企业官网建设流程全解析

一阶IIR滤波器在嵌入式信号处理里出现的频率，远比很多人想象中高。做传感器数据采集的、搞电机控制的、写音频固件的，几乎都会在某个时刻需要从ADC原始数据里把高频噪声压下去，或者把直流偏置剥出来。这时候如果直接上FFT或者高阶FIR，要么算力吃紧，要么引入的群延迟让控制环路直接震荡。一阶IIR的好处就在这——一个乘法、两个加法、一个历史状态变量，就能跑出相当可用的滤波效果，在8位单片机上都能轻松实时运行。

但问题也恰恰出在“简单”上。很多人从网上抄一段y = a*x + (1-a)*y_prev就用了，低通勉强能跑，一旦要改成高通或者带通就懵了，不知道差分方程该怎么变形，系数怎么定，截止频率和采样率之间是什么关系。更麻烦的是，一阶IIR的差分方程形式在不同资料里写法差异很大，有的用b0/b1/a1系数，有的用alpha，有的直接给RC离散化公式，初学者很容易被绕进去。

这篇内容就是把这三种滤波器的差分方程从推导到落地完整拆一遍。我会从最基础的RC电路离散化讲起，把低通、高通、带通的系数计算、代码实现、参数调优全部展开，每个公式都给出推导路径和实际验证方法。适合正在做嵌入式信号处理、传感器数据滤波、音频预处理的开发者，也适合想真正搞懂IIR滤波器底层逻辑的学生和爱好者。读完你应该能自己推导任意截止频率下的一阶系数，并且知道在什么场景下该选哪种配置。

1. 从RC电路到差分方程：一阶IIR的数学根基

1.1 为什么一阶IIR本质上是RC电路的数字化身

理解一阶IIR最直观的路径不是从Z变换开始，而是从模拟RC电路出发。一个最简单的RC低通电路，输入电压Vi通过电阻R给电容C充电，输出电压Vo取自电容两端。这个电路的微分方程是：

C * dVo/dt = (Vi - Vo) / R

整理一下：

dVo/dt = (Vi - Vo) / (R*C)

令时间常数tau = R*C，则：

dVo/dt = (Vi - Vo) / tau

这个式子的物理含义很清晰：输出电压的变化率正比于输入和输出之间的差值。差值越大，电容充电越快；差值越小，输出越接近输入，变化越慢。这就是低通滤波的本质——输出“跟不上”输入的快速变化，所以高频成分被抑制。

现在把这个微分方程离散化。用前向差分近似导数：

(Vo[n] - Vo[n-1]) / Ts = (Vi[n] - Vo[n-1]) / tau

其中Ts是采样周期。整理得到：

Vo[n] = Vo[n-1] + (Ts/tau) * (Vi[n] - Vo[n-1])

再令alpha = Ts / (tau + Ts)，可以写成更常见的形式：

Vo[n] = alpha * Vi[n] + (1 - alpha) * Vo[n-1]

这就是一阶IIR低通滤波器最经典的差分方程。alpha是滤波系数，取值范围在0到1之间。alpha越大，输出越跟随输入，截止频率越高；alpha越小，滤波越重，截止频率越低。

注意：这里用的是前向差分，实际上后向差分和双线性变换会得到略有差异的系数表达式，但在Ts << tau的条件下，三者结果几乎一致。工程上直接用这个公式就够了。

1.2 截止频率与alpha的精确换算关系

上面推导出的alpha = Ts / (tau + Ts)是一个近似式。更精确的关系需要从模拟滤波器的截止频率反推。RC低通的-3dB截止频率是：

fc = 1 / (2 * pi * R * C) = 1 / (2 * pi * tau)

所以tau = 1 / (2 * pi * fc)。代入alpha的表达式：

alpha = Ts / (1/(2*pi*fc) + Ts)

分子分母同乘2*pi*fc：

alpha = (2 * pi * fc * Ts) / (1 + 2 * pi * fc * Ts)

这个公式是工程上最常用的。我一般记成：

alpha = 2 * pi * fc / (fs + 2 * pi * fc)

