企业官网建设流程全解析

1. 从“IIR滤波器（2）”说起：为什么第一篇讲完还得再开一篇

如果你看过我之前写的那篇IIR滤波器入门，大概会记得我们把双线性变换法从头推了一遍，最后落到了一个能跑的低通滤波器上。那篇发出去之后，后台收到最多的一类问题不是“公式怎么推”，而是“我照着搭出来了，但结果跟想象的不一样”——有人发现截止频率对不上，有人发现输出过几个采样点之后开始发散，还有人问“为什么我改了一下系数，滤波器就彻底不能用了”。

这些问题其实都指向同一件事：IIR滤波器的设计流程里，公式推导只是前半程，真正决定它能不能用的，是后半程那些看起来不起眼的细节——系数量化、结构选型、稳定性边界、暂态处理。这些东西在教科书里往往被压缩成一句话带过，但在实际项目里，它们才是让你反复调试的根源。

所以这篇“IIR滤波器（2）”不打算再重复变换公式，而是把重心放在“从设计到落地”这一段。我会围绕四个方向展开：第一，把IIR和FIR放在一起做一次彻底的选型对比，说清楚什么场景下你该选谁；第二，拆解几种主流实现结构，讲明白为什么同样的传递函数，换个结构结果可能完全不同；第三，给出一套可以直接抄的实操流程，从参数计算到代码验证；第四，把我在实际调试中踩过的坑整理成一份速查表。

这篇文章适合已经了解IIR基本概念、但一到实际实现就卡壳的读者。如果你连零极点、传递函数都还没接触过，建议先翻回去看第一篇，把基础补上再回来。如果你已经能独立写出一个滤波器但总在细节上翻车，那这篇就是为你准备的。

2. IIR与FIR的选型对比：别再用“IIR省资源”一句话糊弄自己

2.1 选型的本质是拿什么换什么

很多人对IIR和FIR的区别只有一个模糊印象：IIR用反馈、阶数低、省资源；FIR不用反馈、阶数高、但线性相位。这个印象不算错，但它太粗了，粗到没法指导实际决策。真正做选型的时候，你要问自己的是：我到底愿意拿什么去换什么。

IIR的核心特征是“用反馈换阶数”。它把过去的输出重新引回来参与当前计算，相当于让滤波器自己“记住”了历史信息，所以用很低的阶数就能做出很陡的过渡带。代价是相位非线性，而且反馈意味着稳定性不再是天然保证的，你得时刻盯着极点有没有跑到单位圆外面去。

FIR的核心特征是“用阶数换稳定和线性相位”。它没有反馈，输出只依赖输入，所以永远稳定，而且可以做到严格的线性相位。代价是要达到同样的过渡带陡峭程度，阶数往往要高出一个数量级，计算量和延迟都上去了。

我一般会用一个很朴素的判断：如果这个信号后续还要做波形分析、要做相位对齐、要做多通道相干处理，那相位失真就是致命的，优先考虑FIR；如果只是做能量估计、做包络提取、做实时性要求高的滤波，相位不那么重要，那IIR的低阶数优势就非常香。

2.2 一张表把关键差异摆清楚

下面这张表是我自己整理选型时用的，把几个最关键的维度拉出来对比。注意这里的“阶数”指的是达到相近过渡带宽度时的大致比例，不是绝对数字。

这张表里我想特别强调“对系数量化敏感度”这一行。IIR滤波器在高阶的时候，系数的微小扰动可能导致极点大幅偏移，甚至直接把系统推到不稳定。这是很多人从浮点仿真转到定点实现时翻车的核心原因，后面我会专门展开讲。

2.3 什么情况下我会坚决选IIR

说几个我实际项目里选IIR的具体场景，你可以对照自己的需求。

第一种是采样率不高、但要求过渡带很窄的情况。比如某个传感器信号采样率只有几百赫兹，我要把工频干扰压下去，过渡带可能只有几赫兹宽。这种条件下如果用FIR，阶数可能要上千，延迟和计算量都受不了，IIR用个四阶六阶就能搞定。

第二种是嵌入式平台算力实在紧张的情况。有些低功耗芯片连乘法器都是复用的，每秒钟能做的乘加运算就那么多次。这时候IIR的低阶数优势直接决定了你能不能实时跑完。

第三种是相位失真可以通过其他手段补偿的情况。比如我在滤波之后还要做一次全通均衡，或者整个系统对相位本来就不敏感，那IIR的非线性相位就不构成障碍。

反过来，如果我要做的是音频重放、要做波束形成、要做任何需要多通道严格对齐的处理，我会毫不犹豫选FIR，哪怕阶数高、延迟大。因为相位失真在这些场景里会直接破坏信号的空间信息或时间信息，后期补不回来。

