SlideShare a Scribd company logo
1 of 16
Download to read offline
課題解説 その9
ディジタルフィルタの設計2
• (課題61-64は課題65に統合)
• 課題65:バターワースフィルタに基づくディジタルフィルタの設計
• 課題66-69:移動平均フィルタに基づくディジタルフィルタの設計
• 課題70:双2次フィルタ(制作中)
• 課題71:イコライザ(制作中)
課題65
2次のバターワースフィルタを基に、
1.遮断周波数が100Hzの低域通過ディジタルフィルタ
2.遮断周波数が1000Hzの高域通過ディジタルフィルタ
3.通過周波数が400Hz~800Hzの帯域通過ディジタルフィルタ
4.遮断周波数が400Hz~800Hzの帯域遮断ディジタルフィルタ
を設計し、振幅特性のグラフを描きなさい
また、基になるバターワースフィルタの次数を高くすることによって、
振幅特性がどのように変化するかも調べなさい
課題65
clear all
close all
N=7; %次数
thresh=100; %カットオフ周波数
omega_c=thresh*2*pi; %周波数→角
周波数
%2次のバターワースフィルタを求める
[z,p,k] = buttap(N);
%伝達関数に変換
[b, a]= zp2tf(z,p,k);
%カットオフ周波数の変更
[bt,at] = lp2lp(b,a,omega_c);

buttapの出力[z,p,k]は
z…零点
p…極
k…ゲイン
𝑠− 𝑧 1
𝑠 − 𝑧 2 … (𝑠 − 𝑧(𝑚))
ℎ 𝑠 = 𝑘
𝑠− 𝑝 1
𝑠 − 𝑝 2 … (𝑠 − 𝑝(𝑛))
カットオフ周波数の変更
lp2lp…LPF→LPF
lp2hp…LPF→HPF
lp2bp…LPF→BPF
lp2bs…LPF→BEF
課題65
%双1次変換(s領域→z領域)
ここでフィルタが完成する
[numd,dend] = bilinear(bt,at,fs);
[H,W]=freqz(numd,dend,2048);
F1=(W*fs)/(2*pi*1000);
plot(F1,abs(H))
xlabel('frequency(kHz)');
ylabel('amplitude');
line([thresh/1000 thresh/1000],[0 1],'LineWidth',2,'Color','y');
line([0 5],[1/sqrt(2) 1/sqrt(2)],'LineWidth',2,'Color','y');
課題65
結果(2次)
課題65
結果(5次)
課題65
結果(7次)

IIRフィルタの場合,フィードバック回
路であるので次数が大きいと量子
化誤差の影響を大きく受ける
課題66-69
移動平均フィルタを基に、
1.遮断周波数が100Hzの低域通過ディジタルフィルタ
2.遮断周波数が1000Hzの高域通過ディジタルフィルタ
3.通過周波数が400Hz~800Hzの帯域通過ディジタルフィルタ
4.遮断周波数が400Hz~800Hzの帯域遮断ディジタルフィルタ
を設計し、振幅特性のグラフを描きなさい
また、基になるバターワースフィルタの次数を高くすることによって、
振幅特性がどのように変化するかも調べなさい
課題66-69
• 課題65ではアナログのフィルタを基にディジタルフィルタを制

作した 課題66からはディジタルフィルタを基にディジタルフィ
ルタを作成する
• 移動平均フィルタ

𝐻 𝑧 =

1 −𝑘
2
𝑘=0 3 𝑧

これ自体はLPFである(これを2次元に拡張すると講義中に出
てきた平滑化フィルタとなる)
1/9 1/9 1/9
1/9 1/9 1/9
1/9 1/9 1/9
課題66-69
• 特定の関数がないので自分で制作する
• しかし単純移動平均フィルタを用いて特定のカットオフ周波数

