当前位置：文江博客话题详情

Matlab中滤波器和卷积有什么区别？

发布于 2024-12-20 02:24:26 字数 361 浏览 3 评论 0原文

我正在尝试计算 LTI 系统的输出。我遇到了两个不同的 Matlab 函数，它们应该适合这项工作： 过滤器和conv 。他们两个有什么区别呢？

原文

分享到QQ

分享到微博

如果你对这篇内容有疑问，欢迎到本站社区发帖提问参与讨论，获取更多帮助，或者扫码二维码加入 Web 技术交流群。

发布评论

需要登录才能够评论，你可以免费注册一个本站的账号。

带上头具痛哭 2024-12-27 02:24:26

filter 可以处理 FIR 和 IIR 系统，而 conv 接受两个输入并返回它们的卷积。因此，conv(h,x) 和 filter(h,1,x) 会给出相同的结果。 filter中的1表示滤波器的递归系数就是[1]。但如果您有 IIR 滤波器，则无法使用 conv。 filter 还可以返回过滤器状态，以便可以在后续调用中使用它，而不会引起过滤器瞬态。

请参阅转换和filter 文档了解详细信息。

回复收藏 0 原文

九公里浅绿 2024-12-27 02:24:26

conv(x,b) 执行完整的卷积。结果的长度为length(x)+ length(b)-1。
filter(b,[1],x) 给出与 x 相同长度的输出。它不会刷新滤波器的延迟线。

假设 x 是行向量。使x0 = [x zeros(1,length(b)-1)];现在 filter(b,[1],x0) 与 conv(x,b) 相同。这是因为额外的 0 用于刷新延迟线。

哪一种更合理呢？这取决于你需要什么！

回复收藏 0 原文

晌融 2024-12-27 02:24:26

一个相关的答案是Python中的情况。如上所述，对于 FIR 滤波器，函数 scipy.signal.lfilter 和 numpy.convolve 对边界效应执行相同的操作。

假设 len(x) >长度（h）。当使用 numpy.convolve(h,x,mode='same') 时，我们会得到一个 len(x) 向量，但对称地用零填充。
然而，当使用`scipy.signal.lfilter时，零填充是不对称的，而是单边的！

人们可以检查是否

import numpy as np
from scipy.signal import lfilter

h = np.array([1, 2, 1])
x = np.array([1.0, 2.0, 3.0, 4.0, 5.0])

fx = lfilter(h, 1, x)
cx = np.convolve(h, x, mode='full')[0:len(x)]

print(fx == cx)

给出所有“True”。

这个想法是，模式满填充两侧都最大程度地填充零，给出大小为 len(x) + len(h) - 1 的向量（请参阅 Numpy 文档），你需要做的是最后修剪掉多余的元素。

A related answer is the situation in Python. As mentioned above, for FIR filters the functions scipy.signal.lfilter and numpy.convolve do the same operation up to boundary effects.

Assume len(x) > len(h). When using numpy.convolve(h,x,mode='same') one gets a vector of len(x) but padded with zeros symmetrically.
However, when using `scipy.signal.lfilter the zero padding is not symmetrical but one-sided!

One can check that

import numpy as np
from scipy.signal import lfilter

h = np.array([1, 2, 1])
x = np.array([1.0, 2.0, 3.0, 4.0, 5.0])

fx = lfilter(h, 1, x)
cx = np.convolve(h, x, mode='full')[0:len(x)]

print(fx == cx)

gives all "True".

The idea is that the mode full pads maximally with zeros on both sides, giving a vector of size len(x) + len(h) - 1 (see Numpy documentation) and what you need to do is trim the redundant elements in the end.

回复收藏 0 原文