其中fs = 1/Ts是采样频率。这个式子在fc远小于fs时非常准确，当fc接近fs/2时会有偏差，但一阶IIR本来就不适合做接近奈奎斯特频率的滤波，所以实际使用中问题不大。

举个实际数字：假设采样率fs = 1000Hz，想要截止频率fc = 10Hz，那么：

alpha = 2 * 3.14159 * 10 / (1000 + 2 * 3.14159 * 10) = 62.83 / 1062.83 = 0.0591

也就是说，每次新采样值只贡献约6%的权重，剩下94%来自历史输出。这个滤波效果相当重，输出会非常平滑，但响应也慢——阶跃响应大约需要1/(2*pi*10) ≈ 16ms的时间常数，实际稳定需要5倍时间常数约80ms。

如果fc = 100Hz，则：

alpha = 628.3 / 1628.3 = 0.386

新采样贡献38.6%，响应明显快很多。这就是截止频率和滤波强度之间的权衡。

1.3 差分方程三种等价写法的对照

在实际代码和资料中，一阶IIR低通有三种常见写法，它们数学上等价但代码风格不同：

增量形式在定点MCU上特别有用，因为x[n] - y[n-1]通常是个小数值，乘以alpha后不会溢出，而alpha * x[n]在输入满量程时可能接近累加器上限。我在STM32的ADC滤波里基本都用增量形式。

标准系数形式看起来多了一个b1项，实际上在一阶低通里b0 = b1 = alpha/2是一种常见的归一化写法，目的是让直流增益精确为1。但直接用Alpha形式时，直流增益天然就是1（因为alpha + (1-alpha) = 1），所以不需要额外处理。

2. 一阶低通差分方程的代码落地与参数整定

2.1 浮点实现与定点实现的取舍

先看浮点版本，这是最直观的：

typedef struct { float alpha; float prev_output; } LowPassIIR; float lowpass_update(LowPassIIR *f, float input) { f->prev_output = f->alpha * input + (1.0f - f->alpha) * f->prev_output; return f->prev_output; } void lowpass_init(LowPassIIR *f, float fc, float fs) { f->alpha = 2.0f * 3.14159265f * fc / (fs + 2.0f * 3.14159265f * fc); f->prev_output = 0.0f; }

这段代码在Cortex-M4带FPU的芯片上跑，单次更新大约十几个时钟周期，1kHz采样率下CPU占用可以忽略不计。但如果你的MCU没有硬件浮点，比如Cortex-M0或者8位AVR，浮点运算会非常慢，这时候就得用定点。

定点实现的关键是把alpha转成Q格式整数。假设用Q15格式（1位符号+15位小数），alpha的范围是0到1，对应整数0到32767。更新公式改成：

typedef struct { int32_t alpha_q15; int32_t prev_output_q15; } LowPassIIR_Fixed; int32_t lowpass_update_fixed(LowPassIIR_Fixed *f, int32_t input_q15) { int32_t diff = input_q15 - f->prev_output_q15; int32_t delta = (f->alpha_q15 * diff) >> 15; f->prev_output_q15 += delta; return f->prev_output_q15; }

这里用的是增量形式，diff是两个Q15数相减，范围在-65536到65535之间，需要32位中间变量。alpha_q15 * diff最大约32767 * 65536 ≈ 2^31，刚好在int32范围内，不会溢出。右移15位后得到增量，累加到历史输出上。

实操心得：定点实现时，prev_output_q15建议用int32_t而不是int16_t，因为累加过程中可能暂时超出Q15范围，用int16会截断出错。输出给后续处理时再饱和到int16。

2.2 截止频率选取的工程经验法则

截止频率选多少，这是实际项目里最常纠结的问题。我的经验是分三步走：

第一步，确定你要保留的信号带宽。比如测温度，信号变化本身就在0.1Hz以下，那截止频率设1Hz都嫌高。测振动，关注的是几十到几百Hz，截止频率就得相应提高。

第二步，截止频率至少比采样率低一个数量级。fc < fs/10是一阶IIR的舒适区，此时alpha < 0.386，滤波效果明显且相位失真可控。如果fc > fs/5，alpha会超过0.6，滤波效果很弱，而且离散化误差开始显现。

