Stochastische Signaltheorie/Erzeugung vorgegebener AKF-Eigenschaften: Unterschied zwischen den Versionen

Aus LNTwww
Wechseln zu:Navigation, Suche
Zeile 6: Zeile 6:
 
}}
 
}}
 
==AKF am Ausgang eines nichtrekursiven Filters==
 
==AKF am Ausgang eines nichtrekursiven Filters==
Wir betrachten ein ''nichtrekursives Laufzeitfilter M-ter Ordnung'' gemäß der folgenden Grafik. Die zeitdiskrete Eingangsgröße $〈x_ν〉$ ist
+
<br>
 +
Wir betrachten ein ''nichtrekursives Laufzeitfilter M-ter Ordnung'' gemäß der folgenden Grafik.  
 +
[[Datei:P_ID555__Sto_T_5_3_S1_neu.png |frame| Nichtrekursives Filter ''M''-ter Ordnung]]
 +
Die zeitdiskrete Eingangsgröße $〈x_ν〉$ ist
 
* mittelwertfrei ($m_x = 0$),  
 
* mittelwertfrei ($m_x = 0$),  
 
*gaußverteilt (mit Streuung $σ_x$), und  
 
*gaußverteilt (mit Streuung $σ_x$), und  
* ohne Gedächtnis(„Weißes Rauschen”) &nbsp; &rArr; &nbsp; statistisch unabhängige Abtastwerte.  
+
* ohne Gedächtnis („Weißes Rauschen”) <br>&rArr; &nbsp; statistisch unabhängige Abtastwerte.  
 +
 
  
[[Datei:P_ID555__Sto_T_5_3_S1_neu.png |frame| Nichtrekursives Filter ''M''-ter Ordnung]]
 
  
 
Daraus ergeben sich folgende Eigenschaften:
 
Daraus ergeben sich folgende Eigenschaften:
Zeile 17: Zeile 20:
 
:$$\varphi _x ( {k \cdot T_{\rm A} } ) = \left\{ {\begin{array}{*{20}c}  {\sigma _x ^2 } & {\rm{f\ddot{u}r}\quad {\it k} = 0,}  \\  0 & {\rm{f\ddot{u}r}\quad {\it k} \ne 0.}  \\\end{array}} \right.$$
 
:$$\varphi _x ( {k \cdot T_{\rm A} } ) = \left\{ {\begin{array}{*{20}c}  {\sigma _x ^2 } & {\rm{f\ddot{u}r}\quad {\it k} = 0,}  \\  0 & {\rm{f\ddot{u}r}\quad {\it k} \ne 0.}  \\\end{array}} \right.$$
 
*Die AKF der zeitdiskreten Ausgangsfolge $〈y_ν〉$ ist wie folgt gegeben:
 
*Die AKF der zeitdiskreten Ausgangsfolge $〈y_ν〉$ ist wie folgt gegeben:
:$$\varphi _y ( {k \cdot T_{\rm A} } ) = \sigma _x ^2  \cdot \sum\limits_{\mu  = 0}^{M - k} {a_\mu  \cdot a_{\mu  + k } } \quad {\rm{f\ddot{u}r}}\quad {\it k} = 0, 1,\,...\,,\,{\it M}.$$
+
:$$\varphi _y ( {k \cdot T_{\rm A} } ) = \sigma _x ^2  \cdot \sum\limits_{\mu  = 0}^{M - k} {a_\mu  \cdot a_{\mu  + k } } \quad {\rm{f\ddot{u}r}}\quad {\it k} = 0, 1,\,\text{...}\,,\,{\it M}.$$
*Alle AKF–Werte mit $k > M$ sind $0$, und alle AKF–Werte mit $k < M$ sind symmetrisch um $0$:  
+
*Alle AKF–Werte mit $k > M$ sind $0$, und alle AKF–Werte mit $k < M$ sind symmetrisch zu $k = 0$:  
 
:$$\varphi _y ( { - k \cdot T_{\rm A} } ) = \varphi _y ( {k \cdot T_{\rm A} } ).$$
 
