DSP IIR实时C++滤波器库使用与技术文档
本文档旨在帮助用户安装、使用和详细了解DSP IIR实时C++滤波器库。本文将涵盖以下内容:
- 安装指南
- 项目使用说明
- 项目API使用文档
- 项目安装方式
1. 安装指南
使用CMake进行编译
该库使用cmake作为构建工具,可生成适用于不同平台的Makefile或项目文件。
Linux / Mac
运行以下命令生成Makefile:
cmake .
然后执行以下命令进行编译和安装:
make
sudo make install
这将库安装到/usr/local/lib和/usr/local/include。
Windows
使用以下命令生成Visual Studio的解决方案文件:
cmake -G "Visual Studio 16 2019" -A x64 .
然后在Visual Studio中打开生成的解决方案文件,编译生成DLL和LIB文件。
单元测试
运行以下命令执行单元测试:
make test
或直接使用:
ctest
2. 项目使用说明
实例化滤波器
首先需要指定滤波器的阶数,然后使用setup函数设置参数,之后即可进行实时样本处理。
实例化滤波器
使用模板参数在编译时分配内存,以避免使用new命令。以下是一个低通滤波器的例子:
const int order = 4; // 4阶(=2个二阶节)
Iir::Butterworth::LowPass<order> f;
设置滤波器参数:setup
所有滤波器均提供低通、高通、带通和带阻/陷波滤波器。Butterworth/Chebyshev还提供带通/带阻 shelf滤波器,具有指定的通带增益和0dB的阻带增益。
频率可以是模拟频率除以采样率,也可以是归一化频率(在0到1/2之间,其中1/2是奈奎斯特频率)。归一化频率为f = F/Fs,单位为1/样本。库内部使用归一化频率,setup命令仅将给定频率除以采样率。选择以下方式之一:
setup:采样率和模拟截止频率setupN:归一化频率(在0到1/2之间)
以下是一个低通滤波器的示例:
Butterworth滤波器
const int order = 4; // 4阶
Iir::Butterworth::LowPass<order> f;
const float samplingrate = 1000; // Hz
const float cutoff_frequency = 5; // Hz
f.setup(samplingrate, cutoff_frequency);
或使用归一化频率:
f.setupN(norm_cutoff_frequency);
实时样本处理
样本逐个处理。以下是一个样本x通过filter命令处理并存储在y中的示例:
y = f.filter(x);
对每个输入样本重复此操作。
错误处理
向setup()提供无效值或将导致系数为NAN的参数将抛出异常。可以通过定义IIR1_NO_EXCEPTIONS来禁用异常处理。
3. 项目API使用文档
本项目提供了多种类型的滤波器,包括Butterworth、Chebyshev I/II和RBJ滤波器。以下是一些基本的使用示例:
Butterworth滤波器
const int order = 4; // 4阶
Iir::Butterworth::LowPass<order> f;
const float samplingrate = 1000; // Hz
const float cutoff_frequency = 5; // Hz
f.setup(samplingrate, cutoff_frequency);
float y = f.filter(x);
Chebyshev I滤波器
const int order = 4; // 4阶
Iir::ChebyshevI::LowPass<order> f;
const float passband_ripple_in_db = 5;
f.setup(samplingrate, cutoff_frequency, passband_ripple_in_db);
float y = f.filter(x);
Chebyshev II滤波器
const int order = 4; // 4阶
Iir::ChebyshevII::LowPass<order> f;
const float stopband_ripple_in_db = 20;
f.setup(samplingrate, cutoff_frequency, stopband_ripple_in_db);
float y = f.filter(x);
RBJ滤波器
Iir::RBJ::LowPass f;
const float cutoff_frequency = 100;
const float Q_factor = 5;
f.setup(samplingrate, cutoff_frequency, Q_factor);
float y = f.filter(x);
使用Python的scipy.signal设计滤波器
const double coeff[][6] = {
// 系数...
};
const int nSOS = sizeof(coeff) / sizeof(coeff[0]); // 这里:nSOS = 2 = 阶数 / 2
Iir::Custom::SOSCascade<nSOS> cust(coeff);
float y = cust.filter(x);
4. 项目安装方式
使用CMake
如果使用CMake作为构建系统,只需在CMakeLists.txt中添加以下内容:
动态库
find_package(iir)
target_link_libraries(... iir::iir)
静态库
find_package(iir)
target_link_libraries(... iir::iir_static)
链接设置
根据系统不同,链接时需要指定动态库或静态库:
- 动态库(Unix/Mac:
-liir,Windows:iir.lib) - 静态库(Unix/Mac:
libiir_static.a,Windows:libiir_static.lib)
通过本文档,用户应能更好地理解如何安装、使用和集成DSP IIR实时C++滤波器库到自己的项目中。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00