IIR滤波器：从模拟到数字

可视化演示

动态演示IIR滤波器的核心机制，通过开始/执行/监控/完成四种模式展示关键概念与交互流程。

IIR基础概念

主厨拿到老菜谱时，第一件事是分清“一次性动作”和“循环动作”。切葱花是一次性的（前馈），但“舀一勺汤汁回浇到肉上”是循环的（反馈）——每一勺都改变了肉的状态，而肉的状态又影响下一勺。IIR滤波器的灵魂正是这个“回浇”动作：输出信号不仅依赖当前输入，还依赖过去的输出，形成一条反馈回路。

在数字信号处理中，反馈回路用差分方程表达：当前输出由两部分组成——输入信号的加权和（前馈部分），以及过去输出的加权和（反馈部分）。因为输出会循环影响自身，即使输入信号变成零，输出也不会立刻消失，而是像余音绕梁一般持续衰减，这就是“无限脉冲响应”（IIR）名称的由来。

反馈带来的最大红利是效率：一个二阶IIR滤波器就能达到需要几十阶FIR滤波器才能实现的陡峭衰减。这就像红烧肉通过“回浇”让每一块肉都均匀入味，不需要添加几十种香料（高阶FIR）就能达到浓郁口感。

巴特沃斯原型

设计数字IIR滤波器，就像翻译菜谱前先选定“底味风格”。巴特沃斯（Butterworth）滤波器是模拟滤波器中最经典的“底味”——它的幅度响应在通带内最大平坦，没有任何波纹，像一锅文火慢炖的高汤，味道均匀温和，绝不忽咸忽淡。

巴特沃斯滤波器的幅度平方函数是：

巴特沃斯的缺点是过渡带较宽：从通带到阻带需要一段较长的“渐凉区”。如果你需要非常陡峭的截止边缘，巴特沃斯会让你不得不增加阶数（多加香料），而切比雪夫提供了另一种思路。

切比雪夫原型

如果说巴特沃斯是“温和均匀”的高汤，切比雪夫（Chebyshev）滤波器就是“允许一点点味精结晶”的快炒——它在通带内允许等幅波纹（ripple），换来更陡峭的过渡带。这就像做菜时允许表面稍微有点焦斑，但换来外酥里嫩的口感层次。

切比雪夫I型滤波器的幅度平方函数是：

在选择原型时，记住：允许少量波纹，就能用同样的“香料量”（阶数）获得更陡的过滤边界。这在资源受限的嵌入式系统里特别有价值。

脉冲响应不变法

现在进入核心翻译环节。脉冲响应不变法（Impulse Invariance Method）是最直观的翻译策略：既然数字滤波器要处理离散信号，那就直接把模拟滤波器的“脉冲响应”逐点采样，当作数字滤波器的脉冲响应，就像把整道菜按时间步骤逐帧录下来，在数字厨房里原样回放。

具体做法是：先得到模拟滤波器的传递函数 $H_a(s)$，将其做拉普拉斯反变换得到脉冲响应 $h_a(t)$，然后以采样周期 $T$ 对 $h_a(t)$ 采样得到 $h[n] = h_a(nT)$，最后对 $h[n]$ 做Z变换得到数字滤波器传递函数 $H(z)$。

从 $s$ 平面到 $z$ 平面的映射关系是：

因此，脉冲响应不变法只适用于带限的模拟滤波器（如低通或带通），不适合高通和带阻滤波器——高通有无限的高频成分，混叠会严重污染低频区。

双线性变换法

既然脉冲响应不变法有混叠这个“翻译事故”，双线性变换法提供了一种更稳妥的翻译思路：不直接采样脉冲响应，而是把整个 $s$ 平面“压缩”映射到 $z$ 平面的单位圆内，从源头杜绝混叠。

双线性变换的映射关系是：

双线性变换法是目前最常用的IIR设计方法，因为它无混叠且稳定。代价是频率失真（尤其在接近 $\pi$ 的高频区），但预扭曲补偿后，关键频率点能做到精确对齐。

混叠预扭曲

翻译菜谱时，最大的两个陷阱就是混叠（aliasing）和频率失真（frequency warping）。它们就像“食材串味”和“火候误导”——你以为是糖，结果是盐；你以为电磁炉 180℃ 等于明火 180℃，实际差很多。

脉冲响应不变法遭遇的是混叠：模拟滤波器的高频响应在采样后“折叠”进低频区，污染通带。解决方法是让模拟滤波器在采样频率一半（奈奎斯特频率）以上衰减到足够小，这就是所谓的“带限”要求。巴特沃斯和切比雪夫低通滤波器在阻带是衰减的，只要阶数足够高、过渡带足够窄，混叠可以接受。

双线性变换法则没有混叠，但要面对频率失真：由于 $\Omega = \frac{2}{T}\tan\left(\frac{\omega}{2}\right)$ 的非线性，数字滤波器在 $\omega$ 处的响应实际上对应模拟滤波器在 $\Omega$ 处的响应，两者关系被扭曲。比如你设计一个截止频率 $\omega_c = \pi/2$ 的数字低通滤波器，直接代入模拟原型时需要用预扭曲后的 $\Omega_c$，否则实际截止频率会偏移。