:$$\varphi _y ( { - k \cdot T_{\rm A} } ) = \varphi _y ( {k \cdot T_{\rm A} } ).$$
  
  
{{Beispiel}}''':'''&nbsp; Liegt am Eingang eines nichtrekursiven Filters erster Ordnung (Filterkoeffizienten $a_0 = 0.6$, $a_1 = 0.8$) zeitdiskretes weißes Rauschen mit der Streuung $σ_x = 2$ an, so lauten die diskreten AKF-Werte des Ausgangssignals (alle anderen AKF-Werte sind $0$):  
+
{{GraueBox|TEXT= 
 +
$\text{Beispiel 1:}$&nbsp; Liegt am Eingang eines nichtrekursiven Filters erster Ordnung (Filterkoeffizienten $a_0 = 0.6$, $a_1 = 0.8$) zeitdiskretes weißes Rauschen mit der Streuung $σ_x = 2$ an, so lauten die diskreten AKF-Werte des Ausgangssignals (alle anderen AKF-Werte sind $0$):  
  
 
[[Datei:P_ID597__Sto_T_5_3_S1_b_neu.png |frame| AKF am Ausgang eines Filters erster Ordnung|right]]
 
[[Datei:P_ID597__Sto_T_5_3_S1_b_neu.png |frame| AKF am Ausgang eines Filters erster Ordnung|right]]
 
:$$\varphi _y (0) = \sigma _x ^2  \cdot ( {a_0 ^2  + a_1 ^2 }) = 4,$$
 
:$$\varphi _y (0) = \sigma _x ^2  \cdot ( {a_0 ^2  + a_1 ^2 }) = 4,$$
 
:$$\varphi _y ( { - T_{\rm A} } ) = \varphi _y ( {T_{\rm A} } ) = \sigma _x ^2  \cdot a_0  \cdot a_1  = 1.92.$$
 
:$$\varphi _y ( { - T_{\rm A} } ) = \varphi _y ( {T_{\rm A} } ) = \sigma _x ^2  \cdot a_0  \cdot a_1  = 1.92.$$
 +
<br clear=all>
 +
Die Grafik kann wie folgt interpretiert werden:
 +
*Wegen $a_0^2 + a_1^2 = 1$  besitzt das Ausgangssignal $y(t)$ genau die gleiche Varianz $σ_y^2 = φ_y(0)$ wie das Eingangssignal: &nbsp;  $σ_x^2 = φ_x(0) = 4$.
 +
*Im Gegensatz zur Eingangsfolge $〈x_ν〉$ gibt es bei der Ausgangsfolge $〈y_ν〉$ statistische Bindungen zwischen benachbarten Abtastwerten. }}
 +
  
 +
==Zur Koeffizientenbestimmung==
 +
<br>
 +
Nun soll folgende Fragebeantwortet werden:
  
 +
Wie können die Koeffizienten $a_0$, ... , $a_M$ eines nichtrekursiven Filters $M$&ndash;ter Ordnung ermittelt werden,
 +
*wenn die gewünschten AKF-Werte $φ_y(0)$, ... , $φ_y(M · T_{\rm A})$ gegeben sind, und
 +
* außerhalb des Bereiches von  $-M · T_{\rm A}$ bis $+M · T_{\rm A}$ alle AKF-Werte Null sein sollen.
  
Die Grafik kann wie folgt interpretiert werden:
 
*Wegen $a_0^2 + a_1^2 =$ 1 besitzt das Ausgangssignal $y(t)$ genau die gleiche Varianz $σ_y^2 = φ_y(0)$ wie das Eingangssignal: $σ_x^2 = φ_x(0) = 4$.
 