3. 实现结构决定成败：同样的传递函数，换个结构结果天差地别

3.1 直接I型、直接II型与转置结构

拿到一个传递函数，最直觉的实现方式就是直接按差分方程写。假设传递函数是：

H(z) = (b0 + b1·z⁻¹ + b2·z⁻²) / (1 + a1·z⁻¹ + a2·z⁻²)

直接I型就是先算分子部分的延迟链，再算分母部分的延迟链，两套延迟单元各管各的。这种结构最直观，但延迟单元用得多，而且中间变量的动态范围可能很大。

直接II型把两套延迟链合并成一套，因为分子和分母共享同一组延迟信号。这样延迟单元数量减半，是实际实现中最常见的结构。但它的中间节点同时承载了反馈路径和前馈路径的信号，定点实现时更容易溢出。

转置结构是把直接II型的信号流图整个转过来，输入输出互换。它的好处是每个节点的动态范围更可控，而且在高阶时数值特性通常更好。我在做定点实现时，如果直接II型出现溢出，第一反应就是换成转置结构试试。

这三种结构的传递函数完全一样，理论上的频率响应也完全一样，但在有限精度下表现可能差很多。这就是为什么我说“结构决定成败”——你不能只看传递函数对不对，还要看它在你的数值精度下能不能稳定工作。

3.2 级联结构与并联结构：高阶滤波器的正确打开方式

当你需要四阶以上的IIR滤波器时，直接型结构就开始出问题了。原因很简单：高阶多项式的根对系数极其敏感，系数量化的一点点误差就可能让极点跑出单位圆。

正确的做法是把高阶传递函数分解成多个二阶节的乘积，这就是级联结构。每个二阶节单独实现，单独验证稳定性，最后串起来。这样做的好处是每个二阶节的极点位置只受自己那几个系数影响，量化误差不会跨节累积。

分解的方法通常是先求分子分母的根，然后把共轭复根配对成二阶节。配对的时候有个技巧：把距离单位圆最近的极点跟距离最近的零点配在一起，这样可以让每个二阶节的增益曲线更平缓，减少中间节点的动态范围。

并联结构是把传递函数拆成多个部分分式之和，每个部分分式单独实现，最后相加。它的好处是各个节之间完全独立，一个节出问题不会影响其他节。但并联结构对系数量化更敏感，而且需要更多的乘法器，所以实际中用得比级联少。

我自己的习惯是：四阶到八阶用级联，八阶以上如果非要IIR，会考虑并联或者更复杂的结构。但说实话，超过八阶的IIR在实际项目中很少见，因为这时候FIR的阶数虽然高，但稳定性和可预测性带来的好处往往更划算。

3.3 系数量化：从浮点到定点的惊险一跃

这是IIR实现里最容易翻车的地方，没有之一。你在浮点仿真里跑得好好的滤波器，一旦把系数截断成定点，可能直接就不工作了。

问题的根源在于：IIR滤波器的极点位置对系数极其敏感。一个二阶节的极点由a1和a2两个系数决定，当极点靠近单位圆时，a1和a2的微小变化会导致极点大幅移动。如果量化后的极点跑到单位圆外面，系统就发散了。

我一般会做三件事来降低风险。第一，在浮点阶段就把系数打印出来，看看极点的模值离1有多远。如果某个极点的模值是0.999，那量化几乎必然出问题，这时候要么降低滤波器的选择性，要么提高系数的位宽。

第二，用比预期更高的位宽来存系数。比如我最终数据通路是16位，但系数我会用24位甚至32位来存。系数占用的存储空间很小，多给几位不会显著增加成本，但能大幅降低量化风险。

第三，在定点实现之后，一定要做一次冲激响应测试。给一个单位冲激，看输出是不是在有限步内衰减到零。如果输出持续振荡或者发散，那就是极点出问题了，需要回头调整系数位宽或者滤波器结构。

注意：系数量化后的稳定性验证不能只看频响曲线。频响曲线在量化后可能看起来还行，但时域冲激响应已经发散了。一定要做时域测试。

4. 从参数到代码：一套可以直接抄的实操流程

4.1 第一步：明确指标，别急着写代码

我见过太多人一上来就开始调系数，调了半天发现指标根本没定义清楚。在动手之前，你必须先回答这几个问题：

• 采样率是多少？这决定了归一化频率的基准。
• 通带截止频率和阻带截止频率分别是多少？过渡带有多宽？
• 通带允许的最大衰减是多少分贝？阻带需要的最小衰减是多少分贝？
• 相位有没有要求？如果有，能不能接受非线性相位？
• 目标平台的数值精度是多少？浮点还是定点？定点的话位宽是多少？

