Documentos de Académico
Documentos de Profesional
Documentos de Cultura
net/publication/299826272
CITATIONS READS
0 50
5 authors, including:
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by Rafael Stubs Parpinelli on 07 July 2016.
1. Introdução
O projeto de ltros digitais, tanto do tipo FIR (Finite Impulse Response )
quanto IIR (Innite Impulse Response ), é um problema clássico na Enge-
nharia Elétrica (Hamming, 1997). A literatura reporta diversos métodos
para o cálculo dos coecientes que caracterizam a resposta em frequên-
cia do ltro, como amostragem em frequência e diversas abordagens por
janelamento, cada um com suas características próprias, vantagens e des-
vantagens. (Diniz et al., 2004).
A maioria dos métodos de projeto é direcionada para ltros do tipo
passa-altas ou passa-baixas, embora alguns também possam ser utilizados
para ltros passa-faixas ou rejeita-faixas. Porém, poucos métodos per-
mitem um controle maior das especicações, ou maior número de faixas.
Na literatura recente, por exemplo, são raros os métodos que permitem
especicar um ltro com duas bandas passantes e três de rejeição, cada
uma com requisitos de ripple (oscilação) e ganho diferentes (Zhang et al.,
2008; Ahmed, 2003). Por esta razão, métodos heurísticos de otimização,
notadamente aqueles da computação evolucionária, podem ter uma grande
aplicabilidade prática neste problema de engenharia.
De fato, há alguns trabalhos utilizando algoritmos genéticos (AG)
(Goldberg, 1989) e otimização por enxame de partículas (Particle Swarm
Optimization PSO) (Kennedy & Eberhart, 2001) que monstraram bons
resultados, geralmente obtendo soluções melhores do que aquelas alcança-
das pelos métodos tradicionais (Barros, 2006). Porém, a grande maioria
de tais trabalhos focaliza apenas o projeto de ltros passa-baixas ou passa-
altas, que são os problemas mais simples de serem resolvidos. É muito raro
encontrar projeto de ltros mais complexos, com especicação de várias
bandas, como já mencionado. Outra questão muito importante é a forma
de avaliação da qualidade dos ltros digitais, representado pela função
de tness num algoritmo de computação evolucionária. Todos os artigos
que os autores encontraram na literatura recente minimizam o Erro Médio
Quadrático (Mean Square Error MSE) entre a resposta em frequência
do ltro calculado e uma curva-alvo de resposta desejada (Najjarzadeh &
Ayatollahi, 2008; Barros et al., 2007; Huang et al., 2004). Embora esta
abordagem geralmente leve a resultados próximos do alvo desejado, ela
tem algumas desvantagens.
Primeiramente, é necessário montar uma curva-alvo. Porém, o mais
intuitivo e usual é o usuário fornecer as especicações do ltro sob a forma
de ganho nas bandas passante e de rejeição, bem como as frequências que
compõem essas faixas. Utilizar a curva ideal, expressa pelo MSE, pode
levar o algoritmo a buscar um ltro muito longe do factível, tendo como
resultado ltros ruins.
Outra desvantagem da abordagem tradicional de tentar igualar uma
curva-alvo é a diculdade de se obter ltros dentro das especicações, mas
Comparação de técnicas para projeto de filtros FIR 109
2. Fundamentação Teórica
2.1 Filtros digitais FIR
Um ltro é um sistema que realiza operações matemáticas em um determi-
nado sinal, com a nalidade de reduzir ou amplicar certos aspectos deste
sinal (Oppenheim & Schafer, 1975). Um exemplo simples da aplicação de
um ltro é na separação das faixas grave, média e aguda de um sinal de
áudio, direcionando cada uma a um alto-falante mais adequado para sua
reprodução. Um ltro também pode ser projetado com o m de eliminar
uma determinada característica, como por exemplo, o ruído decorrente da
rede elétrica (de frequência constante) inserido em algum sinal que carregue
outra informação.
Filtros digitais são sistemas lineares invariantes no tempo discreto (Di-
niz et al., 2004). Estes diferem dos ltros analógicos em vários aspectos,
notadamente na forma do sinal de entrada, que passa do domínio contínuo
para o domínio discreto, e na forma de implementação. Dentre os ltros di-
gitais, há os do tipo não-recursivo, chamados assim por não terem a saída a
cada instante afetada por saídas anteriores. Estes ltros são caracterizados
por uma equação a diferenças que segue o formato mostrado na Equação 1.
