3、数字滤波器设计：FIR滤波器原理、窗函数法设计、线性相位特性
说实话，FIR滤波器是我在音频DSP项目里用得最多的东西。为什么？因为它稳定，相位特性好，而且设计起来很直观。我记得刚入行那会儿，总觉得IIR滤波器更“高级”，直到有一次做多频段均衡器，IIR的相位失真把整个混音搞成一团浆糊……从那以后，我对FIR就格外上心了。
3.1 FIR滤波器基本原理
FIR的全称是Finite Impulse Response，有限长单位冲激响应。说白了，你给它一个脉冲，它响几下就停了，不会无限震荡下去。这一点和IIR有本质区别。
数学上，一个N阶FIR滤波器的差分方程长这样：
y[n] = b₀·x[n] + b₁·x[n-1] + b₂·x[n-2] + ... + b_{N-1}·x[n-N+1]其中bₖ就是滤波器的系数，也就是冲激响应h[k]。你看，输出只和当前及过去的输入有关，没有反馈项。这意味着什么？
- 绝对稳定——所有极点都在原点，永远不会发散
- 容易实现线性相位——这是音频处理最馋的特性
- 系数直接对应冲激响应——设计思路非常直观
我在做耳机主动降噪的时候，就吃过IIR不稳定的亏。后来换成FIR，虽然延迟大了一点，但调试起来心里踏实多了。
3.2 线性相位特性——为什么它这么重要？
你想想看，一段音乐经过滤波器后，如果不同频率的成分到达的时间不一样，波形就会畸变。人耳对相位失真其实挺敏感的，尤其是在瞬态信号上——比如鼓点、拨弦声。
线性相位意味着：所有频率成分的延迟时间相同。数学上，相位响应是频率的线性函数：
∠H(e^{jω}) = -α·ω这里的α就是群延迟，是个常数。说白了，信号经过滤波器只是整体往后挪了一下，波形形状不变。
FIR滤波器实现线性相位的条件是：冲激响应必须对称或反对称。
| 类型 | 对称性 | 阶数 | 适用场景 |
|---|---|---|---|
| I型 | 偶对称 | 奇数阶 | 低通、高通、带通、带阻 |
| II型 | 偶对称 | 偶数阶 | 低通、带通（不能做高通） |
| III型 | 奇对称 | 奇数阶 | 希尔伯特变换、微分器 |
| IV型 | 奇对称 | 偶数阶 | 希尔伯特变换、微分器 |
关键点：II型和IV型在ω=π处有零点，所以不能用于高通或带阻滤波器。我有个同事曾经踩过这个坑——用II型对称设计高通滤波器，结果高频全没了，查了半天才发现是类型选错了。
3.3 窗函数法设计——最直观的设计方法
窗函数法的思路很简单：先设计一个理想的无限长冲激响应，然后用窗函数把它截短。
具体步骤是这样的：
- 确定理想频率响应——比如一个截止频率为ωc的低通滤波器
- 计算理想冲激响应——对理想频率响应做逆傅里叶变换
- 加窗截断——用窗函数乘以理想冲激响应，得到有限长系数
- 检查性能——看通带波纹、阻带衰减是否满足要求
以低通滤波器为例，理想冲激响应是sinc函数：
h_d[n] = sin(ω_c·n) / (π·n), n = -∞ ~ +∞但你不能用无限长的系数，对吧？所以得截断。直接截断相当于加了一个矩形窗，会产生吉布斯现象——通带和阻带边缘出现大幅振荡。
注意：矩形窗的旁瓣只比主瓣低13dB，阻带衰减根本不够用。我曾经在一个语音降噪项目里试过矩形窗，结果阻带泄漏把噪声全放进来了，效果惨不忍睹。
3.4 常用窗函数对比
不同的窗函数，主瓣宽度和旁瓣衰减是互相矛盾的。主瓣越窄，过渡带越陡，但旁瓣衰减就差。你得根据实际需求来选。
| 窗函数 | 主瓣宽度 | 旁瓣衰减(dB) | 阻带最小衰减(dB) | 过渡带宽度 |
|---|---|---|---|---|
| 矩形窗 | 4π/N | -13 | -21 | 0.9π/N |
| 汉宁窗 | 8π/N | -31 | -44 | 3.1π/N |
| 海明窗 | 8π/N | -41 | -53 | 3.3π/N |
| 布莱克曼窗 | 12π/N | -57 | -74 | 5.5π/N |
| 凯泽窗(β=7.865) | 10π/N | -57 | -80 | 5.0π/N |
我个人习惯用凯泽窗，因为它有一个可调的β参数，能灵活控制旁瓣衰减。β越大，旁瓣越低，但过渡带也越宽。一般音频应用，β取5~8就够用了。
经验之谈：如果你不确定选哪个窗，先试试海明窗。它在主瓣宽度和旁瓣衰减之间取得了不错的平衡，而且实现简单。我在做第一个音频项目时就用它，效果中规中矩，但至少不会出大问题。
3.5 设计实例——用Python实现一个低通FIR
光说不练假把式。咱们写一段代码，设计一个采样率48kHz、截止频率8kHz、阶数64的低通FIR滤波器。
import numpy as np
import matplotlib.pyplot as plt
from scipy import signal
# 参数设置
fs = 48000 # 采样率
fc = 8000 # 截止频率
N = 65 # 滤波器阶数（奇数，保证I型对称）
# 归一化截止频率
omega_c = 2 * np.pi * fc / fs
# 生成理想冲激响应（sinc函数）
n = np.arange(N)
center = (N - 1) / 2
h_ideal = np.sinc(omega_c * (n - center) / np.pi) * omega_c / np.pi
# 加海明窗
window = np.hamming(N)
h = h_ideal * window
# 频率响应
w, H = signal.freqz(h, worN=1024)
freq = w * fs / (2 * np.pi)
# 绘制
plt.figure(figsize=(10, 6))
plt.plot(freq, 20 * np.log10(np.abs(H)))
plt.grid(True)
plt.xlabel('频率 (Hz)')
plt.ylabel('幅度 (dB)')
plt.title('FIR低通滤波器频率响应')
plt.axvline(fc, color='r', linestyle='--', label='截止频率')
plt.legend()
plt.show()这段代码我用了很多次，基本改改参数就能用。注意阶数选了65（奇数），这样能得到I型线性相位滤波器，通带和阻带都能覆盖。
3.6 知识体系总览
下面这张图把本章的核心逻辑串起来了，你一看就明白：
3.7 避坑指南
做FIR设计这么多年，我踩过的坑不少，挑几个典型的说说：
- 阶数选太低——过渡带太宽，通带和阻带分不开。我曾经为了省MIPS把阶数砍到32，结果8kHz和9kHz根本分不清，音频听起来糊成一团。
- 忽略群延迟——线性相位意味着固定延迟，但延迟大小和阶数成正比。实时应用里，64阶的延迟可能还能接受，256阶就得掂量掂量了。
- 对称性搞错——II型对称不能做高通，III型对称在ω=0和ω=π处都有零点。设计前先确认你的滤波器类型。
- 量化效应——定点实现时，系数量化会破坏线性相位。我建议用浮点先验证，再转定点，并且保留足够的系数位宽。
小技巧：如果你需要实时调整滤波器参数，可以考虑用频率采样法或者Parks-McClellan算法，它们比窗函数法更灵活。但窗函数法胜在简单直观，做原型验证最快。
好了，FIR滤波器的核心内容就这些。窗函数法虽然看起来简单，但用好它需要你对各种窗的特性心里有数。多试几次，你就能找到手感。