UTN-FRBB – Ing.

Electrónica

Procesamiento Digital de Señales

Filtros digitales no recursivos o

de respuesta finita al impulso (FIR)

Técnicas Digitales III

Mg. Guillermo Friedrich
 Filtros FIR

• Bibliografía:
– Antoniou A. Digital Filters. Edit. Mc. Graw Hill.

– Apunte de la cátedra: Introducción al procesamiento digital de

señales.
• Disponible en la página web de la materia
www.frbb.utn.edu.ar/electronica
Filtro de promedios móviles

(moving average)
 Filtro de promedios móviles (moving average)
• Es el filtro digital más sencillo.

• Es óptimo para reducir el ruido aleatorio, manteniendo los

flancos abruptos de la señal.

• Es el preferido para señales codificadas en tiempo.

• Pero, es el peor filtro para trabajar en frecuencia.

• Puede ser implementado de manera recursiva, reduciendo

su complejidad computacional.
 Filtro de promedios móviles (moving average)
• Ecuación:

N −1
1
y [n ]= ∑ x [n−i]
N i=0

• Ejemplo para 5 muestras:

x [80 ]+ x [79]+ x [78 ]+ x [77]+ x [76]

y [80 ]=
5
 Filtro de promedios móviles (moving average)
• Ejemplo:
– Señal senoidal corrompida con ruido blanco y filtrada con filtro
de promedios móviles de 6 etapas.

Señ
al deseada: senoidal Ruido blanco
1 1

0.8 0.8

0.6 0.6

0.4 0.4

0.2 0.2
Amplitud

Amplitud
0 0

-0.2
-0.2

-0.4
-0.4
-0.6
-0.6
-0.8
-0.8
-1
0 1 2 3 4 5 6 7 8 9 10 -1
Tiempo (seg) 0 1 2 3 4 5 6 7 8 9 10
Tiempo (seg)
 Filtro de promedios móviles (moving average)
• Señal con ruido y señal filtrada
Señ
al con ruido y señ
al filtrada
1.5

0.5

0
Amplitud

-0.5

-1

-1.5

-2
0 1 2 3 4 5 6 7 8 9 10
Tiempo (seg)
 Filtro de promedios móviles (moving average)
• Implementación en Matlab del ejemplo anterior:
% Ejemplo de filtro de promedios móviles
A=1;
f=1;
n=0:0.25:10;
T=0.1;
x0=A*sin(2*pi*f*n*T);
stem(n,x0)
title('Señal deseada: senoidal')
xlabel('Tiempo (seg)')
ylabel('Amplitud')
pause
close all
 Filtro de promedios móviles (moving average)

% Genera ruido gaussiano

L=length(n);
var=0.2;
k=randn(1,L);
mean1=0.2;
noise=mean1 + sqrt(var)*k;
stem(n,noise)
title('Ruido blanco')
xlabel('Tiempo (seg)')
ylabel('Amplitud')
pause
close all
 Filtro de promedios móviles (moving average)

% Genera señal corrompida (senoidal + ruido

blanco)

x=x0+noise;
plot(n,x)
title('Senoidal + Ruido blanco')
xlabel('Tiempo (seg)')
ylabel('Amplitud')
hold on
pause
 Filtro de promedios móviles (moving average)

% Filtro de promedios móviles de 6 etapas

M=6;
B=ones(1,M)/M;
y=filter(B,1,x);
plot(n,y,'r');
title('Señal con ruido y señal filtrada')
pause
close all
 Filtro de promedios móviles (moving average)
• Reducción de ruido y respuesta al escalón:
– Los siguientes gráficos muestran el efecto del filtro de
promedios móviles con 11 y 51 etapas sobre un pulso rectangular
corrompido por ruido blanco.
Filtro de promedios móviles (moving average)
 Filtro de promedios móviles (moving average)
• La respuesta temporal es un pulso rectangular.
• Aplicando la transformada de Fourier se obtiene la
respuesta en frecuencia:

Donde:
M: cantidad de etapas del filtro
0  f  0.5
 Filtro de promedios móviles (moving average)
• La respuesta en frecuencia es mala:
– Pendiente suave en la zona de transición.
– Baja atenuación en la banda de rechazo.
 Filtro de promedios móviles (moving average)
• Implementación recursiva:
– Debido a que es un FIR con todos los coeficientes del mismo
valor, se puede implementar fácilmente de manera recursiva.
Por ejemplo (dejando afuera la división por N):
y [80 ]= x [80]+ x [79]+ x [78]+ x [77 ]+ x [76 ]

y [81]=x [81]+ x [80 ]+ x [79]+ x [78 ]+ x [77]

– Puede reemplazarse por: y [81]= y [80]+ x [81]−x [76 ]

Cuya expresión general es: y [n ]= y [n−1]+ x [n]−x [n−N ]

Lo que reduce la complejidad computacional.

Diseño de filtros FIR de fase lineal
 Filtros recursivos (IIR)

Los filtros IIR brindan:

- Elevada selectividad
- Sencillez computacional  orden reducido

Sin embargo, es muy difícil:

- que tengan alta selectividad

- y al mismo tiempo retardo de grupo constante

- Mediante aproximación de Bessel y transformación invariante

al impulso se pueden lograr:
- pasabajos o pasabanda recursivos
- con retardo de grupo constante
- pero baja selectividad
 Retardo de fase y retardo de grupo

Dada una portadora modulada:

• El retardo de fase es el retardo de

la portadora.

• El retardo de grupo es el retardo

de la envolvente.
 Filtros no recursivos (FIR) de fase lineal

Si se requiere que tanto el retardo de fase como el retardo de grupo

sean constantes, la respuesta en fase debe ser lineal.