第三步，考虑相位延迟。一阶IIR在截止频率处的相位延迟约45度，对应的时间延迟是1/(8*fc)秒。对于闭环控制系统，这个延迟会直接影响相位裕度。如果控制环路带宽是100Hz，你加一个10Hz低通，在100Hz处的额外相位延迟虽然不大，但加上去可能就让系统临界震荡了。

我一般会做一个简单的表格来辅助决策：

注意音频预处理那一行，alpha特别小是因为fc/fs比值很小。比如fc=100Hz, fs=48kHz，alpha = 628/48628 ≈ 0.013，非常小，滤波很重。

2.3 阶跃响应验证：怎么确认滤波器真的在工作

写完代码别急着上系统，先做个阶跃响应测试。给滤波器输入一个从0跳到1的阶跃信号，观察输出。一阶IIR低通的阶跃响应是指数上升：

y[n] = 1 - (1-alpha)^n

理论上，输出达到63.2%需要的时间是tau = 1/(2*pi*fc)，达到95%需要3*tau，达到99%需要5*tau。

比如fc=10Hz，tau=15.9ms。如果fs=1000Hz，采样周期1ms，那么达到63.2%需要约16个采样点，达到95%需要约48个点，达到99%需要约80个点。

你可以用Python快速验证：

import numpy as np import matplotlib.pyplot as plt fs = 1000 fc = 10 alpha = 2*np.pi*fc / (fs + 2*np.pi*fc) n = 200 x = np.ones(n) y = np.zeros(n) for i in range(1, n): y[i] = alpha * x[i] + (1-alpha) * y[i-1] plt.plot(y) plt.axhline(0.632, color='r', linestyle='--') plt.axhline(0.95, color='g', linestyle='--') plt.show()

如果实测阶跃响应和理论曲线对不上，大概率是alpha算错了，或者代码里把1-alpha写成了alpha。这种低级错误我见过不止一次，调试时先检查这个。

3. 一阶高通差分方程的推导与实现细节

3.1 从低通到高通：用输入减输出

一阶高通和低通的关系非常优雅：高通输出 = 输入 - 低通输出。这个关系不是近似，而是精确成立的。

为什么？因为低通滤波器提取的是信号的低频成分，那么原始信号减去低频成分，剩下的自然就是高频成分。用公式表示：

y_hp[n] = x[n] - y_lp[n]

其中y_lp[n]是低通输出。把低通的差分方程代入：

y_hp[n] = x[n] - (alpha * x[n] + (1-alpha) * y_lp[n-1])

而y_lp[n-1] = x[n-1] - y_hp[n-1]，代入整理：

y_hp[n] = x[n] - alpha * x[n] - (1-alpha) * (x[n-1] - y_hp[n-1]) = (1-alpha) * x[n] - (1-alpha) * x[n-1] + (1-alpha) * y_hp[n-1] = (1-alpha) * (x[n] - x[n-1] + y_hp[n-1])

这就是一阶高通的标准差分方程。令beta = 1 - alpha，则：

y_hp[n] = beta * (x[n] - x[n-1] + y_hp[n-1])

beta越接近1（即alpha越小），高通截止频率越低；beta越小，截止频率越高。截止频率和beta的关系与低通一致，只是beta = 1 - alpha。

3.2 高通实现中的直流漂移问题

高通滤波器有一个低通没有的麻烦：直流漂移。因为高通本质上是抑制直流分量的，如果输入信号里有一个缓慢变化的直流偏置，高通输出会围绕零点上下漂移，但不会稳定在零。

更具体地说，如果输入突然加了一个直流偏置，高通输出会先跳变，然后指数衰减到零。衰减时间常数同样是tau = 1/(2*pi*fc)。在衰减过程中，输出会有一个“尾巴”，这个尾巴可能被后续处理误认为是有效信号。

我在做心电信号预处理时踩过这个坑。心电信号本身有基线漂移，用高通滤掉基线后，输出确实围绕零了，但每次基线突变（比如患者动了一下），高通输出就会有一个大幅度的瞬态，持续好几百毫秒。后来解决办法是在高通后面加一个软限幅，或者用更复杂的基线恢复算法。

