Rekursive Filter

Autor:

Prof. Dr.-Ing. Schneider

Einleitung

Rekursive Softwarefilter spielen eine zentrale Rolle in der digitalen Signalverarbeitung, da sie es ermöglichen, Messwerte effizient zu glätten, Störungen zu reduzieren und relevante Informationen hervorzuheben. Im Gegensatz zu nicht-rekursiven Verfahren nutzen rekursive Filter neben aktuellen auch vergangene Ausgabewerte, wodurch sie mit geringem Rechenaufwand oft eine hohe Filterwirkung erzielen. Zu den grundlegenden Filtertypen zählen der einfache Mittelwertfilter, der gleitende Mittelwert sowie der Medianfilter, die vor allem zur Glättung und Ausreißerunterdrückung eingesetzt werden. Ergänzt werden diese durch rekursive Tiefpassfilter, die insbesondere hochfrequente Störungen dämpfen und langsame Signalverläufe betonen. Die Auswahl des geeigneten Filters hängt dabei stark von den Eigenschaften des Eingangssignals und den Anforderungen an die Signalverarbeitung ab, wie etwa Rechenaufwand, Verzögerung oder Empfindlichkeit gegenüber Ausreißern.

Mittelwertfilter

Vorteile:

• Sehr einfach zu implementieren
• Gute Glättung bei zufälligem Rauschen
• Geringer Rechenaufwand

Nachteile:

• Träge Reaktion auf Signaländerungen, keine Filterung dynamischer Signale möglich
• Verwischt Kanten und schnelle Übergänge
• Empfindlich gegenüber Ausreißern

Anwendungsgebiete:

• Einfache Signalglättung für statische Messung
• Messwertverarbeitung (z. B. Temperatur, Feuchte)
• Grundlegende Datenvorverarbeitung

Gleitendes Mittelwertfilter

Vorteile:

• Kontinuierliche Glättung von Datenströmen
• Effizient berechenbar
• Gut für Echtzeitanwendungen

Nachteile:

• Zeitverzögerung (Delay)
• Glättet auch relevante Signaländerungen
• Empfindlich gegenüber Ausreißern

Anwendungsgebiete:

• Zeitreihenanalyse
• Embedded Systems / Mikrocontroller
• Trendanalyse in Finanzdaten

💻 Demos

• MATLAB^®: GleitendesMittelwertFilter.m
• Arduino: DemoGleitenderMittelwert.ino

Formel

• Die Formel für das Tiefpassfilter lautet: $\overline{x}(k)=\alpha \cdot \overline{x}(k-1)+(1-\alpha )\cdot x(k)$ für den aktuellen Messwert $x(k)$.
• $\alpha$ ist hierbei ein Filterparameter $0<\alpha <1$.

Vorteile:

• Sehr effizient (geringer Speicherbedarf)
• Gute Glättung dynamischer Werte bei geringer Verzögerung
• Einfacher zu implementieren als Median oder gleitender Mittelwert
• Flexibel parametrierbar
• Die Eckfrequenz ist eine physikalischer Parameter.

Nachteile:

• Zeitverzögerung (Delay)
• Parameterwahl teilweise komplex
• Kann instabil werden bei falscher Auslegung
• Beeinflusst die Phasenlage

Anwendungsgebiete:

• Echtzeit-Signalverarbeitung
• Audiofilterung und Rauschunterdrückung
• Regelungstechnik und Sensorfusion

💻 Demos

• MATLAB^®: TiefpassFilter.m
• Arduino: DemoTiefpassFilter.ino

Medianfilter

Vorteile:

• Sehr robust gegenüber Ausreißern
• Erhält Kanten und Strukturen gut
• Keine Verzerrung durch Extremwerte

Nachteile:

• Höherer Rechenaufwand (Sortierung)
• Weniger geeignet für gaußsches Rauschen
• Rekursive Umsetzung aufwändiger

Anwendungsgebiete:

• Bildverarbeitung (z. B. Salz-und-Pfeffer-Rauschen)
• Sensorsignale mit Störimpulsen
• Mustererkennung und Vorverarbeitung

💻 Demos

• MATLAB^®: RekursivesMedianFilter.m
• Arduino: DemoMedianFilter.ino

Video Tutorials

Median - einfach erklärt 

Median - einfach erklärt - Lehrerschmidt

Median-Filter 

Lookup-Table 

Literatur

Kim, P.: Kalman-Filter für Einsteiger: mit MATLAB Beispielen. CreateSpace Independent Publishing: 2016. ISBN-13: 978-1502723789