4. FIR滤波器原理与参数调优：线性相位特性，窗函数设计法，截止频率与阶数的权衡
FIR滤波器，全称有限长单位冲激响应滤波器。说白了，它就是个“加权平均器”。你输入一串音频样本，它用一组固定的系数（也就是冲激响应）跟输入做卷积，输出就是滤波后的结果。
我刚开始接触DSP时，总觉得FIR不如IIR“聪明”。IIR能用很低的阶数实现很陡的过渡带，FIR却要堆很高的阶数。但后来我明白了，FIR有一个IIR永远比不上的绝活——线性相位。
4.1 线性相位：音频的“保真”底线
什么是线性相位？简单说，就是滤波器对所有频率成分的延迟时间是一样的。
你想想看，一段音乐里有低音鼓、有吉他、有镲片。如果滤波器对不同频率的延迟不一样，低音鼓到了，镲片还没到，声音就“散”了。这在时域上表现为波形失真，听感上就是“糊”、“乱”。
线性相位的数学条件是：滤波器的冲激响应必须对称（偶对称或奇对称）。
线性相位的核心价值：在通带内，所有频率成分的群延迟为常数。音频处理中，这意味着波形形状被完整保留，只发生了整体平移。
我在项目中遇到过这样一个坑：用IIR滤波器做分频，低频和高频的相位差导致交叉区域出现明显的“梳状滤波”效应，声音像蒙了一层纱。后来换成FIR，相位对齐了，问题立刻解决。
4.2 窗函数设计法：从理想到现实
理想低通滤波器的频率响应是个矩形——通带内增益为1，阻带内增益为0。但它的冲激响应是无限长的sinc函数，物理上无法实现。
怎么办？截断。我们取sinc函数中间的一段，然后用一个“窗函数”去平滑截断的边缘，减少吉布斯现象（也就是截断引起的振铃）。
这就是窗函数设计法的核心思路：
- 构造理想滤波器的冲激响应：根据截止频率计算sinc函数。
- 加窗截断：用窗函数（如汉明窗、布莱克曼窗）乘以sinc函数，得到有限长的FIR系数。
- 评估性能：检查过渡带宽度、阻带衰减是否满足要求。
不同的窗函数，性能差异很大。我整理了一个常用窗函数的对比表：
| 窗函数 | 主瓣宽度 | 旁瓣衰减 (dB) | 过渡带宽度 (近似) | 适用场景 |
|---|---|---|---|---|
| 矩形窗 | 最窄 | -13 | 0.9/N | 对阻带衰减无要求 |
| 汉宁窗 | 较窄 | -31 | 3.1/N | 通用音频处理 |
| 汉明窗 | 较窄 | -41 | 3.3/N | 语音处理、窄带滤波 |
| 布莱克曼窗 | 最宽 | -57 | 5.5/N | 高阻带衰减要求 |
| 凯泽窗 (β=8) | 可调 | -58 | 5.0/N | 灵活设计，可调旁瓣 |
我的经验：音频处理中，汉明窗是最常用的起点。阻带衰减-41dB对大多数应用已经足够，过渡带也不算太宽。如果对阻带衰减要求极高（比如-60dB以上），直接用布莱克曼窗或凯泽窗，别在汉明窗上死磕。
4.3 截止频率与阶数的权衡
这是FIR设计中最核心的权衡。阶数N决定了滤波器的性能，也决定了计算量。
为什么？因为阶数N越大，过渡带越窄，阻带衰减越好。但代价是：
- 延迟增加：线性相位FIR的延迟 = N/2 个采样点。N=128时，延迟64个采样点；N=1024时，延迟512个采样点。对于实时系统，这可能是致命的。
- 计算量爆炸：每个输出点需要N次乘加运算。N=1024时，48kHz采样率下，每秒需要49亿次乘加。很多嵌入式芯片扛不住。
- 系数精度要求高：高阶FIR的系数动态范围大，定点实现时容易溢出或量化噪声过大。
那么，如何确定阶数？我一般用这个经验公式：
N ≈ (阻带衰减(dB) - 8) / (2.285 × 过渡带宽度(归一化))
举例：要求阻带衰减-60dB，过渡带宽度0.05（归一化频率）
N ≈ (60 - 8) / (2.285 × 0.05) = 52 / 0.11425 ≈ 455这个公式来自Kaiser窗的近似，实际设计时可以作为起点，然后微调。
我曾经踩过的坑：在设计一个48kHz采样率的低通滤波器时，我为了追求极窄的过渡带（0.01归一化频率），算出来阶数N=2000多。结果在Cortex-M4上跑，CPU占用率直接飙到80%，音频还出现了明显的卡顿。后来我妥协了，把过渡带放宽到0.03，阶数降到700，CPU占用率降到15%，听感上几乎听不出区别。
所以，不要追求理论上的完美。先定一个你能接受的延迟上限，再反推阶数，最后看过渡带和阻带衰减是否满足听感要求。
4.4 实战：设计一个48kHz采样率的低通FIR
我们用一个具体例子来走一遍流程。假设：
- 采样率：48kHz
- 通带截止频率：10kHz
- 阻带起始频率：12kHz
- 阻带衰减：≥-50dB
- 通带纹波：≤0.1dB
第一步，计算归一化频率：
通带截止：10kHz / 24kHz = 0.4167
阻带起始：12kHz / 24kHz = 0.5
过渡带宽度：0.5 - 0.4167 = 0.0833第二步，估算阶数。用汉明窗，阻带衰减-50dB，查表或经验公式：
N ≈ 3.3 / 0.0833 ≈ 39.6 → 取偶数 N=40第三步，生成系数。用Python或MATLAB：
import numpy as np
from scipy.signal import firwin
fs = 48000
cutoff = 10000 # Hz
numtaps = 40
# 汉明窗设计
coeff = firwin(numtaps, cutoff, fs=fs, window='hamming')
# 检查频率响应
w, h = freqz(coeff, worN=8000)
# 计算阻带衰减
stopband_start = int(12000 / (fs/2) * 8000)
stopband_atten = -20 * np.log10(np.max(np.abs(h[stopband_start:])))
print(f"阻带衰减: {stopband_atten:.2f} dB")第四步，验证。如果阻带衰减不够，增加阶数或换窗函数。比如换成布莱克曼窗，N=40时阻带衰减可能达到-60dB以上。
关键点：阶数N必须是偶数（对于线性相位FIR），因为偶对称的冲激响应长度是奇数时，延迟不是整数采样点，会导致群延迟波动。
4.5 知识体系：FIR滤波器设计全景
下面这张图总结了本章的核心逻辑，从设计目标到最终实现：
这张图把设计流程串起来了。你从“设计目标”出发，同时要考虑线性相位约束、窗函数选择、阶数与延迟的权衡。最终落脚点是：在满足听感要求的前提下，选择最小的可行阶数。
嗯，这里要注意：不要一上来就追求-80dB的阻带衰减。音频系统中，-40dB到-50dB通常已经足够。多出来的性能，是用延迟和计算量换来的，不值当。
我个人习惯是：先用汉明窗，阶数按经验公式估算，然后快速仿真验证。如果阻带衰减差一点，先尝试换凯泽窗调β值，而不是直接翻倍阶数。这样往往能用更低的阶数达到目标。