*Im Gegensatz zur Eingangsfolge $〈x_ν〉$ gibt es bei der Ausgangsfolge $〈y_ν〉$ statistische Bindungen zwischen benachbarten Abtastwerten. {{end}}
 
  
 +
Für $σ_x = 1$ ergibt sich das folgende ''nichtlineare Gleichungssystem'', wobei zur Vereinfachung der Schreibweise $φ_k = φ_y(k · T_{\rm A})$ verwendet wird:
 +
:$$\begin{align*}\varphi _0 & = \sum\limits_{\mu  = 0}^M {a_\mu^2  ,}\\ \varphi _1 &  = \sum\limits_{\mu  = 0}^{M - 1} {a_\mu  \cdot a_{\mu  + 1} ,} \\ & . & \\ & . &\\ & . &\\ \varphi _{M - 1} & = a_0  \cdot a_{M - 1}  + a_1  \cdot a_M , \\ \\ \varphi _M  & =  a_0  \cdot a_M .\end{align*}$$
  
==Zur Koeffizientenbestimmung==
 
Nun soll die Frage geklärt werden, wie die Koeffizienten $a_0$, ... , $a_M$ eines nichtrekursiven Filters $M$&ndash;ter Ordnung ermittelt werden können, wenn die gewünschten AKF-Werte $φ_y(0)$, ... , $φ_y(M · T_{\rm A})$ gegeben sind. Außerhalb des Bereiches von  $-M · T_{\rm A}$ bis $+M · T_{\rm A}$ sollen alle AKF-Werte gleich $0$ sein.
 
  
Für $σ_x = 1$ ergibt sich das folgende ''nichtlineare Gleichungssystem'', wobei zur Vereinfachung der Schreibweise $φ_k = φ_y(k · T_{\rm A})$ verwendet wird:
+
{{BlaueBox|TEXT=   
$$\begin{align*}\varphi _0 & = \sum\limits_{\mu = 0}^M {a_\mu^2  ,}\\ \varphi _1 &  = \sum\limits_{\mu  = 0}^{M - 1} {a_\mu  \cdot a_{\mu  + 1} ,} \\ & . & \\ & . &\\ & . &\\ \varphi _{M - 1} & = a_0  \cdot a_{M - 1}  + a_1  \cdot a_M , \\ \varphi _M  & =  a_0  \cdot a_M .\end{align*}$$
+
$\text{Fazit:}$&nbsp;
Man erhält somit für die $M +$ 1 Koeffizienten auch $M +$ 1 unabhängige Gleichungen. Durch sukzessives Eliminieren der Koeffizienten $a_1, ... , a_M$ bleibt für $a_0$ eine nichtlineare Gleichung höherer Ordnung übrig.  
+
*Man erhält somit für die $M + 1$ Koeffizienten auch $M + 1$ unabhängige Gleichungen.  
 +
*Durch sukzessives Eliminieren der Koeffizienten $a_1$, ... , $a_M$ bleibt für $a_0$ schließlich eine nichtlineare Gleichung höherer Ordnung übrig.}}
  
  
{{Beispiel}}''':'''&nbsp; Wir betrachten die folgende Konstellation:  
+
{{GraueBox|TEXT= 
*ein rekursives Filter erster Ordnung  ⇒  $M = 1$,  
+
$\text{Beispiel 2:}$&nbsp; Wir betrachten die folgende Konstellation:  
 +
*ein rekursives Filter erster Ordnung  &nbsp;⇒  &nbsp; $M = 1$,  
 
*eine zeitdiskrete Eingangsfolge $〈x_ν〉$ mit Mittelwert $m_x =$ 0 und Streuung $σ_x = 1$,  
 
*eine zeitdiskrete Eingangsfolge $〈x_ν〉$ mit Mittelwert $m_x =$ 0 und Streuung $σ_x = 1$,  
*gewünschte AKF-Werte der Folge $〈y_ν〉: φ_y(0) = φ_0 =0.58$ und $φ_y(±T_{\rm A}) = φ_1 = 0.21$.  
+
*gewünschte AKF-Werte der Folge $〈y_ν〉$: &nbsp; $ φ_y(0) = φ_0 =0.58$ und $φ_y(±T_{\rm A}) = φ_1 = 0.21$.  
 +
 
  
 
Damit lautet das obige Gleichungssystem:
 
Damit lautet das obige Gleichungssystem:
Zeile 53: Zeile 68:
 
