Projeto De Filtro Médio Móvel

Resposta de Freqüência do Filtro de Média Corrente A resposta de freqüência de um sistema LTI é a DTFT da resposta de impulso. A resposta de impulso de uma média móvel de L é uma média móvel. Uma vez que o filtro de média móvel é FIR, a resposta de freqüência reduz-se à soma finita We Pode usar a identidade muito útil para escrever a resposta de freqüência como onde temos deixar ae menos jomega. N 0 e M L menos 1. Podemos estar interessados ​​na magnitude desta função para determinar quais freqüências passam pelo filtro sem atenuação e quais são atenuadas. Abaixo está um gráfico da magnitude desta função para L 4 (vermelho), 8 (verde) e 16 (azul). O eixo horizontal varia de zero a pi radianos por amostra. Observe que, em todos os três casos, a resposta de freqüência tem uma característica de passagem baixa. Uma componente constante (frequência zero) na entrada passa através do filtro sem ser atenuada. Certas frequências mais elevadas, como pi / 2, são completamente eliminadas pelo filtro. No entanto, se a intenção era projetar um filtro lowpass, então não temos feito muito bem. Algumas das frequências mais altas são atenuadas apenas por um factor de cerca de 1/10 (para a média móvel de 16 pontos) ou 1/3 (para a média móvel de quatro pontos). Podemos fazer muito melhor do que isso. O gráfico acima foi criado pelo seguinte código de Matlab: omega 0: pi / 400: pi H4 (1/4) (1-exp (-iomega4)) ./ (1-exp (-iomega)) H8 (1/8 ) (1-exp (-iomega8)) ./ (1-exp (-iomega)) lote (omega , Abs (H4) abs (H8) abs (H16)) eixo (0, pi, 0, 1) Copyright copy 2000- - Universidade da Califórnia, BerkeleyIntrodução à Filtragem 9.3.1 Introdução à Filtragem No campo do processamento de sinais, De filtros de sinal digital envolve o processo de suprimir certas frequências e impulsionar outras. Um modelo de filtro simplificado é onde o sinal de entrada é modificado para obter o sinal de saída usando a fórmula de recursão. A implementação de (9-23) é direta e requer somente valores iniciais, então é obtida por simples iteração. Uma vez que os sinais devem ter um ponto de partida, é comum exigir que e para. Enfatizamos este conceito fazendo a seguinte definição. Definição 9.3 (Sequência Causal) Dadas as sequências de entrada e saída. Se e para, a seqüência é dito ser causal. Dada a sequência causal, é fácil calcular a solução para (9-23). Use o fato de que essas seqüências são causais: A etapa iterativa geral é 9.3.2 Os Filtros Básicos Os três filtros básicos simplificados a seguir servem como ilustrações. (I) Zeroing Out Filter, (note que). (Ii) Boosting Up Filter, (note que). (Iii) Filtro de Combinação. A função de transferência para estes filtros de modelo tem a seguinte forma geral onde as transformações z das sequências de entrada e saída são e, respectivamente. Na seção anterior, mencionamos que a solução geral para uma equação de diferença homogênea é estável somente se os zeros da equação característica estiverem dentro do círculo unitário. Da mesma forma, se um filtro é estável, então os pólos da função de transferência devem estar todos dentro do círculo da unidade. Antes de desenvolver a teoria geral, gostaríamos de investigar a resposta de amplitude quando o sinal de entrada é uma combinação linear de e. A resposta de amplitude para a freqüência usa o sinal de unidade complexa, e é definida como sendo A fórmula para será rigorosamente explicada após alguns exemplos introdutórios. Exemplo 9.21. Dado o filtro. 9,21 (a). Mostre que é um filtro de zeramento para os sinais ee calcule a resposta da amplitude. 9.21 (b). Calcular as respostas de amplitude e investigar o sinal filtrado para. 9.21 (c). Calcular as respostas de amplitude e investigar o sinal filtrado para. Figura 9.4. A resposta de amplitude para. Figura 9.5. A entrada ea saída. Figura 9.6. A entrada ea saída. Explore a Solução 9.21. Exemplo 9.22. Dado o filtro. 9.22 (a). Mostre que é um filtro de aumento para os sinais ee calcule a resposta da amplitude. 9.22 (b). Calcular as respostas de amplitude e investigar o sinal filtrado para. Figura 9.7. A resposta de amplitude para. Figura 9.8. A entrada ea saída. Explore a solução 9.22. 