Python实战：从零设计数字滤波器（IIR/FIR全解析）

1. 数字滤波器设计基础

数字滤波器是信号处理领域的核心工具，它能像筛子一样从复杂信号中提取特定频率成分。想象一下你在嘈杂的咖啡厅里想听清朋友说话，大脑会自动"过滤"背景噪音——数字滤波器就是为计算机设计的这种能力。

Python中的SciPy库提供了完整的滤波器设计工具链，主要支持两类滤波器：

• FIR（有限冲激响应）滤波器：像纯净水过滤器，只依赖当前和有限的历史输入
• IIR（无限冲激响应）滤波器：像回声室，输出会持续影响后续结果

我刚开始用Python做滤波器时，发现一个有趣现象：同样的滤波需求，FIR通常需要比IIR多5-10倍的运算量。比如要滤除1kHz以上的噪声，FIR可能需要50阶而IIR只需5阶。不过FIR有个杀手锏——它能保证线性相位，这在音频处理中至关重要。

2. FIR滤波器实战设计

2.1 窗函数法设计

凯塞窗是我最常用的FIR设计方法，它的β参数就像调音旋钮：

from scipy import signal
import numpy as np

fs = 48000  # 采样率48kHz
cutoff = 8000  # 截止频率8kHz
taps = signal.kaiserord(60, 0.1)[0]  # 60dB衰减，过渡带宽10%
coeffs = signal.firwin(taps, cutoff, fs=fs)

实测发现，β=8时过渡带最平滑，但会牺牲约15%的阻带衰减。有个坑要注意：taps必须是奇数，否则频率响应会在Nyquist频率处归零。

2.2 频率采样法

当需要特殊频率响应时，我会用firwin2：

freq_points = [0, 0.2, 0.3, 1]  # 归一化频率
gain_points = [1, 1, 0, 0]  #