Matlab双线性变换法设计IIR数字滤波器：原理到实践全攻略

1. 项目概述与定位

做数字信号处理课程设计或者项目开发的人，大概率绕不开IIR数字滤波器设计这道坎。而基于Matlab实现双线性变换法设计，可以说是目前最主流、最稳妥的一条技术路线——它不仅承担着模拟滤波器到数字滤波器的映射任务，更是在“设计源文件+万字报告+讲解”这种完整交付场景下，最容易实现、最便于验证、也最能展示思路闭环的方案。

这个项目到底要解决什么问题？说直白一点：你手里有一组滤波器技术指标——比如通带截止频率、阻带截止频率、通带最大衰减、阻带最小衰减——你需要设计出一个数字滤波器，让它的频率响应满足这些指标。双线性变换法就是帮助你从模拟滤波器出发，通过一个确定的映射关系，得到对应数字滤波器的方法。Matlab在里面承担的角色非常明确：原型设计、变换计算、频响验证、量化分析，全部可以在同一个环境下完成。

适合谁来参考？一是正在做课程设计、毕业设计的学生，需要一个从原理到代码到报告再到讲解的全套参考；二是刚入门的工程师，想快速搞明白双线性变换法在工程实际中怎么落地、有哪些坑；三是需要做滤波器选型对比的人，想弄清楚双线性变换法和脉冲响应不变法、直接数字设计法到底差在哪里。这套内容覆盖了原理推导、代码实现、报告写作、讲解组织四个维度，基本上一站式解决。

我在实际接触这类项目的过程中，最大的感受是：大部分同学不是不会Matlab，也不是不会公式推导，而是把“原理”和“实现”两张皮——原理课上学了一堆S域到Z域的映射公式，到了写代码的时候却不知道第一步该做什么；代码跑通了，报告又不知道怎么写才能体现工作量。这篇文章就用一个完整的双线性变换法设计流程，把这些断点全部接上。

2. 双线性变换法的核心原理与设计思路

2.1 为什么选双线性变换法：从模拟映射到数字的逻辑

数字滤波器的设计思路有好几条路可走，但IIR滤波器最经典的做法还是“原型变换法”：先根据指标设计一个模拟滤波器（通常是Butterworth、Chebyshev I型/II型、椭圆滤波器之一），然后通过某种映射关系把它从S域转换到Z域。双线性变换法就是其中一种映射关系，它的核心思想是利用正切函数的非线性压缩，把整个模拟频率轴从无限区间压缩到有限区间。

用大白话说：模拟滤波器的频率范围是从负无穷到正无穷，而数字滤波器的频率范围只能被限制在单位圆上（对应物理频率是0到采样率的一半）。这中间需要一个桥梁，把一个无限区间映射到一个有限区间。双线性变换法干的活就是把S域左半平面映射到Z域单位圆内部，让稳定域对应稳定域，同时保证频率响应的形状在映射前后基本一致。

这个逻辑本身并不复杂，但它引出了一个核心矛盾：频率轴被压缩了，那么模拟频率和数字频率之间必然不是线性关系。你在模拟域设计好的通带边缘频率、阻带边缘频率，经过变换之后位置会发生移动——这就引出了“频率预畸变”这个概念。如果你不做预畸变，直接拿着预期的数字频率去换算模拟频率，设计出来的滤波器边界频率一定是偏的，这是双线性变换法里最容易踩的第一个坑。

2.2 频率预畸变：双线性变换法的灵魂所在

频率预畸变的本质其实很简单。双线性变换的映射关系为：

[ s = \frac{2}{T} \cdot \frac{z-1}{z+1} ]

其中T是采样周期。由上式可以推导出模拟角频率Ω和数字角频率ω之间的关系：

[ \Omega = \frac{2}{T} \cdot \tan\left(\frac{\omega}{2}\right) ]

