiều mực: nén thêm nội suy cùng phổ, nó không phân giải được gì mới. Độ phân giải đã được quyết định khi bạn chọn thời gian đo.

Lỗi thường gặp. Đọc số bin như hertz — bản đồ là $f = k\cdot f_{s}/N$. Tin rằng chèn zero mua được độ phân giải. Và quên rằng DFT giả sử $N$ mẫu của bạn lặp lại vô hạn: mép độ discontinuity giữa các bản sao chính nó là tín hiệu băng rộng.

Tóm tắt. $X[k]$ = DTFT lấy mẫu tại $2\pi k/N$ ⇔ chu kỳ thời gian với chu kỳ $N$; tần số ngoài bin rò rỉ qua các lobe phụ của cửa sổ (hình chữ nhật $-13$ dB, Hamming $-43$ dB); $\Delta f = f_{s}/N$ được mua bằng thời gian đo, không bao giờ bằng cách chèn zero.

Tại sao điều đó quan trọng. DFT tốn $N^{2}$ phép toán phức — một biến đổi 1024 điểm là một triệu phép nhân. FFT là thuật toán đã biến xử lý tín hiệu kỹ thuật số thành một lĩnh vực.

Ý tưởng, kèm hình ảnh. Phân tích DFT $N$ điểm thành hai DFT $N/2$ điểm cộng thêm $N/2$ phép nhân kết hợp — và đệ quy. Cánh bướm là đơn vị kết hợp: $\log_{2}N$ giai đoạn của $N/2$ cánh bướm, mỗi cái một phép nhân-cộng.

Sự suy diễn. Chia $x[n]$ thành các mẫu chẵn và lẻ: $X[k] = \sum_{even} x[n]W_{N}^{kn} + W_{N}^{k}\sum_{odd}x[n]W_{N}^{kn}$ với hệ số xoắn $W_{N} = e^{-j2\pi/N}$. Mỗi tổng là một DFT $N/2$ điểm (Danielson–Lanczos); nhánh lẻ chỉ cần hệ số $W_{N}^{k}$ để tái kết hợp. Đệ quy $\log_{2}N$ tầng. Việc tách chẵn/lẻ chạy ngược qua các bit địa chỉ — do đó thứ tự đầu vào đảo bit cho biến thể phân rã theo thời gian.

Ví dụ minh họa 1 — đếm. Đếm phép nhân–cộng phức phức: trực tiếp $N^{2} = 1024^{2} = 1\,048\,576$; FFT $N\log_{2}N = 1024\times 10 = 10\,240$ — ít hơn 102 lần ✓. Tại $N = 4096$: so sánh $4096^{2}$ với $4096\times 12$ = nhỏ hơn 341 lần ✓. Khoảng cách lớn dần theo $N$: FFT là $O(N\log N)$, và toàn bộ bậc của phép tính thay đổi.

Ví dụ minh họa 2 — máy phân tích phổ. 1 ô tần số tại $f_{s} = 1$ kHz cần $N \ge 1000$: chọn $N = 1024$ (một lũy thừa của hai), cho $\Delta f = 1000/1024 = 0.977$ Hz ✓ vừa đủ. Tại mười nan giây cho mỗi phép biến đổi hoàn thành trong khoảng $100\ \mu s$ — đúng thời gian thực so với bản ghi dài 1.024 s. Ô 100 của DFT này là tần số $100\times 0.977 = 97.66$ Hz ✓ — ánh xạ từ ô sang hertz là $k\cdot f_{s}/N$, và bỏ qua nó là lỗi phòng thí nghiệm điển hình.

Những sai lầm thường gặp. Giả sử $N$ phải là lũy thừa của hai (cả biến thể đa gốc lẫn Bluestein đều xử lý được mọi $N$, nhưng trường hợp lũy thừa của hai chỉ là (nhanh nhất). Mong đợi FFT thay đổi câu trả lời — nó tính toán cùng một DFT, chỉ nhanh hơn. Và đọc các ô như hertz, một lần nữa.

Tóm tắt. Chia chẵn/lẻ + hệ số chỉnh pha, $\log_{2}N$ giai đoạn, phép toán $N\log_{2}N$: một sự tăng tốc 102× tại $N=1024$ mà tăng theo $N$; toán học là DFT, kỹ thuật là hình bướm.

