刚做信号处理的人一定都有过这种体验辛辛苦苦采回来的波形满是毛刺同事扔过来一句“加个滤波不就行了”你打开代码面前却是一堆选择题——低通还是高通Butterworth 还是 ChebyshevI 阶还是 IIR截止频率填 Hz 还是归一化数字sosfiltfilt 和 lfilter 到底有什么区别那一刻的潜台词基本就是标题这四个字滤波器我的刀呢写这篇文章是想把“用滤波器处理真实信号”这件事讲透。我不会只贴半页 API而是用一段带噪声的传感器信号当例子完整走一遍“先看频谱、再选刀、后验证参数”的流程。读完你会知道滤波器不是一个函数而是一把在频域里做取舍的刀。选什么刀、下刀多重、会不会切坏有用信号这些问题比函数调用本身重要得多。1. 这篇文章真正要解决的问题很多人接触滤波是从“调参 CtrlC/CtrlV”开始的。一段移动平均代码在项目里跑了好几年直到某天老板要求去掉基线漂移你们才发现均值滤波“什么都削”的毛病。真实工程中的滤波难点往往不是找不到库而是下面三件事不知道噪声到底是什么频率。不加分析直接上滤波器等于蒙着眼睛切菜。不知道“留下有用信号”和“滤掉干扰”之间是有冲突的。任何实际滤波器都有过渡带都会带来幅度或相位变化。不知道用哪种结构实现。离线脚本可以接受零相位滤波嵌入式实时系统却只能用因果滤波两者对阶数和延迟的要求完全不同。这三个困扰串联起来就会出现看起来“滤波成功”、实际把信号也切坏的结果。比如波形确实变平滑了但原本代表故障的突变也被削圆了切完低频噪声边缘却冒出一段来回振荡的“铃振”波形和原始事件时间对不上设备报警晚了几拍。从工程角度看滤波器最重要的能力不是“让曲线好看”而是“在保留有用特征的前提下把指定频段的干扰压到可接受范围”。理解这句话才算真正抓住了滤波的核心。本文会从“频域分析”入手解释滤波器选型的基本概念再给出可运行的 Python 示例覆盖低通、高通、带通和带阻四种常见需求最后补充参数选择、效果验证和工程化建议。2. 基础概念与核心原理2.1 滤波器的本质是一把“频率刀”任何信号都可以用傅里叶变换拆成许多不同频率、不同幅度的正弦波叠加。时域里乱成一团的数据在频域里往往只是一根根分离的谱线。滤波器的本质就是“频率选择”它保留一部分频率削弱另一部分频率。说得更形象一点它是一把频率刀——滤波就是拿刀把频谱中不需要的区域切掉。低通滤波器保留低频、削掉高频高通滤波器保留高频、去除缓慢变化的趋势带通滤波器只放行某一频段带阻滤波器则专门挖掉某一段不需要的频率。这里必须先泼一盆冷水理想的“一刀切”滤波器在物理上不可实现。真实滤波器的响应曲线不会在截止频率处变成直线而是有一个坡度。截止频率附近总有一段区域受到部分衰减这就是“过渡带”。滤波设计的大部分工作其实是在控制这条过渡带的宽窄和形状。2.2 四种最常用的“刀”滤波器类型保留频段削弱频段常见应用低通滤波器0 到截止频率高于截止频率去除高频抖动、传感器毛刺高通滤波器截止频率到奈奎斯特频率低于截止频率去除基线漂移、直流偏移带通滤波器两个截止频率之间两侧频段提取特定频段的有效信号带阻滤波器两个截止频率之外两个频率之间去除 50Hz 工频干扰“用哪种”的答案不在代码里而在信号的频谱分布里。你需要先确定有用信号和干扰信号在频率上是否可分。可分滤波就有意义如果有用信号和噪声在频谱上完全重叠任何线性滤波器都无法无损地“切”出来。2.3 数字滤波器选型IIR 与 FIR数字滤波器按结构分为两类IIR 滤波器无限脉冲响应和 FIR 滤波器有限脉冲响应。IIR 滤波器的特点是输出不仅依赖输入还依赖之前的输出所以带有反馈能用较低阶数实现较陡的过渡带。代价是相位通常是非线性的阶数很高时还可能出现数值不稳定。经典设计有 Butterworth、Chebyshev、Elliptic 等。FIR 滤波器不依赖输出反馈只对有限长度输入做加权求和。它天然稳定而且抽头系数对称时可以实现严格的线性相位不会让不同频率成分产生不等的延迟。代价是需要较多抽头计算量和延迟通常更大。做一个简单的对比维度IIRFIR同样过渡带下所需阶数低高计算效率高低相位线性度差好稳定性设计不佳时可能有问题天然稳定典型场景资源受限、实时系统对波形保真要求高这个对比直接影响后续参数选择。离线处理传感器数据时IIR 配合零相位滤波函数既能高效压制噪声又不容易在时域上产生难看的波形畸变如果是在单片机上做实时滤波FIR 往往更容易控制和验证。2.4 关于采样率、奈奎斯特频率与归一化频率数字滤波器只能处理满足采样定理的信号。如果采样率为fs信号能表达的最高频率是fs/2也就是奈奎斯特频率。任何超过奈奎斯特频率的频率成分都会被“混叠”到低频区滤波永远救不回来。很多代码写错问题出在归一化频率上。