这几个问题里，最容易被忽略的是最后一个。很多人用浮点设计完直接往定点平台上搬，结果就是前面说的量化翻车。我的建议是：在设计阶段就用目标平台的精度来做仿真，哪怕慢一点，也比后期返工强。

4.2 第二步：确定滤波器阶数

阶数的确定有两种路子。一种是查表法，根据通带阻带指标和过渡带宽度，查巴特沃斯、切比雪夫或椭圆滤波器的阶数对照表。另一种是直接用工具算，比如在Python里用scipy的cheb1ord、cheb2ord、ellipord这些函数，输入指标就能返回最小阶数。

我一般会先用工具算一个理论最小阶数，然后往上加一阶作为余量。因为理论阶数是在理想条件下的结果，实际实现时由于量化、结构等因素，往往需要稍微放宽一点。

选择滤波器类型的时候，巴特沃斯最平缓但过渡带最宽，切比雪夫有通带或阻带纹波但过渡带更窄，椭圆滤波器过渡带最窄但通带阻带都有纹波。如果对纹波敏感就选巴特沃斯，如果对过渡带要求苛刻就选椭圆。切比雪夫介于两者之间，是我用得最多的。

4.3 第三步：计算系数并检查极点

确定阶数和类型之后，就可以算系数了。以Python为例，假设我要设计一个采样率1000Hz、通带截止100Hz、阻带截止150Hz、通带衰减1dB、阻带衰减40dB的低通滤波器：

import numpy as np from scipy import signal fs = 1000.0 wp = 100.0 / (fs / 2) ws = 150.0 / (fs / 2) gpass = 1.0 gstop = 40.0 # 计算椭圆滤波器的最小阶数 N, Wn = signal.ellipord(wp, ws, gpass, gstop) print(f"最小阶数: {N}") # 设计滤波器 b, a = signal.ellip(N, gpass, gstop, Wn, btype='low') print(f"分子系数: {b}") print(f"分母系数: {a}") # 检查极点 poles = np.roots(a) print(f"极点模值: {np.abs(poles)}")

跑完这段代码，你会得到一组系数和极点模值。关键看极点模值那一行：如果所有模值都明显小于1，比如小于0.99，那量化风险就比较低；如果有模值非常接近1，比如0.999以上，那就要小心了。

4.4 第四步：分解成二阶节

对于四阶以上的滤波器，直接使用b和a数组在数值上是不稳定的。需要把它分解成二阶节：

# 分解成二阶节 sos = signal.tf2sos(b, a) print("二阶节系数:") print(sos)

tf2sos函数会自动完成极零点配对和增益分配。输出的sos是一个N×6的数组，每一行是一个二阶节的[b0, b1, b2, a0, a1, a2]。a0通常归一化为1。

拿到sos之后，我建议逐个二阶节检查极点模值。如果某个节的极点模值特别接近1，可以考虑调整配对方式，或者对这个节单独提高系数精度。

4.5 第五步：定点仿真验证

这一步是很多人跳过的，但恰恰是最重要的。在把系数写进实际代码之前，先用定点仿真跑一遍。

具体做法是：把每个系数乘以2的Q次方然后取整，再用这些整数系数做滤波运算，每次乘加之后做移位和截断。比较定点输出和浮点输出的差异，看是否在可接受范围内。

def fixed_point_filter(x, sos, frac_bits=12): # 将系数转为定点整数 sos_fixed = np.round(sos * (2**frac_bits)).astype(np.int64) # 逐样本处理 # 这里省略具体实现，核心是模拟移位和截断 pass

如果定点输出和浮点输出的差异超过预期，说明系数位宽不够，需要增加frac_bits。如果增加位宽之后仍然有问题，那可能是结构选得不对，需要换转置结构或者级联顺序。

4.6 第六步：时域和频域双重验证

最后一步是验证。频域验证就是看幅频响应和相频响应是否符合指标，这个用工具很容易做。时域验证是给一个冲激信号，看输出是否在有限步内衰减到零。

我一般会做三个测试：冲激响应测试稳定性，阶跃响应测试暂态行为，正弦扫频测试频率选择性。三个都过了，才认为滤波器可以交付。

提示：冲激响应测试的时候，不要只看前几十个点。有些滤波器的暂态过程很长，要跑到输出幅度降到初始值的万分之一以下才算稳定。

5. 常见问题与排查技巧实录

5.1 输出发散：九成是极点跑到单位圆外了

这是最典型的问题。现象是滤波器刚开始工作还正常，过一段时间输出越来越大，最后饱和或者溢出。

排查思路很直接：把系数拿出来，算极点模值。如果模值大于等于1，那就是量化导致的极点偏移。解决办法有三个：提高系数位宽、降低滤波器阶数、换用对量化不敏感的结构。

我遇到过一次特别隐蔽的情况：浮点系数算出来的极点模值是0.998，看起来没问题，但定点量化之后变成了1.0003。后来把系数位宽从16位提到24位，问题就解决了。所以我现在养成了一个习惯：只要极点模值超过0.99，就默认用24位以上的系数位宽。

