یکی از مشکلات همیشگی در پردازش سیگنال ها، وجود سیگنال های ناخواسته (noise) می باشد. برای حذف noise یا نمایان کردن قسمت های مورد نیاز سیگنال، که دارای مشخصات خاص می باشند، نیاز به فیلتر می باشد.
فیلترها را می توان به دو دسته کلاسیک و وقفی (Adaptive) تقسیم کرد.
فیلترهای کلاسیک که دارای مشخصات، تابع تبدیل و پاسخ فرکانس ثابتی هستند، در دو نوع آنالوگ و دیجیتال وجود دارند. نوع آنالوگ از مدارهای الکترونیکی که از قطعاتی شامل مقاومت، خازن و آپ امپ ساخته می شوند. از پرکاربردترین فیلترها می توان به چبی شف که دارای پاسخ فرکانسی تیزی است، در مقابل بسل رفتار فرکانسی صاف (flat) در باند گذر دارد و با ترورث رفتاری مابین دو فیلتر فوق دارد.
بدلیل محدودیت های پاسخ فرکانسی و ناپایداری در فیلترهای آنالوگ، فیلترهای دیجیتال کاربرد خاصی در پردازش سیگنال دارند. این فیلترهای از یک پردازشگر مانند DSP-Chip یا FPGA و یا کامپیوتر برای انجام محاسبات بهره می برند، به این علت دارای قابلیت برنامه ریزی بوده و از لحاظ طراحی، تست و پیاده سازی نسبت به نوع آنالوگ برتری دارند.
همچنین فیلتر آنالوگ دارای محدودیت در تعداد صفر و قطب می باشند ولی دیجیتال به دلیل نامحدود بودن مرتبه می توان به پاسخ فرکانسی ایده آل رسید.
فیلترهای دیجیتال به دو دسته FIR (Finte Impulse Respone) و IIR (Infinite Impules Response) تقسیم می شوند. نوع FIR فاقد قطب بوده، به همین دلیل هیچگاه ناپایدار نمی شوند و از آن مهم تر دارای پاسخ فاز خطی می باشند. (Constant Group delay)
نوع IIR نیاز به محاسبات ریاضی کمتری نسبت به FIR دارد ولی در عوض دارای پاسخ فاز غیرخطی می باشد.
مشخصات تابع تبدیل یک فیلتر کلاسیک ثابت می باشد در مواردی مانند حذف نویز که هر لحظه نیاز به تغییر تابع تبدیل داریم باید از فیلترهای Adaptive استفاده کنیم. مهمترین مشخصات Adaptive filter تغییرپذیری با زمان و قابلیت تنظیم مشخصات به طور خودکار می باشد. این فیلتر معمولاً از ساختار یک فیلتر FIR و با یک الگوی وفقی که پیوسته ضرایب فیلتر ر ا تولید می کند، بهره می گیرد. اکثر این الگوریتم ها با توجه به Wiener filter طراحی و پیاده سازی می شوند
نقطه آغاز برای دستیابی به رابطه Adaptive filter تعریف دقیق ضرایب فیلتر ایده آل می باشد. فیلتر Wiener رایج ترین تعریف برای این منظور است. شکل زیر ساختار این فیلتر را نمایش می دهد.
در این فیلتر خطای تخمین زده شده، از کم کردن nk از yk بدست می آید.در فیلترهای وفقی بر خلاف فیلترهای کلاسیک که رفتار فرکانسی را مد نظر قرار می دهند، یک الگو (Pattern) که حتی هم پوشانی فرکانسی با سیگنال اصلی دارد را تشخیص می دهد. در این حالت از یک تخمین گر که ساختار نویز را توسط روش های آماری تخمین می زند، برای حذف ساختار نویز استفاده می کنند.
برای تخمین ساختار نویز و بدست آوردن ضرایب فیلتر از معیارهای آماری LMS و RLS و در سال های اخیر از شبکه های عصبی و Higher Order Statics (HOS) استفاده می کنند.
در این پروژه ما برای تخمین بهتر دینامیک سیگنال نویز کارایی شبکه های عصبی را در (ANC) Adaptive Noise Cancelling مورد بررسی قرار دادیم.
و نتایج نشان داد استفاده از شبکه عصبی در ساختار ANC قابلیت حذف نویز از سیگنال را به مقدار زیادی بهبود بخشید. شبکه عصبی مورد استفاده در این پروژه (Multi Layer Preceptron) MLP دولایه می باشد.
