[信号与系统]FIR滤波器的几种常见窗口法计算方法

FIR滤波器的几种常见窗口法计算方法

1. 矩形窗口（Rectangular Window）

矩形窗口直接截断理想脉冲响应，无额外的平滑效果。它简单但会引入较大的旁瓣效应。

$$w[n]=1,0\le n\le N-1$$

2. 汉宁窗口（Hanning Window）

汉宁窗口使用平滑的余弦函数，有效减少旁瓣效应。

$$w[n]=0.5\left(1-\cos \left(\frac{2\pi n}{N-1}\right)\right),0\le n\le N-1$$

3. 汉明窗口（Hamming Window）

汉明窗口是汉宁窗口的变种，进一步减少旁瓣效应，适用于大多数实际应用。

$$w[n]=0.54-0.46\cos \left(\frac{2\pi n}{N-1}\right),0\le n\le N-1$$

4. 布莱克曼窗口（Blackman Window）

布莱克曼窗口具有更好的旁瓣抑制效果，适用于需要高频率分辨率的情况。

$$w[n]=0.42-0.5\cos \left(\frac{2\pi n}{N-1}\right)+0.08\cos \left(\frac{4\pi n}{N-1}\right),0\le n\le N-1$$

5. 凯撒窗口（Kaiser Window）

凯撒窗口具有可调参数 $\beta$，通过调整 $\beta$ 可以在主瓣宽度和旁瓣抑制之间进行权衡。

$$w[n]=\frac{I_0\left(\pi \beta \sqrt{1-{\left(\frac{2n}{N-1}-1\right)}^2}\right)}{I_0(\pi \beta )},0\le n\le N-1$$

其中 $I_0$ 是零阶修正贝塞尔函数，$\beta$ 为窗口的形状参数。

应用窗口函数设计FIR滤波器的步骤

1. 定义理想脉冲响应

假设我们设计一个理想的低通滤波器，其理想的脉冲响应为：

$$h_d[n]=\frac{\sin \left(2\pi f_c\left(n-\frac{N-1}{2}\right)\right)}{\pi \left(n-\frac{N-1}{2}\right)},n\ne \frac{N-1}{2}$$

当 $n=\frac{N-1}{2}$ 时，

$$h_d\left[\frac{N-1}{2}\right]=2f_c$$

2. 选择窗口函数

选择适当的窗口函数 $w[n]$。

3. 应用窗口函数

将窗口函数应用到理想的脉冲响应上：

$$h[n]=h_d[n]\cdot w[n],0\le n\le N-1$$

示例

假设我们使用汉明窗口设计一个低通FIR滤波器：

import numpy as np
import matplotlib.pyplot as plt

# 定义滤波器参数
N = 51  # 滤波器长度
fc = 0.25  # 归一化截止频率（f_c = f_c_actual / f_s）

# 理想脉冲响应
n = np.arange(N)
hd = np.sinc(2 * fc * (n - (N - 1) / 2))

# 汉明窗口
w = 0.54 - 0.46 * np.cos(2 * np.pi * n / (N - 1))

# 应用窗口函数
h = hd * w

# 频率响应
H = np.fft.fft(h, 1024)
H = np.fft.fftshift(H)  # 移动零频到中心
H_dB = 20 * np.log10(np.abs(H))

# 绘制时域和频域响应
plt.figure(figsize=(12, 6))

plt.subplot(2, 1, 1)
plt.stem(n, h, use_line_collection=True)
plt.title('时域脉冲响应')
plt.xlabel('样本点')
plt.ylabel('幅度')

plt.subplot(2, 1, 2)
f = np.linspace(-0.5, 0.5, len(H))
plt.plot(f, H_dB)
plt.title('频域响应')
plt.xlabel('归一化频率')
plt.ylabel('幅度 (dB)')
plt.grid()
plt.show()