🎛️ 24-信号处理 · 07 数字滤波器设计实务¶
关键词:Butterworth、双线性变换、FIR 窗函数法、过渡带 §04 讲了 FIR/IIR 原理,本章解决"指标 → 滤波器系数"的设计流程,手算到阶数公式。
本节要解决的问题¶
| # | 问题 | 对应内容 |
|---|---|---|
| 1 | 设计指标怎么描述(通带/阻带/dB)? | §1 核心概念 |
| 2 | Butterworth 阶数公式怎么手算? | §2 手算 ✍️ |
| 3 | 双线性变换为什么不会混叠? | §3 深入原理 |
| 4 | FIR 窗函数法的过渡带/阻带怎么估? | §4 代码实战 |
故事引入¶
产品要求">5kHz 一律切掉,衰减 ≥40dB"。怎么从这句话得到滤波器系数?标准流程:指标 → 模拟原型(Butterworth)→ 双线性变换数字化(IIR) 或 理想低通截断加窗(FIR)。本章手算第一条路。
"设计指标"在真实工程里长什么样?看声学中著名的 A 计权(A-weighting)滤波器:它模拟人耳对不同频率的敏感度,要求在 1kHz 附近 0dB、低频大幅衰减。下图实线是理想 A 计权幅响,这正是"给出指标 → 设计滤波器逼近指标"的标准实例,和本节的通带/阻带指标(Ap、As、ωp、ωs)是同一套语言。

怎么读:横轴频率(对数)、纵轴增益(dB):低频段快速滚降、中频平缓、高频略回升。设计任务就是让实际滤波器(虚线/散点)去逼近这条目标曲线——Butterworth 阶数与双线性变换就是为了做到这一点。
📚 图源:Pilipović R, Risojević V & Bulić P (2021) On the Design of an Energy Efficient Digital IIR A-Weighting Filter Using Approximate Multiplication, Sensors 21(3):732(开放获取,CC-BY 4.0)图 1。
核心概念:指标与原型¶
设计指标(低通):通带纹波 $A_p$(dB)、阻带衰减 $A_s$(dB)、通带边缘 $\omega_p$、阻带边缘 $\omega_s$(rad/s)。
Butterworth 原型(最平坦通带):
$$|H_a(j\Omega)|^2=\frac{1}{1+(\Omega/\Omega_c)^{2N}}$$
阶数公式
$$N\ge\frac{\log_{10}\frac{\sqrt{10^{A_s/10}-1}}{\sqrt{10^{A_p/10}-1}}}{\log_{10}(\Omega_s/\Omega_p)}$$
3dB 截止:$\Omega_c=\Omega_p/(10^{A_p/10}-1)^{1/(2N)}$。
✍️ 手算 Butterworth 阶数:Ap=1dB, As=40dB, Ωs/Ωp=2¶
第 1 步:两个平方根
$$\sqrt{10^{4}-1}=\sqrt{9999}\approx\mathbf{99.995},\qquad \sqrt{10^{0.1}-1}=\sqrt{0.2589}\approx\mathbf{0.5088}$$
第 2 步:代入阶数公式
$$N\ge\frac{\log_{10}(99.995/0.5088)}{\log_{10}2}=\frac{\log_{10}196.5}{0.3010}=\frac{2.2934}{0.3010}=\mathbf{7.62}\Rightarrow N=8$$
第 3 步:3dB 截止频率
$$\Omega_c=\frac{\Omega_p}{(10^{0.1}-1)^{1/16}}=\frac{1}{0.9190}=\mathbf{1.0881}$$
手算收获:
- 阶数公式的含义:分母是"过渡带宽度"(频率比对 2),分子是"必须压下去的总倍数"(196.5 倍)——过渡带越窄、衰减要求越高,阶数越大
- 8 阶 Butterworth 意味着 $|H|^2=1/(1+(\Omega/\Omega_c)^{16})$:每倍频程斜率 $40N\,\text{dB/decade}$?不——是 $-20N\,\text{dB/decade}$,8 阶即 −160dB/decade,骤降
- 取整向上:7.62 → 8 阶才会满足阻带指标;取 N=7 则不够
- 双线性变换后数字滤波器的阶数不变但频率被"压缩",所以模拟指标要先预扭曲(§3)
# ---- §2.1 验证:numpy 复算 Butterworth 阶数 ----
import math
As, Ap, ratio = 40, 1, 2
num = math.sqrt(10**(As/10) - 1)
den = math.sqrt(10**(Ap/10) - 1)
N = math.log10(num/den) / math.log10(ratio)
print(f'N = log10({num/den:.1f})/log10(2) = {N:.4f} → 取 {math.ceil(N)} 阶')
assert math.ceil(N) == 8
wc = 1 / (10**(Ap/10) - 1)**(1/(2*math.ceil(N)))
print(f'Ωc = 1/(10^0.1-1)^(1/16) = {wc:.4f}')
assert abs(wc - 1.0881) < 0.001
print('\n✓ 与手算一致')
N = log10(196.5)/log10(2) = 7.6185 → 取 8 阶 Ωc = 1/(10^0.1-1)^(1/16) = 1.0881 ✓ 与手算一致
