数字信号处理复习避坑指南：从采样定理到卡尔曼滤波的代码验证

简介：这份资源是面向通信、电子与自动化等专业学生及考研复习者的现代数字信号处理习题汇总，聚焦课程重点与常见考点的解题训练，适合在期末复习或考研冲刺阶段用于查漏补缺、巩固概念。压缩包内共1个doc文档，约1.82MB，以文字与公式推导为主，便于打印或电子批注。内容围绕数字信号处理基本概念、傅里叶变换、采样理论、数字滤波器与信号处理展开，并配有典型习题及详细解答，涉及采样频率与谱分辨率参数确定、A/D与D/A前后低通滤波器的作用、系统因果性与稳定性判断、FIR与IIR滤波器的比较及设计思路、功率谱估计与自适应滤波算法等，能帮助读者对照题目理解推导过程、梳理答题框架。目前已有184人学习下载，可作为课程配套练习与考前自测的参考材料。

1. 一份“答案很全”的复习题，为什么反而最容易翻车

数字信号处理这门课，最坑的地方从来不是公式记不住，而是你背下了一堆结论，却不知道它在什么条件下成立。这份《现代数字信号复习题》就是典型的“答案很全、推导很省”的资料：采样定理、DFT 谱线间距、FIR/IIR 选型、维纳滤波与卡尔曼滤波、经典功率谱估计、LMS 自适应算法，几乎把课程主线全串了一遍，题量在 50 道上下，覆盖从 z 变换收敛域判断到 AR 模型参数估计的完整链路。

它适合两类人：一类是期末或考研前需要快速把知识点过一遍的，另一类是已经工作、想回头把“采样率提高分辨率就变高”这类直觉错误纠正过来的从业者。但这份资料有个明显特征——很多解答只给结果不给中间步骤，比如第 3 题直接下结论“提高采样频率不能提高模拟频率分辨率”，却不把数字频率和模拟频率的映射关系摊开讲。照着背，考场上换个问法就废。所以这篇笔记不打算复述答案，而是把它拆成能自己推、能自己验的用法。

2. 采样与谱分析：把“分辨率”这三个字彻底掰开

2.1 先分清三种频率，不然第 3 题永远看不懂

这份资料里最容易让人自我怀疑的就是第 3 题：以 4 kHz 采样、做 N 点 DFT，谱线间距相当于 100 Hz；有人想看清 50 Hz 的间隔，于是改用 8 kHz 采样、做 2N 点 DFT，问能不能达到目的。答案是不能。很多人第一反应是“采样率翻倍、点数翻倍，谱线不是更密了吗”，翻车就翻在这里。

要拆开三个概念：模拟频率 f（单位 Hz）、数字频率 ω（单位 rad，归一化到 2π）、DFT 的谱线索引 k。它们的关系是 ω = 2πf/fs，而 N 点 DFT 的频率间隔是 Δω = 2π/N，换算回模拟频率就是 Δf = fs/N。注意这个式子里 fs 和 N 是同时出现的：你把 fs 从 4 kHz 提到 8 kHz，同时把 N 提到 2N，Δf = 8k/(2N) = 4k/N，和原来一模一样。所以谱线在模拟频率轴上根本没变密，只是单位圆上的采样点变多了。

真正决定模拟频率分辨率的是记录时长 T = N/fs，因为 Δf = 1/T。想让 50 Hz 能分辨，唯一的路是把记录时间拉长到 1/50 = 0.02 s 以上，而不是提高采样率。这个结论在第 2 题里其实已经埋了伏笔：给定谱分辨率要求，先算最小记录时间，再算最大采样间隔，最后算最少点数，顺序不能乱。

