Bỏ qua tới nội dung chính

Hướng dẫn học chủ đề

Xử lý tín hiệu số

Trung bìnhkhoảng 65 giờ6 bước

DFT và FFT, thiết kế bộ lọc FIR/IIR, xử lý đa tốc độ, phân tích phổ và ứng dụng cho âm thanh, hình ảnh (Berkeley EE123, MIT 6.341).

Bắt đầu học

Bạn sẽ học được gì

  • Biểu diễn tín hiệu rời rạc như vectơ và giải thích phân tích Fourier như một phép đổi cơ sở
  • Tính và diễn giải DFT, dùng FFT hiệu quả; phân biệt tích chập vòng với tích chập tuyến tính
  • Phân tích phổ tín hiệu thật với hàm cửa sổ và phổ đồ, giải thích rò phổ và độ phân giải tần số
  • Phân tích bộ lọc số bằng phương trình sai phân, hàm truyền đạt H(z), điểm cực, điểm không và đáp ứng tần số
  • Thiết kế bộ lọc FIR pha tuyến tính và bộ lọc IIR theo đặc tả, kiểm tra ổn định và hiệu ứng lượng tử hóa hệ số
  • Giải thích lượng tử hóa, lấy mẫu vượt mức và thiết kế hệ thống đa tốc độ với phép phân chia và nội suy
  • Cài đặt chuỗi xử lý tín hiệu bằng Python (NumPy, SciPy) cho âm thanh hoặc dữ liệu cảm biến thật

Nên học trước

Giới thiệu

Xử lý tín hiệu số (DSP) là nghệ thuật biến dãy số lấy mẫu từ thế giới thật thành thông tin hữu ích: lọc nhiễu khỏi tín hiệu điện tim, nén âm thanh MP3, giải điều chế tín hiệu 4G, 5G, đo sóng hài trong lưới điện, phát hiện hư hỏng máy từ tín hiệu rung. Chủ đề tương ứng MIT 6.341 (Discrete-Time Signal Processing), UC Berkeley EE123 và học phần Xử lý tín hiệu số ở ĐHBK Hà Nội, ĐHBK TP.HCM. Nếu Tín hiệu và hệ thống cho bạn lý thuyết, thì DSP biến lý thuyết ấy thành thuật toán chạy trên máy tính, vi điều khiển hay FPGA.

Tín hiệu rời rạc như vectơ

Sách chính của lộ trình (Prandoni và Vetterli) chọn một góc nhìn hiện đại: tín hiệu rời rạc là vectơ trong một không gian có tích vô hướng (không gian Hilbert). Khi đó phân tích Fourier chỉ là đổi cơ sở sang cơ sở các hàm mũ phức trực giao, và nhiều công thức trở nên hiển nhiên. Góc nhìn này nối DSP với đại số tuyến tính và giúp bạn hiểu các biến đổi khác như DCT (dùng trong nén ảnh JPEG) và wavelet.

DFT, FFT và phân tích phổ

Công cụ làm việc hằng ngày là biến đổi Fourier rời rạc (DFT) của một khối N mẫu, tính nhanh bằng FFT với độ phức tạp N log N thay vì N². Dùng DFT đúng cách đòi hỏi hiểu các cạm bẫy: DFT ngầm coi tín hiệu là tuần hoàn nên phép nhân hai DFT ứng với tích chập vòng; muốn tính tích chập tuyến tính phải chèn thêm số 0; cắt tín hiệu thành khối gây rò phổ, được giảm bằng hàm cửa sổ (Hann, Hamming, Blackman) đổi lấy độ phân giải tần số kém hơn. Phổ đồ (spectrogram) cho thấy phổ thay đổi theo thời gian — công cụ chuẩn để phân tích giọng nói, âm nhạc và rung động.

Thiết kế bộ lọc số

Trái tim của DSP là bộ lọc số, mô tả bằng phương trình sai phân và hàm truyền đạt H(z). Bộ lọc FIR có đáp ứng xung hữu hạn, luôn ổn định và có thể có pha tuyến tính chính xác (khi hệ số đối xứng hoặc phản đối xứng), thiết kế bằng phương pháp cửa sổ hoặc thuật toán Parks–McClellan. Bộ lọc IIR dùng hồi tiếp nên đạt cùng độ chọn lọc với bậc thấp hơn nhiều, thường được thiết kế từ bộ lọc tương tự (Butterworth, Chebyshev, elliptic) qua biến đổi song tuyến tính, nhưng cần kiểm tra ổn định và cẩn thận với sai số lượng tử hóa hệ số. Bạn sẽ học đọc đặc tả (dải thông, dải chắn, độ gợn, độ suy giảm) và chọn loại bộ lọc phù hợp.

