数字滤波器设计基础：FIR与IIR滤波器的区别、特性与设计方法
数字滤波器，说白了就是一段数学运算代码。它把输入的采样点序列，按照你想要的频率特性进行加工。我在刚入行那会儿，总觉得滤波器设计是理论家的活儿，直到第一次在定点DSP上跑IIR滤波器跑出了自激振荡……嗯，从那以后我才真正把这两类滤波器的脾气摸清楚。
今天咱们就聊聊FIR和IIR这对冤家。它们各有各的绝活，也各有各的坑。
从名字看本质：有限 vs 无限
先看名字：FIR（Finite Impulse Response）——有限冲激响应。IIR（Infinite Impulse Response）——无限冲激响应。
什么意思？你给滤波器输入一个单位冲激（就一个1，后面全是0），看它的输出：
- FIR：输出在有限个采样点后归零。因为它的结构里没有反馈，只有前馈。
- IIR：输出理论上会一直振荡下去，永不归零。因为它有反馈，输出会绕回来影响自己。
你想想看，一个没有反馈，一个有反馈。这个差异决定了它们几乎所有的特性。
核心差异一句话：FIR是“非递归”结构，IIR是“递归”结构。递归意味着极点，极点意味着可能不稳定。
FIR滤波器：稳，但慢
FIR的差分方程长这样：
y[n] = b0·x[n] + b1·x[n-1] + b2·x[n-2] + ... + bN·x[n-N]没有y[n-1]、y[n-2]这些项。输出只取决于当前和过去的输入。
FIR的优点
- 绝对稳定：所有极点都在原点，不存在稳定性问题。你随便给系数，它都不会炸。
- 线性相位：这是FIR最大的王牌。所有频率分量的延迟时间相同，波形形状不变。通信系统中的匹配滤波器、均衡器，非FIR不可。
- 实现简单：就是乘累加，没有反馈环路，定点实现时不用担心溢出振荡。
FIR的缺点
- 阶数高：要获得陡峭的过渡带，你需要很高的阶数。比如一个-60dB阻带衰减、过渡带只有0.1π的FIR，阶数可能轻松上百。
- 延迟大：阶数越高，群延迟越大。实时性要求高的场景，这是个硬伤。
- 计算量大：每个输出点要做N+1次乘法和N次加法。N=100时，每秒48k采样率，那就是480万次乘累加。
我的经验：在音频均衡器里，我一般只用FIR做线性相位滤波。但如果你需要低延迟的实时效果器，比如吉他失真前的带通，我会毫不犹豫选IIR。
IIR滤波器：快，但娇气
IIR的差分方程带反馈项：
y[n] = b0·x[n] + b1·x[n-1] + ... + bM·x[n-M] - a1·y[n-1] - a2·y[n-2] - ... - aN·y[n-N]注意那个负号。反馈系数a决定了滤波器的极点位置。
IIR的优点
- 阶数低：同样的过渡带和阻带衰减，IIR的阶数可能只有FIR的十分之一。一个4阶的切比雪夫IIR，效果可能顶得上一个40阶的FIR。
- 延迟小：阶数低，群延迟就小。适合实时控制、生物医学信号处理。
- 计算量小：每个输出点只需要几次乘累加。在低端MCU上也能跑。
IIR的缺点
- 可能不稳定：极点一旦落在单位圆外，滤波器就炸了。定点实现时，系数量化可能把极点推出圆外。
- 非线性相位：不同频率的延迟不一样，波形会失真。音频处理中，IIR的相位失真人耳能听出来。
- 定点实现麻烦：反馈环路容易产生极限环振荡。我曾经在一个16位定点DSP上实现IIR陷波器，结果输入为零时输出还在小幅度振荡……排查了两天才发现是系数舍入导致的。
避坑指南：我曾经在一个产品里用IIR做50Hz工频陷波。仿真时好好的，一上硬件就自激。后来发现是ADC的直流偏置让滤波器状态变量饱和了。解决办法：先做高通滤除直流，再用双精度累加器。
FIR vs IIR：一张表说清楚
| 对比项 | FIR | IIR |
|---|---|---|
| 结构 | 非递归（无反馈） | 递归（有反馈） |