Dies führt zu einer Gleichung vom Grad $4$, nämlich
 
Dies führt zu einer Gleichung vom Grad $4$, nämlich
 
:$$a_0 ^2  + \left( { { {0.21} }/{ {a_0 } } } \right)^2  = 0.58\quad  \Rightarrow \quad a_0 ^4  - 0.58 \cdot a_0 ^2  + 0.21^2  = 0.$$
 
:$$a_0 ^2  + \left( { { {0.21} }/{ {a_0 } } } \right)^2  = 0.58\quad  \Rightarrow \quad a_0 ^4  - 0.58 \cdot a_0 ^2  + 0.21^2  = 0.$$
Eine Lösung stellt $a_0 = 0.7$ dar. Durch Einsetzen in die zweite Gleichung findet man $a_1 = 0.3$. {{end}}
+
Eine Lösung stellt $a_0 = 0.7$ dar. Durch Einsetzen in die zweite Gleichung findet man $a_1 = 0.3$. }}
  
  
Man erkennt aus diesem Beispiel, dass sich schon im einfachsten Fall  ⇒  $M = 1$ eine nichtlineare Bestimmungsgleichung für $a_0$ vom Grad $4$ ergibt.  
+
Man erkennt aus diesem Beispiel, dass sich schon im einfachsten Fall &nbsp; &nbsp; $M = 1$ für $a_0$ eine nichtlineare Bestimmungsgleichung vom Grad $4$ ergibt.  
  
 
==Mehrdeutigkeiten bei der Koeffizientenbestimmung==
 
==Mehrdeutigkeiten bei der Koeffizientenbestimmung==
 +
<br>
 
Wie das letzte Beispiel gezeigt hat, ist mit $M = 1$ die Bestimmungsgleichung für $a_0$ vom Grad $4$. Dies bedeutet gleichzeitig, dass es auch vier Koeffizientensätze gibt, die alle zur gleichen AKF führen. Dies ist aus folgenden Gründen einsichtig:  
 
Wie das letzte Beispiel gezeigt hat, ist mit $M = 1$ die Bestimmungsgleichung für $a_0$ vom Grad $4$. Dies bedeutet gleichzeitig, dass es auch vier Koeffizientensätze gibt, die alle zur gleichen AKF führen. Dies ist aus folgenden Gründen einsichtig:  
 
*Die Koeffizienten $a_0$ und $a_1$ können gleichzeitig ihr Vorzeichen ändern, ohne dass dadurch das Gleichungssystem verändert wird.  
 
*Die Koeffizienten $a_0$ und $a_1$ können gleichzeitig ihr Vorzeichen ändern, ohne dass dadurch das Gleichungssystem verändert wird.  
Zeile 64: Zeile 80:
  
  
{{Beispiel}}''':'''&nbsp; Wie im [[Stochastische_Signaltheorie/Erzeugung_vorgegebener_AKF-Eigenschaften#Zur_Koeffizientenbestimmung|letzten Abschnitt]] gezeigt wurde, ist der Parametersatz $a_0 = 0.7$, $a_1 = 0.3$ geeignet, die AKF-Werte $φ_0 = 0.58$ und $φ_1 = 0.21$ zu generieren. Die gewünschte AKF der Ausgangsfolge lautet dann in ausführlicher Schreibweise:  
+
{{GraueBox|TEXT= 
 +
$\text{Beispiel 3:}$&nbsp; Wie im [[Stochastische_Signaltheorie/Erzeugung_vorgegebener_AKF-Eigenschaften#Zur_Koeffizientenbestimmung|letzten Abschnitt]] gezeigt wurde, ist der Parametersatz $a_0 = 0.7$, $a_1 = 0.3$ geeignet, die AKF-Werte $φ_0 = 0.58$ und $φ_1 = 0.21$ zu generieren. Die gewünschte AKF der Ausgangsfolge lautet dann in ausführlicher Schreibweise:  
 
:$$\varphi_y(\tau) = 0.58 \cdot \delta(\tau) + 0.21 \cdot \delta(\tau - T_{\rm A})  
 
