音频开发 / 系统课时

用卷积实现 FIR 滤波

用卷积实现 FIR 滤波

这一课把 FIR 滤波落到可运行代码:先把离散卷积写成滑动加权和,再把一次性卷积改成分块流式处理,并正确保留块间历史样本。最后用直接卷积做对照,确认实现没有在块边界产生丢样或错位。

学习目标

  • 能用离散卷积解释 FIR 每个输出样本如何由当前及历史输入加权得到
  • 能实现带状态的分块 FIR,正确处理相邻音频块之间的边界
  • 能根据滤波器长度判断频率选择性、延迟与计算量的基本变化

FIR 本质是滑动加权和

长度为 MM 的 FIR 滤波器由一组有限系数 h[0],h[1],…,h[M−1]h[0],h[1],\ldots,h[M-1] 决定。对输入 x[n]x[n],输出为:

y[n]=∑k=0M−1h[k]x[n−k]y[n]=\sum_{k=0}^{M-1} h[k]x[n-k]

计算某个 y[n]y[n] 时,只需要当前样本和前 M−1M-1 个输入样本。所谓“卷积”,在实现层面就是让系数窗口沿输入序列滑动,每移动一次做一组乘加。

例如三点平滑滤波器 h=[0.25,0.5,0.25]h=[0.25,0.5,0.25] 会把当前样本与前两个样本组合起来。它不会创建无限历史,因此只要保存最近 M−1M-1 个输入,就足以继续处理下一块数据。

把一次性卷积改成流式处理

离线处理可以把整段音频一次性传给卷积函数,但实时链路通常每次只拿到一小块样本。关键问题是:新块开头的输出仍依赖上一块末尾的历史样本,不能把每一块当成独立信号。

分块 FIR 如何携带历史样本

下面的实现把状态封装在 FIRFilter 中。示例依赖 NumPy,可直接运行。

python
import numpy as np

class FIRFilter:
    def __init__(self, taps):
        self.taps = np.asarray(taps, dtype=float)
        if self.taps.ndim != 1 or len(self.taps) == 0:
            raise ValueError("taps must be a non-empty 1-D sequence")
        # 只保存计算下一块开头所需的 M-1 个历史输入样本。
        self.state = np.zeros(len(self.taps) - 1, dtype=float)

    def process(self, block):
        block = np.asarray(block, dtype=float)
        if block.ndim != 1:
            raise ValueError("block must be 1-D")

        extended = np.concatenate([self.state, block])
        full = np.convolve(extended, self.taps, mode="full")

        # 从与当前 block 第一个样本对齐的位置开始取结果。
        start = len(self.taps) - 1
        out = full[start:start + len(block)]

        if len(self.state) > 0:
            self.state = extended[-len(self.state):].copy()
        return out

h = np.array([0.25, 0.50, 0.25])
x = np.array([1., 2., 3., 4., 5., 6.])

fir = FIRFilter(h)
y_stream = np.concatenate([
    fir.process(x[:3]),
    fir.process(x[3:])
])

# 直接卷积作为参考,只比较与输入等长的因果输出。
y_direct = np.convolve(x, h, mode="full")[:len(x)]

print("stream:", y_stream)
print("direct:", y_direct)
print("equal :", np.allclose(y_stream, y_direct))

预期输出:

text
stream: [0.25 1.   2.   3.   4.   5.  ]
direct: [0.25 1.   2.   3.   4.   5.  ]
equal : True

这里没有在每块末尾把卷积“尾巴”直接输出,因为这些尾部值还混入了块外默认补零的假设。实时处理中更稳妥的做法是保留输入历史,并在下一块到来后再计算真正属于后续时间位置的输出。

为什么块边界最容易写错

最常见的错误是对每个块直接调用 np.convolve(block, h),再截取前 len(block) 个样本。这样每个新块都会隐式认为块前面全是零,于是块首若干输出与连续信号不一致,听感上可能出现周期性的点击、能量抖动或瞬态异常。

另一个错误是保存上一块的“输出尾巴”而不是输入历史。直接型 FIR 的状态本质上是过去的输入样本;除非你明确实现 overlap-add 或 overlap-save 这类 FFT 卷积算法,否则不要把两种状态模型混在一起。

滤波器长度会改变什么

当采样率固定时,增加 FIR 长度通常能给设计带来更窄的过渡带和更高的频率响应塑形自由度,但代价也直接增加。直接卷积每产生一个输出样本大约需要 MM 次乘法和相近数量的加法,因此计算量与抽头数近似线性增长。

如果系数具有对称性并设计成线性相位 FIR,其群延迟通常约为 (M−1)/2(M-1)/2 个采样。长度越大,实时链路的算法延迟也越明显。对于很长的滤波器,例如房间脉冲响应,直接逐样本卷积往往不再经济,此时更适合分区 FFT 卷积。

实际工程中可以先用较短 FIR 保证链路正确,再根据目标频响逐步增加抽头数。无论怎样调整长度,最先要保持的验证标准都不变:同一输入下,流式分块结果应与连续直接卷积在数值误差范围内一致。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

用卷积实现 FIR 滤波

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通