110 Oliveira et al.
M
X
y(n) = ~bt x(n − k) (1)
k=0
10
Resposta−Alvo
Resposta obtida
0
−10
Magnitude (dB)
−20
−30
−40
−50
−60
0 0.2 0.4 0.6 0.8 1
Freqüência Normalizada(×π rad/amostra)
Figura 1. Exemplo 1 de curva-alvo e resposta obtida.
10
Resposta−Alvo
Resposta obtida
0
−10
Magnitude (dB)
−20
−30
−40
−50
−60
0 0.2 0.4 0.6 0.8 1
Freqüência Normalizada(×π rad/amostra)
Figura 2. Exemplo 2 de curva-alvo e resposta obtida.
é desejável criar mais parâmetros para que o usuário tenha que ajustar a
função de tness para cada ltro que for projetar.
3. Metodologia
3.1 Cálculo do fitness
Como explicado na Seção 2.3, o cálculo do tness de um ltro pela aborda-
gem do MSE em relação a uma curva-alvo não é satisfatório. Por isto, neste
trabalho propõe-se uma nova abordagem, que avalia de forma quantitativa
o atendimento ou não às especicações fornecidas pelo projetista.
Para calcular a qualidade do ltro, é necessário primeiramente calcular
a resposta em frequência do mesmo. Esta resposta é obtida através da
transformada discreta de Fourier (DFT) dos coecientes do ltro. Porém,
Comparação de técnicas para projeto de filtros FIR 115
~ = |F{[~
X x 01 02 ... 0k−N ]}| (2)
onde X ~ é o vetor de resposta do ltro, F é a transformada de Fourier, ~ x
é o vetor de coecientes do ltro, N é o número de coecientes, e k é o
número de elementos da transformada de Fourier (isto é, N adicionado de
k − N zeros). Os primeiros k2 elementos de X ~ são então transformados no
vetor ~r, que será utilizado para os cálculos.
De posse do vetor de resposta ~r, separa-se este vetor em rrej~ e rpas
~ ,
respectivamente, a resposta na banda de rejeição e a resposta na banda de
passagem. Desta forma é mais simples fazer a avaliação da qualidade do
ltro, pois o requisito é o mesmo para a banda inteira.
Tendo em mãos as respostas nas bandas especicadas, pode-se calcular
o tness deste ltro, composto por quatro termos a serem otimizados,
conforme a Equação 3.
1
f it(~x) =
1 + p1 · specRej + p2 · specP as + p3 · idealRej + p4 · idealP as
(3)
116 Oliveira et al.
Pk
i=1 [[min(gM inP as, rpas (i)) − gM inP as]2 + [max(1, rpas (i)) − 1]2 ]
specP as =
largP as
(5)
onde k é o número de elementos do vetor rpas , largP as é a largura da
banda de passagem em número de amostras, e gM inP as é o mínimo ganho
permitido na banda de passagem, que também pode ser interpretado como
o máximo ripple permitido, já que, por denição, o ganho máximo é 1. Este
termo então calcula o erro quadrático em relação à faixa de ganho permitida
na banda de passagem. Portanto, o ganho pode estar em qualquer ponto
entre 1 e gM inP as, e terá erro zero. Desta forma, apenas ganhos que
desobedecerem a especicação da banda de passagem gerarão erro.
Se os termos specPas e specRej avaliam a conformidade do ltro às
especicações, os outros fornecem uma medida de qualidade do ltro no
sentido de proximidade com a resposta ideal. Eles são desejáveis pois os
termos spec não diferenciam entre ltros que obedeçam às especicações,
sendo que uma boa função de tness deve levar o algoritmo a buscar um
ltro com a melhor resposta possível. As Equações 6 e 7 mostram como
estes termos são calculados.
Comparação de técnicas para projeto de filtros FIR 117
Pk
[1 − rpas (i)]2
idealP as = i=1
(6)
largP as
Pk
[rrej (i)]2
idealRej = i=1
(7)
largRej
Estas equações são mais simples pois um ltro ideal tem um valor
xo para o ganho em cada banda, em vez de uma faixa de valores que
a especicação supõe. A consequência de ter estes dois termos a mais na
equação do tness é que jamais existirá um ltro com tness igual a 1, pois
para isso os 4 termos da equação precisariam ser iguais a zero. Enquanto os
termos spec* podem e devem chegar a zero ao nal da evolução, os termos
ideal* jamais atingirão este valor, já que apenas um ltro ideal teria tal
característica.
