信号处理 / 系统课时

把差分方程变成可运行滤波器

把差分方程变成可运行滤波器

差分方程给出了输出样本与当前输入、历史输入和历史输出之间的递推关系。本篇把一个常系数方程拆成状态变量,再实现成逐样本运行的滤波器。

学习目标

  • 区分差分方程中的前馈项与反馈项
  • 把历史样本转换成程序中的状态变量
  • 运行并核对前几个输出样本,验证递推顺序

从方程拆出前馈和反馈

考虑一阶差分方程:

y[n]=0.5x[n]+0.25x[n−1]+0.2y[n−1]y[n]=0.5x[n]+0.25x[n-1]+0.2y[n-1]

右侧的 x[n]x[n] 和 x[n−1]x[n-1] 是前馈项,它们只依赖输入;y[n−1]y[n-1] 是反馈项,因为当前输出还依赖过去的输出。实现时不需要保存整个序列,只要保存一个输入历史值和一个输出历史值即可。

差分方程对应的逐样本滤波数据流

把递推关系改成逐样本流程

设初始条件为 x[−1]=0x[-1]=0、y[−1]=0y[-1]=0。每到一个新样本,先读取当前 x[n]x[n],再用尚未覆盖的 x_prev 和 y_prev 计算 y[n]y[n],最后才把当前输入和当前输出写回状态。顺序不能反过来,否则“上一拍”会被当前值提前覆盖。

这个方程只需要两个状态变量:x_prev 保存 x[n−1]x[n-1],y_prev 保存 y[n−1]y[n-1]。因此每个新样本的计算量固定,不随已经处理的序列长度增长。

写成可运行程序

下面用 Python 按样本执行递推。函数内部只保留必要状态,因此既能处理列表,也对应真实流式滤波器的执行方式。

python
def filter_signal(samples):
    outputs = []
    x_prev = 0.0
    y_prev = 0.0

    for x_now in samples:
        # 先用旧状态计算当前输出,避免覆盖上一拍数据。
        y_now = 0.5 * x_now + 0.25 * x_prev + 0.2 * y_prev
        outputs.append(y_now)

        # 当前样本在下一轮才成为历史状态。
        x_prev = x_now
        y_prev = y_now

    return outputs


x = [1.0, 2.0, 0.0, -1.0]
y = filter_signal(x)
print([round(value, 3) for value in y])

预期输出

text
[0.5, 1.35, 0.77, -0.346]

用前两个样本核对递推

第一个样本使用零初始状态,所以 y[0]=0.5×1+0.25×0+0.2×0=0.5y[0]=0.5\times1+0.25\times0+0.2\times0=0.5。第二个样本则使用刚刚保存的历史值,得到 y[1]=0.5×2+0.25×1+0.2×0.5=1.35y[1]=0.5\times2+0.25\times1+0.2\times0.5=1.35,与程序输出一致。

如果原方程写成 y[n]−0.2y[n−1]=0.5x[n]+0.25x[n−1]y[n]-0.2y[n-1]=0.5x[n]+0.25x[n-1],必须先把反馈项移到右侧再编码;符号一旦抄错,滤波器的动态行为就会改变。若 y[n]y[n] 前还有系数,也应先把整式除以该系数,使当前输出的系数归一化为 1。

把差分方程落到代码时,关键不是“翻译公式”,而是确定需要保存哪些历史状态以及何时更新它们。只要做到先计算、后更新,并用前几个样本手算校验,就能把大多数常系数差分方程可靠地变成逐样本滤波器。

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

把差分方程变成可运行滤波器

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