9.3.3 A Equação de Filtro Geral A forma geral de uma equação de diferença de filtro de ordem é onde e são constantes. Observe cuidadosamente que os termos envolvidos são da forma e onde e, o que torna esses termos tempo atrasado. A forma compacta de escrever a equação de diferença é onde o sinal de entrada é modificado para obter o sinal de saída usando a fórmula de recursão. A porção irá zerar os sinais e aumentará os sinais. Observação 9.14. A fórmula (9-31) é chamada equação de recursão e os coeficientes de recursão são e. Ele mostra explicitamente que a saída atual é uma função dos valores passados, para, a entrada atual, e as entradas anteriores para. As sequências podem ser consideradas sinais e são zero para índices negativos. Com esta informação podemos agora definir a fórmula geral para a função de transferência. Usando a propriedade de tempo de deslocamento retardado para seqüências causais e tomando a transformada z de cada termo em (9-31). Obtemos Nós podemos fatorar fora das somas e escrever isto em uma forma equivalente Da equação (9-33) obtemos o que leva à seguinte definição importante. Definição 9.4 (Função de Transferência) A função de transferência correspondente à equação de diferença de ordens (8) é dada pela Fórmula (9-34) é a função de transferência para um filtro de resposta ao impulso infinito (filtro IIR). No caso especial quando o denominador é unidade torna-se a função de transferência para um filtro de resposta de impulso finito (filtro FIR). Definição 9.5 (Resposta de amostra única) A sequência correspondente à função de transferência é denominada resposta de amostra unitária. Teorema 9.6 (Resposta de saída) A resposta de saída de um filtro (10) dado um sinal de entrada é dada pela transformação z inversa e em forma de convolução é dada por Outro uso importante da função de transferência é estudar como um filtro afeta Várias frequências. Na prática, um sinal de tempo contínuo é amostrado a uma frequência que é pelo menos o dobro da frequência de sinal de entrada mais elevada para evitar a dobra de frequência ou aliasing. Isso ocorre porque a transformada de Fourier de um sinal amostrado é periódica com o período, embora não vamos provar isso aqui. Aliasing impede a recuperação precisa do sinal original de suas amostras. Agora pode-se mostrar que o argumento da transformada de Fourier se mapeia no círculo da unidade do plano z através da fórmula (9-37), onde é chamada de frequência normalizada. Portanto, a transformada z avaliada no círculo unitário também é periódica, exceto com o período. Definição 9.6 (Resposta de amplitude) A resposta de amplitude é definida como sendo a magnitude da função de transferência avaliada no sinal de unidade complexa. A fórmula é (9-38) ao longo do intervalo. O teorema fundamental da álgebra implica que o numerador tem raízes (chamados zeros) eo denominador tem raízes (chamados pólos). Os zeros podem ser escolhidos em pares conjugados no círculo unitário e para. Para a estabilidade, todos os pólos devem dentro do círculo da unidade e para. Além disso, os pólos são escolhidos para serem números reais e / ou em pares conjugados. Isso garante que os coeficientes de recursão são todos números reais. IIR filtros podem ser todos pólo ou pólo zero e estabilidade é uma preocupação FIR filtros e todos os zero-filtros são sempre estáveis. 9.3.4 Design dos Filtros Na prática, a fórmula de recursão (10) é usada para calcular o sinal de saída. No entanto, o design do filtro digital é baseado na teoria acima. Começa-se por selecionar a localização de zeros e pólos correspondente aos requisitos de projeto do filtro e construir a função de transferência. Como os coeficientes em são reais, todos os zeros e pólos com um componente imaginário devem ocorrer em pares conjugados. Em seguida, os coeficientes de recursão são identificados em (13) e usados ​​em (10) para escrever o filtro recursivo. Tanto o numerador quanto o denominador de podem ser fatorados em fatores quadráticos com coeficientes reais e possivelmente um ou dois fatores lineares com coeficientes reais. Os seguintes princípios são usados ​​para construir. (I) Zeroing Out Factors Para filtrar os sinais e, use os fatores da forma no numerador de. (Ii) Fatores de Impulso Para amplificar os sinais e fatores de uso dos filtros formFIR, filtros IIR e equação de diferença de coeficiente constante linear Filtros de Média Móvel Causal (FIR) Nós discutimos sistemas nos quais cada amostra Da saída é uma soma ponderada de (algumas das) amostras da entrada. Vamos tomar um sistema de soma ponderada causal, onde