2.2 用一段可跑的代码把第 2 题复现出来

第 2 题是标准的“给定分辨率反推参数”题：要求谱分辨率（这里按常见设定取 5 Hz 量级）、信号最高频率 1 kHz，求最小记录时间、最大采样间隔、最少采样点数，以及在频带宽度不变时把分辨率提高一倍的 N。下面这段代码把四个小问一次算完，顺便验证“频带不变、分辨率翻倍”到底改的是哪个量。

import numpy as np f_max = 1000.0 # 信号最高频率 Hz delta_f = 5.0 # 要求的谱分辨率 Hz # (1) 最小记录时间：T = 1 / delta_f T_min = 1.0 / delta_f # (2) 最大采样间隔：由奈奎斯特 fs >= 2*f_max 得 Ts <= 1/(2*f_max) Ts_max = 1.0 / (2 * f_max) # (3) 最少采样点数：N = T / Ts，向上取整，且通常取 2 的幂便于 FFT N_min = int(np.ceil(T_min / Ts_max)) N_fft = 1 << (N_min - 1).bit_length() # 向上取到 2 的幂 # (4) 频带宽度不变 => fs 不变，分辨率翻倍 => T 翻倍 => N 翻倍 N_double = 2 * N_min print(f"最小记录时间 T_min = {T_min:.4f} s") print(f"最大采样间隔 Ts_max = {Ts_max:.6f} s") print(f"最少采样点数 N_min = {N_min}，取 2 的幂后 N_fft = {N_fft}") print(f"分辨率翻倍后 N = {N_double}")

逻辑说明：第 (1) 问的分辨率定义是 Δf = 1/T，所以 T 直接取倒数；第 (2) 问的采样间隔上限来自奈奎斯特条件，fs ≥ 2f_max 取等号就是最宽松的间隔；第 (3) 问用 T/Ts 向上取整，再补到 2 的幂是为了后面 FFT 效率，这一步资料里没写但工程上几乎必做；第 (4) 问的关键是“频带宽度不变”等价于 fs 不变，此时 Δf = fs/N，分辨率翻倍只能靠 N 翻倍，也就是记录时间翻倍。

参数怎么改：delta_f 换成你实际指标，f_max 换成信号真实带宽上限。如果算出来的 N_min 很小（比如几十点），说明指标很松，但实际做谱分析一般至少取 256 点以上，否则谱线太粗看不出结构。这里有个血泪经验：很多人把 N_fft 直接当成 N_min 用，结果补零补出来的“高分辨率”是假的——补零只让谱线画得密，不增加真实信息量，真正的分辨率还是由记录时长决定。

2.3 抗混叠与平滑滤波：A/D 前后那两个低通不是摆设

第 4 题问 A/D 之前和 D/A 之后的低通各起什么作用，答案本身不难：前者是抗混叠（也叫抗折叠），把高于 fs/2 的成分压掉，防止采样后高频折叠到低频；后者是平滑，滤掉 D/A 输出阶梯波里的高频延拓谱。但资料只给了结论，没讲为什么这两个滤波器不能省、参数怎么定。

抗混叠滤波器的截止频率要设在 fs/2 以内，过渡带要足够陡，否则折叠分量还是会漏进来。工程上常见做法是截止频率取 0.4~0.45 倍 fs，留出过渡带余量。平滑滤波器的截止频率则跟着信号带宽走，一般略高于有用信号最高频率即可。这里有个容易忽略的点：抗混叠滤波器是模拟滤波器，放在采样之前；平滑滤波器也是模拟的，放在 D/A 之后。两者都不是数字滤波器，别在代码里找它们。

3. 滤波器与系统：收敛域、因果性、稳定性一条线串起来

3.1 第 5 题的三个收敛域，其实是三种系统人格

第 5 题给了一个系统函数，极点在两个位置，然后分三种收敛域讨论因果性和稳定性。这类题看着像纯数学，其实是数字信号处理里最实用的一块：给你一个 H(z)，你要能立刻判断它能不能实时实现、会不会发散。

判断规则只有两条：因果性看收敛域是不是某个圆的外部（包括无穷远），稳定性看收敛域是否包含单位圆。三条结论对应三种情况——收敛域在最大极点之外，系统因果但不稳定（因为不包含单位圆）；收敛域在最小极点之内，非因果且不稳定；收敛域夹在两个极点之间，非因果但稳定。资料里把单位脉冲响应也列出来了，但没强调一个关键点：因果序列的 h(n) 在 n<0 时为零，所以它的 z 变换收敛域一定是圆外；反过来，收敛域是圆外不代表一定因果，还要看是否包含无穷远。

实际做滤波器设计时，这条规则直接决定你能不能上板子。IIR 滤波器如果极点跑到单位圆外，递归计算会指数发散，这就是资料第 6 题里说的“IIR 有稳定问题，有限字长可能产生振荡”。所以拿到一个 IIR 系数，第一件事不是看幅频响应，而是把极点画出来看有没有出单位圆。