代码实现上，高通和低通结构几乎一样：

typedef struct { float beta; float prev_input; float prev_output; } HighPassIIR; float highpass_update(HighPassIIR *f, float input) { float output = f->beta * (input - f->prev_input + f->prev_output); f->prev_input = input; f->prev_output = output; return output; } void highpass_init(HighPassIIR *f, float fc, float fs) { float alpha = 2.0f * 3.14159265f * fc / (fs + 2.0f * 3.14159265f * fc); f->beta = 1.0f - alpha; f->prev_input = 0.0f; f->prev_output = 0.0f; }

注意高通需要保存prev_input和prev_output两个状态变量，比低通多一个。这是差分方程里x[n-1]项带来的。

3.3 高通滤波器的阶跃响应与低频抑制验证

高通的阶跃响应和低通互补：输入阶跃，输出先跳到一个峰值然后指数衰减到零。峰值大小等于beta * 阶跃幅度，衰减时间常数同样是tau。

验证高通是否正常，可以输入一个直流信号，输出应该趋近于零。再输入一个方波，输出应该是尖峰形状，方波跳变时出尖峰，平顶时衰减到零。

实际测试时我一般用两个频率的正弦波叠加：一个低于截止频率，一个高于截止频率。高通输出应该几乎只剩高频那个。如果低频成分还很明显，说明beta太大了，截止频率设低了。

注意：一阶高通的阻带衰减只有-20dB/十倍频程，也就是说截止频率以下一个十倍频程处，衰减只有20dB。如果低频干扰比信号大40dB，一阶高通是不够的，需要二阶或更高阶。这是很多人容易忽略的地方——一阶滤波器的滚降很缓。

4. 一阶带通差分方程的构建与中心频率调整

4.1 低通串联高通：最直接的带通方案

一阶带通最自然的实现方式是低通和高通串联。信号先过高通，滤掉低频；再过低通，滤掉高频。剩下的就是中间频带。

串联的顺序理论上可以互换，但实际有讲究。如果先低通后高通，低通会先把高频噪声压掉，再进高通时数值范围更小，定点实现时精度更好。如果先高通后低通，高通输出可能有大瞬态，低通会把这个瞬态平滑掉，但瞬态本身已经消耗了动态范围。

我一般先高通后低通，因为高通在前可以尽早去掉直流偏置，避免直流分量在低通里积累。但如果你用的是浮点，顺序影响不大。

串联后的差分方程是两个方程的组合：

y1[n] = beta * (x[n] - x[n-1] + y1[n-1]) // 高通 y[n] = alpha * y1[n] + (1-alpha) * y[n-1] // 低通

代码上就是两个滤波器结构体串联：

typedef struct { HighPassIIR hp; LowPassIIR lp; } BandPassIIR; float bandpass_update(BandPassIIR *f, float input) { float hp_out = highpass_update(&f->hp, input); return lowpass_update(&f->lp, hp_out); } void bandpass_init(BandPassIIR *f, float fc_low, float fc_high, float fs) { highpass_init(&f->hp, fc_low, fs); lowpass_init(&f->lp, fc_high, fs); }

这里fc_low是高通截止频率，fc_high是低通截止频率。带通的有效通带在fc_low和fc_high之间。中心频率近似为sqrt(fc_low * fc_high)，带宽为fc_high - fc_low。

4.2 中心频率与带宽的独立调节技巧

串联方案的缺点是中心频率和带宽不能独立调节。改变fc_low或fc_high会同时影响中心频率和带宽。但在很多应用里，我们只关心中心频率，带宽可以宽一些。

比如做音频的1kHz提示音检测，中心频率1kHz，带宽可以设500Hz到2kHz，这样fc_low=500Hz, fc_high=2kHz。如果中心频率要调到2kHz，可以保持带宽比例，设fc_low=1kHz, fc_high=4kHz。

如果确实需要独立调节，可以用状态变量滤波器结构，但那已经不是一阶IIR了。一阶带通的Q值（中心频率/带宽）最大也就1左右，做不了窄带。窄带需要二阶或更高阶。

我整理了一个快速参考表：

注意50Hz那一行，fc_low=45, fc_high=55，带宽只有10Hz，中心频率50Hz，Q=5。一阶串联做不到这么窄，实际需要二阶带通。一阶带通的Q值上限大约在1.5左右，再窄就需要更高阶。