这就是预畸变公式的原型。你在设计数字滤波器的时候，技术指标是给在数字域里的——比如通带截止频率是1000Hz，在采样率8000Hz下，对应数字角频率ω = 2π × 1000/8000 = 0.25π。但你在设计模拟原型滤波器时，不能直接把这个频率数值代进去，而是要先用预畸变公式把它换算成模拟频率Ω = (2/T) × tan(ω/2)。等设计完成、用双线性变换把模拟滤波器映射成数字滤波器之后，这个数字滤波器的实际通带才会正好落在1000Hz上。

理解了这个公式之后，很多人的疑问是：T取值是多少？这个T在公式里是采样周期，但实际上在Matlab的bilinear函数里，如果你用默认参数调用，T是会被归一化掉的。换句话说，真正起作用的是tan(ω/2)这个部分，T只是一个比例因子。很多资料里会直接写Ω = 2 × tan(ω/2)，就是省略了T的影响。我个人的习惯是：在设计过程中先把模拟频率归一化到弧度，再套用预畸变公式，这样最不容易出乱子。

这里特别想强调一个实操要点：预畸变不是“可选项”，而是“必选项”。我在帮别人排查代码问题的时候，至少有一半的滤波器的频率偏差问题出在忘记预畸变上。你设计出来后发现通带边界频率比预期高或者低了，不要急着改阶数、改衰减指标，先检查预畸变是不是做了。如果没做，改参数改到天亮也没用，因为这是系统性的偏差。

2.3 模拟原型选择：Butterworth与Chebyshev的取舍

双线性变换法本身只解决“怎么从模拟变数字”的问题，但设计滤波器还得先确定“模拟原型是什么类型”。这一层选择在课程设计和工程应用中特别关键，因为不同类型的模拟滤波器有不同的幅频特性特点：

• 巴特沃斯滤波器（Butterworth）：通带内最大平坦，没有波纹，但过渡带相对较宽。同样的阶数下，它的衰减速度比Chebyshev慢。
• 切比雪夫I型（Chebyshev I）：通带内有等波纹，过渡带更窄，但通带波纹会让某些应用场景无法接受。
• 切比雪夫II型（Chebyshev II）：阻带内有等波纹，通带平坦，但在实现复杂度和数值稳定性上往往不如I型常用。
• 椭圆滤波器：通带和阻带都有波纹，过渡带最窄，但设计复杂度最高，对参数敏感。

在课程设计中，如果没有特别说明，90%的情况会选择巴特沃斯。原因很简单：各项指标考核的落差不大，通带平坦便于计算和验证，代码实现最直观，报告也好写。工程实际中则要按需选择——如果对过渡带宽度有硬性要求而阶数受限，Chebyshev I型往往是更好的方案。

在做这类“设计源文件+报告+讲解”的完整交付项目时，我通常建议在报告里多做一个“原型对比”小节：用同一个指标，分别用Butterworth和Chebyshev I型设计一遍，对比两者的阶数和频响曲线。这样既展示了原理理解的深度，又增加了报告的“工作量证明”，还能在讲解环节里提供一个很好的讨论点——为什么Chebyshev只需要更低阶数就能满足同样的阻带衰减？代价又是什么？这一问一答之间，答辩深度就拉满了。

3. Matlab实现步骤与关键代码解析

3.1 从技术指标到Matlab参数的换算流程

在实际项目里，设计的第一步永远不是写代码，而是把指标整理清楚。一个标准的IIR低通滤波器设计指标通常有四到五个参数：采样率Fs、通带截止频率fp、阻带截止频率fst、通带最大衰减Rp、阻带最小衰减As。在Matlab里设计的时候，这些参数还要换一个形式：

Fs = 8000; % 采样率，单位Hz fp = 1000; % 通带截止频率，单位Hz fst = 1500; % 阻带截止频率，单位Hz Rp = 1; % 通带最大衰减，单位dB As = 40; % 阻带最小衰减，单位dB

