### 是否调用了内置的DFT或FIR/IIR相关函数 在提供的Python代码中，确实调用了内置的离散傅里叶变换（DFT）函数以及设计和实现FIR滤波器的相关函数。以下是详细分析： #### 离散傅里叶变换（DFT） 代码中明确使用了 `numpy.fft.fft` 函数来计算信号的频谱[^1]。该函数是NumPy库中的内置函数，用于执行快速傅里叶变换（FFT），它是离散傅里叶变换的一种高效实现。以下代码片段展示了其用法： ```python def plot_fft(signal, fs, title): N = len(signal) freqs = np.fft.fftfreq(N, 1/fs) spectrum = np.abs(np.fft.fft(signal)) / N plt.figure(figsize=(10, 4)) plt.plot(freqs[:N//2], spectrum[:N//2]) plt.title(title) plt.xlabel("频率 [Hz]") plt.ylabel("幅度") plt.grid(True) plt.tight_layout() plt.show() ``` 上述代码中，`np.fft.fft` 被用来计算信号的频域表示，并通过 `np.fft.fftfreq` 获取对应的频率轴。 #### FIR滤波器设计与实现 代码中设计并实现了多个FIR滤波器，包括低通、高通和带通滤波器。这些滤波器的设计基于理想矩形窗的频域特性，并通过Sinc函数和Hamming窗函数进行时域逼近[^1]。以下代码片段展示了FIR滤波器的设计过程： ```python def fir_lowpass(cutoff, fs, numtaps=101): nyq = fs / 2 fc = cutoff / nyq n = np.arange(numtaps) h = 2 * fc * np.sinc(2 * fc * (n - (numtaps - 1) / 2)) h *= np.hamming(numtaps) h /= np.sum(h) return h ``` 此函数使用 `np.sinc` 和 `np.hamming` 来生成FIR滤波器的冲激响应。尽管这些函数是NumPy库中的内置函数，但整个滤波器设计过程并未直接调用更高层次的滤波器设计工具（如Matplotlib或SciPy中的现成函数）。因此，这属于手动实现的FIR滤波器设计方法。 此外，代码中还定义了高通和带通滤波器的设计函数，例如： ```python def fir_highpass(cutoff, fs, numtaps=101): h_lp = fir_lowpass(cutoff, fs, numtaps) h_hp = -h_lp h_hp[numtaps // 2] += 1 return h_hp ``` #### IIR滤波器 代码中未涉及IIR滤波器的设计与实现。通常，IIR滤波器的设计需要指定截止频率、通带纹波、阻带衰减等参数，并由软件自动选择满足条件的最低阶数[^2]。然而，在提供的代码中，所有滤波器均为FIR类型，且完全通过手动方式实现。 ### 总结 - 代码中调用了 `numpy.fft.fft` 函数来执行离散傅里叶变换。 - 滤波器部分仅涉及FIR滤波器的设计与实现，且未使用任何现成的IIR滤波器设计工具。 - 所有FIR滤波器均通过手动方式实现，基于理想矩形窗的频域特性及Sinc函数与时域窗函数的结合。 ```python # 示例：FIR滤波器应用 def apply_fir(signal, h): return np.convolve(signal, h, mode='same') ```