news 2026/4/18 3:36:44

数字信号处理篇---巴特沃斯滤波器设计(总)

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
数字信号处理篇---巴特沃斯滤波器设计(总)

我将系统讲解如何从巴特沃斯低通原型设计高通、带通、带阻滤波器。这是考试和工程设计中的核心内容,关键在于频率变换


一、总体设计思想(核心)

所有滤波器的设计都归结为以下两步:

  1. 频率变换:将目标滤波器(高通/带通/带阻)的指标,通过特定映射关系,转换为一个模拟低通原型的指标。

  2. 原型设计:用巴特沃斯设计方法,设计出满足该指标的模拟低通滤波器 HLP(λ)。

  3. 逆变换:通过对应的逆频率变换,将 HLP(λ) 转换为目标滤波器的系统函数 Hdesired(s)。

最后若需要数字滤波器,再进行双线性变换

下图展示了从模拟低通原型到各类滤波器的经典转换关系:


二、通用设计步骤(适用于所有类型)

步骤流程

  1. 确定目标滤波器指标(数字或模拟)。

  2. 若为数字,先进行预畸变(双线性变换:),得到模拟目标频率。

  3. 将模拟目标指标转换为低通原型指标(关键步骤,使用频率变换公式)。

  4. 设计巴特沃斯低通原型HLP(λ)。

  5. 对 HLP(λ) 进行逆频率变换,得到目标模拟滤波器 Hdesired(s)Hdesired​(s)。

  6. 若需要数字滤波器,进行双线性变换


三、高通滤波器(HPF)设计

1. 频率变换关系

2. 指标转换

给定高通指标:通带边界 Ωp​(衰减 αpαp​),阻带边界 Ωs​(衰减 αsαs​),且Ωs​<Ωp​(高通中频率越高衰减越小)。

转换为低通原型指标:

注意:低通原型的通带边界 λp​、阻带边界 λs​,衰减要求 αp​,αs​ 不变。

3. 设计步骤

  1. 由 λp,λs,αp,αs​ 设计巴特沃斯低通原型 HLP​(λ)。

  2. 进行逆变换:在 HLP(λ) 中代入​​,得到高通系统函数:

4. 例子(考试常见)

解:


四、带通滤波器(BPF)设计

1. 频率变换关系

2. 指标转换

给定带通指标:

映射关系

  • 通带边界映射:

  • 阻带边界映射:

3. 设计步骤


五、带阻滤波器(BSF/陷波)设计

1. 频率变换关系

2. 指标转换

给定带阻指标:

映射关系

  • 阻带边界映射:

    因此低通原型的阻带边界为λs​=1。

  • 通带边界映射:

    取绝对值,低通原型的通带边界为:

3. 设计步骤


六、数字滤波器设计完整流程(以带通为例)

步骤

  1. 预畸变

  2. 计算带通参数

  3. 转换为低通指标

  4. 设计巴特沃斯低通原型

  5. 逆变换得模拟带通

  6. 双线性变换得数字带通


七、考试要点与易错点

  1. 记住四个变换公式(低通原型↔目标):

  2. 参数选择

  3. 映射后衰减不变:αp,αs在变换中保持不变

  4. 模拟↔数字:先设计模拟目标滤波器,再进行双线性变换;或先预畸变,再设计模拟低通原型

  5. 阶数计算:用变换后的低通指标 λp,λs 计算巴特沃斯阶数


核心思想所有滤波器设计都回归到巴特沃斯低通原型的设计,关键在于正确的频率变换。掌握这个,你就掌握了IIR滤波器设计的精髓。

版权声明: 本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若内容造成侵权/违法违规/事实不符,请联系邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
网站建设 2026/4/17 3:06:00

万物识别-中文-通用领域云端部署:基于容器的一键启动方案

万物识别-中文-通用领域云端部署&#xff1a;基于容器的一键启动方案 在人工智能快速发展的背景下&#xff0c;图像识别技术已广泛应用于内容审核、智能搜索、自动化标注等多个场景。其中&#xff0c;“万物识别”作为通用视觉理解的核心能力&#xff0c;旨在实现对任意图像内…

作者头像 李华
网站建设 2026/3/30 1:18:49

fft npainting lama与Stable Diffusion对比:修复能力差异

fft npainting lama与Stable Diffusion对比&#xff1a;修复能力差异 1. 引言 在图像修复领域&#xff0c;随着深度学习技术的快速发展&#xff0c;多种基于生成模型的修复工具相继涌现。其中&#xff0c;fft npainting lama&#xff08;以下简称“lama”&#xff09;和 Stab…

作者头像 李华
网站建设 2026/3/24 11:47:55

Qwen2.5-0.5B教程:如何优化模型内存占用

Qwen2.5-0.5B教程&#xff1a;如何优化模型内存占用 1. 引言 1.1 轻量级大模型的现实需求 随着边缘计算和终端智能设备的普及&#xff0c;将大语言模型部署到资源受限环境已成为AI落地的关键挑战。传统大模型动辄数十GB显存占用&#xff0c;难以在手机、树莓派或嵌入式设备上…

作者头像 李华
网站建设 2026/4/8 23:20:20

verl监控体系:训练指标采集与可视化方案

verl监控体系&#xff1a;训练指标采集与可视化方案 1. 引言 随着大型语言模型&#xff08;LLMs&#xff09;在自然语言处理领域的广泛应用&#xff0c;如何高效地进行模型的后训练成为工业界和学术界共同关注的核心问题。强化学习&#xff08;Reinforcement Learning, RL&am…

作者头像 李华
网站建设 2026/4/15 14:50:57

小白也能玩转大模型!通义千问2.5-7B-Instruct保姆级部署指南

小白也能玩转大模型&#xff01;通义千问2.5-7B-Instruct保姆级部署指南 随着大语言模型技术的不断演进&#xff0c;越来越多开发者和企业开始尝试将高性能模型集成到实际业务中。然而&#xff0c;面对复杂的环境配置、依赖管理和推理优化&#xff0c;许多初学者往往望而却步。…

作者头像 李华
网站建设 2026/3/9 20:33:08

Qwen3-0.6B一文详解:base_url与API配置常见问题排查

Qwen3-0.6B一文详解&#xff1a;base_url与API配置常见问题排查 1. 技术背景与核心挑战 Qwen3&#xff08;千问3&#xff09;是阿里巴巴集团于2025年4月29日开源的新一代通义千问大语言模型系列&#xff0c;涵盖6款密集模型和2款混合专家&#xff08;MoE&#xff09;架构模型…

作者头像 李华