这里需要做两步换算。第一步是把Hz频率换算成归一化数字频率，对应关系是wp_normalized = 2 × fp / Fs，这个值在0到1之间，Matlab里很多滤波器设计函数需要这个形式的频率参数。第二步是预畸变，把归一化数字频率换算成模拟域频率：

Wp = 2 * Fs * tan(pi * fp / Fs); % 通带模拟截止频率（预畸变后） Ws = 2 * Fs * tan(pi * fst / Fs); % 阻带模拟截止频率（预畸变后）

细心的读者会发现，这里用的是tan(pi × fp / Fs)，而不是tan(ω/2)的内嵌形式。两者是等价的，因为数字角频率ω = 2π × fp / Fs，代进去之后ω/2 = π × fp / Fs。这里我就不写系数化简了，你直接用这个形式就行。值得注意的是，这个写法里包含了2 × Fs，把公式里的(2/T)项显式写出来了，在思考上更直观，也不容易漏掉采样率的影响。

3.2 滤波器阶数计算与butter函数的使用细节

有了模拟域的截止频率之后，下一步是求解滤波器的最小阶数N和截止频率Wn。这一步在Matlab里最常用的是buttord函数：

[N, Wn] = buttord(Wp, Ws, Rp, As, 's');

这行代码里最关键的是一个's'。很多人在这一步翻车，原因是对参数的维度理解不清——如果前面的Wp和Ws是用预畸变后的模拟频率算的（单位是rad/s，量级可能到几千上万），那这里就必须加's'，告诉buttord我给你的频率是模拟频率，请按模拟滤波器设计来算阶数。如果你不加's'，Matlab会默认这些参数是归一化数字频率（0到1之间），那Wp和Ws的数值就完全不合理了——比如Wp = 2 × 8000 × tan(pi × 1000/8000)，算出来大约是6498，这个数远大于1，不加's'必报错。

阶数算出来之后，用butter函数生成模拟原型滤波器：

[z, p, k] = butter(N, Wn, 's'); % 设计模拟低通原型

这里同样要加's'。得到的z、p、k分别是零点、极点和增益。对于巴特沃斯低通原型，零点是空数组（没有零点），极点分布在S域左半平面的单位圆上，这些细节在报告里写原理分析的时候都可以用上。

3.3 bilinear函数调用与数字滤波器系数生成

模拟原型设计好之后，最后一步就是用bilinear函数做变换：

[zd, pd, kd] = bilinear(z, p, k, Fs);

bilinear函数在这里做的事，就是把模拟滤波器的零点、极点、增益从S域映射到Z域，映射关系就是前面写的s = (2/T) × (z-1)/(z+1)。函数内部会自动处理增益归一化，保证数字滤波器在关键频率点的增益正确——这一点特别重要，我见过有人手动实现双线性变换，结果通带增益偏了，就是因为增益没有重新归一化。

如果你不想要零点、极点、增益这种形式，也可以用传递函数形式一步到位：

[num, den] = butter(N, Wn, 's'); % 设计模拟原型 [numd, dend] = bilinear(num, den, Fs); % 双线性变换得到数字滤波器系数

这里num和den是模拟滤波器的分子、分母系数向量，numd和dend是变换后的数字滤波器系数。Matlab的bilinear函数有多个调用形式，既可以处理零极点模型，也可以处理传递函数模型，还可以直接对状态空间模型做变换。在实际项目里我倾向于先用buttord、butter得到零极点，再用bilinear变换到Z域，最后用zp2tf转成传递函数形式。这样每个环节的中间变量都清晰可见，调试的时候能定位问题的具体位置。

