痛苦系列 | DSP-04 截断时空的“窗”:FIR 滤波器设计与线性相位

文中代码及相关仿真脚本均可在 BlogCode 中获取,本篇代码集中于 DSP/dsp04 目录下。

痛苦系列 DSP 专栏:抛弃死记硬背与纯符号堆砌,从工程中的真实痛点切入,剖析直觉误区,由第一性原理推导数学工具与物理边界,并结合 Python 仿真验证。

前言:在频域"一刀切"的代价

在《痛苦系列 02》中,我们讨论了如何借助傅里叶变换将时域波形映射到频域。处理混有高频肌电毛刺的心电(ECG)信号时,一个直接的想法是在频域用矩形掩模做置零:把截止频率以外的谱线全部清零,再做一次逆变换回到时域。

但对包含尖锐 QRS 波群的信号做这种频域硬截断,逆变换回时域后往往会在跳变边缘出现明显的起伏振荡(振铃效应,Ringing),在有限长数据帧下还会叠加循环卷积带来的边界失真。

其根本原因在于频域与时域之间存在变换对偶约束:频域中剧烈的阶跃突变,对应着时域中缓慢衰减、长距离延伸的振荡冲激响应。与此同时,实时监测设备也无法等待整段信号采集完毕后再做离线全局变换,系统需要逐样本在线流式滤波。

本篇聚焦于数字信号处理中最基础的实时滤波器形态------有限冲激响应滤波器(FIR, Finite Impulse Response) 。全文同时梳理数学推导与工程实现:FIR 在代码里如何组织,主瓣与旁瓣如何作用于输出波形,以及 firwin 与 remez 在参数设计、延迟对齐与结构约束上的工程要点。

本篇阅读导图(认知演进的 8 个关键环节):

  1. 波形保真与线性相位:从数组滑窗点积建立直觉,用时域对比图厘清相位色散、幅度失真与延迟对齐。
  2. 理想砖墙滤波器的物理边界 :从频域定义推导 sinc 冲激响应,理解非因果性与无限长约束。
  3. 中心对称截断与吉布斯效应 :推导对称截断与因果平移,拆解 firwin 的核心计算逻辑与 8.95% 过冲极限。
  4. 窗函数的工程折中 :用"模糊笔刷"类比理解主瓣与旁瓣,对照标定曲线看清汉明窗 0.08 端点的实际代价。
  5. Parks-McClellan 等波纹逼近:从窗函数法的误差预算分布引出加权最小最大误差优化。
  6. 四种线性相位 FIR 结构约束 :推导端点零点与希尔伯特相移,结合时域波形厘清 Type I ~ IV 的适用边界。
  7. 3 点 FIR 手算闭环:回归最简实际滤波器,完成时频域全流程推演。
  8. 从公式到代码 :环形缓冲区流式实现、基于 freqz 的闭环参数设计与延迟对齐。

一、 保真诉求:幅频、线性相位与波形保真的边界

在工程实践中,平滑一段带有高频毛刺的传感器数据,最直观的做法是滑动窗口加权平均(Moving Average)。当前时刻的输出,仅由当前及过去有限个输入样本加权累加得到:

yn= ∑k=0L−1 hkxn−kyn = \sum_{k=0}^{L-1} hk xn-k yn=∑k=0L−1hkxn−k

对应到内存与执行层,FIR 滤波器就是两个长度均为 L 的数组 :一个存放预先算好的静态浮点权重 h[0..L-1],另一个是保存最近 L 个历史采样点的环形缓冲区(Ring Buffer)。每当新样本到达,将其写入缓冲区覆盖最旧样本,再对两个数组做一次点积(乘加累加,MAC),即得到当前时刻的输出。

在本篇中,我们统一采用以下符号约定:

  • L 表示抽头长度(抽头数,Number of Taps) :即权重数组 h 包含的系数总个数( n=0,1,...,L−1n = 0, 1, \dots, L-1 n=0,1,...,L−1),直接决定了每次采样的乘加运算量和历史缓存大小;
  • N = L - 1 表示滤波器阶数(Filter Order) :对应系统传递函数 H(z)= ∑k=0N hkz−kH(z) = \sum_{k=0}^{N} hk z^{-k} H(z)=∑k=0Nhkz−k 中延迟算子 z−1z^{-1} z−1 的最高幂次。由于分母恒为 11 1(所有极点均收敛于原点 z=0z = 0 z=0),有限长 FIR 系统不存在反馈回路,天然满足有界输入有界输出(BIBO)稳定。

作者按:在生物医学信号处理(如 ECG 心电、EEG 脑电)或高保真音频分频中,工程师即便面对较高的乘加计算开销,也常常优先选用 FIR 滤波器。这并不是因为 FIR 的幅频滚降比 IIR 更好,而是因为 FIR 能够极其方便地利用对称系数构造严格的线性相位(Linear Phase)。

线性相位为什么关乎波形保真?它等同于"绝对保真"吗?

现实中的复杂生理或瞬态信号(如心电图的 QRS 波群),本质上是由许多不同频率、不同初相的简谐波叠加而成的复合波形。当信号通过线性时不变系统时,频域输入输出关系为:

Y(ejω)=H(ejω)X(ejω)Y(e^{j\omega}) = H(e^{j\omega}) X(e^{j\omega}) Y(ejω)=H(ejω)X(ejω)

若滤波器的频率响应可以分解为实幅度因子 A(ω)A(\omega) A(ω) 与线性相位项的乘积:

H(ejω)=A(ω)e j(−ωτ+θ0) H(e^{j\omega}) = A(\omega) e^{j\left(-\omega\tau + \theta_0\right)} H(ejω)=A(ω)ej(−ωτ+θ0)

我们可以借此严格界定 相位失真、幅度失真与波形保真 三者的关系:

  • 恒定群延迟消除相位色散 :若相位呈线性关系,对频率求导得到的群延迟(Group Delay)为常数: τg(ω)=− dθ(ω)dω =τ \tau_g(\omega) = -\frac{d\theta(\omega)}{d\omega} = \tau τg(ω)=−dωdθ(ω)=τ 这意味着所有通过滤波器的频率分量在时间轴上经历相同的延迟步调,不会因为低频慢、高频快而发生频率相关的相对错位------即消除了相位色散(Phase Dispersion)。否则,一旦各谐波步调错乱,原本正常的生理波形就可能被扭曲出伪病理特征。
  • 线性相位不等于幅度恒定 :由 Y(ejω)=A(ω)X(ejω)ej(−ωτ+θ0)Y(e^{j\omega}) = A(\omega) X(e^{j\omega}) e^{j(-\omega\tau + \theta_0)} Y(ejω)=A(ω)X(ejω)ej(−ωτ+θ0) 可见,各频率分量的幅值仍然受到 A(ω)A(\omega) A(ω) 的加权调制。如果滤波器的截止频率设置不当,将目标信号自身包含的有效高频谐波一并衰减了,那么即便群延迟严格恒定,输出复合波形依然会发生幅度失真。
  • 常数相位偏置 θ0 \theta_0 θ0 的影响 :即便在信号有效频带内满足幅度近似平坦( A(ω)≈CA(\omega) \approx C A(ω)≈C)且群延迟恒定为 τ\tau τ,也只有当常数相位项满足 θ0=0 \theta_0 = 0 θ0=0(或 π\pi π,仅整体反相) 时,输出才近似等于输入波形的整体延迟与比例缩放。若 θ0=±π2 \theta_0 = \pm\frac{\pi}{2} θ0=±2π,各余弦分量都会被附加 90∘90^\circ 90∘ 相移(变成正弦分量,即希尔伯特变换),复合波形的时域形态同样会发生改变。