3.2 Experimentos
Para avaliar a metodologia proposta para cálculo do tness e comparar
os métodos de computação evolucionária, foram utilizados quarto ltros
digitais diferentes: um passa-baixas (PB), um passa-altas (PA), um passa-
faixa (PF) e um rejeita-faixa (RF). Os resultados foram comparados com
o método tradicional de Parks-McClellan, que garante um ripple constante
nas bandas (McClellan & Parks, 1973). Este método foi escolhido em vez
de um que utilize janelamento, porque permite a especicação de cada
banda, enquanto que por função-janela só é possível escolher a frequência
de corte.
Cada ltro a ser projetado deverá ter pelo menos 40dB de atenuação na
banda de rejeição, e no máximo 1dB de ripple na banda de passagem. As
frequências que delimitam cada banda em cada ltro, assim como a ordem
de cada um, estão na Tabela 1. As frequências estão normalizadas em
relação a F2s , como é comum no projeto de ltros. A coluna Ordem mostra
a ordem necessária para atingir as especicações com o método Parks-
McClellan, seguida da ordem de fato utilizada nos experimentos. Ou seja,
alguns destes ltros têm ordem menor do que a necessária, tornando o
problema muito mais difícil, pois é matematicamente impossível atingir a
especicação.
4. Resultados e Discussão
Nesta seção, os resultados obtidos pelos três algoritmos são apresentados
e comparados com o ltro calculado por Parks-McClellan. Em cada gura
a seguir, os pontos marcados são as frequências que limitam cada banda.
Comparação de técnicas para projeto de filtros FIR 119
10
−10
−20
Av [dB]
−30
−40
−50
−60
0 0.2 0.4 0.6 0.8 1
ω/π [rad/s]
10
−10
−20
Av [dB]
−30
−40
−50
−60
−70
0 0.2 0.4 0.6 0.8 1
ω/π [rad/s]
10
−10
−20
Av [dB]
−30
−40
−50
−60
0 0.2 0.4 0.6 0.8 1
ω/π [rad/s]
ção, o ganho ainda é alto, enquanto o ltro obtido pelo PSO tem as duas
bandas de rejeição abaixo de -40dB, como exibido na Figura 8 .
No ltro RF, a ondulação na banda de passagem foi praticamente elimi-
nada pelo Parks-McClellan (Figura 9), enquanto o ltro obtido pelo PSO
Comparação de técnicas para projeto de filtros FIR 121
10
−10
−20
Av [dB]
−30
−40
−50
−60
−70
0 0.2 0.4 0.6 0.8 1
ω/π [rad/s]
10
−10
−20
Av [dB]
−30
−40
−50
−60
0 0.2 0.4 0.6 0.8 1
ω/π [rad/s]
10
−10
−20
−30
Av [dB]
−40
−50
−60
−70
−80
0 0.2 0.4 0.6 0.8 1
ω/π [rad/s]
10
−10
−20
Av [dB]
−30
−40
−50
−60
0 0.2 0.4 0.6 0.8 1
ω/π [rad/s]
10
−10
−20
Av [dB]
−30
−40
−50
−60
0 0.2 0.4 0.6 0.8 1
ω/π [rad/s]
5. Conclusões
Neste trabalho foi proposta uma nova abordagem para o cálculo de tness
de ltros digitais com métodos de computação evolucionária. Esta abor-
dagem avalia a conformidade do ltro às especicações em vez de buscar
igualar uma curva-alvo. Os resultados obtidos se mostraram melhores do
124 Oliveira et al.
0.9
0.8
0.7
Melhor Fitness
0.6
PSO
0.5 HS
AG
0.4
0.3
0.2
0.1
0
0 100 200 300 400 500 600 700 800 900 1000
Geração/Iteração
0.9
0.8
0.7
Melhor Fitness
0.6
PSO
0.5 HS
AG
0.4
0.3
0.2
0.1
0
0 100 200 300 400 500 600 700 800 900 1000
Geração/Iteração
0.9
0.8
0.7
Melhor Fitness
0.6
PSO
0.5 HS
AG
0.4
0.3
0.2
0.1
0
0 100 200 300 400 500 600 700 800 900 1000
Geração/Iteração
0.9
0.8
0.7
Melhor Fitness
0.6
PSO
0.5 HS
AG
0.4
0.3
0.2
0.1
0
0 100 200 300 400 500 600 700 800 900 1000
Geração/Iteração
Agradecimentos
Os autores agradecem ao CNPq pela bolsa de produtividade em pesquisa
a H.S. Lopes, à UDESC e ao programa FUMDES pela bolsa de doutorado
a R.S. Parpinelli, bem como à CAPES pelas bolsas de mestrado (demanda
social) a D.R. Oliveira, M.H. Scalabrin e F.R. Teodoro.
