Est-il numériquement plus stable de mettre en œuvre le filtrage comme multiplication ou convolution?


12

J'écris un programme pour filtrer un signal de 20 000 échantillons avec un filtre Butterworth de cinquième ordre hors ligne. J'ai accès à une implémentation FFT. Il semble y avoir deux alternatives pour implémenter le filtrage:

  • convolution du signal avec la réponse impulsionnelle dans le domaine temporel, ou
  • multiplier le signal avec la réponse impulsionnelle dans le domaine fréquentiel et transformer le résultat en inverse

Ces méthodes seraient identiques dans le cas théorique du FT. Le faire dans la vraie vie avec la DFT, cependant, je suppose que les choses sont différentes. L'une des méthodes est-elle numériquement plus stable? Y a-t-il d'autres problèmes dont je devrais être conscient? Le nombre de calculs n'est pas important.


La méthode FFT sera beaucoup plus rapide à calculer pour la plupart des longueurs de signal. Seules les courtes longueurs sont plus rapides avec la convolution dans le domaine temporel.
endolith

Réponses:


5

Avec la convolution, vous ne rencontrerez aucun problème de stabilité, car il n'y a pas de filtrage récursif, vous n'accumulerez donc aucune erreur. En d'autres termes, le système est entièrement composé de zéros, pas de pôles. J'ai entendu de façon anecdotique, mais non vérifiée par moi-même, que la convolution basée sur la FFT a une erreur plus faible que la convolution dans le domaine temporel, simplement parce qu'elle a des opérations arithmétiques O (n log n) plutôt que O (n ^ 2).

En règle générale, pour autant que je sache, les filtres Butterworth sont implémentés en tant que filtres récursifs (IIR), c'est donc un sujet différent. Les filtres IIR ont des pôles ainsi que des zéros, il peut donc y avoir des problèmes de stabilité dans la pratique. De plus, pour les filtres IIR, les méthodes basées sur la FFT ne sont pas une option, mais à la hausse, les filtres IIR ont tendance à être de très faible ordre.

En ce qui concerne les problèmes de stabilité avec les filtres IIR, ils ont tendance à avoir des problèmes à des ordres plus élevés - je vais simplement jeter un chiffre et dire que le 6e ordre le pousse. Au lieu de cela, ils sont généralement implémentés sous forme de biquads en cascade (sections de filtre de second ordre). Pour votre filtre du 5e ordre, écrivez-le comme une fonction de transfert de domaine z (ce sera une fonction rationnelle du 5e degré), puis factorisez-le dans ses 5 pôles et 5 zéros. Collectez les conjugués complexes et vous aurez deux biquades et un filtre de premier ordre. En général, les problèmes de stabilité ont tendance à apparaître lorsque les pôles se rapprochent du cercle unitaire.

Il peut également y avoir des problèmes avec les cycles de bruit et de limite dans les filtres IIR, il existe donc différentes topologies de filtre (c'est-à-dire forme directe I, forme directe II) qui ont des propriétés numériques différentes, mais je ne reviendrais pas sur ce point - utilisez simplement le double précision et ce sera certainement assez bon.


Que voulez-vous dire avec cela ne fonctionnant que pour les filtres FIR? J'ai supposé que les filtres IIR devraient être échantillonnés de toute façon. Les filtres IIR sont-ils généralement implémentés dans le domaine temporel pour éviter cela?
Andreas

1
Pour autant que je sache, les filtres IIR sont toujours implémentés dans le domaine temporel. Un filtre IIR (ici, par exemple, un filtre de second ordre ou "biquad") est défini par une équation de différence comme y(n) = b0 * x(n) + b1 * x(n-1) + b2 * x(n-2) - a1 * y(n-1) - a2 * y(n-2). Notez qu'il s'agit d'une combinaison des échantillons d'entrée précédents (les valeurs x) et des échantillons de sortie précédents (les valeurs y). Un filtre FIR ne dépend que des entrées passées, il admet donc une implémentation efficace du domaine fréquentiel. Un filtre IIR ne le fait pas, mais il est de toute façon très efficace car les filtres IIR ont tendance à être beaucoup plus bas.
schnarf

1
La raison pour laquelle les filtres IIR ont tendance à être beaucoup plus faibles est que les pôles (la rétroaction des échantillons de sortie précédents) permettent au filtre d'être beaucoup plus raide avec très peu de coefficients par rapport à un filtre FIR. Quand je dis ordre bien inférieur, un filtre IIR typique peut être de second ordre (5 coefficients), tandis qu'un filtre FIR typique pour la même tâche peut avoir des milliers de coefficients.
schnarf

4

Dans presque tous les cas, votre meilleur choix n'est ni la convolution ni la FFT mais l'application directe du filtre IIR (en utilisant par exemple la fonction sosfilt ()). Ce sera beaucoup plus efficace en termes de consommation de CPU et de mémoire.