4.3 带通滤波器的实测频响与常见偏差

一阶带通的频响是低通和高通频响的乘积。在中心频率处，如果fc_low和fc_high相距足够远，增益接近1。但如果两者靠近，中心频率处增益会小于1，因为低通和高通在中心频率处都有衰减。

具体来说，在中心频率f0 = sqrt(fc_low * fc_high)处，高通增益为：

|H_hp(f0)| = (f0/fc_low) / sqrt(1 + (f0/fc_low)^2)

低通增益为：

|H_lp(f0)| = 1 / sqrt(1 + (f0/fc_high)^2)

总增益是两者乘积。如果fc_high/fc_low = 4（两个倍频程），中心频率处总增益约0.8。如果比值是2（一个倍频程），总增益约0.6。如果比值是1.5，总增益只有约0.45。

这意味着如果你需要带通在中心频率处增益为1，得额外乘一个补偿系数。补偿系数就是上面总增益的倒数。我在实际项目里一般会在带通后面加一个可调增益，根据实测频响标定。

实测频响的方法：用信号发生器产生不同频率的正弦波，记录带通输出幅度，画成曲线。或者用白噪声激励，做FFT分析。后者更快，但需要能跑FFT的平台。

实操心得：一阶带通的过渡带很缓，从通带到阻带需要大约两个倍频程才能衰减20dB。如果干扰频率离通带很近，一阶带通基本没用，直接上二阶或FIR。选滤波器阶数之前，先算一下干扰频率和通带的距离，距离小于一个倍频程就别考虑一阶了。

5. 系数计算中的数值精度与实时调参

5.1 浮点系数的精度陷阱

alpha的计算公式里有个除法，alpha = 2*pi*fc / (fs + 2*pi*fc)。当fc远小于fs时，alpha是个很小的数。比如fc=0.1Hz, fs=1000Hz，alpha ≈ 0.000628。用float（24位有效尾数）存储，精度约1e-7，alpha的相对误差约0.02%，可以接受。但如果fc=0.01Hz，alpha ≈ 6.28e-5，float的相对误差还是0.02%左右，但绝对误差已经到1e-8量级，在累加过程中可能被淹没。

更麻烦的是1-alpha。当alpha很小时，1-alpha在float里几乎等于1，alpha的信息可能丢失。比如alpha=1e-8，1-alpha在float里就是1.0，因为float的epsilon约1.2e-7。这时候低通滤波器实际上变成了y[n] = y[n-1]，输出永远不变。

解决办法是用double，或者把差分方程改写成增量形式y[n] = y[n-1] + alpha*(x[n] - y[n-1])。增量形式里alpha直接乘以差值，不会出现1-alpha的精度损失。我在所有嵌入式代码里都用增量形式，就是为了避开这个坑。

5.2 运行时动态调整截止频率的正确姿势

有些应用需要在运行时改变截止频率，比如自适应滤波。直接改alpha行不行？行，但要注意状态变量的连续性。

如果只是改alpha，prev_output保持不变，滤波器会平滑过渡到新的截止频率，不会有突变。这是正确的做法。

但如果重新初始化滤波器（把prev_output清零），输出会突然跳到零，产生一个瞬态。这个瞬态可能被后续处理误判。所以动态调参时只改系数，不清状态。

代码上：

void lowpass_set_fc(LowPassIIR *f, float fc, float fs) { f->alpha = 2.0f * 3.14159265f * fc / (fs + 2.0f * 3.14159265f * fc); // 不清零 prev_output }

如果alpha变化很大，比如从0.01跳到0.5，输出会有一个快速跟踪过程，但不会震荡。一阶IIR是无条件稳定的，只要alpha在0到1之间，怎么调都不会发散。

注意：alpha必须严格在0到1之间。alpha=0意味着输出永远不变，alpha=1意味着输出等于输入，没有滤波。实际使用中alpha建议限制在0.001到0.999之间，避免极端值导致的数值问题。