Tại sao quan trọng. Bộ lọc FIR là công cụ chính bạn có thể chứng minh được những điều về chúng: ổn định tuyệt đối, và — với các các hệ số lọc — đúng pha tuyến tính. Các tần số trong dải thông phẳng giữ nguyên pha tương đối; bộ lọc biên độ vẫn có thể thay đổi dạng sóng.

Ý tưởng, kèm hình ảnh. Bắt đầu từ đáp ứng xung của bộ lọc thông thấp lý tưởng (một hàm sinc), cắt ngắn nó thành $N$ ngón bằng cửa sổ $w[n]$, và dạng phổ của cửa sổ chính là số phận của bộ lọc: độ rộng lobe chính trở thành dải chuyển tiếp của bạn, các lobe phụ trở thành dải chặn của bạn.

Các định nghĩa kèm số. Các lobe bên chính của chính các cửa sổ: hình chữ nhật $-13$ dB, Hann $-31$ dB, Hamming $-43$ dB, Blackman $-58$ dB. Chiều rộng chuyển tiếp $\approx 3.3\cdot f_{s}/N$ cho Hamming. Các hệ số lọc đối xứng thực $h[n] = h[N-1-n]$ tạo ra pha tuyến tính với độ trễ nhóm $(N-1)/2$ mẫu tại mọi nơi mà đáp ứng khác không. Pha có thể nhảy một lượng $\pi$ khi hệ số biên độ thực đổi dấu; pha và nhóm trì hoãn không xác định tại các điểm không của đáp ứng.

Sự suy diễn. Cắt ngắn $h[n]$ là nhân với $w[n]$; trong tần số phản hồi thực sự chập với $W(e^{j\omega})$. Do đó, phản hồi được thực thi là cửa sổ lý tưởng bị mờ đi: gợn sóng băng thông, độ chuyển tiếp bằng một độ rộng lobe chính, và dải ngăn whose attenuation phụ thuộc vào Sending, cắt và số nấc. Một giá trị lobe bên của cửa sổ không phải là bảo đảm dải cản của bộ lọc kết quả. Sử dụng bảng cửa sổ và ước lượng vùng chuyển tiếp để chọn thiết kế ban đầu, sau đó tính toán đáp ứng của nó. (Định lý thay thế sau Parks–McClellan khiến thiết kế gợn sóng đều là tối ưu nơi các cửa sổ chỉ mang tính thuận tiện.)

Ví dụ minh họa 1 — xác định kích thước bộ lọc. Một FIR Hamming ở $f_{s} = 1$ kHz phải truyền qua đến 200 Hz và suy hao từ 250 Hz. Chọn một 225 Hz cắt lý tưởng trong 50 Hz chuyển tiếp: $N = 3.3\cdot 1000/50 = 66$ ✓ — lấy 67, lẻ, cho bộ lọc đối xứng Loại-I với độ trễ $(67-1)/2 = 33$ mẫu (33 ms). Tại $N = 31$, cùng một cửa sổ sẽ cho $3.3\cdot 1000/31 = 106$ Hz vùng chuyển tiếp: hai thiết kế bao quanh thông số kỹ thuật; độ trễ là một chi phí cần ghi nhận, không phải ghi chú chân trang.

Ví dụ giải chi tiết 2 — xác minh thiết kế. Tạo các 67 nấc từ $h[n] = 0.45\operatorname{sinc}(0.45(n-33))w[n]$, nơi $\operatorname{sinc}(x)=\sin(\pi x)/(\pi x)$ và giá trị của nó tại 0 là 1. Chuẩn hóa tổng các mẫu thành 1. Đánh giá $H(f)=\sum_{n=0}^{66}h[n]e^{-j2\pi fn/1000}$. Trên lưới 0.025 Hz, dải truyền đã tính toán (0–200 Hz) nằm trong khoảng từ $-0.034$ đến $+0.0045$ dB, và mức dải cản lớn nhất (250–500 Hz) khoảng $-52.3$ dB. Các phép kiểm tra mẫu này đạt được mục tiêu sóng gợn ±0.05 dB và mức dải cản tối đa $-43$ dB; lưới mịn hơn hoặc tìm kiếm cực trị kiểm tra giữa các mẫu. Nếu thiết kế thay thế đưa ra $-37$ dB, nó không đạt được mục tiêu đó: hãy kiểm tra các hệ số, tần số cắt, hàm cửa, hệ số số lượng và dải đo lường thay vì đoán một nguyên nhân duy nhất.