:$$\varphi_y(\tau) = 0.58 \cdot \delta(\tau) + 0.21 \cdot \delta(\tau - T_{\rm A})  
 
+ 0.21 \cdot \delta(\tau + T_{\rm A}) .$$
 
+ 0.21 \cdot \delta(\tau + T_{\rm A}) .$$
  
 
[[Datei:P_ID557__Sto_T_5_3_S2_b_neu_100.png |frame| Beispiel zur AKF-Berechnung|right]]
 
[[Datei:P_ID557__Sto_T_5_3_S2_b_neu_100.png |frame| Beispiel zur AKF-Berechnung|right]]
Zur gleichen AKF kommt man auch mit den Koeffizientenpaaren
+
Zur gleichen AKF kommt man auch mit den Koeffizienten
 
*$a_0 = - 0.7,\quad a_1  = -0.3,$
 
*$a_0 = - 0.7,\quad a_1  = -0.3,$
 
*$a_0  = +0.3,\quad a_1  = +0.7,$
 
*$a_0  = +0.3,\quad a_1  = +0.7,$
 
*$a_0  =  - 0.3,\quad a_1 = -0.7.$
 
*$a_0  =  - 0.3,\quad a_1 = -0.7.$
 +
  
 
Diese Konfigurationen ergeben sich durch  
 
Diese Konfigurationen ergeben sich durch  
*gleichzeitiges Multiplizieren aller Koeffizienten mit $–1$, sowie  
+
*gleichzeitiges Multiplizieren aller Koeffizienten mit $-1$, sowie  
 
*Vertauschen der Zahlenwerte von $a_0$ und $a_1$.
 
*Vertauschen der Zahlenwerte von $a_0$ und $a_1$.
  
  
Die Grafik zeigt die entsprechenden Impulsantworten, die zur gewünschten AKF führen.
+
Die Grafik zeigt die entsprechenden Impulsantworten, die zur gewünschten AKF führen.}}  
 
 
 
 
{{end}}  
 
  
 
==Aufgaben zum Kapitel==
 
==Aufgaben zum Kapitel==
 +
<br>
 +
[[Aufgaben:5.5 AKF-äquivalente Filter|Aufgabe 5.5: AKF-äquivalente Filter]]
  
[[Aufgaben:5.5 AKF-äquivalente Filter|Aufgabe 5.5: &nbsp; AKF-äquivalente Filter]]
+
[[Aufgaben:5.5Z AKF nach Filter 1. Ordnung|Aufgabe 5.5Z: AKF nach Filter 1. Ordnung]]
 
 
[[Aufgaben:5.5Z AKF nach Filter 1. Ordnung|Zusatzaufgabe 5.5Z: &nbsp; AKF nach Filter 1. Ordnung]]
 
  
[[Aufgaben:5.6 Filterdimensionierung|Aufgabe 5.6: &nbsp; Filterdimensionierung]]
+
[[Aufgaben:5.6 Filterdimensionierung|Aufgabe 5.6: Filterdimensionierung]]
  
[[Aufgaben:5.6Z Nochmals FIlterdimensionierung|Zusatzaufgabe 5.6Z: &nbsp; Nochmals FIlterdimensionierung]]
+
[[Aufgaben:5.6Z Nochmals FIlterdimensionierung|Aufgabe 5.6Z: Nochmals FIlterdimensionierung]]
  
  
 
{{Display}}
 
{{Display}}

Version vom 13. April 2018, 15:57 Uhr

AKF am Ausgang eines nichtrekursiven Filters


Wir betrachten ein nichtrekursives Laufzeitfilter M-ter Ordnung gemäß der folgenden Grafik.

Nichtrekursives Filter M-ter Ordnung

Die zeitdiskrete Eingangsgröße $〈x_ν〉$ ist

  • mittelwertfrei ($m_x = 0$),
  • gaußverteilt (mit Streuung $σ_x$), und
  • ohne Gedächtnis („Weißes Rauschen”)
    ⇒   statistisch unabhängige Abtastwerte.