3.2 FIR 和 IIR 怎么选：别只看相位，先看你的约束

第 6 题把 FIR 和 IIR 的对比列得很全：IIR 极点可以在单位圆内任意放，幅度选择性好，但相位非线性；FIR 可以做到严格线性相位，但同样指标下阶数高得多；FIR 不产生振荡、误差影响小、能用 FFT 加速；IIR 有稳定性问题、同阶递归速度受限。这些结论都对，但落到选型上，资料没给判断顺序。

我一般的判断顺序是这样的：先看相位要不要紧。如果是通信里的调制解调、或者要做波形保真，线性相位是硬指标，直接选 FIR，阶数高就高，用 FFT 卷积补回来。如果只是做频谱整形、抗混叠、音频均衡这类对相位不敏感的场合，IIR 用更低的阶数就能达到同样的幅度指标，计算量小，选 IIR。再看实时性：IIR 是递归结构，每个输出依赖前一个输出，采样率很高时递归链会成为时序瓶颈；FIR 是乘累加，天然适合流水线和并行。

设计方法上，资料列了 IIR 的原型变换、频域零极点配置、时域 Pade 逼近、优化设计，FIR 的窗函数法、频率取样法、优化设计。实际用得最多的是 IIR 的双线性变换（从模拟原型映射到数字域）和 FIR 的窗函数法。窗函数法里，矩形窗过渡带最窄但旁瓣最高，凯塞窗可以调参数在过渡带和旁瓣之间折中，布莱克曼窗旁瓣低但过渡带宽。选窗的本质是在主瓣宽度和旁瓣衰减之间做交易，没有哪个窗全面占优。

3.3 用 scipy 把第 6 题的对比跑成一张表

光看文字对比不够直观，下面这段代码用同一组指标分别设计一个 IIR 和一个 FIR 低通，把阶数和实际过渡带打出来，你能直接看到“同指标下 FIR 阶数高多少”。

import numpy as np from scipy import signal fs = 8000.0 f_pass = 1000.0 # 通带截止 f_stop = 1400.0 # 阻带起始 g_pass = 1.0 # 通带最大衰减 dB g_stop = 40.0 # 阻带最小衰减 dB # IIR：巴特沃斯，双线性变换由 scipy 内部完成 order_iir, wn = signal.buttord(f_pass, f_stop, g_pass, g_stop, fs=fs) b_iir, a_iir = signal.butter(order_iir, wn, btype='low', fs=fs) # FIR：凯塞窗，用阶数估计公式反推 width = (f_stop - f_pass) / (fs / 2) # 归一化过渡带 order_fir, beta = signal.kaiserord(g_stop, width) taps = signal.firwin(order_fir, f_pass, window=('kaiser', beta), fs=fs) print(f"IIR 阶数 = {order_iir}") print(f"FIR 阶数 = {order_fir}（抽头数 {len(taps)}）")

逻辑说明：buttord 根据通带、阻带指标反推最小阶数和截止频率，butter 再生成系数；kaiserord 用阻带衰减和归一化过渡带估算 FIR 阶数和凯塞窗 beta 参数，firwin 生成抽头。参数上，g_stop 越大（要求阻带压得越狠），FIR 阶数涨得越快，而 IIR 阶数涨得慢，这就是“IIR 用模拟滤波器成果、设计工作量小”的实际体现。跑一遍你会发现 FIR 阶数往往是 IIR 的好几倍，这就是线性相位要付的代价。

注意：buttord 返回的 wn 是归一化到奈奎斯特频率的，传了 fs 参数后 scipy 会自动处理，别自己再除一遍 fs/2，否则截止频率会错一倍，这是新手最常翻的车之一。

4. 随机信号与功率谱：从周期图到维纳滤波的落地路径

4.1 第 15 题的周期图法，为什么分辨率上不去

第 15 题问随机信号为什么不用傅里叶变换而用功率谱估计，答案是随机信号的傅里叶变换不存在（不满足绝对可积），只能研究功率谱。然后框图给的是周期图法：观测数据直接 FFT、取模平方、除以 N。优点是简单、不用先估自相关函数、能用 FFT 加速；致命缺点是频率分辨率低、方差性能差。