因此,严格的时域波形保真需要在信号有效频带内同时满足"幅度响应近似平坦"与"过原点的严格线性相位( θ0=0 \theta_0 = 0 θ0=0)"。

FIR 的结构优势:系数中心对称即得广义线性相位

FIR 滤波器拥有一个清晰的代数性质:只要冲激响应序列 hnhn hn 满足中心偶对称或中心奇对称,系统就具有广义线性相位(Generalized Linear Phase):

hn=±hL−1−n(n=0,1,...,L−1)hn = \pm hL - 1 - n \quad (n = 0, 1, \dots, L-1) hn=±hL−1−n(n=0,1,...,L−1)

  • 取正号(+,偶对称 ,对应后文 Type I、Type II):通带内常数相移 θ0=0 \theta_0 = 0 θ0=0,可实现无相移截距失真的严格线性相位;
  • 取负号(-,奇对称 ,对应后文 Type III、Type IV):带有固定相位偏置 θ0=±π2 \theta_0 = \pm\frac{\pi}{2} θ0=±2π,常用于微分器与希尔伯特变换器。

在频率响应非零( H(ejω)≠0H(e^{j\omega}) \ne 0 H(ejω)=0)的频点处,其相位响应可统一表示为:

θ(ω)=−ω L−12 +θ0\theta(\omega) = -\omega \frac{L - 1}{2} + \theta_0 θ(ω)=−ω2L−1+θ0

需要注意,在频率响应恰好为零的离散频点上,相位没有定义;而在阻带内实幅度因子 A(ω)A(\omega) A(ω) 穿过零点发生正负变号的位置,主值相位会出现 ±π\pm\pi ±π 的极性跳变。除响应零点及变号跳变点外,系统的群延迟在全频带内恒定为:

τg= L−12 =N2个采样周期 \tau_g = \frac{L - 1}{2} = \frac{N}{2} \quad \text{个采样周期} τg=2L−1=2N个采样周期

从数组滑窗的角度看,群延迟等于 (L - 1) / 2 十分直接:对称权重数组 h[0..L-1] 的中心权重位于下标 (L - 1) / 2(例如 51 抽头中的 h[25])。要以该位置为中心完成左右对称加权,缓冲区必须收齐中心右侧那 25 个后续样本才能算出该点的输出,因此输出整体滞后 25 个采样周期。

实验验证(频域):偶对称 FIR 的相位响应与恒定群延迟 以抽头长度 L=51L = 51 L=51(阶数 N=50N = 50 N=50)的汉明窗低通 FIR 为例。左图:在绿色通带区间内,相位响应严格贴合斜率为 −25-25 −25 的直线;进入红色阻带区间后,每当实幅度因子过零变号便产生一次 +π+\pi +π 的极性跳变,但每一小段折线的斜率始终保持不变。右图:除离散零点外,群延迟恒定在 (L−1)/2=25(L-1)/2 = 25 (L−1)/2=25 个采样周期。

下面结合一段包含 135 Hz 高频毛刺的模拟心电信号(采样率 fs=500 Hz f_s = 500\text{ Hz} fs=500 Hz),直接在时域对比对称滤波、非对称截断、非线性相位 IIR 与窄带宽截断四种情况的输出:

实验验证(时域):线性相位、非对称截断、非线性相位 IIR 与幅度失真对比 (a) 对称 FIR( L=51,fc=60 Hz L=51, f_c=60\text{ Hz} L=51,fc=60 Hz):135 Hz 毛刺被滤净,输出(蓝线)保持原有波形对称性并向右平移了 τ=25\tau = 25 τ=25 点(50 ms);切片 y[25:] 左移对齐后(绿线)与理想干净波形重合。(b) 非对称截断:从 n=0 起直接截取未平移的右半边 sinc(破坏对称性),导致非对称过冲(1.29)与右侧拖尾(-0.38)。(c) 非线性相位代价:同为 60 Hz 截止的 4 阶 Butterworth IIR(橙线),因各频率相位延迟不一致,QRS 主峰后沿拉出偏深的 S 谷负向振铃(-0.28)。(d) 幅度响应边界:即使采用严格线性相位的对称 FIR,若截止频率过低(fc=12 Hz),有效高频被削减后主峰仍从 1.20 跌落至 0.42。


二、 理想的死胡同:为什么理想"砖墙"无法实时实现?

明确了偶对称结构能够保证通带严格线性相位后,接下来的核心问题是:如何求出一组具有选频能力的对称系数 hnhn hn?

我们从最纯粹的数学理想出发------先在频域定义一个零相位的理想低通滤波器(Ideal Lowpass Filter,俗称砖墙滤波器) :在通带 −ωc,ωc -\\omega_c, \\omega_c −ωc,ωc 内增益恒为 11 1,在通带之外增益突变为 00 0:
Hd(ejω)= { 1, ∣ω∣≤ωc 0, ωc<∣ω∣≤π H_d(e^{j\omega}) = \begin{cases} 1, & |\omega| \le \omega_c \ 0, & \omega_c < |\omega| \le \pi \end{cases} Hd(ejω)={1,∣ω∣≤ωc 0,ωc<∣ω∣≤π

通过离散时间傅里叶逆变换(IDTFT),求解它在时域对应的理想冲激响应 hdn h_dn hdn:
hdn= 12π ∫−ππ Hd(ejω)ejωn,dω= 12π ∫ −ωc ωc ejωn,dω h_dn = \frac{1}{2\pi} \int_{-\pi}^{\pi} H_d(e^{j\omega}) e^{j\omega n} , d\omega = \frac{1}{2\pi} \int_{-\omega_c}^{\omega_c} e^{j\omega n} , d\omega hdn=2π1∫−ππHd(ejω)ejωn,dω=2π1∫−ωcωcejωn,dω

注意分母中会出现因子 nn n,因此必须分 n=0n = 0 n=0 与 n≠0n \ne 0 n=0 两种情形严谨求解:

  • 当 n=0n = 0 n=0 时,被积函数恒为 11 1,直接积分得 hd0= 2ωc 2π = ωcπ h_d0 = \frac{2\omega_c}{2\pi} = \frac{\omega_c}{\pi} hd0=2π2ωc=πωc(与极限 lim⁡n→0 sin⁡(ωcn) πn \lim_{n \to 0} \frac{\sin(\omega_c n)}{\pi n} limn→0πnsin(ωcn) 一致);
  • 当 n≠0n \ne 0 n=0 时,积分化简得 sin⁡(ωcn) πn \frac{\sin(\omega_c n)}{\pi n} πnsin(ωcn)。

汇总得到完整的双边理想冲激响应:
hdn= { ωcπ , n=0\6pt sin⁡(ωcn) πn , n≠0 (−∞<n<∞) h_dn = \begin{cases} \dfrac{\omega_c}{\pi}, & n = 0 \6pt \dfrac{\sin(\omega_c n)}{\pi n}, & n \ne 0 \end{cases} \quad (-\infty < n < \infty) hdn={πωc,n=0\6ptπnsin(ωcn),n=0(−∞<n<∞)

若采用信号处理与 NumPy 中的归一化定义 sinc⁡(x)≜ sin⁡(πx)πx \operatorname{sinc}(x) \triangleq \frac{\sin(\pi x)}{\pi x} sinc(x)≜πxsin(πx)(补充定义 sinc⁡(0)=1\operatorname{sinc}(0) = 1 sinc(0)=1),上式也可紧凑记为:

hdn= ωcπ sinc⁡! ( ωcn π ) (−∞<n<∞) h_dn = \frac{\omega_c}{\pi} \operatorname{sinc}!\left(\frac{\omega_c n}{\pi}\right) \quad (-\infty < n < \infty) hdn=πωcsinc!(πωcn)(−∞<n<∞)

审视这个关于原点 n=0n = 0 n=0 偶对称( hdn=hd−n h_dn = h_d-n hdn=hd−n)的序列,我们面对着两道无法直接跨越的工程约束:

  1. 非因果性(Non-causality) : hdn h_dn hdn 在负时间区域 n<0n < 0 n<0 不为零。代入卷积公式 yn= ∑k=−∞∞ hdkxn−kyn = \sum_{k=-\infty}^{\infty} h_dk xn-k yn=∑k=−∞∞hdkxn−k 可见,当下标 k<0k < 0 k<0 时, xn−k=xn+∣k∣xn-k = xn + \|k\| xn−k=xn+∣k∣。这意味着计算当前时刻 nn n 的输出需要读取 nn n 之后的未来输入样本,违反实时系统的因果律。
  2. 无限长(Infinite Duration) : sinc⁡\operatorname{sinc} sinc 序列向正负无穷两端无限延伸,且包络仅按 1/∣n∣1/|n| 1/∣n∣ 的速率缓慢衰减(甚至不满足绝对可和条件),无法装入有限阶的寄存器中做实时乘加。

因此,理想砖墙滤波器无法由有限长度的因果 FIR 系统精确实现。


三、 中心对称截断与吉布斯效应:截断时空的代价

既然理想冲激响应 hdn h_dn hdn 卡在了"无限长"与"非因果"两道关卡上,窗函数设计法的核心思路便是分两步将其改造为可落地的因果线性相位系统:

  1. 以中心为基准对称截断(解决无限长) :围绕 hdn h_dn hdn 的对称中心 n=0n = 0 n=0 截取有限个点,保留左右对称形态;
  2. 整体向右平移至因果区间(解决非因果性) :将截断后的双边对称序列向右平移 τ= L−12 \tau = \frac{L-1}{2} τ=2L−1 个采样周期,使其支撑区间落在 0,L−10, L-1 0,L−1 上。

(注:若不经平移直接在 0,L−10, L-1 0,L−1 截断原始 hdn h_dn hdn,只会保留右半支单调衰减序列,破坏系数对称性,对应前文 fir_04b 图 (b) 中的单边过冲与拖尾畸变。)

推导:平移加窗与线性相位的自然衔接

将上述"先对称截断、再因果右移"合并写出,在数学上严格等价于:先将理想冲激响应的中心从原点移动到 τ= L−12 \tau = \frac{L-1}{2} τ=2L−1,再乘以一个定义在 0,L−10, L-1 0,L−1 上的中心对称窗函数 wnwn wn。

以最常用的奇数抽头长度 L=2K+1L = 2K + 1 L=2K+1(阶数 N=2KN = 2K N=2K,对称中心 τ=K\tau = K τ=K 为整数)为例,平移后的理想冲激响应为:
hdn−τ= { ωcπ , n=τ\6pt sin⁡! (ωc(n−τ)) π(n−τ) , n≠τ h_dn - \\tau = \begin{cases} \dfrac{\omega_c}{\pi}, & n = \tau \6pt \dfrac{\sin!\left(\omega_c (n - \tau)\right)}{\pi (n - \tau)}, & n \ne \tau \end{cases} hdn−τ={πωc,n=τ\6ptπ(n−τ)sin!(ωc(n−τ)),n=τ

(若 LL L 取偶数,则中心 τ= L−12 \tau = \frac{L-1}{2} τ=2L−1 为半整数,所有整数采样点均满足 n≠τn \ne \tau n=τ,直接按第二行计算,序列同样关于 τ\tau τ 偶对称。)

随后选取满足中心偶对称条件 wn=wL−1−nwn = wL - 1 - n wn=wL−1−n(在 0≤n≤L−10 \le n \le L-1 0≤n≤L−1 之外为 00 0)的因果窗函数进行加权:

hn=hdn−τ⋅wn,0≤n≤L−1hn = h_dn - \\tau \cdot wn, \quad 0 \le n \le L - 1 hn=hdn−τ⋅wn,0≤n≤L−1

检验其对称性:由于 L−1−n−τ=−(n−τ)L - 1 - n - \tau = -(n - \tau) L−1−n−τ=−(n−τ) 且 hd−m=hdm h_d-m = h_dm hd−m=hdm,故有:

hL−1−n=hd−(n−τ)⋅wL−1−n=hdn−τ⋅wn=hnhL - 1 - n = h_d-(n - \\tau) \cdot wL - 1 - n = h_dn - \\tau \cdot wn = hn hL−1−n=hd−(n−τ)⋅wL−1−n=hdn−τ⋅wn=hn

这就严密地构造出了一个因果、有限长 LL L、严格偶对称的线性相位 FIR 滤波器。

算法对应实现:scipy.signal.firwin() 的核心逻辑

上述平移截断与加窗推导直接对应 Python 中的以下几行计算(与 signal.firwin(51, 0.4, window='hamming') 返回系数的最大差值实测为 0.0):

python 复制代码
import numpy as np
import scipy.signal as signal

L = 51
fc_norm = 0.4              # 归一化截止频率 omega_c / pi
tau = (L - 1) / 2.0        # 对称中心,也是群延迟 25.0
n = np.arange(L) - tau     # 先平移中心到 25,再覆盖 [-25, +25] 对称区间

