没有安Matlab 也可以 生成FIR抽头系数工具.py

 

随着数字信号处理技术的发展，FIR（有限脉冲响应）滤波器在信号处理领域中扮演着至关重要的角色。设计一个高性能的FIR滤波器需要精确计算其抽头系数，而Matlab是一个常用的工具，用于进行这样的计算。然而，并非所有用户都拥有Matlab许可证或愿意购买它。因此，开发一种无需Matlab支持的FIR抽头系数生成工具对于许多人来说将是一项重要的任务。

本文将介绍一种基于Python编程语言的开源工具，它能够帮助用户在没有安装Matlab的情况下生成FIR滤波器的抽头系数。我们将探讨这个工具的设计原理、实现方法以及如何使用它来生成高性能的FIR滤波器。

设计原理

FIR滤波器的设计通常涉及到频率响应的设计规格，如通带、阻带的频率范围以及通带、阻带的最大衰减和最小衰减等。常见的设计方法包括频域设计和时域设计。频域设计通常通过频率采样点来设计FIR滤波器，而时域设计则是直接设计出滤波器的时域抽头系数。

在本工具中，我们采用了时域设计的方法，其中最常用的方法之一是窗函数法。窗函数法的基本思想是首先选择一个适当的窗函数，然后将所需的频率响应特性映射到窗函数上，最后通过傅里叶变换得到时域抽头系数。

实现方法

我们使用Python编程语言来实现这个工具，因为Python具有广泛的应用和丰富的第三方库支持。在Python中，我们可以使用Scipy库来进行FIR滤波器设计。

具体实现步骤如下：

1. 确定设计规格：包括通带频率、通带最大衰减、阻带频率、阻带最小衰减等。
2. 选择窗函数：常见的窗函数有矩形窗、汉宁窗、汉明窗等，根据设计要求选择合适的窗函数。
3. 计算理想频率响应：根据设计规格，计算出理想的频率响应曲线。
4. 映射到窗函数：将理想频率响应映射到选定的窗函数上。
5. 通过傅里叶变换得到时域抽头系数。

使用方法

使用这个工具非常简单，只需按照以下步骤操作：

1. 安装Python环境：如果您的计算机上没有安装Python环境，可以从官方网站下载并安装Python。
2. 安装Scipy库：在命令行中执行 pip install scipy 命令来安装Scipy库。
3. 编写Python脚本：编写一个简单的Python脚本，使用Scipy库中的firwin函数来生成FIR滤波器的抽头系数。
4. 运行脚本：在命令行中执行编写的Python脚本，即可生成FIR滤波器的抽头系数。

结论

通过本文介绍的基于Python的开源工具，用户可以在没有安装Matlab的情况下轻松生成FIR滤波器的抽头系数。这个工具的设计简单、使用方便，可以满足大部分用户的需求。未来，我们将继续改进和优化这个工具，以提供更多功能和更好的性能。

from scipy import signal
import numpy as np

# 设置滤波器参数
sample_rate = 10001  # 采样率
cutoff_frequency = 5000  # 截止频率
filter_order = 50  # 滤波器阶数

# 计算奈奎斯特频率
nyquist_frequency = 0.5 * sample_rate

# 将截止频率转换为小数频率
normalized_cutoff_frequency = cutoff_frequency / nyquist_frequency

# 设计滤波器
filter_coefficients = signal.firwin(filter_order, normalized_cutoff_frequency, pass_zero=True)

# 打印滤波器系数
print("Filter Coefficients:")
print(filter_coefficients)

# 保存系数到.CO文件
coe_file_path = "filter_coefficients.coe"
with open(coe_file_path, "w") as coe_file:
    coe_file.write("memory_initialization_radix=10;\n")  # 使用十进制进制
    coe_file.write("memory_initialization_vector=\n")
    for coefficient in filter_coefficients:
        coe_file.write("{:.10f},\n".format(coefficient))  # 将系数以十进制格式写入COE文件

# 计算频率响应
w, h = signal.freqz(filter_coefficients)

# 绘制幅频特性
import matplotlib.pyplot as plt

plt.figure()
plt.plot(w / (np.pi * nyquist_frequency), 20 * np.log10(np.abs(h)), label='Magnitude')
plt.title('Frequency Response of FIR Filter')
plt.xlabel('Normalized Frequency [rad/sample]')
plt.ylabel('Magnitude [dB]')
plt.grid(True)
plt.legend()
plt.show()

# 绘制相位特性
plt.figure()
plt.plot(w / (np.pi * nyquist_frequency), np.unwrap(np.angle(h)))
plt.title('Phase Response of FIR Filter')
plt.xlabel('Normalized Frequency [rad/sample]')
plt.ylabel('Phase [radians]')
plt.grid(True)
plt.show()