分辨率低的原因资料说得很到位：傅里叶变换域是无限的，而观测数据只有有限个，相当于把未知数据当零，造成系统偏差。换个说法，周期图法隐含了一个矩形窗，矩形窗的频谱是 sinc 函数，主瓣宽度决定了能分辨的最小频率间隔，旁瓣泄漏又会把强信号的功率糊到弱信号上。改进方法资料列了平均周期图法、窗函数法、修正周期图求平均（也就是 Welch 法）。Welch 法的做法是分段、加窗、每段求周期图再平均，用方差换分辨率，段越长方差越大但分辨率越高，段越短则相反。

这里有个实操细节资料没写：分段时一般让相邻段重叠 50%，这样能减少加窗带来的信息损失，平均后的谱更平滑。窗函数选汉宁窗最常用，旁瓣比矩形窗低很多，代价是主瓣变宽、分辨率略降。

4.2 维纳滤波和卡尔曼滤波：一个要统计量，一个要状态方程

资料后半段大量篇幅在讲维纳滤波和卡尔曼滤波，第 47、51、52 题把两者的区别讲得比较清楚：维纳滤波用全部过去和当前观测值估计当前值，解是传递函数或单位脉冲响应，要求信号平稳、已知自相关和互相关函数；卡尔曼滤波用当前估计值和最近一次观测值递推，解是状态变量，不要求平稳，要求已知状态方程和量测方程。

第 52 题是个典型的 N=2 维纳滤波器设计：x(n)=s(n)+w(n)，s 和 w 统计独立，给 s 的自相关序列和 w 的方差，求 h(0)、h(1) 和最小均方误差。解这类题的标准路径是列维纳-霍夫方程，写成矩阵形式 R·h = p，其中 R 是输入自相关矩阵，p 是输入与期望信号的互相关向量。因为 w 是白噪声、与 s 独立，R 的对角线要加上噪声方差，p 只跟 s 的自相关有关。

import numpy as np # 第 52 题：s 的自相关 r_s(0)=0.8, r_s(1)=0.5（示例值），噪声方差 1 r_s0, r_s1 = 0.8, 0.5 sigma_w2 = 1.0 # 输入 x = s + w，自相关矩阵 R（2x2） R = np.array([[r_s0 + sigma_w2, r_s1], [r_s1, r_s0 + sigma_w2]]) # 输入与期望信号 s(n) 的互相关 p = [r_s(0), r_s(1)] p = np.array([r_s0, r_s1]) h_opt = np.linalg.solve(R, p) j_min = r_s0 - p @ h_opt # 最小均方误差 print("最优权向量 h =", h_opt) print("最小均方误差 J_min =", j_min)

逻辑说明：R 的第一行第一列是 x(n) 的方差，等于 s 的方差加噪声方差；非对角是 x(n) 与 x(n-1) 的互相关，因为噪声独立，只剩 s 的自相关 r_s(1)。p 是 x(n) 与期望 s(n) 的互相关，噪声独立所以也只剩 s 的自相关。解出 h 后，最小均方误差用 J_min = σ_s² - pᵀh 算，这个式子来自正交性原理，资料第 46 题专门讲了。参数上，噪声方差越大，R 的对角线越重，h 的幅度被压得越小，滤波越保守，这是符合直觉的。

卡尔曼滤波那边，第 41 题给了一个时不变标量随机变量在加性高斯白噪声中观测的例子，离散化后状态方程 x(n+1)=x(n)，量测方程 y(n)=x(n)+v(n)，然后推增益 g(n) 和误差协方差 K 的递推。这类题的关键是分清预测和更新两步：先用量测更新状态估计，再更新误差协方差。资料里 g(n) 的表达式推了好几行，实际写代码就是一个循环，下面这个骨架可以直接套。

import numpy as np def kalman_scalar(y, sigma_v2, x0, p0): x_est, p = x0, p0 xs = [] for yn in y: # 更新：增益、状态、协方差 g = p / (p + sigma_v2) x_est = x_est + g * (yn - x_est) p = (1 - g) * p xs.append(x_est) return np.array(xs)