を持つフィルタは作れるのか…
• 次数を上げて近似的に作る

• 単純移動平均フィルタの振幅特性
• 𝐺=

𝑓𝑠
2𝜋𝑓𝑀

• Mは次数

2 1−

2𝜋𝑓𝑀
cos
𝑓𝑠
課題66-69
• カットオフ周波数に𝑓𝑐おいて1/ 2となる条件を求めると

𝑓𝑐・𝑀/𝑓𝑠 = 0.443
fs=44100Hz,fc=1000のとき
44100
𝑀 = 0.443・
= 19.5 ≈ 19
1000
課題66-69
fs=44100;
b=(1/19)*ones(1,19);a=1;
[H1,W]=freqz(b,a,512);
F1=(W*fs)/(2*pi*1000);
plot(F1,abs(H1),'b');
xlabel('frequency(kHz)');
ylabel('amplitude');
line([0 fs/2000+0.5],[1/sqrt(2)
1/sqrt(2)],'linewidth',2,'Color','y');
line([1 1],[0 1],'linewidth',2,'Color','y');
xlim([0 5]);

制作してみる
課題66-69
• HPFを作る
• 係数𝑎 𝑚 を −1

𝑚

𝑓𝑠
𝑚 に変換、カットオフ周波数( 2

𝑎
− 𝑓𝑐)となる
HPFが作成される
• fs=44100Hz,fc=44100/2-1000を代入
44100
𝑀 = 0.443・
= 0.93 ≈ 1
44100
− 1000
2
作れないのでやむを得ずfs=2500Hzとして再計算
2500
𝑀 = 0.443・
= 4.4 ≈ 4
2500
− 1000
2
課題66-69
• サンプリング周波数を下げると作成はできたが単純移動平均

フィルタの場合はサンプリング周波数の範囲が限定される
課題66-69
• BPFを作る
• 200HzのLPFを作り適切な次数を求める…98次
• 係数𝑎 𝑚 を2cos(2𝜋𝑘𝑓𝑐/𝑓𝑠)𝑎 𝑚 に変換
• fcは中央の600Hz、fsは44100Hz
fs=44100;
M=98;
b=(1/M)*ones(1,M);a=1;
for ii=1:M
b(ii)=2*b(ii)*cos(ii*2*pi*600/fs);
end
…(フィルタ作成部分のみ)
他も同様に変換していけばよいので省略

More Related Content

What's hot

ウェーブレット変換の基礎と応用事例:連続ウェーブレット変換を中心に
ウェーブレット変換の基礎と応用事例:連続ウェーブレット変換を中心にウェーブレット変換の基礎と応用事例:連続ウェーブレット変換を中心に
ウェーブレット変換の基礎と応用事例:連続ウェーブレット変換を中心にRyosuke Tachibana
 
ウェーブレットと多重解像度処理
ウェーブレットと多重解像度処理ウェーブレットと多重解像度処理
ウェーブレットと多重解像度処理h_okkah
 
はじパタ8章 svm
はじパタ8章 svmはじパタ8章 svm
はじパタ8章 svmtetsuro ito
 
スパースモデリング
スパースモデリングスパースモデリング
スパースモデリングharapon
 
Subjective Assessment of HRTF Interpolation with Spherical Harmonics - Chris ...
Subjective Assessment of HRTF Interpolation with Spherical Harmonics - Chris ...Subjective Assessment of HRTF Interpolation with Spherical Harmonics - Chris ...
Subjective Assessment of HRTF Interpolation with Spherical Harmonics - Chris ...Chris Pike
 
数式を(ちょっとしか)使わずに隠れマルコフモデル
数式を(ちょっとしか)使わずに隠れマルコフモデル数式を(ちょっとしか)使わずに隠れマルコフモデル
数式を(ちょっとしか)使わずに隠れマルコフモデルYuya Takashina
 