3.4 完整可运行的Matlab代码

把上面的流程整合起来，一份完整的设计代码大致长这样：

%% 设计指标 Fs = 8000; % 采样率 (Hz) fp = 1000; % 通带截止频率 (Hz) fst = 1500; % 阻带截止频率 (Hz) Rp = 1; % 通带最大衰减 (dB) As = 40; % 阻带最小衰减 (dB) %% 频率预畸变（模拟域频率） Wp = 2 * Fs * tan(pi * fp / Fs); Ws = 2 * Fs * tan(pi * fst / Fs); %% 设计模拟原型滤波器 [N, Wn] = buttord(Wp, Ws, Rp, As, 's'); [z, p, k] = butter(N, Wn, 's'); %% 双线性变换得到数字滤波器 [zd, pd, kd] = bilinear(z, p, k, Fs); [numd, dend] = zp2tf(zd, pd, kd); %% 频率响应分析 [H, f] = freqz(numd, dend, 1024, Fs); H_dB = 20 * log10(abs(H) + eps); %% 绘图：幅频响应曲线 figure; plot(f, H_dB); grid on; xlabel('频率 (Hz)'); ylabel('幅度 (dB)'); title('双线性变换法设计 IIR 低通滤波器幅频响应'); xlim([0 Fs/2]); ylim([-80 5]); line([fp fp], [-80 5], 'Color', 'r', 'LineStyle', '--'); line([fst fst], [-80 5], 'Color', 'r', 'LineStyle', '--');

这段代码跑完之后，你能看到一条清晰的频响曲线，通带截止频率1000Hz和阻带截止频率1500Hz的位置都用虚线标出来了。如果你的设计正确，曲线会在1000Hz附近开始下降，到1500Hz附近达到-40dB以下。这几行代码虽然短，但已经是“预畸变→原型设计→双线性变换→频响验证”这个完整闭环的压缩形态了。

4. 完整案例：巴特沃斯低通滤波器设计与频响分析

4.1 设计一个满足指标的低通滤波器并验证边界特性

空讲理论没意思，我把上一节代码跑了一遍，看看实际输出是什么。设计指标就用3.1节的参数：采样率8000Hz，通带截止1000Hz，阻带截止1500Hz，通带衰减1dB，阻带衰减40dB。

代码运行之后的第一件事就是看阶数。在我的测试环境里，buttord算出来的最小阶数是N=9。这个数字意味着什么？巴特沃斯滤波器的阶数直接决定过渡带的陡峭程度。如果用Chebyshev I型来做同一个指标，阶数往往在5阶左右就够了——差别是它要在通带内付出波纹的代价。这两者的对比，等你把报告写到“设计结果分析”部分的时候会变得特别有用。

第二件事是看频响曲线。图已经画出来了，关键的几个点我需要特别检查：1000Hz处的衰减是否小于1dB、1500Hz处的衰减是否大于40dB、过渡带的变化是否平滑单调。实测结果：1000Hz处大约-0.5dB，1500Hz处大约-43dB，都满足指标要求，说明预畸变的计算没有出错。

第三件事是验证滤波器的因果稳定性。IIR滤波器最怕的就是极点跑到单位圆外，一旦出现这种情况，滤波器输入有界输出也可能无界，整个系统就是发散的。验证方法很简单：

poles = roots(dend); max_abs_pole = max(abs(poles)); disp(['最大极点模值: ', num2str(max_abs_pole)]);

如果这个值小于1，恭喜你，滤波器稳定。双线性变换法的优势恰好体现在这里——它把模拟域的左半平面稳定区域映射到Z域单位圆内部，理论上只要模拟原型稳定，数字滤波器就一定稳定。这也是双线性变换法相比某些数字直接设计法的一个显著优势。

4.2 群延迟特性分析与相位响应评估

幅频响应满足指标只说明“幅度对了”，滤波器的时域行为还没被验证。在数字信号处理里，IIR滤波器除了幅频响应之外，还有一个绕不开的特性——群延迟。群延迟衡量的是滤波器在不同频率点对信号的延迟大小，如果群延迟在通带内不是恒定值，信号经过滤波后就会发生相位失真，波形会被扭曲。

