fir滤波器四种幅频特性，FIR滤波器的幅度特性解析

很多朋友对fir滤波器四种幅频特性，FIR滤波器的幅度特性解析不是很了解，每日小编刚好整理了这方面的知识，今天就来带大家一探究竟。

继续解释！上节课讲了FIR滤波器的线性相位特性，分析了线性相位引起的延迟特性。这节课会继续讲解FIR滤波器的幅度特性，然后理论联系实际，看看FIR滤波器是什么样子的。有什么用？慢慢听我说。

MATLAB的函数中，有fir1和fir2函数。前者是用窗函数法设计线性相位FIR的工具箱函数，从而实现线性相位FIR的标准窗函数法设计。后者是基于频率基本定律的FIR滤波器设计，用于设计任意频率响应的加窗数字FIR滤波器。

信号通常是一维数组，可以用fir1和fir2函数处理。二维数组的处理会有一些不同。图像处理会涉及到二维数组的处理，这里只是提一下，让同学们有个了解。二维数据主要是图像数据，图像滤波主要使用imfilter函数。通过fspecial函数可以预定义各种二维过滤器。这些知识会在《数字图像处理》课程中详细讲解，这里就不赘述了。

说完这些理论，再来说说程序模拟，看看理论能否与实践相结合！

信号中往往夹杂着各种复杂的成分，包括需要的成分和不需要的成分。许多信号分析都是基于滤波器，因此数字滤波器起着极其重要的作用。数字滤波器是一种具有一定传输选择特性的数字信号处理器件。它的输入输出都是数字信号，本质上是用有限精度算法实现的线性时不变离散系统。

其基本工作原理是利用离散系统的特性，对系统的输入信号进行处理和变换，改变输入序列的频谱或信号波形，让有用频率的信号分量通过，抑制无用信号分量的输出。数字滤波器和模拟滤波器的滤波概念相同，根据其频率响应特性可分为低通、高通、带通和带阻型。

与模拟滤波器相比，数字滤波器不仅具有数字信号处理的固有优势，还具有精度高、稳定性好、灵活性强等优点。FIR滤波器具有线性相位，但其传递函数的极点固定在原点，只能通过改变零点位置来改变其性能。为了实现高选择性，必须使用更高的阶数。对于相同的滤波器设计指标，FIR滤波器的阶数可能比IIR滤波器高10倍以上。

由于FIR数字滤波器具有严格的相位特性，因此对于信号处理和数据传输非常重要。目前，FIR滤波器的设计方法主要有三种：窗函数法、频率采样法和优化设计(切比雪夫逼近)法。我们重点介绍窗函数法。上节课也简单提了一下！看看结果！

文章第一版对fir2函数的描述有错误。这个函数不是用来处理二维数组的！它可以用来设计具有任意频率响应的加窗FIR滤波器。Fir1函数可用于设计标准低通、带通、高通和带阻滤波器。语法：b=fir2(n，f，m)

设计一个N阶FIR滤波器。滤波器的频率特性由参数f和m决定，参数f为频点向量，f[0，1]，f=1对应0.5fs，向量f按升序排列，第一个元素必须为0，最后一个必须为1，可以包含重复的频点。向量m包含对应于F的期望滤波器的幅度，F是归一化的频率向量。例子如下：设计一个100阶低通滤波器。运行下图中的代码，看看能得到什么结果。

如果要求设计一个形状奇怪的滤镜呢？例如，设计80阶FIR滤波器，要求从0到/4的幅度响应为0，从/4到/2的幅度响应为1/4，从/2到3/4的幅度响应为0，从3/4到1的幅度响应为1。采用切比雪夫窗。怎么写程序？有程序有图，才会有真正的理解！

回到二维数组的话题！我之前学过的卷积和滤波函数都是用于一维数组的，那么是否可以用于二维数组呢？在MATLAB中，filter2函数实现二维数字滤波器。Conv2函数实现二维卷积。之前比较迷茫，想起来fir2是用来实现二维数字滤波的函数，在此纠正一下！

现在Python很流行，很多人会用Python来完成信号处理的仿真。只是一个提示。在Python中，MATLAB filter2的等效函数是scipy . signal . correlated 2d MATLAB con v2的等效函数是scipy . signal . convolved 2d在调用这两个函数之前，必须安装scipy库文件。数字信号处理理论的发展很慢，因为之前的科学家研究的很透彻，但是软件的发展一直在加速。

用什么样的软件进行数字信号处理仿真，可以根据自己的喜好来选择。我个人推荐MATLAB，相关的仿真文章可以在这个微信官方账号找到！但是数据分析呢？我推荐Python。在语言分析的场合，就更有效了！这一章结束了！

审计刘清

以上知识分享希望能够帮助到大家！