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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00