Lỗi thường gặp. Thiết kế $N$ từ tần số cắt mà không bao giờ đo lường. Chọn một $N$ chẵn khi thiết kế Type-I (lẻ, đối xứng) được mong muốn. Unquên độ trễ $(N-1)/2$ trong vòng điều khiển. Và yêu cầu các cửa sổ tối ưu — chúng thuận tiện, chứ không phải là tốt nhất.

Tóm tắt. Hàm cửa cho sinc lý tưởng: bảng lobe phụ dẫn dắt việc chọn hàm cửa, $3.3f_{s}/N$ cố định dải chuyển tiếp, tính đối xứng cố định pha tuyến tính tại độ trễ $(N-1)/2$; sau đó đo đáp ứng so với mọi con số đã hứa hẹn.

Tại sao nó quan trọng. Tần số cắt 100 Hz cùng khiến FIR tốn 67 hệ số chi phí cho biquad IIR chỉ 5 hệ số — vì nó thừa hưởng bốn mươi năm kinh nghiệm về bộ lọc tương tự thông qua một phép thế.

Ý tưởng, kèm hình ảnh. Phép biến đổi bilinear $s = \frac{2}{T}\cdot\frac{1-z^{-1}}{1+z^{-1}}$ ánh xạ toàn bộ miền analog nửa mặt phẳng bên trái vào trong vòng đơn vị: mọi bộ lọc analog ổn định trở thành bộ lọc kỹ thuật số ổn định, một cách tự động.

Giá cả là sự méo tần số: trục analog $-\infty \ldots \infty$ cuộn một lần quanh vòng đơn vị, nén lại, nên mỗi tần số cắt phải được biến đổi trước $\omega_{a} = \frac{2}{T}\tan(\omega_{d}T/2)$ trước khi sử dụng.

Sự suy diễn. Thay $s = j\omega_{a}$ vào phép biến đổi: nghiệm thu được là $z = \frac{1+sT/2}{1-sT/2}$, mà độ lớn của nó bằng 1 chính xác khi $\mathrm{Re}\,s = 0$ — trục ảo tương ứng ánh xạ lên đường tròn đơn vị, nửa mặt phẳng trái nằm hoàn toàn bên trong. Quan hệ tiếp tuyến chính là hiệu ứng biến dạng: gần tần số thấp (DC) $\tan\theta \approx \theta$ (sai lệch không đáng kể), nhưng một tần số số tiến gần đến Nyquist sẽ nén lại về vô cực tương ứng với tần số tương tự. Các bảng Butterworth, Chebyshev và elliptic được chuyển sang nguyên vẹn vì chỉ trục tần số bị cong — hình học đa thức vẫn giữ nguyên.

Ví dụ minh họa 1 — biquad. Bộ lọc Butterworth thấp tần bậc 2 tại 100 Hz, $f_{s} = 1$ kHz: biến dạng trước $\omega_{a} = 2000\tan(\pi\cdot 100/1000) = 649.8$ rad/s ✓. Với $s$ chuẩn hóa theo $\omega_{a}$, hằng số thay thế là $K = 1/\tan(0.1\pi) = 3.078$ và mô hình gốc $H(s) = 1/(s^{2}+1.4142s+1)$ chuyển đổi thành

Ví dụ minh họa 2 — kiểm tra, sau đó áp dụng. Độ lợi DC: tổng mẫu số bằng $14.82 - 16.94 + 6.12 = 4.00$, nên $H(1) = 4/4 = 1.000$ ✓ (Butterworth phẳng ở dc). Đáp ứng tại đúng 100 Hz được tính là $-3.0$ dB ✓ — việc biến đổi trước đã đặt điểm $-3$ dB chính xác lên tần số được cam kết, đây chính là mục đích hoàn toàn của việc biến đổi trước. Các cực nằm tại $|z| = 0.643$, bên trong đường tròn đơn vị vì phép ánh xạ đảm bảo nó ✓. Bỏ qua biến tấu trước — thiết kế bộ lọc tương tự tại $2\pi \times 100 = 628.3$ rad/s — và điểm $-3$ dB nằm ở 96.9 Hz; đặt $T = 1$ làm tham số ($K = 1$) thì nó cắt tại 250 Hz, cho kết quả readout là $-0.05$ dB tại 100 Hz nhưng hoàn toàn không đáp ứng thông số kỹ thuật — các số liệu luôn cho thấy sự chênh lệch. Số liệu: 5 hệ số tương ứng với 67 tap của bộ lọc FIR, nhưng pha lại tuyến tính gần tần số cắt và, trong xử lý điểm cố định, các hệ số mẫu số là những hệ số nhạy cảm — một phép làm tròn $6.12$ sẽ dịch chuyển tần số cắt có thể đo lường được. Hiệu suất, pha và độ nhạy được đánh đổi trong một dòng.