causal significa que uma dada amostra de saída depende apenas da amostra de entrada atual e outros insumos mais cedo na seqüência. Nem os sistemas lineares em geral, nem os sistemas finitos de resposta ao impulso em particular, precisam ser causais. No entanto, a causalidade é conveniente para um tipo de análise que iria explorar em breve. Se simbolizamos as entradas como valores de um vetor x. E as saídas como valores correspondentes de um vetor y. Então tal sistema pode ser escrito como onde os valores de b são quotweights aplicados às amostras de entrada atuais e anteriores para obter a amostra de saída atual. Podemos pensar na expressão como uma equação, com o sinal de igual signo igual a, ou como uma instrução processual, com o sinal de igual significação atribuição. Vamos escrever a expressão para cada amostra de saída como um loop MATLAB de instruções de atribuição, onde x é um vetor N-comprimento de amostras de entrada, e b é um vetor M-comprimento de pesos. A fim de lidar com o caso especial no início, vamos incorporar x em um vetor mais longo xhat cujas primeiras M-1 amostras são zero. Vamos escrever a soma ponderada para cada y (n) como um produto interno, e faremos algumas manipulações das entradas (como inverter b) para este fim. Esse tipo de sistema é muitas vezes chamado de filtro de média móvel, por razões óbvias. De nossas discussões anteriores, deve ser óbvio que tal sistema é linear e invariante ao deslocamento. Claro, seria muito mais rápido usar a convolução de função MATLAB conv () em vez do nosso mafilt (). Em vez de considerar as primeiras M-1 amostras da entrada de ser zero, poderíamos considerá-los a ser o mesmo que as últimas M-1 amostras. Isso é o mesmo que tratar a entrada como periódica. Bem, use cmafilt () como o nome da função, uma pequena modificação da função mafilt () anterior. Na determinação da resposta de impulso de um sistema, não há geralmente nenhuma diferença entre estes dois, desde que todas as amostras não-iniciais da entrada são zero: Uma vez que um sistema deste tipo é linear e shift-invariante, sabemos que seu efeito em qualquer Sinusoid será apenas a escala e deslocá-lo. Aqui é importante que usemos a versão circular A versão circularmente convoluta é deslocada e escalada um pouco, enquanto a versão com convolução ordinária é distorcida no início. Vamos ver o que a escala exata e deslocamento é usando um fft: Tanto a entrada ea saída têm amplitude apenas nas freqüências 1 e -1, que é como deveria ser, uma vez que a entrada era uma sinusoid eo sistema era linear. Os valores de saída são maiores em uma proporção de 10,6251 / 8 1,3281. Este é o ganho do sistema. E quanto à fase Nós só precisamos olhar onde a amplitude é diferente de zero: A entrada tem uma fase de pi / 2, como nós pedimos. A fase de saída é deslocada por um 1,0594 adicional (com sinal oposto para a freqüência negativa), ou cerca de 1/6 de um ciclo à direita, como podemos ver no gráfico. Agora vamos tentar uma sinusoid com a mesma freqüência (1), mas em vez de amplitude 1 e fase pi / 2, vamos tentar amplitude 1,5 e fase 0. Sabemos que apenas a freqüência 1 e -1 terá amplitude não-zero, então vamos Basta olhar para eles: Novamente a relação de amplitude (15.9377 / 12.0000) é 1.3281 - e quanto à fase é novamente deslocado por 1.0594 Se esses exemplos são típicos, podemos prever o efeito do nosso sistema (resposta ao impulso .1.2 .3 .4 .5) em qualquer sinusoide com frequência 1 - a amplitude será aumentada em um fator de 1,3281 e a fase (freqüência positiva) será deslocada em 1,0594. Poderíamos continuar a calcular o efeito desse sistema sobre sinusóides de outras freqüências pelos mesmos métodos. Mas há uma maneira muito mais simples, e uma que estabelece o ponto geral. Dado que a circunvolução (circular) no domínio do tempo significa a multiplicação no domínio da frequência, daí decorre que, por outras palavras, a DFT da resposta de impulso é a razão da DFT da saída para a DFT da entrada. Nesta relação os coeficientes de DFT são números complexos. Desde abs (c1 / c2) abs (c1) / abs (c2) para todos os números complexos c1, c2, esta equação nos diz que o espectro de amplitude da resposta de impulso será sempre a relação do espectro de amplitude da saída para que Da entrada. No caso do espectro de fase, ângulo (c1 / c2) ângulo (c1) - ângulo (c2) para todos os c1, c2 (com a ressalva de que as fases