Daraus ergeben sich folgende Eigenschaften:

  • Die zeitdiskrete Autokorrelationsfunktion (AKF) am Eingang lautet:
$$\varphi _x ( {k \cdot T_{\rm A} } ) = \left\{ {\begin{array}{*{20}c} {\sigma _x ^2 } & {\rm{f\ddot{u}r}\quad {\it k} = 0,} \\ 0 & {\rm{f\ddot{u}r}\quad {\it k} \ne 0.} \\\end{array}} \right.$$
  • Die AKF der zeitdiskreten Ausgangsfolge $〈y_ν〉$ ist wie folgt gegeben:
$$\varphi _y ( {k \cdot T_{\rm A} } ) = \sigma _x ^2 \cdot \sum\limits_{\mu = 0}^{M - k} {a_\mu \cdot a_{\mu + k } } \quad {\rm{f\ddot{u}r}}\quad {\it k} = 0, 1,\,\text{...}\,,\,{\it M}.$$
  • Alle AKF–Werte mit $k > M$ sind $0$, und alle AKF–Werte mit $k < M$ sind symmetrisch zu $k = 0$:
$$\varphi _y ( { - k \cdot T_{\rm A} } ) = \varphi _y ( {k \cdot T_{\rm A} } ).$$


$\text{Beispiel 1:}$  Liegt am Eingang eines nichtrekursiven Filters erster Ordnung (Filterkoeffizienten $a_0 = 0.6$, $a_1 = 0.8$) zeitdiskretes weißes Rauschen mit der Streuung $σ_x = 2$ an, so lauten die diskreten AKF-Werte des Ausgangssignals (alle anderen AKF-Werte sind $0$):

AKF am Ausgang eines Filters erster Ordnung
$$\varphi _y (0) = \sigma _x ^2 \cdot ( {a_0 ^2 + a_1 ^2 }) = 4,$$
$$\varphi _y ( { - T_{\rm A} } ) = \varphi _y ( {T_{\rm A} } ) = \sigma _x ^2 \cdot a_0 \cdot a_1 = 1.92.$$


Die Grafik kann wie folgt interpretiert werden:

  • Wegen $a_0^2 + a_1^2 = 1$ besitzt das Ausgangssignal $y(t)$ genau die gleiche Varianz $σ_y^2 = φ_y(0)$ wie das Eingangssignal:   $σ_x^2 = φ_x(0) = 4$.
  • Im Gegensatz zur Eingangsfolge $〈x_ν〉$ gibt es bei der Ausgangsfolge $〈y_ν〉$ statistische Bindungen zwischen benachbarten Abtastwerten.


Zur Koeffizientenbestimmung


Nun soll folgende Fragebeantwortet werden:

Wie können die Koeffizienten $a_0$, ... , $a_M$ eines nichtrekursiven Filters $M$–ter Ordnung ermittelt werden,

  • wenn die gewünschten AKF-Werte $φ_y(0)$, ... , $φ_y(M · T_{\rm A})$ gegeben sind, und
  • außerhalb des Bereiches von $-M · T_{\rm A}$ bis $+M · T_{\rm A}$ alle AKF-Werte Null sein sollen.


Für $σ_x = 1$ ergibt sich das folgende nichtlineare Gleichungssystem, wobei zur Vereinfachung der Schreibweise $φ_k = φ_y(k · T_{\rm A})$ verwendet wird:

$$\begin{align*}\varphi _0 & = \sum\limits_{\mu = 0}^M {a_\mu^2 ,}\\ \varphi _1 & = \sum\limits_{\mu = 0}^{M - 1} {a_\mu \cdot a_{\mu + 1} ,} \\ & . & \\ & . &\\ & . &\\ \varphi _{M - 1} & = a_0 \cdot a_{M - 1} + a_1 \cdot a_M , \\ \\ \varphi _M & = a_0 \cdot a_M .\end{align*}$$


$\text{Fazit:}$ 

  • Man erhält somit für die $M + 1$ Koeffizienten auch $M + 1$ unabhängige Gleichungen.
  • Durch sukzessives Eliminieren der Koeffizienten $a_1$, ... , $a_M$ bleibt für $a_0$ schließlich eine nichtlineare Gleichung höherer Ordnung übrig.