# np.sinc(x) 的定义正好是 sin(pi*x)/(pi*x) 且 sinc(0)=1,无需手动判零
h_manual = fc_norm * np.sinc(fc_norm * n) * signal.windows.hamming(L)
h_manual /= np.sum(h_manual)  # 归一化,保证直流增益 H(e^j0) = 1.0

其计算流程依次完成三项操作:将样本下标平移到对称中心、逐点乘以窗函数、按系数和归一化直流增益。

直接矩形截断与频域卷积

最朴素的加权方式是不做任何边缘平滑,直接选用矩形窗(Rectangular Window):
wrect n= { 1, 0≤n≤L−1 0, 其他 w_{\mathrm{rect}}n = \begin{cases} 1, & 0 \le n \le L - 1 \ 0, & \text{其他} \end{cases} wrectn={1,0≤n≤L−1 0,其他

根据 DTFT 的频域周期卷积定理 ,时域相乘对应频域以 2π2\pi 2π 为周期的卷积:

H(ejω)= 12π ∫−ππ Hd,τ (ejθ) Wrect !(ej(ω−θ))dθH(e^{j\omega}) = \frac{1}{2\pi} \int_{-\pi}^{\pi} H_{d,\tau}(e^{j\theta}) W_{\mathrm{rect}}!\left(e^{j(\omega - \theta)}\right) d\theta H(ejω)=2π1∫−ππHd,τ(ejθ)Wrect!(ej(ω−θ))dθ

其中 Hd,τ (ejω)=Hd(ejω)e−jωτ H_{d,\tau}(e^{j\omega}) = H_d(e^{j\omega}) e^{-j\omega\tau} Hd,τ(ejω)=Hd(ejω)e−jωτ。实际滤波器的频率响应不再是锋利的阶跃方波,而是理想频响与矩形窗频谱滑动卷积平滑后的结果:

  1. 过渡带展宽:理想阶跃的垂直断崖被矩形窗的主瓣抹宽,形成平缓的过渡带;
  2. 边缘起伏振荡(吉布斯效应) :矩形窗自身的峰值旁瓣电平高达约 −13.3 dB-13.3\text{ dB} −13.3 dB,当旁瓣扫过截止频率 ωc \omega_c ωc 的阶跃边缘时,在通带与阻带边缘激发出明显的波纹起伏。

抽头长度 LL L 增大后,边缘过冲会消失吗?

直觉上容易假定,只要把抽头长度 LL L 从 2121 21 增加到 101101 101 甚至 501501 501,保留足够长的尾部,截断引起的边缘波纹就会逐渐衰减到 00 0。下面直接看不同长度下的实验对比:

实验验证:吉布斯效应与抽头长度增加时的极限行为 对理想低通( ωc=0.4π \omega_c = 0.4\pi ωc=0.4π,阶跃幅度 Δ=1\Delta = 1 Δ=1)做纯矩形窗对称截断(scale=False)。当抽头长度从 L=21L = 21 L=21(阶数 N=20N = 20 N=20)提升至 L=501L = 501 L=501(阶数 N=500N = 500 N=500)时,过渡带显著收窄,振荡频率变密并向截止点挤压,但图上标出的最大过冲峰值分别为 1.097、1.091、1.090,始终停留在理论极限 1.0895 附近,并未随 LL L 增大而衰减归零。

作者按:这就是傅里叶级数部分和逼近不连续点时著名的吉布斯效应(Gibbs Phenomenon)。对于跳变幅度为 Δ\Delta Δ 的理想频响阶跃,时域硬截断带来的频域最大过冲极限约为 0.08949Δ0.08949\Delta 0.08949Δ(约占跳变高度的 8.958.95% 8.95)。增加抽头数 LL L 只能把过冲挤压到离 ωc \omega_c ωc 越来越近的狭窄区间内,却无法消除这个由矩形窗旁瓣积分决定的渐近常数。


四、 窗函数的工程折中:主瓣宽度与旁瓣电平

既然矩形窗两端从 11 1 骤降到 00 0 的硬截断是强旁瓣振荡的根源,工程上的改进方向就很明确:将时域窗函数的两端设计为平滑收敛的曲线,缓和截断边缘的不连续性。

在看具体的窗函数曲线之前,先把 主瓣(Main lobe) 和 旁瓣(Sidelobes) 用软件工程师熟悉的"图像模糊卷积核"直觉翻译一下:

  • 在频域里,给理想滤波器乘窗函数,等效于拿窗函数的频谱图像当成一把"模糊笔刷",从左到右扫过理想砖墙的直角悬崖;
  • 主瓣 就是频谱图最中间贴着 0 dB、一直到第一次掉进深谷(第一零点)的那座主山丘 ------它就是笔刷的刷头宽度 。主瓣越宽,刷头越粗,扫过 0.4π 悬崖时就把断崖抹成越平缓的长斜坡(过渡带变宽,切除高频不够果断);
  • 旁瓣 就是跨过第一零点之后、右边那一连串起伏的小山包 ------它们相当于刷子两边漏墨的毛刺 。哪怕刷头中心已经完全滑进了本该全为 0 的阻带,这串高翘的小山包还伸在左边的通带 1 里借能量,导致阻带曲线漏出一堆噪声波纹(阻带衰减变差)。

对比分析:四种对称窗函数的时域包络与频域幅度谱(含主瓣区与峰值标注) 左图( L=51,N=50L = 51, N = 50 L=51,N=50):汉宁窗与布莱克曼窗的两端平滑衰减至 0.00,而汉明窗(绿线)在端点 n=0n = 0 n=0 与 n=50n = 50 n=50 处仍保留 0.08 的权重;右图:左侧阴影区为主瓣范围,右侧为旁瓣区,各曲线的关键旁瓣峰值已直接标出。

仔细对照左图和右图上标注出的数字,有两处极易混淆的细节值得拆解清楚:

  1. 标准对称汉明窗的两端并没有衰减到零 。其定义为: whamm n=0.54−0.46cos⁡! ( 2πnL−1 ) (0≤n≤L−1) w_{\mathrm{hamm}}n = 0.54 - 0.46\cos!\left(\frac{2\pi n}{L - 1}\right) \quad (0 \le n \le L - 1) whammn=0.54−0.46cos!(L−12πn)(0≤n≤L−1) 代入 n=0n = 0 n=0 或 n=L−1n = L - 1 n=L−1 可得 whamm 0= whamm L−1=0.08 w_{\mathrm{hamm}}0 = w_{\mathrm{hamm}}L-1 = 0.08 whamm0=whammL−1=0.08。
  2. 为什么图上汉明窗的第 1 旁瓣是 -47.6 dB,但书上常说它峰值旁瓣电平是 -42 dB? 观察右图绿线与橙线:汉宁窗(橙线,0.5 - 0.5cos)主瓣外紧邻的第 1 旁瓣高耸在 -31.5 dB ;汉明窗之所以刻意把配比微调为 0.54 / 0.46(理论精准抵消点约为 25/46≈0.543525/46 \approx 0.5435 25/46≈0.5435),就是为了在汉宁窗原先第 1 旁瓣的位置附近(约 0.108π)人为砸出一道深谷,把原本 -31.5 dB 的第一旁瓣主峰劈开压低,使得汉明窗第 1 旁瓣跌至 -47.6 dB 。 但这一调整将代价转移到了更远的高频旁瓣上:右数第 3 个绿色旁瓣峰抬升至 -42.3 dB (成为全频带最高旁瓣),且由于端点保留了 0.08 的非零台阶,高频远端旁瓣的衰减斜率明显慢于汉宁窗。