que diferem por n2pi são considerados iguais). Portanto, o espectro de fase da resposta ao impulso será sempre a diferença entre os espectros de fase da saída e da entrada (com quaisquer correções de 2pi são necessárias para manter o resultado entre - pi e pi). Podemos ver os efeitos de fase mais claramente se desempacotar a representação da fase, isto é, se adicionarmos vários múltiplos de 2pi conforme necessário para minimizar os saltos que são produzidos pela natureza periódica da função ângulo (). Embora a amplitude e a fase sejam normalmente utilizadas para apresentação gráfica e mesmo tabular, uma vez que são uma maneira intuitiva de pensar sobre os efeitos de um sistema sobre os vários componentes de frequência de sua entrada, os coeficientes de Fourier complexos são mais úteis algébricamente, A expressão simples da relação A abordagem geral que acabamos de ver funcionará com filtros arbitrários do tipo esboçado, em que cada amostra de saída é uma soma ponderada de algum conjunto de amostras de entrada. Como mencionado anteriormente, estes são freqüentemente chamados filtros de resposta de impulso finito, porque a resposta ao impulso é de tamanho finito, ou às vezes filtros de média móvel. Podemos determinar as características de resposta de freqüência de tal filtro da FFT de sua resposta de impulso e também podemos projetar novos filtros com características desejadas por IFFT a partir de uma especificação da resposta de freqüência. Filtros Autoregressivos (IIR) Não haveria nenhum ponto em ter nomes para filtros FIR a menos que houvesse algum outro tipo de distinção, de modo que aqueles que estudaram pragmática não ficarão surpresos ao saber que existe de fato outro tipo principal Do filtro tempo-invariante linear. Estes filtros são às vezes chamados recursivos porque o valor das saídas anteriores (assim como entradas anteriores) importa, embora os algoritmos sejam geralmente escritos usando construções iterativas. Eles também são chamados filtros Infinite Impulse Response (IIR), porque em geral sua resposta a um impulso continua para sempre. Eles também são às vezes chamados de filtros auto-regressivos, porque os coeficientes podem ser considerados como o resultado de fazer uma regressão linear para expressar valores de sinal em função de valores de sinal anteriores. A relação dos filtros FIR e IIR pode ser vista claramente numa equação de diferença de coeficiente constante linear, isto é, estabelecendo uma soma ponderada de saídas igual a uma soma ponderada de entradas. Isto é como a equação que damos anteriormente para o filtro causal FIR, exceto que, além da soma ponderada de insumos, também temos uma soma ponderada de saídas. Se quisermos pensar nisso como um procedimento para gerar amostras de saída, precisamos reorganizar a equação para obter uma expressão para a amostra de saída corrente y (n), Adotando a convenção de que a (1) 1 (por exemplo, escalando outros como E bs), podemos nos livrar do termo 1 / a (1): y (n) b (1) x (n) b (2) x (n-1). B (Nb1) x (n-nb) - a (2) y (n-1) -. - a (Na1) y (n-na) Se todos os a (n) diferentes de a (1) são zero, isso reduz a nosso velho amigo o filtro FIR causal. Este é o caso geral de um filtro (causal) LTI, e é implementado pelo filtro de função MATLAB. Vejamos o caso em que os coeficientes b diferentes de b (1) são zero (em vez do caso FIR, onde a (n) são zero): Neste caso, a amostra de saída corrente y (n) é calculada como um (N-1), y (n-2), etc. Para ter uma idéia do que acontece com esses filtros, vamos começar com o caso em que: Ou seja, a amostra de saída atual é a soma da amostra de entrada atual e metade da amostra de saída anterior. Bem, tome um impulso de entrada através de alguns passos de tempo, um de cada vez. Deve ficar claro neste ponto que podemos facilmente escrever uma expressão para o n-ésimo valor de amostra de saída: é apenas (se MATLAB contado a partir de 0, isso seria simplesmente .5n). Como o que estamos calculando é a resposta ao impulso do sistema, demonstrámos por exemplo que a resposta ao impulso pode de fato ter infinitas amostras diferentes de zero. Para implementar esse filtro trivial de primeira ordem no MATLAB, poderíamos usar o filtro. A chamada será assim: eo resultado é: Este negócio é realmente ainda linear Podemos olhar para isto empiricamente: Para uma abordagem mais geral, considere o valor de uma amostra de