### IIR滤波器的基本结构 IIR（Infinite Impulse Response，无限冲激响应）滤波器是一种递归滤波器，其输出不仅取决于当前和过去的输入值，还取决于过去的输出值。IIR滤波器的传递函数具有极点和零点，因此可以实现较陡峭的频率响应，但可能不稳定。其基本结构可以表示为差分方程： $$ y[n] = \sum_{k=0}^{M} b_k x[n-k] - \sum_{k=1}^{N} a_k y[n-k] $$ 其中，$ x[n] $ 是输入信号，$ y[n] $ 是输出信号，$ b_k $ 是前馈系数，$ a_k $ 是反馈系数。 在Python中，可以使用 `scipy.signal` 模块中的函数来设计IIR滤波器。例如，使用 `butter` 函数设计巴特沃斯滤波器，`cheby1` 设计切比雪夫I型滤波器，`ellip` 设计椭圆滤波器。以下是一个设计二阶Butterworth IIR低通滤波器的示例： ```python from scipy.signal import butter, filtfilt # 设计二阶Butterworth低通滤波器 order = 2 # 滤波器阶数 fs = 30.0 # 采样频率 cutoff = 3.6 # 截止频率 nyquist = 0.5 * fs normal_cutoff = cutoff / nyquist b, a = butter(order, normal_cutoff, btype='low', analog=False) # 应用滤波器 data = [1.0, 2.0, 3.0, 4.0, 5.0] # 示例输入数据 filtered_data = filtfilt(b, a, data) # 零相位滤波 ``` ### FIR滤波器的基本结构 FIR（Finite Impulse Response，有限冲激响应）滤波器是一种非递归滤波器，其输出仅取决于当前和过去的输入值，而不依赖于过去的输出值。由于其传递函数只有零点而没有极点，因此FIR滤波器通常更加稳定，并且可以实现线性相位响应，这对于保持信号的完整性非常重要。 FIR滤波器的差分方程形式为： $$ y[n] = \sum_{k=0}^{N} b_k x[n-k] $$ 其中，$ b_k $ 是滤波器的系数。 在Python中，同样可以使用 `scipy.signal` 模块来设计FIR滤波器。例如，使用 `firwin` 函数结合窗函数法设计FIR滤波器。以下是一个设计低通FIR滤波器的示例： ```python from scipy.signal import firwin, lfilter # 设计低通FIR滤波器 numtaps = 101 # 滤波器阶数 cutoff = 3.6 # 截止频率 fs = 30.0 # 采样频率 nyquist = 0.5 * fs normal_cutoff = cutoff / nyquist b = firwin(numtaps, normal_cutoff, pass_zero='lowpass') # 应用滤波器 data = [1.0, 2.0, 3.0, 4.0, 5.0] # 示例输入数据 filtered_data = lfilter(b, 1.0, data) # 应用FIR滤波器 ``` ### 总结 IIR滤波器适用于需要陡峭频率响应的应用，但可能不稳定，而FIR滤波器则提供更好的稳定性和线性相位特性，适用于对信号完整性要求较高的场合。在Python中，可以通过 `scipy.signal` 模块中的函数来设计和实现这两种滤波器[^1]。