5.3 多通道滤波时的状态管理

实际项目里经常要同时滤多路信号，比如三轴加速度计。每路信号需要独立的滤波器状态，不能共用。

常见错误是定义一个全局滤波器结构体，然后三路信号轮流调用。这样第二路会继承第一路的历史状态，输出完全错误。

正确做法是每路一个结构体实例：

LowPassIIR accel_x_filter; LowPassIIR accel_y_filter; LowPassIIR accel_z_filter; lowpass_init(&accel_x_filter, 10.0f, 1000.0f); lowpass_init(&accel_y_filter, 10.0f, 1000.0f); lowpass_init(&accel_z_filter, 10.0f, 1000.0f);

如果通道数很多，可以用数组：

#define NUM_CHANNELS 8 LowPassIIR filters[NUM_CHANNELS]; for (int i = 0; i < NUM_CHANNELS; i++) { lowpass_init(&filters[i], 10.0f, 1000.0f); }

内存占用上，每个低通滤波器两个float（alpha和prev_output），8通道也就64字节，可以忽略。高通多一个prev_input，带通是两个滤波器串联，内存翻倍。在RAM紧张的MCU上，如果通道数很多，可以考虑用定点压缩存储。

6. 从理论到实战：三个典型场景的完整配置

6.1 场景一：称重传感器的高频噪声抑制

称重传感器输出的是缓慢变化的重量信号，但机械振动和电气噪声会叠加高频干扰。典型信号带宽不到10Hz，噪声可能到几百Hz。

配置：fs = 100Hz（每10ms采样一次），fc = 5Hz。计算alpha：

alpha = 2*pi*5 / (100 + 2*pi*5) = 31.4 / 131.4 = 0.239

用增量形式实现：

float weight_filter(float input) { static float prev = 0.0f; float alpha = 0.239f; prev = prev + alpha * (input - prev); return prev; }

阶跃响应时间常数tau = 1/(2*pi*5) ≈ 32ms，稳定时间约160ms。对于称重应用，这个响应速度足够，因为重量本身变化就慢。

实测效果：原始信号峰峰值噪声约50个ADC码，滤波后降到5个码以内，相当于10倍改善。代价是响应延迟160ms，但称重不需要快速响应。

实操心得：称重传感器滤波后，建议再做一次“去皮”处理，把空载时的滤波输出存为零点，后续读数减去零点。因为一阶IIR的直流增益是1，但初始状态为零，上电后需要一段时间才能跟踪到真实零点。去皮可以消除这个启动瞬态。

6.2 场景二：心电信号基线漂移去除

心电信号带宽约0.05Hz到100Hz，但基线漂移通常在0.5Hz以下。需要高通滤掉基线，同时保留0.5Hz以上的心电成分。

配置：fs = 500Hz，高通fc = 0.5Hz。计算beta：

alpha = 2*pi*0.5 / (500 + 2*pi*0.5) = 3.14 / 503.14 = 0.00624 beta = 1 - alpha = 0.99376

高通实现：

float ecg_highpass(float input) { static float prev_input = 0.0f; static float prev_output = 0.0f; float beta = 0.99376f; float output = beta * (input - prev_input + prev_output); prev_input = input; prev_output = output; return output; }

这里beta非常接近1，高通截止频率很低。阶跃响应的衰减时间常数tau = 1/(2*pi*0.5) ≈ 318ms，意味着基线突变后需要约1.6秒才能衰减到5%以下。对于心电监测，这个恢复时间可以接受，因为基线突变不频繁。

实测效果：基线漂移从±200个ADC码降到±10个码以内，心电波形基本不变形。但每次患者移动导致的基线突变，输出会有约1秒的瞬态，需要后续算法标记为无效段。

6.3 场景三：音频1kHz提示音检测的带通预处理

要从麦克风信号里检测1kHz提示音，先用带通滤掉其他频率，再做幅度检测。

配置：fs = 16kHz，带通fc_low = 500Hz，fc_high = 2kHz。计算：

alpha_lp = 2*pi*2000 / (16000 + 2*pi*2000) = 12566 / 28566 = 0.440 alpha_hp = 2*pi*500 / (16000 + 2*pi*500) = 3141.6 / 19141.6 = 0.164 beta_hp = 1 - 0.164 = 0.836