深入原理:双线性变换¶
双线性变换(s→z):
$$s=\frac{2}{T}\frac{1-z^{-1}}{1+z^{-1}}$$
$j\Omega$ 轴被一对一映射到单位圆,无混叠(这是它比冲激不变法优越之处);代价是频率非线性压缩(frequency warping):
$$\Omega=\frac{2}{T}\tan\frac{\omega}{2}$$
所以:先按扭曲后的频率设计模拟原型(预扭曲),再双线性变换得到数字系数。 冲激不变法:$h_d[n]=T\,h_a(nT)$,模拟频谱周期性搬移会混叠,只适合带限滤波器。
代码实战:FIR 窗函数法的过渡带估算¶
理想低通(截止 $\omega_c$)冲激响应 $h[n]=\frac{\omega_c}{\pi}\text{sinc}$ 无限长;截断到 M 点并加窗:
- 过渡带宽度 ≈ 窗主瓣宽:Hann ≈ $8\pi/M$,Hamming ≈ $8\pi/M$,矩形 ≈ $4\pi/M$
- 阻带衰减由窗旁瓣决定(Hann −44dB、Hamming −53dB、Blackman −74dB)
手算:M=32 → 过渡带 $\approx 4\pi/32=0.393$ rad(矩形窗)。
# ---- FIR 低通:窗函数法(numpy 实现,无 scipy) ----
import numpy as np
def fir_lowpass(wc, M, window):
n = np.arange(M) - (M-1)/2
h = np.where(n == 0, wc/np.pi, np.sin(wc*n)/(np.pi*n)) # 理想低通
if window == 'rect':
w = np.ones(M)
elif window == 'hann':
w = 0.5*(1 - np.cos(2*np.pi*np.arange(M)/(M-1)))
else: # hamming
w = 0.54 - 0.46*np.cos(2*np.pi*np.arange(M)/(M-1))
return h * w
def freq_at(h, w):
return np.abs(np.sum(h * np.exp(-1j*w*np.arange(len(h)))))
M = 32
for name, win in [('rect', 'rect'), ('hann', 'hann'), ('hamming', 'hamming')]:
h = fir_lowpass(0.4*np.pi, M, win)
k = np.arange(M) - (M-1)/2
g0 = np.abs(np.sum(h)) # ω=0 通带增益
g_s = np.abs(np.sum(h * np.exp(-1j*0.55*np.pi*k))) # ω=0.55π 阻带增益
print(f'{name:8s}: 阻带@0.55π = {20*np.log10(g_s/g0):6.1f} dB(ω=π 因偶对称×(-1)^k 恒为 0)')
g_db = []
for win in ['rect', 'hann', 'hamming']:
h = fir_lowpass(0.4*np.pi, M, win)
k = np.arange(M) - (M-1)/2
g_db.append(20*np.log10(np.abs(np.sum(h*np.exp(-1j*0.55*np.pi*k))) / np.abs(np.sum(h))))
assert g_db[2] < g_db[1] < g_db[0] # 阻带衰减: hamming > hann > rect
print('✓ 阻带衰减按 hamming > hann > rect,与旁瓣指标一致')
rect : 阻带@0.55π = -31.7 dB(ω=π 因偶对称×(-1)^k 恒为 0) hann : 阻带@0.55π = -49.1 dB(ω=π 因偶对称×(-1)^k 恒为 0) hamming : 阻带@0.55π = -58.6 dB(ω=π 因偶对称×(-1)^k 恒为 0) ✓ 阻带衰减按 hamming > hann > rect,与旁瓣指标一致
面试考点¶
Q1:IIR 和 FIR 设计的数字化方法各是什么?
IIR:模拟原型设计(Butterworth/Chebyshev/椭圆)+ 双线性变换;FIR:窗函数法 / 频率采样 / Parks-McClellan 等波纹。
Q2:双线性变换优点/缺点?
无混叠 + 保留稳定(sLHP→z 单位圆内);缺点:频率非线性压缩,须预扭曲。
Q3:窗函数法阻带衰减为什么有限?
截断 = 矩形窗卷积,旁瓣泄漏决定了阻带底;换低旁瓣窗改善阻带但过渡带变宽。
Q4:等波纹(Equiripple)滤波器比窗函数法好在哪里?
在同等阶数下把误差均匀摊到通带/阻带,过渡带更窄——但设计成本高。
小结与下一章预告¶
- Butterworth 8 阶手算:$N\ge\log_{10}(196.5)/\log_{10}2=7.62\to8$,$\Omega_c=1.0881$
- 双线性变换:无混叠但须预扭曲;FIR 窗函数法:过渡带 ≈ 主瓣宽
- 下一章:滤波器学完了,去看看语音最常用的特征——MFCC
✅ 自测清单¶
- 能说出设计指标(Ap/As/ωp/ωs)含义
- 能手算 Butterworth 阶数公式并取整
- 能解释双线性变换无混叠的原理与预扭曲
- 知道 FIR 窗函数法的过渡带与阻带由什么决定