Lấy mẫu, đa tốc độ và tín hiệu ngẫu nhiên

Phần cuối nối DSP với phần cứng: nội suy và lấy mẫu lại, lượng tử hóa và nhiễu lượng tử trong bộ chuyển đổi A/D, D/A, lấy mẫu vượt mức (oversampling); xử lý đa tốc độ với phép phân chia (decimation), nội suy và băng lọc; xử lý tín hiệu ngẫu nhiên và bộ lọc thích nghi. Chương cuối của sách chính ghép tất cả thành một modem truyền dữ liệu số qua kênh tương tự.

Nên học thế nào

  • Nền tảng cần có: Tín hiệu và hệ thống (tích chập, biến đổi Fourier, biến đổi Z, lấy mẫu), đại số tuyến tính và lập trình Python cơ bản.
  • Sách: Signal Processing for Communications của Prandoni và Vetterli (đọc miễn phí bản PDF và HTML trên sp4comm.org) là sách chính; Think DSP của Downey học qua mã Python và âm thanh thật; Discrete-Time Signal Processing của Oppenheim và Schafer là tài liệu tham khảo chuẩn của MIT 6.341.
  • Thực hành với tín hiệu thật: dùng NumPy, scipy.signal (firwin, remez, butter, freqz, sosfilt, spectrogram) trên file âm thanh, dữ liệu cảm biến gia tốc hay dữ liệu dòng điện; luôn nghe hoặc vẽ kết quả trước và sau xử lý. Tự thiết kế lại từng bộ lọc trong sách rồi so sánh.

Học xong, bạn có thể thiết kế và cài đặt chuỗi xử lý tín hiệu hoàn chỉnh, sẵn sàng cho truyền thông số, xử lý ảnh, xử lý âm thanh và điều khiển số.

Giáo trình & sách tham khảo

Xem tất cả trong tab Sách

Giáo trình chính

Signal Processing for Communications

Paolo Prandoni, Martin Vetterli · 2008

Miễn phíTrung bìnhTiếng Anh300 trang

Vì sao chọn: Giáo trình của Prandoni và Vetterli (EPFL Press / CRC Press); tác giả cho tải miễn phí bản PDF (có bản đã tích hợp phần sửa lỗi) và đọc bản HTML trên sp4comm.org, bản quyền vẫn được giữ. Chọn làm sách chính vì miễn phí, trình bày DSP bằng góc nhìn không gian vectơ hiện đại và kết thúc bằng một dự án modem hoàn chỉnh.

Nên đọc: Chương 1–12 (từ tín hiệu rời rạc và không gian Hilbert, Fourier, bộ lọc, biến đổi Z, thiết kế bộ lọc, tín hiệu ngẫu nhiên, lấy mẫu, A/D – D/A, đa tốc độ tới thiết kế một hệ thống truyền thông số)

Discrete-Time Signal Processing

Alan V. Oppenheim, Ronald W. Schafer · 2010 · Bản thứ 3

Có phíNâng caoTiếng Anh1.108 trang

Giáo trình chuẩn của Oppenheim và Schafer (bản thứ ba, Pearson, sách trả phí), dùng cho MIT 6.341 và nhiều chương trình sau đại học. Đầy đủ và chặt chẽ nhất về lấy mẫu, biến đổi Z, cấu trúc bộ lọc, DFT và phân tích phổ; dùng để tra cứu và học nâng cao.

CC BY-NC-SACơ bảnTiếng Anh152 trang

Sách của Allen Downey (Green Tea Press), đọc miễn phí theo giấy phép Creative Commons, học DSP qua mã Python và Jupyter Notebook với âm thanh thật. Hợp để làm các bài thực hành song song với sách chính.

Nên đọc: Chương 1–5, 7–8, 10–11 (âm thanh và phổ, nhiễu, tự tương quan, DFT, lọc và tích chập, hệ LTI, điều chế và lấy mẫu)

Các bước học

Đăng nhập để đánh dấu các bước đã hoàn thành.

  1. Bước 1: Tín hiệu rời rạc và không gian tín hiệu

    khoảng 8 giờ

    Học DSP là gì và vì sao rời rạc hóa, tín hiệu rời rạc cơ bản, tần số số, năng lượng và công suất; không gian Hilbert, tích vô hướng, cơ sở trực giao, phép chiếu. Luyện tập: tạo và nghe các tín hiệu sin, tổng các họa tần, chirp bằng Python; viết hàm chiếu một tín hiệu lên cơ sở Fourier N điểm bằng tích vô hướng và kiểm tra kết quả bằng numpy.fft.