以 SciPy 为例很多滤波函数要求截止频率是0到1之间的归一化值其中1对应奈奎斯特频率。假设采样率fs1000Hz我们要设计 40 Hz 的低通那么传给函数的值应该是cutoff_normalized 40.0 / (1000.0 / 2.0) # 结果是 0.08有些函数支持直接传fsfs和 Hz 值能够减少换算错误但在阅读代码时还是要先想清楚当前 API 接受的到底是 Hz还是归一化频率这一步错了滤波器的实际截止位置会完全对不上预期。3. 环境准备与前置条件3.1 运行环境与依赖本文示例使用 Python 3 和 SciPy 科学计算栈。建议在独立虚拟环境中执行下面的安装命令python -m pip install --upgrade numpy scipy matplotlib如果只是验证滤波流程不画图也可以只安装 numpy 和 scipy。建议使用较新的 SciPy 版本示例会用到scipy.signal模块中的butter、sosfiltfilt、firwin、iirnotch等函数。3.2 构造一段“问题信号”先构造一个含多种干扰的模拟信号方便我们控制真实答案。假设采样率 1000 Hz有效信号是 5 Hz 的正弦波混入了 120 Hz 的周期性干扰和随机噪声import numpy as np from scipy.fft import rfft, rfftfreq fs 1000.0 t np.arange(0, 2.0, 1.0 / fs) useful np.sin(2 * np.pi * 5.0 * t) # 有效信号5Hz interference 0.8 * np.sin(2 * np.pi * 120.0 * t 0.5) # 周期干扰 np.random.seed(42) noise 0.2 * np.random.randn(len(t)) x useful interference noise这段信号代表了一种很典型的工程情况低频率的慢变量是我们想观察的对象而高频振动和随机噪声是干扰。3.3 滤波前必须做的一件事看频谱先别急着滤波。把信号做一次快速傅里叶变换看看噪声的“形状”再决定怎么切spectrum np.abs(rfft(x)) freqs rfftfreq(len(t), 1.0 / fs) import matplotlib.pyplot as plt plt.figure(figsize(10, 5)) plt.plot(freqs, spectrum) plt.title(Original Signal Spectrum) plt.xlabel(Frequency (Hz)) plt.ylabel(Amplitude) plt.xlim(0, 200) plt.grid(True) plt.savefig(original_spectrum.png)从频率图上通常能看到三样东西5 Hz 附近有一个明显的峰值这是有效信号120 Hz 附近出现第二根较高的谱线这是周期性干扰其他频段随机起伏是宽带随机噪声。这里的核心结论是有效信号和主要干扰在频率上明显分离所以完全可以用低通滤波器先解决 120 Hz 分量再靠滤波器的平缓下降压制一部分宽带噪声。不要跳过这一步。真实项目里噪声来源五花八门——机械振动、工频干扰、采样晶振误差、电源纹波。先画频谱再决定滤波器参数能把“碰运气式调参”变成“有方向的工程决策”。4. 核心流程拆解滤波器参数怎么定4.1 明确需求留下什么滤掉什么设计参数之前用一句话写下你的目标。对于上面这段信号目标是保留 5 Hz 的有效分量尽量压低 120 Hz 及更高频率的干扰。这句话直接推导出滤波器类型是低通。如果目标是去掉缓慢漂移则选择高通如果要提取某一段包含主要能量的频段则选择带通如果要精准挖掉 50 Hz 工频则选择带阻或陷波。4.2 设定截止频率截止频率不是随便填的。它代表“信号大约从哪个频率开始被明显削弱”。在 5 Hz 有效信号和 120 Hz 干扰之间存在很大的空档选取 40 Hz 是比较安全的选择。为什么不是 20 Hz因为 20 Hz 离 5 Hz 更近虽然同样能抑制 120 Hz但低通滤波器在过渡带附近的衰减会让 5 Hz 信号幅度受到更大影响。为什么不是 100 Hz因为 100 Hz 离 120 Hz 太近需要更高阶数才能把 120 Hz 压下来过渡带变窄会带来更多相位畸变和边缘效应。工程上选择截止频率的原则是尽量“贴住干扰”但不要“压到有用信号”。干扰越近越要增加滤波器阶数不能只靠盲目移动截止频率。4.3 选择滤波器类型与阶数在低通场景中IIR 的 Butterworth 滤波器是一个上手快、效果好、不容易出问题的选择。