设计流程总结为三步：首先根据数字指标（$\omega_p, \omega_s$）确定预扭曲后的模拟指标（$\Omega_p = \frac{2}{T}\tan\frac{\omega_p}{2}$）；然后设计模拟原型（巴特沃斯或切比雪夫）；最后代入双线性变换得到数字滤波器 $H(z)$。这套流程就像“先把菜谱中的温度换算成电磁炉的档位，再按新档位烹饪，最后微调时间”。

IIR优缺点

回到主厨视角：IIR滤波器这套“翻译菜谱”到底值不值得用？答案取决于你开的是哪种餐厅。IIR最大的优点是效率：同等的滤波陡度下，IIR的阶数通常比FIR低 5~10 倍，计算量小、延迟低、省内存，非常适合实时音频处理和低功耗嵌入式设备。在音频均衡器（EQ）中，一个十段图示均衡器如果用FIR实现需要上千个抽头，而IIR只需几十个二阶节即可。

IIR的缺点也很鲜明：相位非线性。IIR的相位响应是频率的非线性函数，信号通过后波形会失真——对听觉影响不大（人耳对相位不敏感），但对心电图、图像处理这类需要保形的应用就是灾难。此外，稳定性敏感：因为存在反馈回路，系数量化误差可能导致极点移出单位圆，滤波器震荡发散。这就像把“回浇”的力道算错一点，汤汁就可能溢出来。

工程中的选择智慧是：如果资源紧张、对相位不敏感（音频、语音、振动控制），优先IIR；如果必须线性相位、应对复杂信号（通信调制解调、医学信号分析），选FIR。有些系统采用“IIR滤波 + 后级相位校正”的组合方案，就像红烧肉配一碗米饭——用IIR搞定陡度，用FIR校正相位，各取所长。

AI 应用场景

Python 演示

# 用双线性变换法设计IIR低通滤波器，对比不同阶数巴特沃斯和切比雪夫import numpy as npfrom scipy.signal import butter, cheby1, bilinear, freqzimport matplotlib.pyplot as plt # 数字滤波器指标fs = 1000.0         # 采样率 Hzfc = 100.0          # 截止频率 Hzwc = 2 * np.pi * fc / fs   # 数字截止频率 rad/sample# 预扭曲：计算双线性变换对应的模拟原型截止频率T = 2.0             # 取 T=2 归一化Omega_c = (2 / T) * np.tan(wc / 2)   # 预扭曲频率 def design_butter(N):    # 设计模拟巴特沃斯原型（原型截止频率预扭曲后），再经双线性变换    b_a, a_a = butter(N, Omega_c, analog=True)    b_d, a_d = bilinear(b_a, a_a, fs=2 / T)    return b_d, a_d def design_cheby(N):    # 设计模拟切比雪夫I型原型（通带波纹 1dB），再经双线性变换    b_a, a_a = cheby1(N, 1.0, Omega_c, analog=True)    b_d, a_d = bilinear(b_a, a_a, fs=2 / T)    return b_d, a_d plt.figure(figsize=(10, 6))for N in [2, 4]:    b_but, a_but = design_butter(N)    w, h_but = freqz(b_but, a_but, worN=512, fs=fs)    plt.plot(w, 20 * np.log10(abs(h_but) + 1e-12),             label='Butter N={}'.format(N)) for N in [2, 4]:    b_che, a_che = design_cheby(N)    w, h_che = freqz(b_che, a_che, worN=512, fs=fs)    plt.plot(w, 20 * np.log10(abs(h_che) + 1e-12),             '--', label='Cheby1 N={} (1dB ripple)'.format(N)) plt.axvline(fc, color='#F43F5E', ls=':', label='设计截止 100Hz')plt.xlabel('频率 (Hz)'); plt.ylabel('增益 (dB)')plt.title('IIR低通：双线性变换 + 预扭曲设计')plt.legend(); plt.grid(True); plt.tight_layout()plt.show()

1. Omega_c = (2 / T) * np.tan(wc / 2)预扭曲公式：把数字截止频率反算成模拟原型的截止频率，这是双线性变换法正确工作的关键。
2. butter(N, Omega_c, analog=True)设计模拟巴特沃斯原型，analog=True 表示返回模拟传递函数系数。
3. cheby1(N, 1.0, Omega_c, analog=True)设计模拟切比雪夫I型，中间的 1.0 是通带最大波纹（单位 dB）。
4. bilinear(b_a, a_a, fs=2 / T)核心双线性变换，将模拟传递函数映射为数字传递函数，fs=2/T 对应变换公式的系数。
5. freqz(b_d, a_d, worN=512, fs=fs)计算数字滤波器的幅频响应，fs=fs 让横轴显示为物理频率（Hz）。
6. plt.plot(... 20*np.log10(abs(h)+1e-12))用 dB 绘制增益，+1e-12 防止对数取零值。

常见误区

面试题