数字滤波器设计：FIR与IIR滤波器原理、滤波器设计工具、群延迟与相位响应
滤波器设计，说白了就是音频DSP里最核心的活儿之一。我刚开始做这行的时候，总觉得滤波器不就是个低通高通嘛，后来踩的坑多了才明白——这里面的门道，远比教科书上写的要深。
今天咱们就聊聊数字滤波器的两大门派：FIR和IIR。我会结合自己项目里的实际经验，把原理、工具、还有那个让人头疼的群延迟问题，一次性讲清楚。
FIR与IIR：两种截然不同的哲学
先说说最根本的区别。FIR滤波器，全称是有限脉冲响应。IIR呢，是无限脉冲响应。
名字听着绕口，其实理解起来不难。你给滤波器输入一个单位脉冲，看它的输出能持续多久。如果输出很快就归零了，那就是FIR。如果输出一直震荡、慢慢衰减，那就是IIR。
我在项目里遇到过这样的情况：用IIR做均衡器，效果很好，计算量也小。但后来发现，不同频段的相位被扭得乱七八糟，整个声音的“定位感”全没了。换成FIR之后，相位问题解决了，但延迟又上来了。嗯，这就是典型的取舍问题。
核心区别一句话总结：
- FIR：稳定、线性相位、延迟大、计算量大
- IIR：效率高、延迟小、相位非线性、可能不稳定
FIR滤波器：线性相位的代价
FIR最大的优点，就是可以实现严格的线性相位。什么意思呢？就是不同频率的信号通过滤波器后，延迟的时间是一样的。这对音频来说太重要了——你想想看，如果低频和高频到达耳朵的时间不一样，那声音听起来就会“散”。
但代价也很明显。FIR的阶数通常很高。比如你要做一个截止频率20kHz的低通，采样率48kHz，用FIR可能需要几百阶。每处理一个样本，就要做几百次乘加运算。这在嵌入式DSP上，是个不小的负担。
我记得有一次做车载音响项目，客户要求用FIR做分频。我算了一下，四个通道、每个通道256阶，DSP芯片的MIPS直接爆了。后来不得不降阶数，用窗函数法重新设计，才勉强跑起来。
设计小技巧：
用窗函数法设计FIR时，我习惯先用凯泽窗。它的β参数可以调节旁瓣衰减，非常灵活。一般β取4到8之间，效果都不错。
IIR滤波器：效率与风险的平衡
IIR滤波器的效率，是FIR没法比的。一个二阶的IIR，就能实现很陡的滚降。你想想看，同样的效果，IIR可能只需要10阶，FIR却要200阶。这差距，在实时系统里就是能不能跑起来的区别。
但IIR有个大问题——相位非线性。而且，如果设计不当，IIR还可能不稳定。我在项目中就吃过这个亏。
避坑指南：
我曾经设计过一个高阶IIR带通滤波器，仿真时一切正常。结果上板子一跑，低频段开始自激振荡。查了半天才发现，是系数量化后极点跑到了单位圆外。从那以后，我设计IIR都习惯用双线性变换法，并且一定会做系数量化后的稳定性检查。
IIR的经典设计方法有几种：
- 巴特沃斯：通带最平坦，滚降较缓
- 切比雪夫I型：通带有纹波，滚降更陡
- 切比雪夫II型：阻带有纹波，通带平坦
- 椭圆滤波器：通带和阻带都有纹波，但滚降最陡
我个人习惯，做音频EQ时用巴特沃斯，因为它的相位响应相对平滑。做分频器时用切比雪夫，因为需要更陡的滚降。
滤波器设计工具：别手算，用工具
现在谁还手算滤波器系数啊？工具多的是。我常用的有这几个：
| 工具 | 适用场景 | 我的评价 |
|---|---|---|
| MATLAB Filter Designer | 原型设计、仿真验证 | 功能最全，但贵 |
| Python scipy.signal | 快速原型、批量设计 | 免费，我项目里用得最多 |
| 德州仪器 FilterPro | TI DSP平台 | 针对性强，但功能有限 |
| 在线滤波器计算器 | 简单设计、快速验证 | 应急用，别太依赖 |
用Python设计一个低通FIR，代码其实很简单：
import scipy.signal as signal
import numpy as np
# 设计一个64阶低通FIR，截止频率5kHz，采样率48kHz
fs = 48000
fc = 5000
numtaps = 65 # 阶数+1
# 用窗函数法设计
fir_coeff = signal.firwin(numtaps, fc, fs=fs, window='hamming')
# 查看频率响应
w, h = signal.freqz(fir_coeff, fs=fs)
你看，几行代码就搞定了。但要注意，设计出来的系数要量化成定点数，才能放到DSP上跑。我一般先用浮点仿真，确认没问题了，再转成Q15或Q31格式。
群延迟与相位响应：被忽视的关键指标
很多工程师设计滤波器，只看幅频响应。觉得衰减够了就行。但相位响应和群延迟，才是真正影响听感的东西。
群延迟，说白了就是不同频率的信号通过滤波器时，延迟时间的差异。如果群延迟不平坦，声音就会“染色”——听起来不自然。
为什么会这样？你想想看，一个鼓点包含了很多频率成分。如果低频比高频晚到0.5ms，那这个鼓点听起来就会“拖泥带水”，没有冲击感。
我在做专业监听音箱的DSP时，客户要求全频段群延迟波动不超过0.1ms。用IIR根本做不到，最后只能用高阶FIR。虽然延迟大了点，但群延迟平坦了，声音的定位感一下子就出来了。
群延迟的典型表现：
- FIR（线性相位）：群延迟恒定，等于(N-1)/2个采样周期
- IIR（最小相位）：群延迟在截止频率附近会明显增大
- 全通滤波器：专门用来调整群延迟，不改变幅频响应
测量群延迟，我习惯用扫频信号。输入一个频率随时间线性变化的信号，然后分析输出信号的瞬时频率和相位差，就能算出群延迟曲线。MATLAB里有现成的函数，但自己写一个也不难。
实际项目中的选择策略
说了这么多，到底什么时候用FIR，什么时候用IIR？我总结了几条经验：
- 做分频器：如果对相位有要求，用FIR。如果只要求幅频，用IIR更划算。
- 做均衡器：IIR就够了，尤其是参量均衡，用双二阶滤波器实现非常高效。
- 做房间校正：必须用FIR，因为需要精确控制相位来补偿房间的声学缺陷。
- 做低延迟应用：比如无线麦克风、助听器，用IIR。FIR的延迟受不了。
嗯，这里要注意一点。有时候你可以在一个系统里混用FIR和IIR。比如前级用IIR做粗略的均衡，后级用FIR做精细的相位校正。这样既保证了效率，又兼顾了性能。
我记得有个项目，客户要求延迟不超过2ms，但又要做48阶的房间校正。用纯FIR根本不可能。后来我用了混合方案：低频段用IIR，高频段用低阶FIR。最终延迟控制在1.8ms，效果客户也很满意。
好了，关于FIR和IIR的设计，今天就聊这么多。下一章咱们会深入讲讲具体的实现技巧，包括定点化、系数量化、还有如何在DSP上高效跑起来。这些东西，都是书本上不会教你的实战经验。