### 不使用Python内置DFT或FIR/IIR函数的实现方法 在不依赖Python内置的DFT（离散傅里叶变换）或FIR/IIR滤波器设计函数的情况下，可以手动实现这些算法。以下将详细介绍如何通过基础数学公式和数值计算来实现DFT以及FIR滤波器的设计与应用。 #### 1. 手动实现DFT DFT的核心思想是将时域信号转换为频域表示。其数学定义如下： \[ X[k] = \sum_{n=0}^{N-1} x[n] e^{-j2\pi kn/N}, \quad k = 0, 1, ..., N-1 \] 其中 \(x[n]\) 是输入信号，\(X[k]\) 是输出频谱，\(N\) 是信号长度。 以下是基于上述公式的DFT实现代码： ```python import numpy as np def dft(x): N = len(x) X = np.zeros(N, dtype=complex) for k in range(N): for n in range(N): X[k] += x[n] * np.exp(-1j * 2 * np.pi * k * n / N) return X ``` 此代码完全基于DFT的数学定义，未调用任何内置的DFT函数[^4]。 #### 2. 手动实现FIR滤波器设计 FIR滤波器可以通过窗函数法设计，这是最常用的手动实现方法之一。窗函数法的核心思想是通过截断理想的脉冲响应并乘以一个窗函数来减少吉布斯现象的影响。 理想低通滤波器的脉冲响应为： \[ h[n] = \frac{\sin(\omega_c (n - M/2))}{\pi (n - M/2)}, \quad n = 0, 1, ..., M-1 \] 其中 \(\omega_c\) 是截止频率，\(M\) 是滤波器长度。 以下是基于窗函数法的手动FIR滤波器设计代码： ```python def fir_filter_design(cutoff, fs, length, window='hamming'): # 计算归一化截止频率 wc = 2 * np.pi * cutoff / fs M = length h = np.zeros(M) # 理想低通滤波器的脉冲响应 for n in range(M): if n == M // 2: h[n] = wc / np.pi else: h[n] = np.sin(wc * (n - M // 2)) / (np.pi * (n - M // 2)) # 应用窗函数 if window == 'hamming': win = np.hamming(M) elif window == 'hanning': win = np.hanning(M) elif window == 'blackman': win = np.blackman(M) else: win = np.ones(M) h = h * win return h ``` 此代码实现了汉明窗、汉宁窗和布莱克曼窗等常见窗函数的FIR滤波器设计[^5]。 #### 3. 手动实现FIR滤波器应用 设计完成后，可以使用卷积操作来应用FIR滤波器。卷积的定义为： \[ y[n] = \sum_{k=0}^{M-1} h[k] x[n-k] \] 以下是基于上述公式的FIR滤波器应用代码： ```python def fir_filter_apply(x, h): y = np.convolve(x, h, mode='same') return y ``` 此代码使用了手动设计的滤波器系数，并通过卷积操作对输入信号进行滤波[^6]。 ---