5.2 截止频率对不上：检查归一化频率的定义

这个问题也很常见。你设计的是100Hz截止，实际测出来可能是80Hz或者120Hz。

原因通常是归一化频率的定义搞混了。有的工具用fs/2做归一化基准，有的用fs。比如scipy的iirfilter函数，Wn参数如果小于1，就认为是归一化到Nyquist频率的；如果大于1，就认为是实际频率。这个细节不搞清楚，截止频率就会差一倍。

我的做法是：不管用什么工具，设计完之后一定用freqz函数把幅频响应画出来，在图上直接读-3dB点的频率，跟设计指标对比。图上看一眼比算半天都靠谱。

5.3 暂态过程太长：初始条件没设对

IIR滤波器是有记忆的，如果初始状态设为零，而输入信号一开始就有较大的值，输出会有一个明显的暂态过程。

解决办法是设置合适的初始条件。对于阶跃输入，可以预先计算稳态输出，把延迟单元初始化成对应的值。对于一般信号，可以用前几个样本做一次“预热”，等滤波器状态稳定了再开始正式输出。

我在做实时音频处理的时候，会在正式处理之前先送一段静音或者已知信号，让滤波器状态收敛。这段预热时间通常是滤波器阶数的几倍，具体多少要看极点离单位圆有多近。

5.4 定点溢出：中间节点动态范围没算清楚

定点实现时，中间节点的值可能超出预期范围，导致溢出。溢出之后结果完全错误，而且往往不会报错，只是输出变得乱七八糟。

避免溢出的方法是提前做动态范围分析。对于级联结构，每个二阶节的增益要单独算，确保信号经过每一节之后不会超出表示范围。如果某一节增益太大，可以在节之间插入缩放因子。

我一般会在每个二阶节后面加一个可选的移位操作，相当于除以2的整数次幂。这样可以在不改变滤波器整体特性的前提下，把信号幅度控制在安全范围内。

5.5 常见问题速查表

5.6 几个我踩过的坑

第一个坑是“浮点仿真没问题就以为万事大吉”。有一次我做完浮点仿真直接交给同事做定点实现，结果他那边跑出来完全不对。后来发现是系数量化的问题，但已经浪费了两天时间。从那以后，我坚持在浮点阶段就做定点仿真。

第二个坑是“忽略二阶节的顺序”。级联结构里，哪个节在前哪个节在后，对中间节点的动态范围影响很大。我一般会把增益最小的节放在最前面，增益最大的放在最后面，这样中间信号不容易溢出。

第三个坑是“用错滤波器类型”。有一次我需要一个过渡带很窄的滤波器，随手选了巴特沃斯，结果算出来阶数高得离谱。后来换成椭圆滤波器，阶数直接降了一半。所以选类型之前一定要想清楚，你到底更在意纹波还是更在意过渡带。

第四个坑是“忘记考虑群延迟”。IIR滤波器的群延迟在通带内不是常数，靠近截止频率的地方群延迟会急剧上升。如果你的系统对时序敏感，这个群延迟变化可能会导致问题。我现在的做法是：设计完之后把群延迟曲线也画出来，看看在信号带宽内变化有多大。

6. 写在最后：一些个人体会

IIR滤波器这个东西，入门容易精通难。公式推导那一关过了之后，真正的挑战才刚开始。我做了这么多年信号处理，到现在每次设计IIR滤波器，还是会老老实实做定点仿真、做冲激响应测试、做动态范围分析。这些步骤看起来很繁琐，但比起后期调试时抓瞎，前期多花半个小时是绝对值得的。

如果你现在正在调一个IIR滤波器，怎么调都不对，我的建议是：先停下来，把极点模值算一遍，把定点仿真跑一遍，把冲激响应看一遍。这三个动作做完，大部分问题都能定位到。如果还是不行，那就把滤波器阶数降下来，从二阶开始重新搭，确认二阶没问题了再往上加。一步一步来，比一口气吃成胖子靠谱得多。

后续如果大家感兴趣，我可以再写一篇讲自适应IIR滤波器的，那个又是另一个维度的坑了。