Referências
Ahmed, S., Design of FIR lters with arbitrary amplitude and phase spe-
cications using genetic algorithm. In: Proceedings of IEEE Interna-
tional Symposium on Micro-NanoMechatronics and Human Science.
Piscataway, USA: IEEE, v. 2, p. 648651, 2003.
Barros, A., Projeto de Filtros FIR Através de Algoritmos Genéticos. Disser-
tação de mestrado, Programa de Pós-graduação em Engenharia Elétria
e Informática Industrial, Universidade Tecnológica Federal do Paraná,
2006. 127 p.
Barros, A.; Lopes, H. & Stelle, A., FIR lter design method and tool
based on genetic algorithms. In: Proceedings of the 1st IEEE Sympo-
sium on Computational Intelligence in Image and Signal Processing.
Piscataway, USA: IEEE Computer Society, v. 1, p. 151156, 2007.
Diniz, P.; da Silva, E. & Netto, S., Processamento Digital de Sinais
Projeto e Análise de Sistemas. Porto Alegre, RS: Artmed, 2004. 590
p.
Comparação de técnicas para projeto de filtros FIR 127
Geem, Z.; Kim, J. & Loganathan, G., A new heuristic optimization algo-
rithm: Harmony search. Simulation, 76(2):6068, 2001.
Goldberg, D., Genetic Algorithms in Search, Optimization and Machine
Learning. Reading, USA: Addison-Wesley, 1989.
Hamming, R., Digital Filters. 3a edição. Mineola, NY: Dover Publications,
1997.
Holland, J., Adaptation in Natural and Articial Systems. University of
Michigan Press, 1975.
Huang, W.P.; Zhou, L.F. & Qian, J.X., FIR lter design: Frequency sam-
pling lters by particle swarm optimization algorithm. In: Proceedings
of the 3rd International Conference on Machine Learning and Cyber-
netics. v. 4, p. 23222327, 2004.
Kennedy, J. & Eberhart, R., Particle swarm optimization. In: Proceedings
of IEEE International Conference on Neural Networks. IEEE, v. 4, p.
19421948, 1995.
Kennedy, J. & Eberhart, R., Swarm Intelligence. San Francisco, USA:
Morgan Kaufmann, 2001.
Lathi, B., Modern Digital and Analog Communication. 3a edição. New
York, USA: Oxford University Press, 1998.
McClellan, J. & Parks, T., A unied approach to the design of optimum
FIR linear phase lters. IEEE Transactions on Circuit Theory, 1:190
196, 1973.
Najjarzadeh, M. & Ayatollahi, A., A comparison between genetic algorithm
and PSO for linear phase FIR digital lter design. In: Proceedings
of 9th International Conference on Signal Processing. IEEE, v. 4, p.
21342137, 2008.
Oppenheim, A. & Schafer, R., Digital Signal Processing. Prentice-Hall,
1975. 585 p.
Oppenheim, A. & Schafer, R., Discrete-Time Signal Processing. 2a edição.
Prentice-Hall, 1999. 870 p.
Williams, A. & Taylors, F., Electronic Filter Design Handbook. 3a edição.
New York, USA: McGraw-Hill, 1995. 800 p.
Zhang, J.; Jia, D. & Li, K., FIR digital lters design based on chaotic
mutation particle swarm optimization. In: Proceedings of the Interna-
tional Conference on Audio, Language and Image Processing. v. 1, p.
418422, 2008.
128 Oliveira et al.
Notas Biográficas
Daniel Rossato de Oliveira é graduado em Engenharia Elétrica pela Univer-
sidade Tecnológica Federal do Paraná/Curitiba (UTFPR, 2009) e atualmente é
mestrando na área de Engenharia de Computação na mesma universidade, além
de ser professor substituto do Departamento de Eletrônica da UTFPR/Curitiba.