这也直接解释了右图及下方滤波器频响图中的一个反直觉现象:汉明窗(绿线)在紧邻过渡带处比汉宁窗(橙线)压得更深,但到了远离截止频率的高频端,端点连续归零的汉宁窗衰减反而大幅反超汉明窗。

当抽头长度 LL L 较大时,四种典型对称窗函数的近似特征指标如下表所示:

窗函数名称 主瓣宽度(近似) 峰值旁瓣电平(近似) 低通阻带最小衰减(典型) 特点与工程选型
矩形窗 (Rectangular) 4π/L4\pi / L 4π/L −13 dB-13\text{ dB} −13 dB −21 dB-21\text{ dB} −21 dB 主瓣最窄,但旁瓣极高,吉布斯波纹严重
汉宁窗 (Hann) 8π/L8\pi / L 8π/L −31 dB-31\text{ dB} −31 dB −44 dB-44\text{ dB} −44 dB 端点归零,远端旁瓣滚降快,均衡通用
汉明窗 (Hamming) 8π/L8\pi / L 8π/L −42 dB-42\text{ dB} −42 dB −53 dB-53\text{ dB} −53 dB 端点保留 0.08,重点压低靠近通带的第 1 旁瓣,工程常用
布莱克曼窗 (Blackman) 12π/L12\pi / L 12π/L −58 dB-58\text{ dB} −58 dB −74 dB-74\text{ dB} −74 dB 阻带抑制极深,代价是相同 LL L 下过渡带宽约 3 倍

(注:上表数值为经典对称窗在较大抽头数下的近似特征值;有限小长度或采用周期型非对称窗 sym=False 时数值会有细微偏移。)

仿真对比:相同抽头长度下不同窗函数的低通 FIR 频响 固定抽头长度 L=51L = 51 L=51(阶数 N=50N = 50 N=50,截止频率 ωc=0.4π \omega_c = 0.4\pi ωc=0.4π):各窗设计的最差阻带峰值已直接标注于图中------矩形窗仅 -21.0 dB,汉宁窗 -43.9 dB,汉明窗 -53.7 dB,布莱克曼窗达 -75.3 dB 但过渡带明显拉宽;同时在 0.50π 往右可以清晰看到汉宁窗反超汉明窗。

工程权衡小结 :在固定抽头长度 LL L 的前提下,主瓣宽度与旁瓣电平之间存在显著的工程折中------要想同时拥有陡峭的过渡带和深度的阻带抑制,就必须付出增加抽头数 LL L(即增加乘加运算量与群延迟)的成本。


五、 进阶演进:Parks-McClellan 等波纹逼近

窗函数法虽然物理图景直观、代码闭式简单,但从优化角度看,它的误差分布是被动由窗函数决定的:在靠近过渡带边缘处误差最大(往往成为卡住指标的短板),而到了高频远端衰减又远远超出实际指标需求,未能充分盘活有限抽头数所提供的自由度预算。

由此自然引出一个面向指标的最优化问题:给定目标频带集合 Ω\Omega Ω(如通带 0,ωp 0, \\omega_p 0,ωp 与阻带 ωs,π \\omega_s, \\pi ωs,π)、期望实幅度响应 D(ω)D(\omega) D(ω) 以及各频带的误差权重函数 W(ω)W(\omega) W(ω),能否直接搜寻一组系数,使得加权最大绝对误差最小化?

min⁡hn max⁡ω∈Ω ∣W(ω)D(ω)−A(ω)∣ \min_{{hn}} \max_{\omega \in \Omega} \Big| W(\omega) \big D(\\omega) - A(\\omega) \\big \Big| minhnmaxω∈Ω W(ω)D(ω)−A(ω)

这就是经典的 Parks-McClellan 算法 (在 SciPy 中对应 scipy.signal.remez())。它基于切比雪夫交错定理与 Remez 交换迭代,将加权误差均匀摊平在通带与阻带内部,形成峰值等高的波纹(Equiripple):

  • 当通带与阻带赋予相同权重( Wp=Ws=1 W_p = W_s = 1 Wp=Ws=1)时,通带最大波纹 δp \delta_p δp 与阻带最大波纹 δs \delta_s δs 的线性幅度相等;
  • 当工程指标对通带波纹与阻带衰减提出不同容差要求时,只需设置权重比 Wp/Ws=δs/δp W_p / W_s = \delta_s / \delta_p Wp/Ws=δs/δp,算法便会按比例精准分配两个频带的波纹上限。

这里需要区分两个层面的开销:在完全相同的抽头长度 L=51L = 51 L=51 下,无论采用汉明窗还是等波纹法,滤波器每次输出所需的运行期乘加运算次数是完全相同的------汉明窗在远端衰减更深,浪费的是"设计自由度(误差预算)",而非运行期算力。等波纹法的收益体现在两个可互换的维度上:

  1. 固定抽头数 LL L:把远端富余的衰减预算匀给过渡带边缘,换取更窄的过渡带或更达标的阻带边界;
  2. 固定滤波指标 (ωp,ωs,δp,δs) (\omega_p, \omega_s, \delta_p, \delta_s) (ωp,ωs,δp,δs) :用更少的抽头数 LL L 刚好踩线达标,此时减少的抽头数才会真正转化为运行期乘加算力与群延迟的同步降低。

实验对比:Parks-McClellan 等波纹设计与汉明窗法的双维度实测 左图(固定抽头数 L=51L = 51 L=51,阶数 N=50N = 50 N=50):在目标阻带起点 0.4π 处,汉明窗仅衰减至 -29.4 dB(尚未完成滚降),远端峰值却深达 -70.8 dB;等权重 Remez 则将阻带整体压平在 -47.9 dB 的等高上限。右图(固定指标:通带 0,0.3π0, 0.3\\pi 0,0.3π 幅度误差 ≤0.01\le 0.01 ≤0.01,阻带 0.4π,π0.4\\pi, \\pi 0.4π,π 衰减 ≥50 dB\ge 50\text{ dB} ≥50 dB):经脚本逐阶搜索实测,汉明窗法至少需要 L=67L = 67 L=67 个抽头( 6666 66 阶) 才能达标,而设置权重 W=1,3.16W = 1, 3.16 W=1,3.16 的加权 Remez 仅需 L=47L = 47 L=47 个抽头( 4646 46 阶) 即可精准踩在 -50.0 dB 红线上全面达标,抽头数减少了 20 个(具体节省数量随过渡带宽度及波纹配比而异)。