La différence numérique dépend du filtre spécifique. Le seul cas où une différence peut s'introduire est si les pôles sont très, très proches du cercle unitaire. Même là, quelques astuces peuvent vous aider. N'UTILISEZ PAS la représentation de la fonction de transfert et le filtre () mais utilisez des pôles et des zéros avec sosfilt (). Voici un exemple de différence.

n = 2^16;  % filter length
fs = 44100; % sample rate
x = zeros(n,1); x(1) = 1;
f0 = 15; % cutoff frequency in Hz
% design with poles and zeroes
[z,p,k] = butter(5,f0*2/fs);
clf
plot(sosfilt(zp2sos(z,p,k),x));
% design with transfer function
[b,a] = butter(5,f0*2/fs);
hold on
plot(filter(b,a,x),'k');

Le filtre () se détériore à une coupure d'environ 15 Hz à 44,1 kHz. Pour sosfilt (), la coupure peut être bien inférieure à 1/100 Hz à 44,1 kHz sans aucun problème.

SI vous avez des problèmes de stabilité, la FFT n'aide pas non plus. Puisque votre filtre est un filtre IIR, la réponse impulsionnelle est infinie et devrait être tronquée en premier. À ces fréquences très basses, la réponse impulsionnelle devient si longue que la FFT devient également impraticable.

Par exemple, si vous voulez une coupure de 1/100 Hz @ 44,1 kHz et que vous voulez une plage dynamique dans la réponse impulsionnelle de 100 dB, vous avez besoin d'environ 25 millions d'échantillons !!! C'est presque 10 minutes à 44,1 kHz et beaucoup, beaucoup plus longtemps que votre signal d'origine


Cela ne répond pas vraiment à la question sur les problèmes numériques, mais je n'étais pas au courant des problèmes avec filter- merci! Ma coupure passe-haut est de 0,5 Hz à 250 Hz. Quelle est la raison des problèmes filter? J'écris moi-même l'implémentation.
Andreas

2

Pourquoi pensez-vous que les choses seront différentes? Les concepts théoriques devraient se traduire par des applications pratiques, la seule différence étant celle des problèmes de virgule flottante, auxquels nous ne pouvons pas échapper. Vous pouvez facilement vérifier avec un exemple simple dans MATLAB:

x=randn(5,1);
y=randn(5,1);
X=fft(x,length(x)+length(y)-1);
Y=fft(y,length(x)+length(y)-1);

z1=conv(x,y);z2=ifft(X.*Y);
z1-z2

ans =

   1.0e-15 *

   -0.4441
   -0.6661
         0
   -0.2220
    0.8882
   -0.2220
         0
   -0.4441
    0.8882

Comme vous pouvez le constater, les erreurs sont de l'ordre de la précision de la machine. Il ne devrait y avoir aucune raison de ne pas utiliser la méthode FFT. Comme Endolith l'a mentionné, il est beaucoup plus courant d'utiliser l'approche FFT pour filtrer / convoluer / intercorréler, etc. et beaucoup plus rapidement, sauf pour de très petits échantillons (comme dans cet exemple). Non pas que le traitement dans le domaine temporel ne soit jamais fait ... tout se résume à l'application, aux besoins et aux contraintes.


1
Je pense que la question d'origine était de percer directement les problèmes de virgule flottante inhérents au filtrage basé sur la FFT par rapport à la mise en œuvre directe du filtre dans le domaine temporel. Cela peut être une réelle préoccupation pour le traitement du signal à virgule fixe, si vous avez de très longs filtres, ou si vous avez une mauvaise implémentation FFT, par exemple. Vous ne verrez certainement aucun effet pour les séquences de longueur 5 en virgule flottante double précision.
Jason R

@JasonR Les erreurs sont toujours de précision machine si vous étendez la longueur des séquences à 1e6 dans l'exemple ci-dessus. Les erreurs que vous mentionnez surviennent principalement en raison d'une mauvaise conception du filtre ou d'une mauvaise mise en œuvre de la FFT. Si ceux-ci sont corrects, je ne vois pas pourquoi la convolution dans le domaine temporel devrait donner une réponse différente de celle dans le domaine fréquentiel.
Lorem Ipsum

1
Cela ne devrait pas donner une réponse différente en fonction du domaine dans lequel vous effectuez les calculs. Mon seul point est que les opérations mathématiques réelles diffèrent considérablement entre les deux approches, donc selon les implémentations de chacune dont vous disposez, il est possible que vous pourrait voir des différences tangibles. Pour une double précision, en supposant que vous avez de bonnes implémentations, je ne m'attendrais à aucune différence, sauf dans les cas extrêmes.
Jason R
En utilisant notre site, vous reconnaissez avoir lu et compris notre politique liée aux cookies et notre politique de confidentialité.
Licensed under cc by-sa 3.0 with attribution required.