企业官网建设流程全解析

简介：围绕IIR数字滤波器C语言实现整理的配套文档，面向数字信号处理学习者、嵌入式开发人员及课程设计学生，系统讲解采用间接法设计IIR滤波器的完整流程。内容以巴特沃斯低通滤波器为原型，先推导滤波器次数计算公式，再根据振幅特性分母多项式求解传递函数极点，并通过复数结构体在C语言中完成稳定极点筛选、乘法展开与系数计算；后续还介绍了双线性z变换原理及对应的C实现，并给出设计指标与程序执行结果，便于验证滤波器性能。文档通过数学公式与分步代码对照，帮助读者掌握从模拟原型到数字滤波器的转换方法，可直接应用于音频降噪、信号预处理、生物电信号分析等实际项目。资源为单个Word文档，共一个文件，压缩包约478KB，阅读和传递十分方便。目前已有663人学习下载，适合需要补强滤波器原理并动手实现的人群。文档不仅给出完整可运行的C语言代码片段，还特别说明稳定极点选取、复数乘法展开、次数向上取整等关键细节，避免初学者在推导中迷失方向，是数字信号处理课程设计或工程实现中一份实用的参考资料。 从嵌入式信号处理到音频效果器，IIR数字滤波器配合C语言实现，属于那种“看着不起眼，但工程里躲不开”的基础技能。我之前在单片机项目里用ADC采集传感器信号，一开始图省事用滑动平均，后来噪声频段和有用信号离得近，滑动平均压不住，换IIR之后阶数不高、计算量小，效果直接上了一个档次。这篇就把我从滤波器选型、系数设计到C语言落地的完整过程走一遍，适合正准备用C语言在MCU或PC上实现数字滤波的朋友，也适合已经把代码跑通但没想明白原理的同学。

1. IIR数字滤波器，为什么值得用C语言写一遍

1.1 IIR和FIR，一张表看清怎么选

数字滤波器按冲激响应分两大类：FIR和IIR。FIR没有反馈，结构天然稳定，还能做到严格线性相位；IIR有反馈，冲激响应无限长，但代价换来的是“同样滤波效果下阶数大大降低”。

举个例子，要压制一个带外噪声，过渡带宽度大致相等时，FIR可能要几十甚至上百阶，IIR往往四到八阶就够。阶数少意味着每次采样需要的乘加次数少，这在单片机、DSP这些算力有限的环境里非常关键。我最早做心电信号预处理时，50Hz工频干扰用IIR陷波器只要两个二阶节，换成FIR陷波至少要一百多阶，计算量完全不是一个量级。

下面这张表是我选型时常用的对照思路：

如果你的场景是“传感器数据去噪”“电力信号滤波”“控制环路里的低通”，那IIR是性价比之王。但如果是对波形相位敏感的多通道音频处理，宁可多花算力用FIR。工程选择从来不是哪个先进，而是哪个够用且成本低。

1.2 巴特沃斯、切比雪夫、椭圆，工程上到底选哪个

IIR按逼近方式分为巴特沃斯、切比雪夫I型、切比雪夫II型、椭圆等。它们本质区别是“把误差放在哪”：

• 巴特沃斯：通带和阻带都单调，没有纹波，代价是过渡带相对最宽。
• 切比雪夫I型：允许通带等纹波，阻带单调，过渡带比巴特沃斯陡。
• 切比雪夫II型：通带单调，阻带等纹波，适合对阻带纹波有要求的场景。
• 椭圆：通带和阻带都有纹波，但同样阶数下过渡带最陡。

我个人的工程习惯是：没有特殊要求一律先上巴特沃斯。原因只有一个——好设计、好排查。巴特沃斯的极点分布在以原点为圆心的圆上，公式规整，手算和用工具核对都很方便。传感器信号、电机电流、音频辅助通道，这些场景巴特沃斯低通基本都能拿下。只有当设计指标要求“阶数必须压到某个数以下”，才考虑切比雪夫或椭圆。