六、 结构与边界:四种线性相位 FIR 的端点约束

根据抽头长度 LL L 的奇偶性以及系数对称关系 hn=±hL−1−nhn = \pm hL - 1 - n hn=±hL−1−n,广义线性相位 FIR 滤波器在数学上严格划分为四种结构类型。不同结构在直流端点( ω=0\omega = 0 ω=0)和 Nyquist 端点( ω=π\omega = \pi ω=π)上具有完全不同的代数约束:

类型 抽头长度 LL L(阶数 N=L−1N=L-1 N=L−1) 系数对称关系 常数相移 θ0 \theta_0 θ0 结构性强制零点 典型适用场景
Type I LL L 为奇数( NN N 为偶数) 偶对称 hn=hL−1−nhn=hL-1-n hn=hL−1−n 00 0 无 通用选频滤波(低通、高通、带通、带阻)
Type II LL L 为偶数( NN N 为奇数) 偶对称 hn=hL−1−nhn=hL-1-n hn=hL−1−n 00 0 ω=π\omega = \pi ω=π(Nyquist) 低通、带通(不可用于通带含 π\pi π 的高通/带阻)
Type III LL L 为奇数( NN N 为偶数) 奇对称 hn=−hL−1−nhn=-hL-1-n hn=−hL−1−n ±π/2\pm\pi/2 ±π/2 ω=0\omega = 0 ω=0 与 ω=π\omega = \pi ω=π 带限微分器、希尔伯特变换器
Type IV LL L 为偶数( NN N 为奇数) 奇对称 hn=−hL−1−nhn=-hL-1-n hn=−hL−1−n ±π/2\pm\pi/2 ±π/2 ω=0\omega = 0 ω=0(DC) 高频/全频带微分器、希尔伯特变换器

1. 为什么偶对称的 Type II 在 Nyquist 处必为零?

对于抽头长度 LL L 为偶数的偶对称序列(Type II),成对合并对称项 hn=hL−1−nhn = hL-1-n hn=hL−1−n 后,其频率响应可展开为:

H(ejω)=e −jω L−12 ∑k=1L/2 2h! L2−k cos⁡! (ω (k−12) ) H(e^{j\omega}) = e^{-j\omega \frac{L-1}{2}} \sum_{k=1}^{L/2} 2 h!\left\\frac{L}{2} - k\\right \cos!\left(\omega \left(k - \frac{1}{2}\right)\right) H(ejω)=e−jω2L−1∑k=1L/22h!2L−kcos!(ω(k−21))

当角频率取到离散系统的 Nyquist 边界 ω=π\omega = \pi ω=π 时,考察求和号内的余弦因子:

cos⁡! (π (k−12) ) =cos⁡! (kπ−π2) =sin⁡(kπ)≡0(∀k∈Z) \cos!\left(\pi \left(k - \frac{1}{2}\right)\right) = \cos!\left(k\pi - \frac{\pi}{2}\right) = \sin(k\pi) \equiv 0 \quad (\forall k \in \mathbb{Z}) cos!(π(k−21))=cos!(kπ−2π)=sin(kπ)≡0(∀k∈Z)

每一项在 ω=π\omega = \pi ω=π 处恒等于 00 0,从而导致结构性零点:

H(ejπ)≡0H(e^{j\pi}) \equiv 0 H(ejπ)≡0

因此,只要采用偶对称的 Type II 结构,无论如何调整系数或更换窗函数,频率响应在 ω=π\omega = \pi ω=π 处都会被强制拉回 00 0,无法满足标准高通或带阻滤波器在 Nyquist 频率处保持非零通带增益的要求。

2. 把偶数抽头低通乘以 (−1)n(-1)^n (−1)n 会发生什么?

调用 signal.firwin(50, 0.5, pass_zero=False) 时,SciPy 会直接抛出 ValueError 拒绝偶数抽头的高通设计。在部分实现中,若先设计一个长度 L=50L = 50 L=50 的 Type II 低通序列 hlp n h_{\mathrm{lp}}n hlpn,再通过时域符号交替调制 gn=(−1)n hlp ngn = (-1)^n h_{\mathrm{lp}}n gn=(−1)nhlpn 将通带搬移到高频,会看到幅频曲线在 ω=π\omega = \pi ω=π 处停在 1.0 而并未归零。原因在于序列的对称性质已经发生了变化。

我们来检验调制后序列 gngn gn 的对称性(注意 L=50L = 50 L=50,故 L−1=49L - 1 = 49 L−1=49 为奇数):
g49−n =(−1)49−n hlp 49−n =−(−1)n hlp n =−gn \begin{aligned} g49 - n &= (-1)^{49 - n} h_{\mathrm{lp}}49 - n \ &= -(-1)^n h_{\mathrm{lp}}n \ &= -gn \end{aligned} g49−n=(−1)49−nhlp49−n =−(−1)nhlpn =−gn

对比前后对称关系可知:乘以 (−1)n(-1)^n (−1)n 的频谱搬移操作,把原本偶对称的 Type II 翻转成了奇对称的 Type IV。

对照上方结构表,Type IV 的强制零点位于直流 ω=0\omega = 0 ω=0,而在 ω=π\omega = \pi ω=π 处并没有零点约束,因此它的幅频响应 ∣G(ejω)∣|G(e^{j\omega})| ∣G(ejω)∣ 确实能够呈现出完整的高通形态。那么,为什么 scipy.signal.firwin() 仍然拒绝用偶数抽头生成高通,而不自动切换到 Type IV 呢?

三线同框频域验证:Type I、Type II 与 Type IV 高通响应的幅频及相移对比 左图(幅频响应):Type I(蓝线, L=51L=51 L=51 偶对称)平直延伸至 ω=π\omega = \pi ω=π;真正的 Type II 候选高通(红虚线, L=50L=50 L=50 偶对称)在接近 ω=π\omega = \pi ω=π 时被结构零点强行拉回 0;而 Type IV(绿点划线, L=50L=50 L=50 奇对称)幅频虽能保持为 1,但右图显示剥离线性群延迟 e −jω L−12 e^{-j\omega\frac{L-1}{2}} e−jω2L−1 后,Type I 与 Type II 的通带常数相移均为 θ0=0∘ \theta_0 = 0^\circ θ0=0∘,唯独 Type IV 恒定带有 θ0=+90∘ \theta_0 = +90^\circ θ0=+90∘ 的希尔伯特相移。

结合时域输出可以更直接地看出 +90∘+90^\circ +90∘ 相移对波形的影响。将对称窄脉冲 与通带高频调制波包 分别输入 Type I 和 Type IV 高通滤波器:

时域直觉验证: +90∘+90^\circ +90∘ 相移对时域输出波形的影响 左图:左右对称的窄脉冲经过 Type I 高通(蓝线)后仍保持偶对称的单正峰(+0.266);经过 Type IV 高通(绿线)后,中心位置发生过零反转,转为"左正右负"的反对称双极性波(+0.231 / -0.231)。右图:处于通带平坦区(0.75π, ∣H∣=1|H|=1 ∣H∣=1)的高频调制波包,Type I 输出(+1.0)与原输入波形重合,而 Type IV 虽保持相同的外包络幅度,内部波形相对原输入偏移了四分之一周期,原波峰位置转为过零点。

作者按:这就是把第六节与第一节彻底贯通的关键拼图。偶数长度并非绝对做不出"高通幅频响应"(奇对称的 Type IV 就可以);但 Type IV 附带的 ±90∘\pm 90^\circ ±90∘ 相移会改变时域波形的对称与峰谷形态。像 firwin() 这类面向常规无相移失真选频的库函数,默认只构造偶对称系数( θ0=0 \theta_0 = 0 θ0=0),所以在高通和带阻场景下必然拒绝偶数抽头。

3. 工程选型

  • 通带延伸至 Nyquist( ω=π\omega = \pi ω=π)的高通滤波 :若要求通带不引入 ±90∘\pm 90^\circ ±90∘ 希尔伯特相移(采用偶对称结构,如使用 scipy.signal.firwin()),抽头长度 LL L 应取奇数 (阶数 NN N 为偶数),生成 Type I 结构;若应用场景本身需要或容许 90∘90^\circ 90∘ 相移(如高频微分/正交变换),偶数抽头的 Type IV 结构在幅频上可以覆盖 ω=π\omega = \pi ω=π。
  • 标准带阻滤波(Bandstop) :由于带阻同时要求直流 ω=0\omega = 0 ω=0 与最高频 ω=π\omega = \pi ω=π 均处于非零通带,对照结构表可知 Type II(死于 π\pi π)、Type III(死于 00 0 和 π\pi π)、Type IV(死于 00 0)全部受制于端点强制零点------在全部四种广义线性相位 FIR 结构中,标准带阻滤波器只能选用奇数抽头偶对称的 Type I 结构。

七、 极简手算演进:3 点平滑 FIR 的全流程推导

为了将前文的理论推导落到最直观的数值层面,我们手算一个最简单的 Type I 低通滤波器:抽头长度 L=3L = 3 L=3(阶数 N=L−1=2N = L - 1 = 2 N=L−1=2)的加权滑动平均器:

hn=0.25,;0.5,;0.25(n=0,1,2)hn = 0.25, ; 0.5, ; 0.25 \quad (n = 0, 1, 2) hn=0.25,;0.5,;0.25(n=0,1,2)

1. 求解频率响应与对称因子提取

对 hnhn hn 做离散时间傅里叶变换:

H(ejω)=0.25+0.5e−jω+0.25e−j2ωH(e^{j\omega}) = 0.25 + 0.5 e^{-j\omega} + 0.25 e^{-j 2\omega} H(ejω)=0.25+0.5e−jω+0.25e−j2ω

以对称中心 τ= L−12 =1 \tau = \frac{L - 1}{2} = 1 τ=2L−1=1 为基准,提取中心延迟公因子 e−jωe^{-j\omega} e−jω:

H(ejω)=e−jω(0.25ejω+0.5+0.25e−jω)H(e^{j\omega}) = e^{-j\omega} \left( 0.25 e^{j\omega} + 0.5 + 0.25 e^{-j\omega} \right) H(ejω)=e−jω(0.25ejω+0.5+0.25e−jω)

代入欧拉公式 cos⁡(ω)= ejω+e−jω2 \cos(\omega) = \frac{e^{j\omega} + e^{-j\omega}}{2} cos(ω)=2ejω+e−jω 与半角恒等式 1+cos⁡(ω)=2cos⁡2(ω/2)1 + \cos(\omega) = 2\cos^2(\omega/2) 1+cos(ω)=2cos2(ω/2) 化简:

H(ejω)=e−jω(0.5+0.5cos⁡(ω))=cos⁡2! (ω2) e−jωH(e^{j\omega}) = e^{-j\omega} \big( 0.5 + 0.5\cos(\omega) \big) = \cos^2!\left(\frac{\omega}{2}\right) e^{-j\omega} H(ejω)=e−jω(0.5+0.5cos(ω))=cos2!(2ω)e−jω

2. 验证幅度响应与线性相位

  • 幅度响应 : A(ω)=cos⁡2(ω/2)≥0A(\omega) = \cos^2(\omega/2) \ge 0 A(ω)=cos2(ω/2)≥0(在 [0,π)[0, \pi) [0,π) 上非负无变号)。
    • 在直流处 ω=0\omega = 0 ω=0: ∣H(ej0)∣=cos⁡2(0)=1|H(e^{j0})| = \cos^2(0) = 1 ∣H(ej0)∣=cos2(0)=1(直流与低频无损通过);
    • 在 Nyquist 处 ω=π\omega = \pi ω=π: ∣H(ejπ)∣=cos⁡2(π/2)=0|H(e^{j\pi})| = \cos^2(\pi/2) = 0 ∣H(ejπ)∣=cos2(π/2)=0(最高频分量被完全滤除)。
  • 相位与群延迟 :在 ω∈(−π,π)\omega \in (-\pi, \pi) ω∈(−π,π) 内, θ(ω)=−ω\theta(\omega) = -\omega θ(ω)=−ω(常数相移 θ0=0 \theta_0 = 0 θ0=0)。
    • 群延迟 τg=− dθ(ω)dω =1 \tau_g = -\frac{d\theta(\omega)}{d\omega} = 1 τg=−dωdθ(ω)=1 个采样周期,与理论公式 τg= L−12 = 3−12 =1 \tau_g = \frac{L - 1}{2} = \frac{3 - 1}{2} = 1 τg=2L−1=23−1=1 完全吻合。

短短三个对称抽头,便完整呈现了偶对称结构、低通选频、零相移截距与恒定群延迟的代数闭环。


八、 从公式到代码

将上述理论映射到工程代码,主要涉及三个环节:参数闭环设计、流式实现、延迟对齐与选型。

1. 基于 freqz 验算的闭环参数设计

实际业务给定指标后(例如:采样率 fs = 500 Hz,保留 0~50 Hz 心电有效成分,将 75 Hz 以上干扰衰减至少 50 dB),经验公式通常只适合估算抽头数初值,最终指标是否达标仍需通过频响验算确认。