$\text{Beispiel 2:}$  Wir betrachten die folgende Konstellation:

  • ein rekursives Filter erster Ordnung  ⇒   $M = 1$,
  • eine zeitdiskrete Eingangsfolge $〈x_ν〉$ mit Mittelwert $m_x =$ 0 und Streuung $σ_x = 1$,
  • gewünschte AKF-Werte der Folge $〈y_ν〉$:   $ φ_y(0) = φ_0 =0.58$ und $φ_y(±T_{\rm A}) = φ_1 = 0.21$.


Damit lautet das obige Gleichungssystem:

$$\varphi _0 = a_0 ^2 + a_1 ^2 = 0.58,$$
$$\varphi _1 = a_0 \cdot a_1 = 0.21.$$

Dies führt zu einer Gleichung vom Grad $4$, nämlich

$$a_0 ^2 + \left( { { {0.21} }/{ {a_0 } } } \right)^2 = 0.58\quad \Rightarrow \quad a_0 ^4 - 0.58 \cdot a_0 ^2 + 0.21^2 = 0.$$

Eine Lösung stellt $a_0 = 0.7$ dar. Durch Einsetzen in die zweite Gleichung findet man $a_1 = 0.3$.


Man erkennt aus diesem Beispiel, dass sich schon im einfachsten Fall   ⇒   $M = 1$ für $a_0$ eine nichtlineare Bestimmungsgleichung vom Grad $4$ ergibt.

Mehrdeutigkeiten bei der Koeffizientenbestimmung


Wie das letzte Beispiel gezeigt hat, ist mit $M = 1$ die Bestimmungsgleichung für $a_0$ vom Grad $4$. Dies bedeutet gleichzeitig, dass es auch vier Koeffizientensätze gibt, die alle zur gleichen AKF führen. Dies ist aus folgenden Gründen einsichtig:

  • Die Koeffizienten $a_0$ und $a_1$ können gleichzeitig ihr Vorzeichen ändern, ohne dass dadurch das Gleichungssystem verändert wird.
  • Ersetzt man $a_0$ durch $a_1$ und umgekehrt, so ergibt sich die gleiche Bestimmungsgleichung. Diese Operation entspricht einer Spiegelung und Verschiebung der Impulsantwort.


$\text{Beispiel 3:}$  Wie im letzten Abschnitt gezeigt wurde, ist der Parametersatz $a_0 = 0.7$, $a_1 = 0.3$ geeignet, die AKF-Werte $φ_0 = 0.58$ und $φ_1 = 0.21$ zu generieren. Die gewünschte AKF der Ausgangsfolge lautet dann in ausführlicher Schreibweise:

$$\varphi_y(\tau) = 0.58 \cdot \delta(\tau) + 0.21 \cdot \delta(\tau - T_{\rm A}) + 0.21 \cdot \delta(\tau + T_{\rm A}) .$$
Beispiel zur AKF-Berechnung

Zur gleichen AKF kommt man auch mit den Koeffizienten

  • $a_0 = - 0.7,\quad a_1 = -0.3,$
  • $a_0 = +0.3,\quad a_1 = +0.7,$
  • $a_0 = - 0.3,\quad a_1 = -0.7.$


Diese Konfigurationen ergeben sich durch

  • gleichzeitiges Multiplizieren aller Koeffizienten mit $-1$, sowie
  • Vertauschen der Zahlenwerte von $a_0$ und $a_1$.


Die Grafik zeigt die entsprechenden Impulsantworten, die zur gewünschten AKF führen.

Aufgaben zum Kapitel


Aufgabe 5.5: AKF-äquivalente Filter

Aufgabe 5.5Z: AKF nach Filter 1. Ordnung

Aufgabe 5.6: Filterdimensionierung

Aufgabe 5.6Z: Nochmals FIlterdimensionierung