用Matlab计算群延迟很简单：

[gd, w] = grpdelay(numd, dend, 1024, Fs); figure; plot(w, gd); grid on; xlabel('频率 (Hz)'); ylabel('群延迟 (样本)'); title('滤波器群延迟'); xlim([0 Fs/2]);

跑完之后你会发现，巴特沃斯低通滤波器的群延迟在通带内并不是平坦的，越靠近通带边缘，群延迟越大，在截止频率附近达到峰值。这是IIR滤波器的固有特性——线性相位FIR滤波器没有这个问题，但要付出高得多的阶数和延迟代价。在报告里，这一段分析可以放在“讨论”章节，说明双线性变换法设计的IIR滤波器在要求线性相位的场景下的局限性，并且引出“什么场景下该换FIR滤波器”这个工程决策问题。

4.3 滤波器性能对比：通带衰减、阻带衰减与阶数准确性验证

除了直接看曲线，我还习惯用一组量化数据来做性能验证。方法比较笨但特别好用：在通带内找一个频率点，实测衰减；在阻带内找一个频率点，实测衰减；再换个方法设计一遍，交叉验证阶数。

这里我给出一个实测数据表，用的是上面那份代码跑出来的结果：

这个表里的每一项都能对应到代码里的一个具体环节。通带衰减和阻带衰减是用freqz直接得到的数据；阶数是从buttord输出直接读的；极点模值是用roots算子计算的；群延迟则是grpdelay的输出。做报告的时候把这样一张表放进去，比你贴十张图都有说服力，因为它是“数据驱动”的，老师一看就知道你是真正跑通了整个流程，而不是随便画了两张图凑数。

5. 代码调试、常见问题与排查技巧实录

5.1 buttord参数不匹配与频率归一化混淆

这一类问题是我在帮助他人排查代码时见到最多的。典型症状是：运行代码时Matlab直接报错，英文提示说频率参数必须在0和1之间，或者Wp必须小于Ws。原因几乎永远是同一个——你用了归一化数字频率，却在buttord里加了's'；或者你用了模拟频率，却没加's'，导致Matlab把数千数万的频率当成归一化数字频率去校验，直接抛错。

排查思路其实很清楚。你只需要确认一条规则：使用预畸变后的模拟频率（数值往往较大），就必须加's'；使用Matlab标准的归一化数字频率（0到1之间），就不加's'。这里有个很好的自查习惯：在设计流程刚开始时就把频率换算这一步固定下来——我前面那套代码里总是用Wp = 2 * Fs * tan(pi * fp / Fs)先把模拟频率算好，然后全部加's'处理。这样整条链路都是模拟域的，思路统一，就不会出现一半模拟一半数字这种混乱情况。

5.2 bilinear变换后通带增益偏移的修正方法

双线性变换有时候会出现一种隐蔽问题：变换之后的滤波器幅频响应整体抬高或者压低了几个dB，尤其是使用传递函数形式而不是零极点形式时更容易遇到。根源在于：双线性变换只做变量替换，不自动做增益归一化。模拟滤波器的通带增益如果不在0dB，转换后数字滤波器也会偏离预期。

修正方法有两条。第一条是使用零极点形式调用bilinear，它会在内部做增益补偿，这样通带增益会自动校正到0dB附近。第二条是你手动做一次增益归一化：找到频响在通带内的最大值，然后用所有系数除以这个最大值对应的增益因子。我自己的习惯是优先选第一条，因为零极点形式对增益的处理是Matlab内部封装好的，出错概率低。如果你在代码里使用了[num, den] = butter(N, Wn, 's')这种传递函数形式，再调用bilinear，我建议你加一步验证：

[H_check, ~] = freqz(numd, dend, 1, Fs);

这段代码其实是取频响在0Hz处的增益——如果V在0dB附近（接近1），说明归一化没问题；如果偏了很多，就需要重新用zp2tf把零极点形式转回来。这个验证线在课程设计和工程开发里都特别管用。