  2. Bước 2: Phân tích Fourier: DFT, FFT và phân tích phổ

    khoảng 14 giờ

    Học DFS, DFT, DTFT và quan hệ giữa chúng, FFT, tích chập vòng, chèn số 0, hàm cửa sổ, rò phổ, độ phân giải tần số, phổ đồ. Luyện tập: phân tích phổ một nốt nhạc thu âm để tìm tần số cơ bản và các họa tần; so sánh rò phổ khi dùng cửa sổ chữ nhật và cửa sổ Hann; vẽ phổ đồ của một câu nói và một tiếng chim.

  3. Bước 3: Bộ lọc số và biến đổi Z

    khoảng 12 giờ

    Học hệ LTI rời rạc, phương trình sai phân, đáp ứng xung, bộ lọc FIR và IIR cơ bản (trung bình trượt, bộ tích phân rò), biến đổi Z, hàm truyền đạt, điểm cực, điểm không và đáp ứng tần số, các cấu trúc cài đặt. Luyện tập: cài bộ lọc trung bình trượt và bộ tích phân rò bằng vòng lặp Python rồi so với scipy.signal.lfilter; đặt tay điểm cực, điểm không để tạo bộ lọc chắn dải khử tiếng ù 50 Hz trong một bản ghi và nghe kết quả.

  4. Bước 4: Thiết kế bộ lọc FIR và IIR

    khoảng 12 giờ

    Học đặc tả bộ lọc, thiết kế FIR bằng phương pháp cửa sổ và thuật toán tối ưu Parks–McClellan, bộ lọc pha tuyến tính; thiết kế IIR từ bộ lọc tương tự Butterworth, Chebyshev, elliptic qua biến đổi song tuyến tính; lượng tử hóa hệ số và cài đặt bằng các khâu bậc hai. Luyện tập: thiết kế bộ lọc thông thấp cho âm thanh 44,1 kHz với dải thông tới 3 kHz, dải chắn từ 4 kHz, suy giảm 60 dB — một lần FIR (firwin, remez), một lần IIR (ellip); so sánh bậc, độ trễ nhóm và số phép nhân mỗi mẫu.

  5. Bước 5: Lấy mẫu, chuyển đổi A/D – D/A và xử lý đa tốc độ

    khoảng 11 giờ

    Học nội suy và định lý lấy mẫu từ góc nhìn rời rạc, chồng phổ, lượng tử hóa và nhiễu lượng tử, bộ chuyển đổi A/D và D/A, lấy mẫu vượt mức; phép phân chia, nội suy, chuyển đổi tần số lấy mẫu theo tỉ số hữu tỉ. Luyện tập: đổi một file âm thanh từ 48 kHz sang 16 kHz bằng scipy.signal.resample_poly và giải thích vai trò bộ lọc chống chồng phổ; lượng tử hóa một tín hiệu sin với 4, 8, 12 bit và đo tỉ số tín hiệu trên nhiễu lượng tử.

  6. Bước 6: Tín hiệu ngẫu nhiên và dự án truyền thông số

    khoảng 8 giờ

    Học xử lý tín hiệu ngẫu nhiên: nhiễu trắng, tự tương quan, mật độ phổ, bộ lọc Wiener và bộ lọc thích nghi; rồi đọc chương thiết kế một hệ thống truyền thông số hoàn chỉnh. Dự án: xây một modem âm thanh đơn giản bằng Python truyền một chuỗi ký tự từ loa sang micro (điều chế BPSK hoặc FSK, lọc, đồng bộ, giải điều chế), đo tỉ lệ lỗi bit theo khoảng cách.