saída y (n). Por substituição sucessiva poderíamos escrever isto como Isto é exatamente como nosso velho amigo a forma convolução-soma de um filtro FIR, com a resposta de impulso fornecida pela expressão .5k. E o comprimento da resposta ao impulso é infinito. Assim, os mesmos argumentos que usamos para mostrar que os filtros FIR eram lineares agora se aplicam aqui. Até agora isso pode parecer um monte de barulho por não muito. O que é toda esta linha de investigação bom para Bem responder esta questão em etapas, começando com um exemplo. Não é uma grande surpresa que possamos calcular uma amostra exponencial por multiplicação recursiva. Vamos olhar para um filtro recursivo que faz algo menos óbvio. Este tempo bem torná-lo um filtro de segunda ordem, de modo que a chamada para filtro será da forma Permite definir o segundo coeficiente de saída a2 para -2cos (2pi / 40), eo terceiro coeficiente de saída a3 para 1, e olhar para A resposta ao impulso. Não muito útil como um filtro, na verdade, mas ele gera uma onda senoidal amostrada (de um impulso) com três multiplicações por amostra. Para entender como e por que ele faz isso, e como os filtros recursivos podem ser projetados e analisados ​​em O caso mais geral, precisamos dar um passo atrás e dar uma olhada em algumas outras propriedades de números complexos, no caminho para a compreensão da transformada z. Moving filtro médio (filtro MA) Loading. O filtro de média móvel é um simples filtro Low Pass FIR (Finite Impulse Response) comumente usado para suavizar uma matriz de dados / sinal amostrados. Ele toma M amostras de entrada de cada vez e pegue a média dessas M-amostras e produz um único ponto de saída. É uma estrutura de LPF (Low Pass Filter) muito simples que é útil para cientistas e engenheiros para filtrar o componente ruidoso indesejado dos dados pretendidos. À medida que o comprimento do filtro aumenta (o parâmetro M) a suavidade da saída aumenta, enquanto que as transições nítidas nos dados são feitas cada vez mais sem corte. Isto implica que este filtro tem excelente resposta no domínio do tempo mas uma resposta de frequência pobre. O filtro MA executa três funções importantes: 1) Toma M pontos de entrada, calcula a média desses pontos M e produz um único ponto de saída 2) Devido à computação / cálculos envolvidos. O filtro introduz uma quantidade definida de atraso 3) O filtro age como um Filtro de Passagem Baixa (com fraca resposta de domínio de freqüência e uma boa resposta de domínio de tempo). Código Matlab: O código matlab seguinte simula a resposta no domínio do tempo de um filtro M-point Moving Average e também traça a resposta de freqüência para vários comprimentos de filtro. Time Domain Response: No primeiro gráfico, temos a entrada que está entrando no filtro de média móvel. A entrada é barulhenta e nosso objetivo é reduzir o ruído. A figura a seguir é a resposta de saída de um filtro de média móvel de 3 pontos. Pode-se deduzir da figura que o filtro de média móvel de 3 pontos não fez muito na filtragem do ruído. Aumentamos os toques do filtro para 51 pontos e podemos ver que o ruído na saída reduziu muito, o que é mostrado na próxima figura. Nós aumentamos as derivações para 101 e 501 e podemos observar que mesmo que o ruído seja quase zero, as transições são drasticamente ditas (observe a inclinação em ambos os lados do sinal e compare-as com a transição ideal da parede de tijolo em Nossa entrada). Resposta de Freqüência: A partir da resposta de freqüência pode-se afirmar que o roll-off é muito lento ea atenuação de banda de parada não é boa. Dada esta atenuação de banda de parada, claramente, o filtro de média móvel não pode separar uma banda de freqüências de outra. Como sabemos que um bom desempenho no domínio do tempo resulta em mau desempenho no domínio da freqüência, e vice-versa. Em suma, a média móvel é um filtro de suavização excepcionalmente bom (a ação no domínio do tempo), mas um filtro passa-baixa excepcionalmente ruim (a ação no domínio da freqüência) Links externos: Livros recomendados: Barra lateral principal A média móvel como um filtro A média móvel é frequentemente usada para suavizar dados na presença de ruído. A média móvel simples nem sempre é reconhecida como o filtro de Resposta de Impulso Finito (FIR) que é, enquanto é realmente um dos filtros mais comuns no processamento de sinal. Tratá-lo como um filtro