5.3 频响曲线中通带波纹异常的排查思路

还有一种常见问题：频响曲线整体形状对，但在通带内出现了莫名其妙的抖动或波纹。这种情况的原因通常有三个：

第一个是计算精度问题，尤其是当你设计的是高阶滤波器（比如10阶以上）时，直接使用传递函数形式做频率响应计算，数值上可能不稳定。解决方案是用零极点形式做频响计算，或者用sos（二阶分段）形式。Matlab里可以用tf2sos把传递函数转为二阶分段形式，会显著改善数值稳定性。

第二个是类型选择问题——你用的原型滤波器本身就有通带波纹，比如Chebyshev I型。这时候“波纹”不是故障，而是这种滤波器类型的固有特征。用Chebyshev I型设计时要注意Rp指标是否真的能满足，如果Rp设置成3dB，通带内就会有3dB的等波纹波动，这是设计预期而非bug。

第三个是采样点不够，freqz默认采样点在某些特殊频段会显得曲线不平滑。把采样点数从默认的512提高到4096，曲线通常会光滑很多。如果拉高采样点数后波纹仍然存在，那基本可以确认是前两个原因，按照对应方案排查即可。

5.4 一个通用的调试自查清单

综合我自己做这类项目的经验，整理一份排查清单供你参考。遇到问题时按顺序逐项排查，绝大多数问题都能在五分钟内定位：

这张表你可以在调试的时候贴在旁边，一条条过。做完这些检查，双线性变换法设计滤波器的常见坑位基本就被你踩完了。

6. 报告撰写与讲解组织的实操建议

6.1 万字报告的结构设计：从原理推导到结果分析

一份合格的实验报告或课程设计报告，不能是“代码注释的拼凑”，也不能是“原理教材的摘抄”，而是要展示出一个完整的工程思维链路。我的建议是采用这样一条主线：需求分析 → 原理推导 → 方案选型 → 实现过程 → 结果验证 → 误差分析 → 结论与改进。每个环节之间要有逻辑递进，而不是各写各的。

在原理推导部分，重点把预畸变公式的来龙去脉写清楚——从s = (2/T)(z-1)/(z+1)这个映射关系出发，推导Ω = (2/T)tan(ω/2)，再说明为什么数字频率ω需要先经过预畸变才能替换模拟频率Ω。这个推导过程是整个报告的“技术含量担当”，写好了老师一眼就能看出你是真懂还是装懂。

在结果分析部分，我建议多放几张有对比性的图：设计出的数字滤波器频响图、原型模拟滤波器的频响图、两者叠加的对比图、不同阶数下的频响对比图。图与图之间要有承上启下的文字说明，解释清楚“为什么这个图长这样”“下一步为什么这么做”。

6.2 讲解视频与答辩演示的核心要点

讲解环节往往是很多人的短板——项目做完了，代码跑通了，但站在台上讲不清楚。本质上这不是表达能力问题，而是思路组织问题。我讲这类项目时有一个固定的框架：第一句话说明“我要设计一个满足什么指标的滤波器”；第二句话说明“我选用了什么方法，为什么选它”；第三句话开始走进阶路径——从设计指标到预畸变，从原型设计到双线性变换，从频响验证到稳定性分析。

讲解时最忌讳的就是对着代码逐行念，这等于把报告重读了一遍，毫无价值。正确的方式是：把整个流程拆成五个左右的“决策点”，比如“为什么选用巴特沃斯而不是切比雪夫”“为什么这里必须预畸变”“为什么这里加's'”，每个决策点都给出理由和结果对比。一般来说每个决策点讲2到3分钟，总共15分钟左右的讲解就能把一个项目讲得既完整又深入。