Khái niệm chính

Không gian tín hiệu
Coi tín hiệu rời rạc là vectơ trong không gian có tích vô hướng; biến đổi Fourier, DCT, wavelet đều là phép chiếu lên một cơ sở trực giao.
Biến đổi Fourier rời rạc (DFT)
Biến N mẫu thành N hệ số phổ tại các tần số cách đều; ngầm coi tín hiệu là một chu kỳ của dãy tuần hoàn.
FFT
Họ thuật toán tính DFT với độ phức tạp cỡ N log N thay vì N², ví dụ thuật toán Cooley–Tukey cơ số 2.
Tích chập vòng
Phép tích chập ứng với phép nhân hai DFT; muốn có tích chập tuyến tính phải chèn đủ số 0 trước khi biến đổi (phương pháp chồng – cộng, chồng – lưu).
Rò phổ và hàm cửa sổ
Cắt tín hiệu thành khối hữu hạn làm năng lượng của một tần số lan sang các bin khác; hàm cửa sổ giảm búp phụ đổi lấy búp chính rộng hơn.
Phổ đồ (spectrogram)
Biểu diễn độ lớn của DFT trên các khung ngắn liên tiếp theo thời gian (biến đổi Fourier thời gian ngắn), cho thấy phổ thay đổi theo thời gian.
Bộ lọc FIR
Bộ lọc có đáp ứng xung hữu hạn, không hồi tiếp; luôn ổn định và có pha tuyến tính khi hệ số đối xứng hoặc phản đối xứng.
Bộ lọc IIR
Bộ lọc có hồi tiếp nên đáp ứng xung vô hạn; đạt độ chọn lọc cao với bậc thấp nhưng pha phi tuyến và cần kiểm tra ổn định.
Biến đổi song tuyến tính
Phép ánh xạ từ mặt phẳng s sang mặt phẳng z dùng để chuyển bộ lọc tương tự thành bộ lọc IIR; giữ ổn định nhưng làm cong trục tần số, cần hiệu chỉnh trước (prewarping).
Lượng tử hóa
Làm tròn mẫu về một số hữu hạn mức; với bộ chuyển đổi n bit, mỗi bit thêm vào tăng tỉ số tín hiệu trên nhiễu lượng tử khoảng 6 dB.
Xử lý đa tốc độ
Thay đổi tần số lấy mẫu bằng phép phân chia (lọc chống chồng phổ rồi bỏ mẫu) và nội suy (chèn 0 rồi lọc); nền của băng lọc và bộ chuyển đổi sigma–delta.
Bộ lọc thích nghi
Bộ lọc tự điều chỉnh hệ số theo dữ liệu, ví dụ thuật toán LMS, dùng để khử tiếng vọng, khử nhiễu và cân bằng kênh.

Học xong để làm gì

  • Xử lý âm thanh: khử nhiễu, cân bằng, nén MP3 và AAC, nhận dạng giọng nói
  • Truyền thông số: điều chế, đồng bộ, cân bằng kênh trong 4G, 5G, Wi-Fi
  • Đo lường và bảo vệ hệ thống điện: phân tích sóng hài, đo công suất, rơle số
  • Chẩn đoán máy qua phân tích rung động và âm thanh
  • Xử lý tín hiệu y sinh: điện tim, điện não, ảnh siêu âm
  • Xử lý ảnh và video: lọc, nén JPEG và H.264

Câu hỏi thường gặp

Nên chọn bộ lọc FIR hay IIR?

Chọn FIR khi cần pha tuyến tính (âm thanh chất lượng cao, truyền thông số, đo lường) hoặc cần ổn định tuyệt đối; chọn IIR khi tài nguyên tính toán hạn chế và chấp nhận pha phi tuyến, ví dụ lọc tín hiệu cảm biến trên vi điều khiển.

Vì sao phổ FFT của tôi có nhiều vạch lạ?

Thường do rò phổ (tần số tín hiệu không trùng với bin của DFT), do chồng phổ khi lấy mẫu, hoặc do thành phần một chiều. Hãy dùng hàm cửa sổ, kiểm tra tần số lấy mẫu và trừ giá trị trung bình trước khi biến đổi.

Sách chính có miễn phí không?

Có: Prandoni và Vetterli cho tải bản PDF (kể cả bản đã sửa lỗi) và đọc bản HTML miễn phí trên sp4comm.org, bản quyền vẫn được giữ. Think DSP cũng miễn phí theo giấy phép Creative Commons.

Có cần học Oppenheim và Schafer không?

Không bắt buộc cho lượt học đầu. Đó là tài liệu tham khảo chuẩn, rất đầy đủ, hữu ích khi bạn cần chứng minh chặt chẽ hoặc học tiếp ở mức sau đại học (MIT 6.341).

Làm sao cài bộ lọc lên vi điều khiển?

Thiết kế và kiểm tra bằng Python trước, rồi xuất hệ số; cài bằng cấu trúc các khâu bậc hai (second-order sections) để giảm sai số, dùng số dấu phẩy cố định nếu vi điều khiển không có bộ tính dấu phẩy động, và kiểm tra lại đáp ứng sau khi lượng tử hóa hệ số.

Chọn nguồn tự học

Học bằng thực hành trên tín hiệu thật (âm thanh, cảm biến) với Python và scipy.signal; chọn nguồn có mã nguồn đi kèm và tự thiết kế lại từng bộ lọc trong sách.