逻辑说明：g = p/(p+σ_v²) 是标量情形的卡尔曼增益，p 是先验误差方差，σ_v² 是量测噪声方差；状态更新把新息 (y-x_est) 按增益加权；协方差更新用 (1-g)p。参数上，σ_v² 越大，增益越小，滤波器越不相信量测、越相信模型；p0 给大了收敛慢，给小了前期跟得紧但可能偏。这个骨架只适用于标量时不变情形，多维要把 p 换成矩阵、g 换成 K = P Hᵀ(HPHᵀ+R)⁻¹，但递推结构是一样的。

4.3 经典谱估计和现代谱估计的分界在哪

第 33 题把经典谱估计和现代谱估计的区别讲清楚了：经典法把数据窗外当零，相当于加窗，主要有相关法和周期图法；现代法先估计参数模型（AR/MA/ARMA），再按模型输出求功率谱，针对的就是经典法分辨率低、方差大的毛病。第 45 题又补了 Burg 递推相对 Levinson 递推的优势：Levinson 要先估自相关函数，Burg 直接用观测数据算 AR 参数，避免了自相关估计这一步误差。

这条线在实际工作里很有用：如果你的信号短、又需要高分辨率（比如短数据段的窄带检测），周期图法基本没戏，得上 AR 模型谱估计。但 AR 模型有个坑——阶数选高了会出现虚假谱峰，选低了谱峰被抹平，定阶本身是个技术活，常见做法是看 AIC 或 MDL 准则，或者干脆扫一遍阶数看谱形稳不稳定。

5. 避坑与排查：这份复习题里最容易背错的五个点

现象一：以为提高采样率就能提高模拟频率分辨率。原因：把数字频率分辨率和模拟频率分辨率混为一谈，忽略了 Δf = fs/N 里 fs 和 N 同步变化。解决：记住模拟分辨率只由记录时长 T = N/fs 决定，要提分辨率就拉长记录时间，别动采样率。

现象二：补零之后以为谱变清晰了。原因：补零只是在频域插值，让谱线画得密，不增加任何新信息，真实分辨率还是 1/T。解决：看谱之前先问自己记录时长够不够，补零只用于让峰值位置读得更准，不用于提分辨率。

现象三：IIR 滤波器系数拿到就直接上，结果输出发散。原因：没检查极点位置，或者有限字长导致极点跑出单位圆。解决：设计完先把极点画出来，确认全在单位圆内；定点实现时留够字长，或者改用级联二阶节结构降低系数敏感度。

现象四：维纳滤波方程列对了，但 R 矩阵忘了加噪声方差。原因：把输入自相关当成信号自相关，忽略了观测噪声对对角线的贡献。解决：R 的对角线一定是 x 的方差，等于信号方差加噪声方差；p 才是信号与期望的互相关，两者别混。

现象五：卡尔曼滤波初始协方差 p0 随便给，结果前期估计乱跳。原因：p0 代表对初始状态的不确定度，给得太小滤波器过度自信、给得太大前期增益接近 1、跟着噪声跑。解决：p0 按实际初始不确定度给，没有先验就取一个和量测噪声同量级的值，观察前几十步收敛情况再调。

6. 把 50 道题变成一张自测表：我的复现习惯

这份资料题量大，逐题背效率很低。我自己的做法是先按知识点分块，每块挑一道代表题手推一遍，再用代码验证数值，最后把“结论成立的条件”单独记一行。比如采样那块，代表题是第 2、3 题，验证代码就是上面 2.2 节那段；滤波器那块，代表题是第 5、6 题，验证就是 3.3 节的阶数对比；随机信号那块，代表题是第 15、52 题，验证就是 4.2 节的维纳方程。

下面这张表是我实际用的自测清单，左边是知识点，中间是“必须能自己推出来的结论”，右边是“最容易漏掉的条件”。你可以照着填一遍，填不出来的就是没真懂。

填完这张表，再回头翻资料里那些只给答案的题，你会发现大部分“看不懂”其实是条件没交代清楚，而不是推导有多难。从那以后我每次拿到这类习题集，都强制先做一遍“结论 + 条件”的对照，再动手写代码验证，宁可少刷题也不留模糊地带。希望这份拆解能帮到你，把这份复习题真正用成能复现的底稿，而不是一份背完就忘的答案。

本文还有配套的精品资源，点击获取