PRML読書会#4資料+補足
PRML読書会#4資料+補足PRML読書会#4資料+補足
PRML読書会#4資料+補足Hiromasa Ohashi
 
ウェーブレット木の世界
ウェーブレット木の世界ウェーブレット木の世界
ウェーブレット木の世界Preferred Networks
 
CRC-32
CRC-32CRC-32
CRC-327shi
 
グラフデータの機械学習における特徴表現の設計と学習
グラフデータの機械学習における特徴表現の設計と学習グラフデータの機械学習における特徴表現の設計と学習
グラフデータの機械学習における特徴表現の設計と学習Ichigaku Takigawa
 
充足可能性問題のいろいろ
充足可能性問題のいろいろ充足可能性問題のいろいろ
充足可能性問題のいろいろHiroshi Yamashita
 
動的計画法の基礎と応用 ~色々使える大局的最適化法
動的計画法の基礎と応用 ~色々使える大局的最適化法動的計画法の基礎と応用 ~色々使える大局的最適化法
動的計画法の基礎と応用 ~色々使える大局的最適化法Seiichi Uchida
 
はじめてのパターン認識8章サポートベクトルマシン
はじめてのパターン認識8章サポートベクトルマシンはじめてのパターン認識8章サポートベクトルマシン
はじめてのパターン認識8章サポートベクトルマシンNobuyukiTakayasu
 
大規模グラフアルゴリズムの最先端
大規模グラフアルゴリズムの最先端大規模グラフアルゴリズムの最先端
大規模グラフアルゴリズムの最先端Takuya Akiba
 
統計的学習の基礎6章前半 #カステラ本
統計的学習の基礎6章前半 #カステラ本統計的学習の基礎6章前半 #カステラ本
統計的学習の基礎6章前半 #カステラ本Akifumi Eguchi
 
CNNの誤差逆伝播/Deconvolutionの計算過程
CNNの誤差逆伝播/Deconvolutionの計算過程CNNの誤差逆伝播/Deconvolutionの計算過程
CNNの誤差逆伝播/Deconvolutionの計算過程ssuser87f46e
 
mathematical_notation
mathematical_notationmathematical_notation
mathematical_notationKenta Oono
 
パターン認識 第10章 決定木
パターン認識 第10章 決定木 パターン認識 第10章 決定木
パターン認識 第10章 決定木 Miyoshi Yuya
 
NVIDIA Seminar ディープラーニングによる画像認識と応用事例
NVIDIA Seminar ディープラーニングによる画像認識と応用事例NVIDIA Seminar ディープラーニングによる画像認識と応用事例
NVIDIA Seminar ディープラーニングによる画像認識と応用事例Takayoshi Yamashita
 

What's hot (20)

ウェーブレット変換の基礎と応用事例:連続ウェーブレット変換を中心に
ウェーブレット変換の基礎と応用事例:連続ウェーブレット変換を中心にウェーブレット変換の基礎と応用事例:連続ウェーブレット変換を中心に
ウェーブレット変換の基礎と応用事例:連続ウェーブレット変換を中心に
 
ウェーブレットと多重解像度処理
ウェーブレットと多重解像度処理ウェーブレットと多重解像度処理
ウェーブレットと多重解像度処理
 
はじパタ8章 svm
はじパタ8章 svmはじパタ8章 svm
はじパタ8章 svm
 
スパースモデリング
スパースモデリングスパースモデリング
スパースモデリング
 
Subjective Assessment of HRTF Interpolation with Spherical Harmonics - Chris ...
Subjective Assessment of HRTF Interpolation with Spherical Harmonics - Chris ...Subjective Assessment of HRTF Interpolation with Spherical Harmonics - Chris ...
Subjective Assessment of HRTF Interpolation with Spherical Harmonics - Chris ...
 