2. 设计参数怎么算：一个二阶低通从指标到系数的完整推导

2.1 设计一个IIR滤波器的完整步骤

常规流程可以拆成五步：

1. 确定指标：采样率fs、截止频率fc、通带纹波、阻带衰减、过渡带宽度。
2. 选原型滤波器类型：默认巴特沃斯。
3. 确定阶数N：主要看阻带衰减和过渡带宽，查表或用公式。
4. 模拟域到数字域变换：最常用双线性变换，先把模拟截止频率做预畸变。
5. 把数字传递函数转成二阶节级联，得到C代码里要用的b0、b1、b2、a1、a2系数。

这里我不推荐直接在数字域凑系数，那样做出来的滤波器频响可能完全不对。双线性变换虽然公式看起来麻烦，但它保证了模拟原型和数字滤波器之间频率响应的代数映射关系，是工程上最稳的路径。

2.2 手算示例：8kHz采样，1kHz截止

以采样率8000Hz、截止频率1000Hz的二阶巴特沃斯低通为例，整个计算过程可以完整走一遍。

双线性变换的关键是预畸变公式：

Ωc = tan(π × fc / fs)

代入数值：

Ωc = tan(π × 1000 / 8000) = tan(π/8) ≈ 0.41421356

二阶巴特沃斯的归一化模拟原型是：

H(s) = 1 / (s² + √2·s + 1)

把模拟频率缩放代入，令s = Ωc·(z-1)/(z+1)，整理后得到数字传递函数：

H(z) = (z+1)²·Ωc² / [ (1+√2Ωc+Ωc²)z² + (2Ωc²-2)z + (1-√2Ωc+Ωc²) ]

把Ωc≈0.4142代进去，分子分母同时除以z²的系数，得到最终系数：

b0 = 0.0976 b1 = 0.1952 b2 = 0.0976 a1 = -0.9428 a2 = 0.3333

注意这里a1、a2是分母多项式1 + a1·z^-1 + a2·z^-2的系数，其中a1是负数。很多人在这一步栽跟头，拿到Matlab或Python算出来的a向量就往C代码里抄，结果符号没处理好，滤波器输出直接飞了。

校验方法也很简单：看直流增益。把z=1代入传递函数，等于所有b系数之和除以所有a系数之和（a0=1），算出来应该是1。上面这组系数：

(0.0976 + 0.1952 + 0.0976) / (1 - 0.9428 + 0.3333) ≈ 0.3904 / 0.3905 ≈ 1

对得上，说明系数没问题。

2.3 用现成工具快速出系数

手算能帮你建立直觉，但日常开发没必要每次都推一遍公式。我常用的几个手段：

• Python的scipy.signal库：butter(N, Wn, btype='low', output='sos')，直接输出二阶节矩阵。
• Octave/Matlab：[b,a] = butter(N, Wn, 'low')。
• 在线滤波器计算器：填截止频率和阶数，直接给系数。

用工具出系数时，务必把采样率、截止频率的单位换算清楚。Matlab里Wn是相对奈奎斯特频率的归一化值，Wn = fc / (fs/2)，比如上面的例子就是butter(2, 0.25, 'low')。Python的Wn同样是归一化到奈奎斯特频率的。

3. C语言实现：从结构体设计到可运行代码

3.1 数据结构和状态变量怎么安排

IIR滤波器在C语言里最常见的表示是二阶节，也叫Biquad。单个二阶节的差分方程为：

y[n] = b0·x[n] + b1·x[n-1] + b2·x[n-2] - a1·y[n-1] - a2·y[n-2]

如果用直接I型实现，需要保存两个历史输入和两个历史输出。实际操作中我更推荐直接II型转置结构，它的优点是每个二阶节只需要两个状态变量，而且对定点化的数值稳定性更好。

数据结构可以这样定义：

typedef struct { double b0, b1, b2; // 前馈系数 double a1, a2; // 反馈系数，即分母多项式 1 + a1*z^-1 + a2*z^-2 中的 a1、a2 double s1, s2; // 两个状态变量 } Biquad; typedef struct { int num_sections; // 二阶节数量 Biquad *sections; // 指向二阶节数组的指针 } IirFilter;

用结构体把系数和状态封装在一起，初始化一个滤波器就是初始化一个结构体数组。处理多路信号时，每一路独立复制一份状态变量就行，互不干扰。这地方顺便把C语言结构体、指针、数组几个基本功全练到了。