Lỗi thường gặp. Bỏ qua bước tiền biến đổi (cutoff bị thấp — 96.9 Hz cho 100 Hz tại 1 kHz là nhỏ, 2.86 kHz cho 4 kHz tại 10 kHz là bất khả thi). Đặt $T = 1$ trong khi vẫn dùng đơn vị hertz analog. Kiểm tra độ ổn định bằng cách may mắn thay vì tin tưởng vào phép ánh xạ. Và mong đợi pha tuyến tính — IIR pha gần các cực thực tế là ngược lại với độ phẳng.

Tóm tắt. Biến đổi song tuyến: LHP → đĩa đơn vị (ổn định miễn phí), tần số bị méo bởi $\frac{2}{T}\tan(\cdot)$ (biến đổi trước mọi tần số quan trọng); biquad Butterworth sẽ nằm ở vị trí $H(z) = \frac{1+2z^{-1}+z^{-2}}{14.82 - 16.94z^{-1} + 6.12z^{-2}}$ (DC 1.000, $-3.0$ dB tại 100 Hz, cực nằm ở 0.643).

Tại sao nó quan trọng. Tốc độ lấy mẫu là ngân sách tính toán: một bộ lọc chạy ở 48 kHz tốn gấp sáu lần chi phí so với cùng loại bộ lọc tại 8 kHz. Đa tốc độ chính là nghệ thuật thực hiện công việc nơi có chi phí thấp.

Ý tưởng, kèm hình ảnh. Giảm mẫu bằng $M$ (giữ lại mỗi $M$-th mẫu) trước tiên phải lọc thông thấp dưới $f_{s}/(2M)$ — hoặc phổ bị gập tương tự không thể đảo ngược. Nội suy bằng $L$ (nén $L-1$ số không giữa các mẫu) sau đó cần lọc thông thấp dưới Nyquist cũ để loại bỏ các ảnh giả.

Sự chứng minh. Nén số không bằng $L$ trong miền thời gian tạo ra $X_{up}(e^{j\omega}) = X(e^{j\omega L})$ — chính xác là cùng một phổ được sao chép $L$ lần quanh vòng tròn: đó là các ảnh giả, và chúng hoàn toàn giống như tín hiệu gốc. Giữ lại 1 mẫu trong $M$ sẽ làm gập $M$ bản sao phổ lên trên lẫn nhau: bất kỳ thành phần nào nằm trên Nyquist mới đều gập trở lại vào dải tần số. Hai bộ lọc thông thấp không phải là thủ tục hành chính; mỗi bộ lọc xóa đi một sự chắc chắn về mặt toán học. Đa pha lúc này thuần túy là đại số: bộ bộ lọc nội suy $L$ chia thành từng nhóm pha riêng biệt, mỗi nhóm chỉ nhận thấy mỗi $L$-th đầu vào, do đó một bộ lọc ở $f_{s}L$ trở thành $L$ bộ lọc con ở $f_{s}$ — cùng phép toán như nhau, nhưng giảm $1/L$ số phép nhân xuống.

Ví dụ tính toán 1 — 8 kHz âm thanh nói sang 48 kHz. Nội suy theo tỷ lệ 6, sau đó áp dụng lọc thông thấp tại 4 kHz (Nyquist cũ) để loại bỏ các ảnh tại 8k, 16k, 40k… Nếu chạy thô sơ, bộ lọc này thực thi ở 48 kHz — gấp sáu lần công việc. Polyphase tổ chức lại thành 6 bộ lọc con, mỗi bộ lọc chạy ở 8 kHz: điều tính toán giống nhau, $1/6$ phép nhân ✓ — và đây không phải là một xấp xỉ, đó chính là cùng một phép tính được lên lịch khác nhau.