数式を(ちょっとしか)使わずに隠れマルコフモデル
数式を(ちょっとしか)使わずに隠れマルコフモデル数式を(ちょっとしか)使わずに隠れマルコフモデル
数式を(ちょっとしか)使わずに隠れマルコフモデル
 
PRML読書会#4資料+補足
PRML読書会#4資料+補足PRML読書会#4資料+補足
PRML読書会#4資料+補足
 
ウェーブレット木の世界
ウェーブレット木の世界ウェーブレット木の世界
ウェーブレット木の世界
 
CRC-32
CRC-32CRC-32
CRC-32
 
Prml6
Prml6Prml6
Prml6
 
グラフデータの機械学習における特徴表現の設計と学習
グラフデータの機械学習における特徴表現の設計と学習グラフデータの機械学習における特徴表現の設計と学習
グラフデータの機械学習における特徴表現の設計と学習
 
充足可能性問題のいろいろ
充足可能性問題のいろいろ充足可能性問題のいろいろ
充足可能性問題のいろいろ
 
動的計画法の基礎と応用 ~色々使える大局的最適化法
動的計画法の基礎と応用 ~色々使える大局的最適化法動的計画法の基礎と応用 ~色々使える大局的最適化法
動的計画法の基礎と応用 ~色々使える大局的最適化法
 
はじめてのパターン認識8章サポートベクトルマシン
はじめてのパターン認識8章サポートベクトルマシンはじめてのパターン認識8章サポートベクトルマシン
はじめてのパターン認識8章サポートベクトルマシン
 
大規模グラフアルゴリズムの最先端
大規模グラフアルゴリズムの最先端大規模グラフアルゴリズムの最先端
大規模グラフアルゴリズムの最先端
 
統計的学習の基礎6章前半 #カステラ本
統計的学習の基礎6章前半 #カステラ本統計的学習の基礎6章前半 #カステラ本
統計的学習の基礎6章前半 #カステラ本
 
CNNの誤差逆伝播/Deconvolutionの計算過程
CNNの誤差逆伝播/Deconvolutionの計算過程CNNの誤差逆伝播/Deconvolutionの計算過程
CNNの誤差逆伝播/Deconvolutionの計算過程
 
mathematical_notation
mathematical_notationmathematical_notation
mathematical_notation
 
パターン認識 第10章 決定木
パターン認識 第10章 決定木 パターン認識 第10章 決定木
パターン認識 第10章 決定木
 
NVIDIA Seminar ディープラーニングによる画像認識と応用事例
NVIDIA Seminar ディープラーニングによる画像認識と応用事例NVIDIA Seminar ディープラーニングによる画像認識と応用事例
NVIDIA Seminar ディープラーニングによる画像認識と応用事例
 

Viewers also liked

続・ハロー・ワールド入門(オープンソースカンファレンス2016 Tokyo/Spring ライトニングトーク)
続・ハロー・ワールド入門(オープンソースカンファレンス2016 Tokyo/Spring ライトニングトーク)続・ハロー・ワールド入門(オープンソースカンファレンス2016 Tokyo/Spring ライトニングトーク)
続・ハロー・ワールド入門(オープンソースカンファレンス2016 Tokyo/Spring ライトニングトーク)kozossakai
 
Process Simulation using DWSIM
Process Simulation using DWSIMProcess Simulation using DWSIM
Process Simulation using DWSIMNaren P.R.
 
【関東GPGPU勉強会#4】GTX 1080でComputer Vision アルゴリズムを色々動かしてみる
【関東GPGPU勉強会#4】GTX 1080でComputer Visionアルゴリズムを色々動かしてみる【関東GPGPU勉強会#4】GTX 1080でComputer Visionアルゴリズムを色々動かしてみる
【関東GPGPU勉強会#4】GTX 1080でComputer Vision アルゴリズムを色々動かしてみるYasuhiro Yoshimura
 
Scilab: Computing Tool For Engineers
Scilab: Computing Tool For EngineersScilab: Computing Tool For Engineers
Scilab: Computing Tool For EngineersNaren P.R.
 
