4. 降噪算法入门
FIR滤波器，全称有限脉冲响应滤波器。说白了，它就是个加权平均器——把当前输入和过去N-1个输入按系数加权求和。没有反馈，天生稳定，相位线性。这些优点让它成了音频DSP里的常客。
我最早接触FIR是在做耳机降噪的时候。那时候刚入行，觉得IIR更省资源，结果相位乱成一团。后来才明白，降噪这种对相位敏感的场景，FIR才是正解。
4.1 FIR的核心原理
数学上，FIR的差分方程很简单：
y[n] = b0·x[n] + b1·x[n-1] + ... + bN-1·x[n-N+1]其中b0到bN-1就是滤波器系数，也叫抽头系数。N是阶数，阶数越高，滤波器的频率响应越陡峭，但延迟和计算量也越大。
频域上看，FIR的频率响应就是系数的离散傅里叶变换。设计FIR，本质上就是找一组系数，让它的频响逼近你的目标。
关键点：FIR的相位响应是线性的，这意味着所有频率成分的延迟相同。在音频处理中，这能避免群延迟失真——说白了就是声音不会"散掉"。
4.2 窗函数设计法
设计FIR最常用的方法就是窗函数法。步骤很简单：
- 先算出理想滤波器的无限长脉冲响应
- 用窗函数截断它，得到有限长的系数
理想低通滤波器的脉冲响应是sinc函数：
hd[n] = sin(ωc·(n - (N-1)/2)) / (π·(n - (N-1)/2))但直接截断会产生吉布斯现象——通带和阻带会有振荡。窗函数就是用来抑制这个的。
我常用的窗函数有这些：
| 窗类型 | 主瓣宽度 | 旁瓣衰减 | 适用场景 |
|---|---|---|---|
| 矩形窗 | 最窄 | -13 dB | 对阻带衰减要求低 |
| 汉宁窗 | 中等 | -31 dB | 通用音频处理 |
| 海明窗 | 中等 | -41 dB | 语音降噪常用 |
| 布莱克曼窗 | 最宽 | -57 dB | 需要高阻带衰减 |
| 凯泽窗 | 可调 | 可调 | 灵活设计 |
选窗函数时有个权衡：主瓣越宽，过渡带越缓；旁瓣越低，阻带衰减越好。我一般先用凯泽窗，调β参数来平衡这两者。
经验之谈：做ANC降噪时，我习惯用海明窗。它的旁瓣衰减够用，主瓣宽度适中，不会让降噪频段过渡太慢。有一次用布莱克曼窗，过渡带太宽，低频降噪效果反而变差了。
4.3 对称性优化
FIR系数有个重要性质：线性相位FIR的系数是对称的。具体分四种情况：
- 奇对称、奇长度：系数关于中心点奇对称
- 偶对称、奇长度：系数关于中心点偶对称
- 奇对称、偶长度：系数关于中心线奇对称
- 偶对称、偶长度：系数关于中心线偶对称
音频处理中，最常用的是偶对称、奇长度。为什么？因为这种滤波器在低频和高频都有良好的响应。
利用对称性，乘法次数可以减半：
// 普通实现：N次乘法
for (i = 0; i < N; i++)
y += b[i] * x[i];
// 对称优化：N/2次乘法
for (i = 0; i < N/2; i++)
y += b[i] * (x[i] + x[N-1-i]);
if (N % 2 == 1)
y += b[N/2] * x[N/2];别小看这个优化。在嵌入式平台上，乘法比加法贵得多。我曾经在一个Cortex-M4上做128阶FIR，对称优化后MIPS直接降了40%。
注意：对称优化只适用于线性相位FIR。如果你设计的FIR不是线性相位（比如最小相位FIR），系数不对称，这个优化就不能用。
4.4 循环缓冲区实现
FIR的实时实现需要维护一个延迟线——就是过去N-1个输入样本。最直接的做法是每次把数据往后挪，但这样效率太低。
循环缓冲区（Circular Buffer）是标准解法：
typedef struct {
float *buffer; // 缓冲区
int size; // 缓冲区大小（≥阶数）
int index; // 当前写入位置
} circ_buf_t;
float fir_process(circ_buf_t *cb, float *coeffs, int order, float input) {
float y = 0.0f;
int i, idx;
// 写入新样本
cb->buffer[cb->index] = input;
// 卷积计算
idx = cb->index;
for (i = 0; i < order; i++) {
y += coeffs[i] * cb->buffer[idx];
idx = (idx - 1 + cb->size) % cb->size;
}
// 更新写入位置
cb->index = (cb->index + 1) % cb->size;
return y;
}这里有个细节：缓冲区大小最好设为2的幂次。这样取模运算可以用位运算替代：
idx = (idx - 1) & (cb->size - 1); // 比取模快得多我在一个实时音频系统里用过这个技巧，每次FIR处理节省了约15个时钟周期。对于48kHz采样率、256阶滤波器来说，这相当于省了约5%的CPU占用。
4.5 SIMD加速
现代处理器都有SIMD指令集——ARM的NEON、x86的SSE/AVX、RISC-V的V扩展。它们能一次处理多个数据，非常适合FIR这种乘加密集的计算。
以ARM NEON为例，128位寄存器可以同时处理4个float：
#include <arm_neon.h>
void fir_neon(float *y, float *coeffs, float *buffer, int order) {
float32x4_t v_sum = vdupq_n_f32(0.0f);
int i;
for (i = 0; i < order; i += 4) {
float32x4_t v_coeff = vld1q_f32(&coeffs[i]);
float32x4_t v_data = vld1q_f32(&buffer[i]);
v_sum = vmlaq_f32(v_sum, v_coeff, v_data);
}
// 将4个部分和累加
float sum[4];
vst1q_f32(sum, v_sum);
*y = sum[0] + sum[1] + sum[2] + sum[3];
}这段代码一次处理4个系数和4个数据，理论上能加速4倍。实际测试中，受限于内存带宽和流水线停顿，加速比大约在2.5~3.5倍之间。
做SIMD优化时，有几个坑要注意：
- 内存对齐：NEON要求16字节对齐，否则会触发异常或性能下降
- 边界处理：阶数不一定是4的倍数，最后几个点要单独处理
- 数据预取：用__builtin_prefetch提前加载数据，减少cache miss
避坑指南：我曾经在一个项目里直接用NEON内联函数，结果发现性能还不如编译器自动向量化。后来查了编译器报告，发现是内存没对齐。对齐之后，性能才真正起飞。所以我的建议是：先让编译器自动向量化，不行再手写SIMD。
4.6 本章知识体系
下面这张图总结了FIR滤波器设计与优化的核心脉络：
从这张图能看出来，FIR的设计与优化是个系统工程。原理是基础，窗函数设计是方法，对称性和SIMD是性能手段，循环缓冲区是工程实现。缺一个，你的滤波器就跑不远。
我个人习惯是：先确定滤波器规格（通带、阻带、阶数），用窗函数法生成系数，然后做对称优化，最后根据目标平台选择SIMD方案。这个流程我用了很多年，基本没出过问题。