permite compará-lo com, por exemplo, windowed-sinc filtros (ver os artigos sobre low-pass, high-pass, band-pass e band-reject filtros para exemplos desses). A principal diferença com esses filtros é que a média móvel é adequada para sinais para os quais a informação útil está contida no domínio do tempo. Das quais as medidas de alisamento por média são um excelente exemplo. Filtros Windowed-sinc, por outro lado, são fortes performers no domínio da freqüência. Com equalização no processamento de áudio como um exemplo típico. Há uma comparação mais detalhada de ambos os tipos de filtros no domínio do tempo versus desempenho de domínio de freqüência de filtros. Se você tiver dados para os quais o tempo eo domínio de freqüência são importantes, então você pode querer dar uma olhada em Variações na Média Móvel. Que apresenta um número de versões ponderadas da média móvel que são melhores nisso. A média móvel de comprimento (N) pode ser definida como escrita como é tipicamente implementada, com a amostra de saída corrente como a média das amostras (N) anteriores. Visto como um filtro, a média móvel executa uma convolução da seqüência de entrada (xn) com um pulso retangular de comprimento (N) e altura (1 / N) (para fazer a área do pulso e, portanto, o ganho de O filtro, um). Na prática, é melhor tomar (N) ímpar. Embora uma média móvel possa também ser calculada utilizando um número par de amostras, utilizar um valor ímpar para (N) tem a vantagem de que o atraso do filtro será um número inteiro de amostras, uma vez que o atraso de um filtro com (N) Amostras é exactamente ((N-1) / 2). A média móvel pode então ser alinhada exatamente com os dados originais deslocando-o por um número inteiro de amostras. Domínio Dado que a média móvel é uma convolução com um pulso retangular, a sua resposta de frequência é uma função sinc. Isso torna algo como o dual do filtro windowed-sinc, uma vez que é uma convolução com um pulso sinc que resulta em uma resposta de freqüência retangular. É esta resposta de frequência de sinc que faz com que a média móvel seja um desempenho fraco no domínio da freqüência. No entanto, ele funciona muito bem no domínio do tempo. Portanto, é perfeito para suavizar os dados para remover o ruído, enquanto ao mesmo tempo ainda mantém uma rápida resposta passo (Figura 1). Para o típico Ruído Gaussiano Branco Aditivo (AWGN) que é freqüentemente assumido, a média (N) de amostras tem o efeito de aumentar a SNR por um fator de (sqrt N). Uma vez que o ruído para as amostras individuais não está correlacionado, não há razão para tratar cada amostra de forma diferente. Assim, a média móvel, que dá a cada amostra o mesmo peso, vai se livrar da quantidade máxima de ruído para uma dada nitidez resposta passo. Implementação Porque é um filtro FIR, a média móvel pode ser implementada através de convolução. Ele terá então a mesma eficiência (ou falta dela) como qualquer outro filtro FIR. No entanto, também pode ser implementado recursivamente, de uma forma muito eficiente. Segue-se diretamente da definição de que esta fórmula é o resultado das expressões para (yn) e (yn1), ou seja, onde observamos que a mudança entre (yn1) e (yn) é que um termo extra (xn1 / N) Aparece no final, enquanto o termo (xn-N1 / N) é removido do início. Nas aplicações práticas, muitas vezes é possível deixar de fora a divisão por (N) para cada termo, compensando o ganho resultante de (N) em outro lugar. Esta implementação recursiva será muito mais rápida que a convolução. Cada novo valor de (y) pode ser calculado com apenas duas adições, em vez das (N) adições que seriam necessárias para uma implementação direta da definição. Uma coisa a procurar por uma implementação recursiva é que os erros de arredondamento se acumularão. Isso pode ou não ser um problema para o aplicativo, mas também implica que essa implementação recursiva realmente funcionará melhor com uma implementação inteira do que com números de ponto flutuante. Isso é bastante incomum, uma vez que uma implementação de ponto flutuante é geralmente mais simples. A conclusão de tudo isso deve ser que você nunca deve subestimar a utilidade do simples filtro de média móvel em aplicações de processamento de sinal. Filter Design Tool Este artigo é complementado com uma ferramenta Filter Design. Experimente com diferentes valores para (N) e visualize os filtros resultantes. Tente agora