Hough forestを用いた物体検出
Hough forestを用いた物体検出Hough forestを用いた物体検出
Hough forestを用いた物体検出MPRG_Chubu_University
 
Cloud frontの概要と勘所
Cloud frontの概要と勘所Cloud frontの概要と勘所
Cloud frontの概要と勘所Kei Hirata
 
関東コンピュータビジョン勉強会
関東コンピュータビジョン勉強会関東コンピュータビジョン勉強会
関東コンピュータビジョン勉強会nonane
 
機械学習モデルフォーマットの話:さようならPMML、こんにちはPFA
機械学習モデルフォーマットの話:さようならPMML、こんにちはPFA機械学習モデルフォーマットの話:さようならPMML、こんにちはPFA
機械学習モデルフォーマットの話:さようならPMML、こんにちはPFAShohei Hido
 
有名論文から学ぶディープラーニング 2016.03.25
有名論文から学ぶディープラーニング 2016.03.25有名論文から学ぶディープラーニング 2016.03.25
有名論文から学ぶディープラーニング 2016.03.25Minoru Chikamune
 
最先端NLP勉強会 “Learning Language Games through Interaction” Sida I. Wang, Percy L...
最先端NLP勉強会“Learning Language Games through Interaction”Sida I. Wang, Percy L...最先端NLP勉強会“Learning Language Games through Interaction”Sida I. Wang, Percy L...
最先端NLP勉強会 “Learning Language Games through Interaction” Sida I. Wang, Percy L...Yuya Unno
 
深層学習とTensorFlow入門
深層学習とTensorFlow入門深層学習とTensorFlow入門
深層学習とTensorFlow入門tak9029
 
畳み込みLstm
畳み込みLstm畳み込みLstm
畳み込みLstmtak9029
 
Chainer, Cupy入門
Chainer, Cupy入門Chainer, Cupy入門
Chainer, Cupy入門Yuya Unno
 
アセンブラ漢文
アセンブラ漢文アセンブラ漢文
アセンブラ漢文kozossakai
 
20160724_cv_sfm_revisited
20160724_cv_sfm_revisited20160724_cv_sfm_revisited
20160724_cv_sfm_revisitedKyohei Unno
 
20161203 cv 3_d_recon_tracking_eventcamera
20161203 cv 3_d_recon_tracking_eventcamera20161203 cv 3_d_recon_tracking_eventcamera
20161203 cv 3_d_recon_tracking_eventcameraKyohei Unno
 
Gpgpu tomoaki-fp16
Gpgpu tomoaki-fp16Gpgpu tomoaki-fp16
Gpgpu tomoaki-fp16tomoaki0705
 
【第33回コンピュータビジョン勉強会@関東】OpenVX、 NVIDIA VisionWorks使ってみた
【第33回コンピュータビジョン勉強会@関東】OpenVX、 NVIDIA VisionWorks使ってみた【第33回コンピュータビジョン勉強会@関東】OpenVX、 NVIDIA VisionWorks使ってみた
【第33回コンピュータビジョン勉強会@関東】OpenVX、 NVIDIA VisionWorks使ってみたYasuhiro Yoshimura
 
TensorFlowで遊んでみよう!
TensorFlowで遊んでみよう!TensorFlowで遊んでみよう!
TensorFlowで遊んでみよう!Kei Hirata
 
Software for Edge Heavy Computing @ INTEROP 2016 Tokyo
Software for Edge Heavy Computing @ INTEROP 2016 TokyoSoftware for Edge Heavy Computing @ INTEROP 2016 Tokyo
Software for Edge Heavy Computing @ INTEROP 2016 TokyoShohei Hido
 

Viewers also liked (20)

続・ハロー・ワールド入門(オープンソースカンファレンス2016 Tokyo/Spring ライトニングトーク)
続・ハロー・ワールド入門(オープンソースカンファレンス2016 Tokyo/Spring ライトニングトーク)続・ハロー・ワールド入門(オープンソースカンファレンス2016 Tokyo/Spring ライトニングトーク)
続・ハロー・ワールド入門(オープンソースカンファレンス2016 Tokyo/Spring ライトニングトーク)
 
Process Simulation using DWSIM
Process Simulation using DWSIMProcess Simulation using DWSIM
Process Simulation using DWSIM
 