3.2 核心滤波函数，直接能抄的那段

中心处理函数是这个滤波器的灵魂，逻辑非常紧凑：

double biquad_process(Biquad *f, double x) { double y = f->b0 * x + f->s1; f->s1 = f->b1 * x - f->a1 * y + f->s2; f->s2 = f->b2 * x - f->a2 * y; return y; } double iir_process(IirFilter *filter, double x) { double y = x; for (int i = 0; i < filter->num_sections; i++) { y = biquad_process(&filter->sections[i], y); } return y; }

状态变量的更新顺序非常关键。必须先保存新的y值，再更新状态变量；如果顺序反了，滤波器就变成另一个传递函数了。这段代码里状态变量更新用的是“当前输入x”和“当前输出y”，一步算完，不需要额外保存x[n-1]、x[n-2]这些历史值，效率很高。

用第2节算出的二阶低通系数初始化：

Biquad bq = { .b0 = 0.0976, .b1 = 0.1952, .b2 = 0.0976, .a1 = -0.9428, // 注意这里是负值 .a2 = 0.3333, .s1 = 0.0, .s2 = 0.0 }; IirFilter filter = { .num_sections = 1, .sections = &bq };

处理每来一个采样点，调用一次iir_process，返回滤波后的值即可。

3.3 进阶：定点化改造与精度控制

浮点运算在大多数MCU上没问题，但如果你用的是没有硬件浮点单元的单片机，或者要跑到极高采样率，就得考虑定点化。常见做法是Q15或Q31格式，把小数系数放大到整数范围，再通过移位还原。

以Q15为例，系数乘以32768后取整，中间累加用32位甚至64位变量防止溢出，最终结果再右移15位：

typedef struct { int32_t b0, b1, b2; int32_t a1, a2; // 乘以32768后的系数 int32_t s1, s2; // 定点状态变量 } BiquadQ15; int32_t biquad_process_q15(BiquadQ15 *f, int32_t x) { int64_t y = (int64_t)f->b0 * x + ((int64_t)f->s1 << 15); y >>= 15; int64_t s1 = (int64_t)f->b1 * x - (int64_t)f->a1 * y + ((int64_t)f->s2 << 15); f->s1 = (int32_t)(s1 >> 15); int64_t s2 = (int64_t)f->b2 * x - (int64_t)f->a2 * y; f->s2 = (int32_t)(s2 >> 15); return (int32_t)y; }

定点化有两个容易踩的坑。第一是系数量化误差，原本a2是0.3333，量化成整数后会有误差，二阶节还好，高阶直接型会被放大到极点跑出单位圆。第二是中间结果溢出，所以乘法尽量提升到int64_t再算，能省很多排查时间。如果MCU是Cortex-M系列，编译器会生成单周期的乘法累加指令，计算开销比想象中小很多。

4. 实测调试：那些容易翻车的细节

4.1 符号反了输出就飞起：a系数的坑

关于a系数的符号约定，我必须单独拎出来说。Matlab和Python返回的a系数本身就带了符号，例如上面例子中a向量是[1, -0.9428, 0.3333]。写差分方程时，反馈项是“减去a1乘以前一个输出”，这个“减”和a1的负号叠加，实际代码里变成了加0.9428。

很多人用- a1 * y写代码时，以为a1应该存0.9428，结果差分方程直接变成减两个正数，滤波器变成一个低Q值的谐振器，输出一路震荡。

我的建议：结构体里存分母多项式原本的系数，代码里统一写成- f->a1 * y1 - f->a2 * y2，让符号显式出现在公式中，而不是在初始化时手动“修正”符号。每写一次滤波器，先用一个已知信号做直流测试，输入常数1，输出应该稳定收敛到1左右，这是最快速的冒烟测试。

4.2 高阶滤波器为什么必须拆成二阶节级联

如果你设计的滤波器阶数高于2阶，千万别把高阶系数直接塞进一个差分方程。原因是双线性变换后的高阶多项式系数数值范围非常悬殊，用浮点勉强能用，用定点数或有限精度计算时，极点位置会严重偏移，甚至移出单位圆导致系统发散。