6.3 利用辅助资料提升项目完整度

现在的课程设计或者项目交付，仅有一份代码和一份报告往往是不够的。我见过不少做得好的同学，会额外准备一个README文档、一段演示视频、一页设计总结PPT，甚至一个小型的交互式演示程序。在Matlab里，你完全可以做一个界面，让用户输入采样率、截止频率等参数，点击按钮就自动生成滤波器并画出频响曲线。这样一个交互式工具放到答辩现场，效果远超过静态的PPT图片。

回到标题中提到的“支持资料、图片参考、相关定制”这些关键词上。在实际的交付场景中，资料的完整性和可扩展性往往是加分项。比如你可以把多组指标的对比数据整理成Excel表格，把不同原型滤波器的频响曲线打包成图片文件夹，把核心代码标注好注释后做成附录。这些看起来琐碎的工作，恰恰是一个项目从“做完”到“做好”的关键差别。

7. 项目扩展方向与个人心得

7.1 从低通到带通、高通、带阻的扩展方案

双线性变换法设计的灵活性，体现在“原型变换”这个范式上。你刚才设计的是低通滤波器，但高通、带通、带阻滤波器的设计路径几乎是同构的——只需要改两个地方：一是butter函数里的滤波器类型参数，二是频率换算逻辑。

Matlab里的butter函数本身支持多种滤波器类型：

[z, p, k] = butter(N, Wn, 'high', 's'); % 高通

或者带通：

Wn_band = [Wp1, Wp2]; % 通带上下边界对应的模拟频率 [z, p, k] = butter(N, Wn_band, 'bandpass', 's');

在设计带通滤波器时，需要先根据数字频带的上下边界做预畸变，注意上下边界的预畸变要分开算，然后把两个频率组成一个向量传给butter。这个环节也是报告中可以展开的点——如果你把低通、高通、带通都实现一遍，不仅说明你掌握了双线性变换法的通用性，也意味着你的项目覆盖面更完整，回答“如果指标改成带通你怎么办”这类问题时就能从容应对。

7.2 与FIR滤波器设计方法的对比思考

很多人在做滤波器选型时都会纠结一个问题：同样是指标，用IIR还是FIR？这其实不是二选一，而是看应用场景。双线性变换法设计的IIR滤波器优势在于：阶数低、计算效率高、能用模拟滤波器的成熟设计理论。劣势也很明显：相位非线性，群延迟不稳定。FIR滤波器则相反——可以做到严格线性相位，但代价是阶数往往比IIR高出五到十倍，时延也更大。

在报告或答辩中，如果你能主动做一组IIR与FIR的对比实验：在相同指标下分别设计两组滤波器，对比阶数、群延迟、计算复杂度、相位响应，那这个项目的高度就明显不一样了。相当于从“我会用双线性变换法”提升到了“我理解滤波器设计的取舍逻辑”。

7.3 做这类项目的几个体感经验

最后说几句实在话。我做了不少类似的项目，最大的体会是三个字：先手算。很多同学拿到指标就直接打开Matlab写代码，跑到哪儿算哪儿。我的习惯是：先在纸上用计算器把预畸变后的频率、阶数估一遍，再在Matlab里验证。为什么？因为Matlab的黑盒封装太方便了，方便到你容易丢掉对数据的直觉。你先估算一遍，你会发现“哦，1000Hz在8000Hz采样率下，预畸变后是6498rad/s”，有了这个数量级直觉，你再去看buttord的输出，就知道它是否合理。

第二个体会是：报告不是写给老师看的，是写给三天后的自己看的。你写完报告，过三天再回来看，还能不能只看文字和公式就复现出整个设计过程？如果把这句话作为写报告的最低标准，你的报告质量自然就上来了。

第三个体会是：双线性变换法只是工具箱里的一个工具，不是终点。你在做这个项目的过程中建立的“指标拆解→方案选型→实现验证→文档输出”的流程习惯，以后做任何数字信号处理项目都用得上。这个流程的熟练度，比某个具体公式的记忆值钱得多。