【関東GPGPU勉強会#4】GTX 1080でComputer Vision アルゴリズムを色々動かしてみる
【関東GPGPU勉強会#4】GTX 1080でComputer Visionアルゴリズムを色々動かしてみる【関東GPGPU勉強会#4】GTX 1080でComputer Visionアルゴリズムを色々動かしてみる
【関東GPGPU勉強会#4】GTX 1080でComputer Vision アルゴリズムを色々動かしてみる
 
Scilab: Computing Tool For Engineers
Scilab: Computing Tool For EngineersScilab: Computing Tool For Engineers
Scilab: Computing Tool For Engineers
 
Hough forestを用いた物体検出
Hough forestを用いた物体検出Hough forestを用いた物体検出
Hough forestを用いた物体検出
 
Cloud frontの概要と勘所
Cloud frontの概要と勘所Cloud frontの概要と勘所
Cloud frontの概要と勘所
 
関東コンピュータビジョン勉強会
関東コンピュータビジョン勉強会関東コンピュータビジョン勉強会
関東コンピュータビジョン勉強会
 
機械学習モデルフォーマットの話:さようならPMML、こんにちはPFA
機械学習モデルフォーマットの話:さようならPMML、こんにちはPFA機械学習モデルフォーマットの話:さようならPMML、こんにちはPFA
機械学習モデルフォーマットの話:さようならPMML、こんにちはPFA
 
有名論文から学ぶディープラーニング 2016.03.25
有名論文から学ぶディープラーニング 2016.03.25有名論文から学ぶディープラーニング 2016.03.25
有名論文から学ぶディープラーニング 2016.03.25
 
最先端NLP勉強会 “Learning Language Games through Interaction” Sida I. Wang, Percy L...
最先端NLP勉強会“Learning Language Games through Interaction”Sida I. Wang, Percy L...最先端NLP勉強会“Learning Language Games through Interaction”Sida I. Wang, Percy L...
最先端NLP勉強会 “Learning Language Games through Interaction” Sida I. Wang, Percy L...
 
深層学習とTensorFlow入門
深層学習とTensorFlow入門深層学習とTensorFlow入門
深層学習とTensorFlow入門
 
畳み込みLstm
畳み込みLstm畳み込みLstm
畳み込みLstm
 
Chainer, Cupy入門
Chainer, Cupy入門Chainer, Cupy入門
Chainer, Cupy入門
 
アセンブラ漢文
アセンブラ漢文アセンブラ漢文
アセンブラ漢文
 
20160724_cv_sfm_revisited
20160724_cv_sfm_revisited20160724_cv_sfm_revisited
20160724_cv_sfm_revisited
 
20161203 cv 3_d_recon_tracking_eventcamera
20161203 cv 3_d_recon_tracking_eventcamera20161203 cv 3_d_recon_tracking_eventcamera
20161203 cv 3_d_recon_tracking_eventcamera
 
Gpgpu tomoaki-fp16
Gpgpu tomoaki-fp16Gpgpu tomoaki-fp16
Gpgpu tomoaki-fp16
 
【第33回コンピュータビジョン勉強会@関東】OpenVX、 NVIDIA VisionWorks使ってみた
【第33回コンピュータビジョン勉強会@関東】OpenVX、 NVIDIA VisionWorks使ってみた【第33回コンピュータビジョン勉強会@関東】OpenVX、 NVIDIA VisionWorks使ってみた
【第33回コンピュータビジョン勉強会@関東】OpenVX、 NVIDIA VisionWorks使ってみた
 
TensorFlowで遊んでみよう!
TensorFlowで遊んでみよう!TensorFlowで遊んでみよう!
TensorFlowで遊んでみよう!
 
Software for Edge Heavy Computing @ INTEROP 2016 Tokyo
Software for Edge Heavy Computing @ INTEROP 2016 TokyoSoftware for Edge Heavy Computing @ INTEROP 2016 Tokyo
Software for Edge Heavy Computing @ INTEROP 2016 Tokyo
 

ディジタル信号処理 課題解説 その9