2. 时域滤波技术：从FIR到维纳滤波器

时域滤波，说白了就是在时间轴上直接对音频信号做手脚。你想想看，麦克风采集到的噪声和语音混在一起，我们得想办法把噪声"滤"掉。这一章我会把四种核心的时域滤波器讲透——FIR、IIR、自适应滤波器、维纳滤波器。每个我都踩过坑，有些经验希望能帮你少走弯路。

2.1 FIR滤波器：稳定但代价高

FIR（有限脉冲响应）滤波器，我个人的最爱。为什么？因为它天生稳定，相位线性，不会出现振荡。在音频降噪里，相位失真比幅度失真更让人头疼——你想想，人耳对相位变化其实很敏感。

FIR的核心公式很简单：

y[n] = b₀·x[n] + b₁·x[n-1] + ... + b_N·x[n-N]

说白了就是加权平均。每个输出样本是过去N个输入样本的线性组合。系数b就是滤波器的"记忆"。

设计方法：窗函数法

我在项目中常用的方法是窗函数法。步骤很简单：

1. 确定理想频率响应（比如低通，截止频率3kHz）
2. 做逆傅里叶变换得到无限长脉冲响应
3. 加窗截断（汉明窗、布莱克曼窗等）

举个例子，设计一个64阶的低通FIR：

// 伪代码示例
float h[65]; // 滤波器系数
float fc = 0.3; // 归一化截止频率
for (int n = 0; n <= 64; n++) {
    if (n == 32) {
        h[n] = 2 * fc;
    } else {
        h[n] = sin(2 * PI * fc * (n - 32)) / (PI * (n - 32));
    }
    // 加汉明窗
    h[n] *= 0.54 - 0.46 * cos(2 * PI * n / 64);
}

2.2 IIR滤波器：高效但需小心

IIR（无限脉冲响应）滤波器，效率高得吓人。同样的滤波效果，IIR可能只需要FIR十分之一的阶数。但代价是什么？不稳定、相位非线性。

IIR的差分方程：

y[n] = b₀·x[n] + b₁·x[n-1] + ... - a₁·y[n-1] - a₂·y[n-2] - ...

注意那个负号。输出不仅依赖输入，还依赖过去的输出。这就是"反馈"——也是不稳定的根源。

设计方法：双线性变换

我习惯用双线性变换把模拟滤波器映射到数字域。步骤：

1. 设计模拟滤波器（巴特沃斯、切比雪夫等）
2. 用双线性变换 s = (2/T)·(1-z⁻¹)/(1+z⁻¹) 转换
3. 预畸变补偿频率偏移

滤波器类型	通带特性	阻带特性	我常用的场景
巴特沃斯	最平坦	单调下降	语音降噪（相位失真小）
切比雪夫I型	等波纹	单调下降	需要陡峭过渡带时
椭圆	等波纹	等波纹	极端陡峭需求（慎用）

2.3 自适应滤波器：LMS与NLMS

固定系数的滤波器有个致命问题——噪声环境变了怎么办？自适应滤波器就是干这个的。它能根据输入信号自动调整系数。

LMS（最小均方）算法，我入行时学的第一个自适应算法。核心思想：

// LMS算法核心
error = desired - output;
for (i = 0; i < N; i++) {
    w[i] += 2 * mu * error * x[i];
}

mu是步长因子。mu太大，收敛快但不稳定；mu太小，稳定但收敛慢。这个平衡我调了无数次。

NLMS：归一化版本

NLMS（归一化LMS）解决了LMS对输入信号幅度敏感的问题。说白了就是根据输入功率动态调整步长：

// NLMS算法核心
error = desired - output;
power = 0;
for (i = 0; i < N; i++) {
    power += x[i] * x[i];
}
mu_normalized = mu / (power + epsilon);
for (i = 0; i < N; i++) {
    w[i] += 2 * mu_normalized * error * x[i];
}

2.4 维纳滤波器：理论最优

维纳滤波器，理论上的最优线性滤波器。它假设信号和噪声都是平稳随机过程，目标是让输出与期望信号的均方误差最小。

频域表达式很优雅：

H(ω) = P_s(ω) / [P_s(ω) + P_n(ω)]

其中P_s是信号功率谱，P_n是噪声功率谱。你看，当信噪比高时，H接近1，信号通过；信噪比低时，H接近0，噪声被抑制。

但实际应用中，我们不知道P_s和P_n。所以需要估计。常用的方法：

• 噪声估计：用语音活动检测（VAD）在静音段更新噪声谱
• 先验信噪比估计：用决策导向法（Decision-Directed）
• 后验信噪比：直接用当前帧计算

2.5 四种滤波器对比

特性	FIR	IIR	LMS/NLMS	维纳
稳定性	绝对稳定	可能不稳定	条件稳定	取决于估计
相位特性	线性相位	非线性	非线性	非线性
计算量	高	低	中等	高（需FFT）
自适应能力	无	无	强	弱（需重估计）
适用场景	要求线性相位	资源受限	回声消除、主动降噪	平稳噪声降噪

2.6 知识体系图

下面这张图展示了四种时域滤波器的关系和应用场景：

2.7 实际项目中的选择建议

说了这么多理论，到底怎么选？我根据实际项目经验给几个建议：

• 通话降噪：首选FIR+自适应组合。FIR保证线性相位，自适应处理残留噪声。我在一个蓝牙耳机项目中就是这么做的，效果不错。
• 主动降噪（ANC）：必须用自适应滤波器。因为噪声环境时刻在变，固定滤波器根本扛不住。NLMS是主流选择。
• 后处理降噪：维纳滤波器很合适。录音完成后处理，不要求实时，可以慢慢算。
• 资源受限的嵌入式设备：IIR是无奈之选。但一定要做稳定性检查——我吃过这个亏，滤波器在特定频率自激了，整个系统啸叫。