| 稳定性 | 绝对稳定 | 可能不稳定 |
| 相位特性 | 可做到严格线性相位 | 非线性相位 |
| 阶数需求 | 高（通常50~200阶） | 低（通常2~10阶） |
| 计算量 | 大 | 小 |
| 延迟 | 大（等于阶数/2个采样周期） | 小 |
| 设计方法 | 窗函数法、频率采样法、Parks-McClellan | 巴特沃斯、切比雪夫、椭圆、贝塞尔 |
| 典型应用 | 通信、音频、图像处理 | 实时控制、生物医学、语音 |
设计方法：怎么把指标变成系数？
FIR设计——窗函数法
这是最直观的方法。步骤很简单：
- 先确定理想滤波器的频率响应，做逆傅里叶变换得到无限长的冲激响应。
- 用窗函数（汉明窗、布莱克曼窗、凯泽窗）截断到有限长度。
- 截断后的序列就是FIR系数。
窗函数的选择决定了过渡带宽度和阻带衰减。我个人习惯用凯泽窗，因为它有一个可调的β参数，可以在过渡带和衰减之间做权衡。
// 用凯泽窗设计低通FIR滤波器
// 采样率 48kHz，截止频率 10kHz，阶数 64
// β = 5.0 对应约 -50dB 阻带衰减
float beta = 5.0f;
float fc = 10000.0f / 48000.0f; // 归一化截止频率
int N = 64;
float h[N+1];
for (int n = 0; n <= N; n++) {
// 理想低通冲激响应
if (n == N/2)
h[n] = 2 * fc;
else
h[n] = sin(2 * M_PI * fc * (n - N/2)) / (M_PI * (n - N/2));
// 乘以凯泽窗
h[n] *= kaiser(n, N, beta);
}IIR设计——从模拟到数字
IIR设计通常走这条路：先设计模拟滤波器（巴特沃斯、切比雪夫），再用双线性变换法映射到数字域。
为什么用双线性变换？因为它能保证映射后稳定——s平面的左半平面映射到z平面的单位圆内。但代价是频率会扭曲，需要做预畸变校正。
// 双线性变换的核心步骤
// 模拟截止频率 Ωc -> 数字截止频率 ωc
// 预畸变：Ωc = (2/T) * tan(ωc/2)
float fs = 48000.0f;
float fc = 1000.0f; // 数字截止频率
float omega_c = 2 * M_PI * fc / fs;
float Omega_c = (2.0f / (1.0f/fs)) * tan(omega_c / 2.0f);
// 然后用Omega_c设计模拟巴特沃斯滤波器
// 再通过双线性变换得到数字系数我的建议：初学者先用MATLAB的fdatool或Python的scipy.signal。把系数算出来，再移植到C代码里。手算IIR系数太容易出错了，我吃过这个亏。
怎么选？三个问题帮你决策
你在项目里到底用FIR还是IIR？问自己三个问题：
- 相位重要吗？——如果信号波形必须保持（比如QRS波检测、通信解调），选FIR。
- 延迟敏感吗？——如果延迟超过1ms就不能接受（比如助听器、实时控制），选IIR。
- 计算资源够吗？——如果MCU只有几十MHz主频、几KB RAM，选IIR。如果用的是FPGA或高性能DSP，FIR随便上。
其实很多时候，你会两者混用。比如前端用IIR做粗略的带通，后端用FIR做精细的整形。我在一个心电监护仪项目里就是这么干的——IIR滤掉工频和基线漂移，FIR做QRS波匹配滤波。
知识体系总览
下面这张图把FIR和IIR的对比、设计流程、选型逻辑串在了一起。你可以把它当作本章的思维导图：
这张图把FIR和IIR从特性、优缺点、设计方法到选型逻辑串在了一起。你写代码前，先对着这张图想清楚：你的项目到底需要什么？