工程上更稳妥的做法是:先按 3.3 / df 估算起点,再外包一层 freqz 验算循环每次加 2(保持奇数抽头 Type I),直到通带波纹和阻带衰减同时满足要求:

python 复制代码
import numpy as np
import scipy.signal as signal

def design_lowpass_fir(
    fs: float,
    f_pass: float,
    f_stop: float,
    pb_ripple: float = 0.01,
    sb_atten_db: float = 50.0,
    method: str = "remez",
):
    delta_s = 10.0 ** (-sb_atten_db / 20.0)
    df = (f_stop - f_pass) / fs
    L = int(np.ceil(3.3 / df))
    if L % 2 == 0:
        L += 1
    if method == "remez":
        # Remez 通常能以更少的抽头数达标,从更小奇数起搜
        L = max(11, (L // 2) | 1)

    while L <= 1001:
        if method == "hamming":
            # 窗函数法把截止频率放在过渡带中点
            b = signal.firwin(L, (f_pass + f_stop) / 2.0, fs=fs, window="hamming")
        elif method == "remez":
            b = signal.remez(
                L,
                [0.0, f_pass, f_stop, fs / 2.0],
                [1.0, 0.0],
                weight=[1.0, pb_ripple / delta_s],
                fs=fs,
            )
        else:
            raise ValueError(f"Unsupported method: {method}")

        w, h = signal.freqz(b, worN=4096, fs=fs)
        pb_err = np.max(np.abs(np.abs(h[w <= f_pass]) - 1.0))
        sb_db = 20.0 * np.log10(np.max(np.abs(h[w >= f_stop])))
        if pb_err <= pb_ripple and sb_db <= -sb_atten_db:
            return b, pb_err, sb_db
        L += 2
    raise RuntimeError("在预设上限内未能收敛达标")

# 实测:fs=500Hz, 通带 0~50Hz (误差<=0.01), 阻带 >=75Hz (衰减>=50dB)
# hamming 输出: L=67 (66阶), 延迟 66.0ms, sb=-51.74 dB
# remez   输出: L=49 (48阶), 延迟 48.0ms, sb=-51.72 dB

在这组真实参数下,将 method 从 "hamming" 切换为 "remez",抽头数从 67 降到 49,运行期乘加次数减少约 27%,群延迟也从 66 ms 缩短至 48 ms。

2. 流式落地与时间戳对齐:环形缓冲区实现 + 延迟补偿

一旦设计好静态系数数组 coeffs(在 C / Rust / Kotlin / Python 嵌入式或后端服务中可作为常量数组硬编码进内存),实时流式处理的核心就是一个零动态内存分配的环形缓冲区:

python 复制代码
class StreamingFIR:
    """逐样本实时流式 FIR(实测与 scipy.signal.lfilter 输出差异在 1e-16 级)"""
    def __init__(self, coeffs: np.ndarray):
        self.h = np.asarray(coeffs, dtype=float)
        self.L = len(self.h)
        self.buf = np.zeros(self.L, dtype=float)
        self.idx = 0

    def step(self, x_new: float) -> float:
        self.buf[self.idx] = x_new
        acc = 0.0
        pos = self.idx
        for k in range(self.L):
            acc += self.h[k] * self.buf[pos]
            pos = (pos - 1) % self.L
        self.idx = (self.idx + 1) % self.L
        return acc

关于群延迟对齐,在线与离线场景的处理方式有所不同:

  • 实时在线流(比如蓝牙设备实时绘制心电曲线、多通道同步打标) :实时流无法读取未来样本,当前时刻输出的 y[n] 对应的是 (L - 1) / 2 个采样周期之前的信号状态。如果需要给特征峰(比如 R 波峰值)打精确时间戳,应当用当前采样时间减去 ((L - 1) / 2) / fs 秒。
  • 离线批处理 / 已落盘录像回放 :如果整段数组 x 已经在内存中,既可以直接切片对齐 y_aligned = signal.lfilter(b, 1.0, x)[tau:],也可以调用 scipy.signal.filtfilt(b, 1.0, x)(正向滤波后再反向滤波一遍,实现绝对零相移,代价是计算量翻倍且等效幅度响应变为原响应的平方)。

3. 工程选型速查表

场景需求 推荐方案 注意事项
指标要求适中、需要快速验证 signal.firwin(L, fc, window='hamming') 若更看重高频远端抑噪,可换 'hann' 或 'blackman'
过渡带较窄、或受限于 MCU 算力与延迟 signal.remez(...) 通过 weight 分配通带与阻带容差,并用 freqz 验算最终响应
高通或带阻滤波器 需保持零相移截距时采用奇数 抽头数 L(Type I) 传偶数会触发 firwin 报错;(-1)**n 搬移生成带 90° 相移的 Type IV,不适用于需要保持波形对称性的场景
离线整段去噪且不希望存在时间偏移 signal.filtfilt 或 lfilter 后左移 (L-1)//2 离线零相位方案无法用于逐点实时输出

九、 结语

从时域滑窗点积到四类对称结构,FIR 滤波器的核心权衡体现在计算开销(抽头数 LL L)、系统延迟(群延迟 L−12 \frac{L-1}{2} 2L−1)、过渡带陡度与阻带衰减深度四项指标的互相制约:窗函数法通过平滑窗包络换取旁瓣抑制,Parks-McClellan 算法则借助等波纹优化按指标重分配各频带的误差预算。

同时需要明确一点:FIR 并不意味着在所有指标上都优于 IIR。FIR 的优势在于容易构造严格线性相位且无极点稳定性隐患;但在不敏感于相位失真、同时又要求窄过渡带与极低算力/低延迟的嵌入式场景中,往往需要较长的抽头数组才能追平低阶 IIR 的幅频滚降能力。

在下一篇《痛苦系列 05》中,我们将转向引入输出反馈与极点的 IIR(无限冲激响应)滤波器,探讨极点配置如何以较低阶数获得陡峭过渡带,以及定点量化误差引发的数值稳定性问题。


附录:本篇可运行验证代码

本篇涉及的全部仿真脚本均已开源在代码仓库中:DSP/dsp04/pain_series_04_demo.py(脚本生成的配图默认输出至 DSP/dsp04/output/ 目录)。

bash 复制代码
# 依赖安装
pip install numpy matplotlib scipy

# 运行本篇仿真实验
python DSP/dsp04/pain_series_04_demo.py
相关推荐
秋天的怀念_David1 小时前
算法一千零一夜 · 第三十五夜 · 恢复风暴
java·程序人生·算法
泯泷3 小时前
别再“裸聊”大模型了!你家的 AI 为什么总胡说八道?根子在 RAG
人工智能·算法·架构
2601_967980114 小时前
Python中heapq模块的各种用法实例
数据结构·python·算法·应用实例·heapq模块
漂流瓶jz6 小时前
UVA-1615 高速公路 题解答案代码 算法竞赛入门经典第二版
数据结构·算法·贪心算法·贪心·aoapc·算法竞赛入门经典·uva
凌冰_16 小时前
数据结构 - 时间空间复杂度(一)
数据结构·算法·软件工程
Pniubi16 小时前
力扣2 . 两数相加
算法·leetcode·职场和发展
戴·菲瑜16 小时前
为什么PPO难以做出顶级棋类引擎
算法·博弈论·rl·ppo
在所不辞兄19 小时前
为什么数字孪生驱动的产线标定需要在线更新机制,而不能一次标定后长期沿用?
人工智能·神经网络·其他·算法·机器学习