4. 音频DSP开发环境搭建
IIR滤波器，说白了就是带反馈的滤波器。它的输出不仅依赖当前和过去的输入，还依赖过去的输出。这种递归结构让它能用很低的阶数实现很陡的过渡带，但代价是相位非线性，搞不好还会不稳定。
我在项目里用过不少IIR滤波器。最常用的就是巴特沃斯和切比雪夫。今天咱们就把这两种滤波器从原理到代码，完整走一遍。
4.1 巴特沃斯滤波器：最平坦的响应
巴特沃斯滤波器的最大特点——通带内幅频响应最平坦。没有波纹，没有起伏。代价是过渡带比切比雪夫慢一些。
它的幅度平方函数长这样：
|H(jω)|² = 1 / (1 + (ω/ωc)^(2N))N是阶数，ωc是截止频率。N越大，过渡带越陡。
核心要点：巴特沃斯滤波器在通带和阻带都是单调的。没有波纹，适合对通带平坦度要求极高的场景，比如音频测量设备的前端抗混叠滤波。
4.1.1 设计步骤
- 确定指标：通带截止频率fp、阻带截止频率fs、通带最大衰减Ap、阻带最小衰减As。
- 计算阶数N：根据衰减需求，用公式算出最小阶数。
- 查表或计算极点：巴特沃斯极点均匀分布在s平面的左半圆上。
- 构建模拟滤波器传递函数：H(s) = 1 / (s - p1)(s - p2)...
- 双线性变换：从s域映射到z域。
我的经验：阶数N的计算公式是 N ≥ log10((10^(Ap/10)-1)/(10^(As/10)-1)) / (2 * log10(fp/fs))。我习惯先算出来再向上取整，别省那点计算量，阶数不够过渡带根本压不下去。
4.2 切比雪夫滤波器：用波纹换陡度
切比雪夫滤波器分两种：Type I在通带有波纹，Type II在阻带有波纹。咱们最常用的是Type I，通带波纹换更陡的过渡带。
它的幅度平方函数：
|H(jω)|² = 1 / (1 + ε² * CN²(ω/ωc))ε是波纹系数，CN是N阶切比雪夫多项式。波纹越大（ε越大），过渡带越陡。
注意：切比雪夫滤波器的通带波纹是设计时故意引入的。如果你对通带平坦度有严格要求，比如音频EQ的精确补偿，巴特沃斯可能更合适。切比雪夫更适合语音通信、传感器信号预处理这类场景。
4.2.1 设计步骤
- 确定指标：同样需要fp、fs、Ap、As。
- 计算波纹系数ε：ε = sqrt(10^(Ap/10) - 1)。
- 计算阶数N：公式比巴特沃斯复杂一些，涉及反双曲余弦。
- 计算极点：切比雪夫极点分布在s平面的椭圆上。
- 构建H(s)并双线性变换。
避坑指南：我曾经在计算切比雪夫极点时，把椭圆的长短轴搞反了，结果滤波器完全不收敛。后来老老实实按标准公式一步步来，再也没出过问题。公式别偷懒，手算一遍再写代码。
4.3 双线性变换法：从模拟到数字的桥梁
双线性变换法，就是把模拟滤波器的s域传递函数，映射到数字滤波器的z域。映射关系是：
s = (2/T) * (1 - z⁻¹) / (1 + z⁻¹)T是采样周期。这个映射是双线性的一一映射，不会产生混叠。但代价是频率轴被压缩了——这就是所谓的频率翘曲效应。
关键点：双线性变换法没有混叠，但频率轴非线性。设计时需要对截止频率做预翘曲校正：ω_analog = (2/T) * tan(ω_digital * T / 2)。
4.3.1 预翘曲校正
为什么要预翘曲？因为双线性变换把整个模拟频率轴（0到∞）映射到数字频率轴（0到π）。如果不校正，你设计的数字滤波器截止频率会偏。
校正方法很简单：
- 把数字截止频率ωd代入公式，算出对应的模拟频率ωa。
- 用ωa去设计模拟滤波器。
- 再用双线性变换转回数字域。
我的习惯：我一般把预翘曲写成一个独立函数，每次设计IIR滤波器都先调它。这样不容易忘。你想想看，如果忘了预翘曲，滤波器截止频率偏了10%，在音频里可能听不出来，但在控制系统中可能直接导致振荡。