带通实现：

typedef struct { float hp_beta; float hp_prev_in; float hp_prev_out; float lp_alpha; float lp_prev_out; } AudioBandPass; float audio_bandpass(AudioBandPass *f, float input) { // 高通 float hp_out = f->hp_beta * (input - f->hp_prev_in + f->hp_prev_out); f->hp_prev_in = input; f->hp_prev_out = hp_out; // 低通 f->lp_prev_out = f->lp_prev_out + f->lp_alpha * (hp_out - f->lp_prev_out); return f->lp_prev_out; }

中心频率f0 = sqrt(500*2000) = 1000Hz，正好是目标频率。中心频率处增益约0.8（因为fc_high/fc_low = 4），后续检测阈值需要相应调整。

实测效果：1kHz提示音通过，500Hz以下和2kHz以上的干扰被明显抑制。但如果是800Hz的干扰，衰减只有约6dB，可能误检。所以带通后面还需要做频率确认，比如过零率检测，确保确实是1kHz附近。

注意：音频应用里一阶带通的滚降太缓，通常需要二阶或更高阶。这里用一阶只是为了演示配置方法，实际产品里建议用二阶巴特沃斯带通，滚降-40dB/十倍频程，选择性好得多。

7. 一阶IIR的边界与替代方案选择

7.1 什么时候一阶IIR不够用

一阶IIR的滚降是-20dB/十倍频程，这是它最大的局限。如果干扰频率离通带只有一个倍频程，一阶滤波只能提供约6dB衰减，基本没用。这种情况下必须上二阶。

判断标准很简单：算一下干扰频率和截止频率的比值。如果比值小于4（两个倍频程），一阶滤波效果有限；比值在4到10之间，一阶可用但效果一般；比值大于10，一阶效果很好。

另一个局限是过渡带形状。一阶IIR的过渡带是对数曲线，没有纹波，但也不够陡。如果应用要求通带平坦、阻带陡峭，一阶做不到，需要巴特沃斯或切比雪夫。

还有群延迟。一阶IIR的群延迟在截止频率附近变化很大，对于需要保持波形形状的应用（比如心电、音频），可能造成波形失真。这种情况下用线性相位FIR更好，代价是更多计算量。

7.2 一阶IIR与移动平均、中值滤波的对比

移动平均滤波是另一种常见的低通方法，实现简单，但频响有旁瓣，阻带衰减只有-13dB左右，而且旁瓣会泄漏高频噪声。一阶IIR的频响是单调下降的，没有旁瓣，阻带衰减虽然也只有-20dB/十倍频程，但至少是单调的。

中值滤波对脉冲噪声特别有效，但计算量大（需要排序），而且对高斯噪声效果不如IIR。实际项目里经常是IIR加中值组合：先中值去掉脉冲，再IIR平滑。

我整理了一个对比表：

一阶IIR在计算量和滤波效果之间取得了很好的平衡，这是它在嵌入式领域长盛不衰的原因。

7.3 从一阶到二阶的平滑升级路径

如果一阶不够用，升级到二阶是最自然的路径。二阶IIR的差分方程是：

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

系数计算比一阶复杂，但有很多现成工具。我一般用Python的scipy：

from scipy import signal b, a = signal.butter(2, fc/(fs/2), 'low') print(b, a)

得到系数后直接填到代码里。二阶的滚降是-40dB/十倍频程，比一阶好一倍。代价是多两个状态变量和几个乘法，在Cortex-M4上仍然很轻松。

从一阶升级到二阶时，注意截止频率的定义。一阶的fc是-3dB点，二阶巴特沃斯的fc也是-3dB点，但二阶的过渡带更陡。如果原来一阶用fc=10Hz，升级到二阶时fc可以设得更高一些，比如15Hz，因为二阶在10Hz处的衰减已经比一阶大了。

实操心得：升级到二阶后，阶跃响应会出现轻微过冲（巴特沃斯约4%），这是正常的。如果过冲不可接受，可以用贝塞尔响应，相位更线性，但滚降更缓。选哪种响应取决于应用对相位失真和滚降的要求。