La ecuación de un filtro FIR es:

Y su respuesta en frecuencia es:

 Filtros no recursivos (FIR) de fase lineal

Donde:

Entonces:
Filtros no recursivos (FIR) de fase lineal
 Filtros no recursivos (FIR) de fase lineal

Finalmente, la expresión anterior es equivalente a:

Una solución a esta expresión es:

 Filtros no recursivos (FIR) de fase lineal

Un filtro FIR tendrá retardos de fase y de grupo constantes a lo largo

de toda la banda base si su respuesta impulsiva es simétrica con
respecto:

al punto medio entre las muestras N-2 y N , para N par

2 2

o bien, con respecto a la muestra N-1 para N impar

2
 FIR de fase lineal. Respuesta en frecuencia

Para el caso de respuesta impulsiva simétrica con N impar, aplicando

la condición de que:

h [n ]=h[ N −1−n] para 0≤n≤ N−1

Se puede llegar a que la respuesta en frecuencia es:

N−1
donde : a0 =h[ ]
2
N −1
a k =2 h[ −k ]
2
 FIR de fase lineal. Respuesta en frecuencia

Ejemplo: el siguiente gráfico muestra la respuesta en frecuencia de un

filtro FIR de orden 7 con los siguientes coeficientes:

-0.0624 0.0935 0.3027 0.4 0.3027 0.0935 -0.0624

Respuesta en frecuencia. Pasabajos FIR de orden 7
1.4

1.2

0.8
Ganancia

0.6

0.4

0.2

0
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
Frecuencia
 FIR de fase lineal. Respuesta en frecuencia

La siguiente tabla presenta la respuesta en frecuencia para distintas

condiciones de simetría y orden par o impar.
 FIR de fase lineal. Diagrama de polos y ceros

Las condiciones de simetría impuestas a la respuesta impulsiva

imponen ciertas restricciones a los ceros de H(z).
 FIR de fase lineal. Diagrama de polos y ceros

Esto implica que:

- Puede haber una arbitraria cantidad de ceros en zi = ± 1
ya que zi-1 = ± 1

- Los ceros en el círculo unitario ocurren de a pares complejos

conjugados, ya que:

- Los ceros reales fuera del círculo unitario ocurren de a pares

recíprocos. Si zi = a es un cero de H(z), entonces a-1 también.

- Los ceros complejos fuera del círculo unitario ocurren de a

cuatro:
FIR de fase lineal. Diagrama de polos y ceros
 Diseño de filtros FIR usando Series de Fourier

Como la respuesta en frecuencia de un filtro FIR es una función

periódica de ω con período ωs , puede ser expresada como una serie de
Fourier:
 Diseño de filtros FIR usando Series de Fourier

Para obtener un filtro de orden finito se puede truncar la serie:

Llegando a la siguiente expresión:

Para hacerla causal se la multiplica por

Obteniendo:
 Diseño de filtros FIR usando Series de Fourier

Ejemplo: diseñar un pasabajos FIR con las siguientes especificaciones

 Diseño de filtros FIR usando Series de Fourier

Si consideramos los siguientes valores:

La función transferencia del filtro será:

 Diseño de filtros FIR usando Series de Fourier

Finalmente, la función transferencia es:

 Oscilaciones de Gibbs

Debido al truncamiento de la serie de Fourier aparecen oscilaciones

tanto en la banda de paso como en la de rechazo.
A medida que aumenta el orden del filtro aumenta la frecuencia de las
oscilaciones.
Tiende a mantenerse la amplitud de la oscilación a ambos lados de la
banda de transición.
 Funciones de ventana.

Reducción de las oscilaciones de Gibbs.

 Funciones de ventana

Se mencionó que las oscilaciones de Gibbs aparecen al truncar la serie

de Fourier sobre la que se estaba basado el diseño del filtro FIR.

Otra forma de ver el problema consiste en calcular la TDF inversa de la

respuesta en frecuencia ideal, con lo que se obtiene la respuesta al
impulso, cuya expresión es una función sinc:
 Funciones de ventana

La función sinc se extiende desde -∞ hasta +∞

Si esta respuesta impulsiva o “kernel” del filtro FIR se debe

implementar en un sistema real, se la debe truncar a una cantidad finita
de etapas.
Funciones de ventana
 Funciones de ventana

Ahora bien, si la función sinc truncada se multiplica por otra función

que tenga un decrecimiento “suave”, se tendrán los siguientes
resultados:

- se reduce el corte abrupto en ambos extremos en los que se

produjo el truncamiento.

- se suaviza la curva de respuesta en frecuencia.

Una ventana muy conocida es la de Hamming, que está dada por:

Funciones de ventana

Efecto de aplicar
una ventana de
Hamming, tanto en
el dominio tiempo
como en el
dominio
frecuencia.
 Ventanas de Hamming y Blackman. Comparación

Blackmann:
“roll-off” más suave,
20 dB más de atenuación en la banda de rechazo

Hamming:
“roll-off” 20% más pronunciado,
menor atenuación en la banda de rechazo
 Inversión espectral.

La inversión espectral es una técnica que permite obtener otro tipo de

filtro FIR a partir de un pasabajos FIR.

Para obtener un pasaaltos con frecuencia de corte fc se obtiene h[n]

para un pasabajos con la misma fc y luego:

hpa[n] = [n] – h[n]

Pasabanda o rechazabanda se obtienen combinando pasaaltos y

pasabajos.
Inversión espectral.
Inversión espectral. Obtención de un pasaaltos.
Inversión espectral. Obtención de un pasaaltos.
Inversión espectral. Obtención de un pasabanda.
Inversión
espectral.

Obtención
de un
rechazabanda.