4.4 实战：用Python设计IIR滤波器
下面我用Python演示一个完整的IIR低通滤波器设计流程。咱们设计一个4阶巴特沃斯低通滤波器，采样率48kHz，截止频率5kHz。
import numpy as np
from scipy import signal
import matplotlib.pyplot as plt
# 参数设置
fs = 48000 # 采样率
fc = 5000 # 截止频率
order = 4 # 阶数
# 预翘曲校正
w_analog = 2 * fs * np.tan(np.pi * fc / fs)
# 设计模拟巴特沃斯滤波器
b_analog, a_analog = signal.butter(order, w_analog, btype='low', analog=True)
# 双线性变换
b_digital, a_digital = signal.bilinear(b_analog, a_analog, fs)
# 查看系数
print("数字滤波器系数 b:", b_digital)
print("数字滤波器系数 a:", a_digital)
# 频率响应
w, h = signal.freqz(b_digital, a_digital, worN=8000)
freq = w * fs / (2 * np.pi)
# 绘制幅频响应
plt.figure()
plt.semilogx(freq, 20 * np.log10(np.abs(h)))
plt.grid()
plt.xlabel('频率 (Hz)')
plt.ylabel('幅度 (dB)')
plt.title('4阶巴特沃斯低通滤波器')
plt.show()注意：scipy的signal.butter函数可以直接设计数字滤波器，内部已经做了双线性变换。但为了理解原理，我上面拆成了模拟设计+双线性变换两步。实际项目中，直接用signal.butter更省事。
4.5 巴特沃斯 vs 切比雪夫：怎么选？
| 特性 | 巴特沃斯 | 切比雪夫Type I |
|---|---|---|
| 通带平坦度 | 最平坦，无波纹 | 有波纹（可控） |
| 过渡带陡度 | 较缓 | 较陡（同阶数下） |
| 相位响应 | 较线性 | 非线性更强 |
| 适用场景 | 音频测量、高保真EQ | 语音通信、传感器滤波 |
| 设计复杂度 | 低 | 中 |
我个人习惯：如果对通带平坦度要求高，选巴特沃斯。如果对过渡带陡度要求高，且能容忍通带波纹，选切比雪夫。没有绝对的好坏，只有合不合适。
4.6 知识体系总览
下面这张图把本章的核心逻辑串起来了。从模拟原型到数字滤波器，每一步都离不开。
4.7 常见问题与避坑
- 滤波器不稳定：检查极点是否都在单位圆内。如果不在，说明设计参数有问题，或者双线性变换时数值精度不够。
- 截止频率不准：大概率是忘了预翘曲校正。用公式算一遍，别偷懒。
- 通带波纹过大：切比雪夫滤波器的波纹系数ε设得太大了。减小Ap值，或者改用巴特沃斯。
- 相位失真严重：IIR滤波器天生相位非线性。如果对相位有要求，考虑用FIR滤波器，或者用全通滤波器做相位补偿。
我曾经踩过的坑：有一次设计一个8阶切比雪夫带通滤波器，直接用了scipy的iirdesign函数，没检查极点位置。结果滤波器在低频段自激振荡，差点烧了功放。从那以后，我每次设计完IIR滤波器，第一件事就是画极点分布图，确保所有极点在单位圆内。
好了，IIR滤波器的核心内容就这些。巴特沃斯和切比雪夫是两种最常用的原型，双线性变换是连接模拟和数字的桥梁。掌握了这些，大部分音频滤波需求都能搞定。