正确的做法是把高阶传递函数分解成多个二阶节串联，每个二阶节单独处理自己的两个极点。这样每个节的系数误差只会影响局部极点，不会产生级联放大的灾难。我通常把四阶和六阶滤波器拆成两个或三个二阶节，中间用变量传递信号，iir_process里那个循环就是为了这个准备的。

4.3 初始瞬态和增益校验

刚上电时所有状态变量都是0，输入一个阶跃信号，滤波器输出会从0逐渐逼近目标值，这个过程叫初始瞬态。对应到工程场景，就是开机后头几十个采样点可能不准。我在传感器采集项目里一般让系统先跑一小段预热数据，或者开机后连续采集几十个点丢弃，再开始用滤波数据做控制，能省很多麻烦。

另一个必做检查是给滤波器输入一个已知频率的正弦波，比如1kHz采样率8kHz的场合，输入1kHz正弦，理论上幅度应该衰减到0.707倍左右。用这个办法可以确认系数设计和代码实现都没问题。如果幅值不对，优先查增益归一化；如果相位没问题但幅值整个放大了，多半是b系数缩放错了。

4.4 采样率、截止频率与稳定性的关系

双线性变换在接近奈奎斯特频率时，频率映射会发生明显压缩。如果截止频率设计得离采样率一半太近，比如fc大于0.4倍的fs，滤波器的实际频响会和预期有较大出入，而且系数中可能出现很大的b值和很小的分母值，数值敏感度剧增。

我自己的经验是把fc控制在fs的20%以内，这是双线性变换最舒服的区域。如果应用确实需要截止频率靠得很近，建议调整采样策略，先提高采样率再做滤波，或者考虑改用其他设计方法。

5. 还能怎么扩展：高通、带通、滤波器组

5.1 只改系数不换代码

IIR滤波器的C语言处理框架是通用的，低通、高通、带通、带阻的区别只在于系数不同。代码层面完全不用动，只需要替换结构体里的b0、b1、b2、a1、a2。

高通设计方法和低通类似，还是双线性变换，差别在于原型传递函数不同。巴特沃斯一阶高通原型是H(s) = s/(1+s)，二阶是H(s) = s²/(s²+√2s+1)，把s替换成Ωc·(z-1)/(z+1)后整理就能得到系数。带通滤波器可以把低通原型通过频率变换映射过来，也可以直接用工具生成。

我在做设备故障诊断时，就靠一个通用IIR处理框架，挂了三条滤波器链：低通管振动主频、带通管特定谐波、陷波管电源工频。三条链共用同一套iir_process函数，只是初始化系数不同。

5.2 级联更高阶和嵌入式低算力方案

当单级二阶满足不了指标时，直接增加二阶节数量，比如四阶低通由两个二阶节串联，六阶由三个二阶节串联。注意高阶滤波器的各个二阶节要按“先Q值高后Q值低”或“先极点在低频”的顺序排列，可以优化数值范围内的小信号精度，这一点工具生成系数时通常已经排好了，手动调整时要格外小心。

如果未来想进一步降低计算延迟或者实现并行多通道滤波，可以考虑FPGA方案。用Verilog实现FIR或IIR时，核心思想也是把系数乘加运算拆成并行流水线，很多做FPGA滤波器的朋友都会提到分布式算法和查找表结构，但这些通用经验基本都是C语言原型验证之后的事情。先把C语言版本的算法逻辑吃透，换到任何硬件平台上都只是计算资源的重新映射。

我个人在实际项目里最常用的流程是：先用Python算好系数、仿真频响，再把这些系数原封不动填进C语言结构体，最后用正弦波扫频做板级验证。这套流程看着简单，但能挡住九成以上的低级错误。

最后再分享一个调试小技巧：给滤波器加一个“旁路模式”，就是在结构体里加一个bool bypass标志，为true时iir_process直接返回输入。这样在系统联调时能随时对比滤波前后信号，快速判断是硬件噪声还是软件滤波的问题。这个小功能只要一行代码的成本，但能省下大量定位问题的时间。

本文还有配套的精品资源，点击获取