Ví dụ minh họa 2 — một bộ chuyển đổi, không phải hai. Chuyển đổi mẫu âm thanh 48 kHz tăng lên 72 kHz cần $L = 3$, $M = 2$ ($48\times 3/2 = 72$ ✓). Hai giai đoạn sẽ cần bộ nội suy, bộ lọc, bộ giảm tốc độ và bộ lọc khác. Một bộ chuyển đổi hữu tỷ làm được: tăng tỷ lệ lên 3 đến 144 kHz, áp dụng một lọc thông thấp tại 24 kHz (Nyquist của tín hiệu đầu vào — nó chặn cả $\uparrow 3$ ảnh và $\downarrow 2$ alias cùng lúc), giữ lại mỗi mẫu thứ hai mẫu. Một bộ lọc, một lượt, kết quả như nhau.

Lỗi thường gặp. Giảm tốc độ trước khi lọc (alias lúc đó không còn là nhiễu, nếu có thì sẽ vĩnh viễn). Quên mất sự suy giảm biên độ $1/L$ của phương pháp chèn số không (bù đắp bằng hệ số khuếch đại $L$ trong bộ lọc). Và view polyphase như một xấp xỉ — nó là sổ sách chính xác.

Tóm tắt. $\downarrow M$ cần bộ lọc thấp trước ở $f_{s}/2M$; $\uparrow L$ cần bộ lọc thấp sau tần số Nyquist cũ; đa pha cung cấp cùng phép toán cho $1/L$ nhân; phân số $L/M$ gộp thành một bộ lọc ở tốc độ trung gian.

Tại sao nó quan trọng. Khóa học đóng lại cách mà thực hành mở ra: với một quy cách, một giải pháp thực hiện và một phép đo — cùng khoảng trống trung thực giữa ba yếu tố này.

Ý tưởng, kèm hình ảnh. Xây dựng bộ phát hiện âm thanh như một đường ống xử lý, mỗi giai đoạn được kiểm chứng riêng biệt trước khi giai đoạn tiếp theo xuất hiện: bộ lọc chống chập → hàm cửa → FFT → ngưỡng. Một lỗi phát hiện ở một giai đoạn tốn một giờ; phát hiện trong hệ thống tích hợp, một tuần phân chia đôi.

Phương pháp. Viết quy cách trước — một bộ phát hiện âm thanh: 1 Hz dải tần, dưới thời gian trễ 1 s, phát hiện tại SNR $-10$ dB — triển khai bằng các giai đoạn đã được kiểm chứng, và báo cáo hiệu suất đo được đối với mọi dòng quy cách, bao gồm cả các trường hợp thất bại.

Ví dụ minh họa 1 — yêu cầu phản kháng. 1 Hz tại $f_{s} = 1$ kHz cần $N \ge 1000$ mẫu — đó chính là $1.0$ s dữ liệu, và yêu cầu nói dưới độ trễ 1 s. Mâu thuẫn xuất hiện ở giai đoạn thiết kế, điều đó là khi bạn muốn nó: $N = 1024$ cho 0.977 Hz ✓ nhưng 1.024 s ghi ; $N = 1000$ cho 1.000 Hz — đúng đường biên. Đệm bảng ghi nhận sự đánh đổi; không có gì im lặng.

Ví dụ minh họa 2 — có thể phát hiện được $-10$ dB không? Một tín hiệu hình sin có năng lượng đồng bộ rơi vào một ô trong khi nhiễu trắng lan tỏa trên tất cả $N/2$: lợi ích xử lý của bin là $10\log_{10}(N/2)$ — tại $N = 1024$ đó là $27$ dB ✓. SNR đầu vào $-10$ dB trở thành khoảng $+17$ dB trong bin quyết định: có thể phát hiện với biên độ an toàn — cửa sổ tiêu tốn vài dB lợi ích này nhưng vẫn đạt yêu cầu — và con số đến từ phép biến đổi, không phải từ hy vọng.

Lỗi thường gặp. Đo lường chỉ đường đi thuận lợi. Mục tiêu im lặng — các dòng thông số tồn tại trong mã nguồn nhưng không xuất hiện trong báo cáo. Điều chỉnh bộ phát hiện theo tín hiệu kiểm tra (quá khớp là nói dối bằng nhiều bước). Và bỏ qua kiểm tra từng giai đoạn: tích hợp che giấu những gì mà xác minh sẽ hiển thị.

Tóm tắt. Xác định trước, kiểm tra riêng từng giai đoạn, tin tưởng vào biên độ đo được; lợi ích xử lý $10\log_{10}(N/2)$ xác định tính khả thi.