کاربرد ANC در مخابرات، سیستم های کنترلی، رادار و به طور عموم در سیستم هایی که اطلاعات کمی در مورد سیگنال ورودی موجود است، می باشد.
برای این پروژه مطالعاتی در زمینه (Digital Signal Processing) DSP، سنتز فیلتر، شبکه های عصبی و Adaptive Filter، در حال انجام است.
مهندس محمدرضا فرجادی نسب
استاد راهنمای پروژه
Source Codes in Visual Basic
اینجانب در زمیهنه پیاده سازی الگوریتم های پردازش تصویر (DIP) و پردازش سیگنال (DSP) در یک زبان Visual فعالیت هایی نیز داشته ام که به طور خلاصه توضیح داده می شود. در ضمن Source Code ها نیز در یک CD به پیوست آمده است:
1) Image Filtering:
در این برنامه ضرایب ماتریس Convoolaition بیش از 20 نوع فیلتر پراستفاده از جمله edhe detect، Sobel، gaussian، Emboss، Reliefریال Blur به صورت از پیش آماده در دسترس است. در ضمن ماتریس convolution به صورت دلخواه قابل تغییر توسط کاربرد می باشد (یرای پیاده سازی فیلترهای جدیدی توسط کاربر).
روش کار این برنامه به این صورت است که این ماتریس با عکس مورد نظر Conuoloution شده (توسط الگوریتم MAC) و خروجی به صورت عکس فیلتر شده نمایش داده می شود.
2) Filter Design:
این برنامه از دو قسمت تشکیل شده:
1) Source در MATLAB
2) Source اصلی در Visual
به این صورت که کاربر می تواند فیلتر مطلوب خود را تنها با مشخص کردن Shape اصلی فیلتر حوزه فرکانس طراحی کرده و با مشخص کردن نوع فیلتر FIR یا IIR ضرایب فیلتر را در حوزه Z تا هر مرتبه یا که مورد نیاز باشد از MATLAB دریافت داشته و این ضرایب را به Source اصلی در VB داده و ورودی و خروجی فیلتر را به صورت Visual مشاهده نماید.
3) Colour Conversion:
امروز در مبحث پردازش دیجیتالی تصویر تبدیل انواع رنگ از مقدمات اولیه کار می باشد. در این مورد دو تبدیل نوع HSV RGB و YUB RGB انجام گرفته.
در بعضی پردازش ها ما نیاز داریم که سیستم Mashin Vision مستقل از نرو موجود به رنگ Hve اجسام حساس باشد. مثلاً در Robo Cup رنگ سبز زمینه مهم است نه نور موجود، بنابراین نیاز به تبدیل انواع رنگ محسوس می باشد که Sourceهایی که به پیوست امده گویاترند.
4) (Fast Douier Transform): FFT
با وجود اینکه دقیقاً همین تابه از توابع کتابخانه یا می باشد ولی از روش انجام این (Algorithm) صحبتی به میان نیامده که بتوان از آن در سخت افزارهای (TMS) DSP یا حتی میکرو AVR بهره برد. Algorithm پیاده سازی شده برای تبدیل فوریه سریع Radix می باشد که از Butterfly بهره می برد. این برنامه Sequenceهایی از کارت مدار به طول دلخواه (512) دریافت کرده و تبدیل فوریه آنرا با سرعت بالا نمایش می دهد که این کار از عهده DFT برنمی آید و delay بسیار زیادی انجام می گیرد.
5) (Fast Discrete Cosin Trabsformation): FDCT
برای فشرده سازی اطلاعات تصویر و تبدیل عکس های حجیم BMP به JPEG و ارسال ساده تر و سریعدر اینترنت از این الگوریتم به وفور استفاده می شود. به این صورت که ابتدا عکس BMP را به بلوک های 8 تایی (یا 4 تایی) Block Predication تبدیل کرده سپس از هر یک از این بلوک ها FDCT گرفته یم شود. خوبی این تبدیل این است که در ماتریس یافته اغلب درایه ها (مخصوصاً پایین سمت راست) صفر می باشد و می توان با الگوریتم Run Lenghth آنها را فشرده کرد. در این برنامه برای FDCT از روش Loffler استفاده شده و با یک الگوریتم ZigZag ماتریس مربعaی به ترتیب صعودی، نزولی مرتب شده و برای فشرده سازی آماده می گردد.