8. 调试工具与验证方法

8.1 用Python快速验证系数和频响

写代码之前，先用Python验证系数和频响，可以省去大量调试时间。下面这段代码画出一阶低通、高通、带通的频响：

import numpy as np import matplotlib.pyplot as plt fs = 1000 fc_lp = 100 fc_hp = 10 alpha_lp = 2*np.pi*fc_lp / (fs + 2*np.pi*fc_lp) alpha_hp = 2*np.pi*fc_hp / (fs + 2*np.pi*fc_hp) beta_hp = 1 - alpha_hp f = np.logspace(0, np.log10(fs/2), 500) w = 2*np.pi*f/fs # 低通频响 H_lp = alpha_lp / (1 - (1-alpha_lp)*np.exp(-1j*w)) # 高通频响 H_hp = beta_hp * (1 - np.exp(-1j*w)) / (1 - beta_hp*np.exp(-1j*w)) # 带通频响 H_bp = H_lp * H_hp plt.semilogx(f, 20*np.log10(np.abs(H_lp)), label='Lowpass') plt.semilogx(f, 20*np.log10(np.abs(H_hp)), label='Highpass') plt.semilogx(f, 20*np.log10(np.abs(H_bp)), label='Bandpass') plt.axhline(-3, color='k', linestyle='--') plt.legend() plt.grid() plt.show()

这段代码可以直接跑，看到三条曲线。低通在100Hz处-3dB，高通在10Hz处-3dB，带通在10Hz到100Hz之间平坦。如果曲线形状不对，说明系数算错了。

8.2 嵌入式端的实时调试技巧

在MCU上调试滤波器，最直接的方法是把输入输出通过串口或DAC输出。如果MCU有DAC，把滤波前后的信号分别输出到两个DAC通道，用示波器看，非常直观。

如果没有DAC，可以用PWM加RC滤波模拟DAC，或者通过串口把数据传到电脑上画图。串口传输时注意采样率不要太高，115200波特率下每秒传1000个点已经接近极限。

我常用的方法是在RAM里开一个环形缓冲区，存最近N个输入输出点，然后通过调试器读取。这样不影响实时性，又能看到波形。N取256或512就够看一个阶跃响应了。

还有一个技巧：用GPIO翻转来测量滤波器执行时间。在滤波函数入口拉高GPIO，出口拉低，示波器看脉冲宽度。一阶IIR在72MHz的Cortex-M3上大约1-2微秒，在带FPU的M4上不到1微秒。

8.3 常见异常现象与排查对照

这张表是我多年调试经验的总结，遇到问题先对照排查，大部分情况能快速定位。

9. 个人实操体会与几个容易忽略的细节

一阶IIR看起来简单，但真正用好需要理解它的边界。我最大的体会是：不要试图用一阶IIR做它做不到的事。需要陡滚降就上二阶，需要线性相位就上FIR，需要窄带就上二阶带通。一阶IIR的定位是“轻量级实时平滑”，在这个定位内它非常出色，超出这个定位就是给自己找麻烦。

另一个体会是关于初始状态。很多人在初始化时把prev_output设为零，如果输入信号本身有直流偏置，滤波器需要很长时间才能跟踪到真实值。更好的做法是用第一个采样值初始化prev_output，这样启动瞬态最小。代码上就是：

void lowpass_init_with_first_sample(LowPassIIR *f, float first_sample) { f->prev_output = first_sample; }

还有一个细节是采样率变化。如果系统支持多种采样率，alpha必须随采样率重新计算。我见过一个项目，采样率从1kHz切到10kHz，但alpha没更新，结果截止频率实际变成了原来的10倍，滤波完全失效。这种问题很隐蔽，因为代码不报错，只是效果不对。

最后分享一个快速估算技巧：一阶IIR的建立时间（到99%）约等于5/(2*pi*fc) ≈ 0.8/fc秒。比如fc=10Hz，建立时间约80ms。这个估算在选截止频率时非常有用，可以快速判断响应速度是否满足要求。

一阶IIR的差分方程就这些内容，低通、高通、带通的配置方法都已经展开。实际使用时，先用Python验证频响，再移植到嵌入式，最后用阶跃响应确认。这套流程走下来，基本不会出问题。