它的最大优势是通带内没有纹波相位特性相对平滑不会在留下频段里制造奇怪的起伏。阶数选择需要平衡。阶数越高过渡带越窄对带外干扰压制能力越强但带来的延迟、相位变化和边缘效应也更明显。以 Butterworth 为例高频渐近衰减斜率约为每阶每十倍频程 20 dB。4 阶滤波器已经能提供足够衰减同时计算代价可控。直接用 4 阶作为起步值是常见做法。如果滤波后干扰依然明显不要立刻堆到 20 阶而是回到频谱上确认干扰是否真的位于带外。盲目提高阶数常常会在波形边缘制造振铃。4.4 离线与实时两种完全不同的约束这个选择会改变你使用的函数。离线数据分析中整段数据已经拿到手可以使用sosfiltfilt这种零相位滤波方法滤波器先正向过一遍再把结果反过来过一遍抵消相位延迟。日常见到的“滤波后波形和原始波形在同一时间点上对齐”的效果基本都来自这种设计。实时系统不能这样做。实时滤波只能利用当前及历史数据无法“预先知道未来”因此必须使用因果滤波器例如lfilter。因果滤波必定带来延迟IIR 的相位是非线性的不同频率成分被延迟的程度不同波形会发生形变。所以先问自己一个问题这段数据是离线分析还是实时处理这个问题直接决定选型方向。5. 完整示例与代码实现下面通过四个示例覆盖最常见的滤波需求。代码都从同一个信号出发便于对比。5.1 低通滤波用 Butterworth sosfiltfilt把上一节的参数落地成 Python 代码from scipy.signal import butter, sosfiltfilt def butter_lowpass(data, fs, cutoff_hz, order4): nyquist fs / 2.0 sos butter(order, cutoff_hz / nyquist, btypelowpass, outputsos) return sosfiltfilt(sos, data) x_lp butter_lowpass(x, fs, cutoff_hz40.0, order4)代码里有两个容易被忽略的设计使用归一化频率cutoff_hz / nyquist让butter明确知道切割位置在奈奎斯特频率的哪个比例上。使用outputsos返回二阶节结构再交给sosfiltfilt做零相位滤波。这比传统的b, a传递函数在高阶情况下更稳定也能避免因浮点极值导致的数值问题。5.2 高通滤波去掉缓慢的基线漂移有时问题不是高频噪声而是低频漂移。传感器预热、温度变化、脉搏波叠加呼吸基线都是典型场景。先给信号加上一段缓慢衰减的指数趋势再用高通滤波器削掉它baseline 0.5 * np.exp(-t / 1.2) x_with_baseline useful interference baseline def butter_highpass(data, fs, cutoff_hz, order3): nyquist fs / 2.0 sos butter(order, cutoff_hz / nyquist, btypehighpass, outputsos) return sosfiltfilt(sos, data) x_hp butter_highpass(x_with_baseline, fs, cutoff_hz1.0, order3)1 Hz 高通已经足够去掉缓慢变化的指数基线却又不会伤到 5 Hz 的有效分量。高通滤波器的载止频率不能设得太高否则会连有效信号的基波一起切掉波形看起来像“飘在半空”脉冲类事件的
信号滤波工程实践：从频谱分析到Python参数调优
刚做信号处理的人一定都有过这种体验辛辛苦苦采回来的波形满是毛刺同事扔过来一句“加个滤波不就行了”你打开代码面前却是一堆选择题——低通还是高通Butterworth 还是 ChebyshevI 阶还是 IIR截止频率填 Hz 还是归一化数字sosfiltfilt 和 lfilter 到底有什么区别那一刻的潜台词基本就是标题这四个字滤波器我的刀呢写这篇文章是想把“用滤波器处理真实信号”这件事讲透。我不会只贴半页 API而是用一段带噪声的传感器信号当例子完整走一遍“先看频谱、再选刀、后验证参数”的流程。读完你会知道滤波器不是一个函数而是一把在频域里做取舍的刀。选什么刀、下刀多重、会不会切坏有用信号这些问题比函数调用本身重要得多。1. 这篇文章真正要解决的问题很多人接触滤波是从“调参 CtrlC/CtrlV”开始的。一段移动平均代码在项目里跑了好几年直到某天老板要求去掉基线漂移你们才发现均值滤波“什么都削”的毛病。真实工程中的滤波难点往往不是找不到库而是下面三件事不知道噪声到底是什么频率。不加分析直接上滤波器等于蒙着眼睛切菜。不知道“留下有用信号”和“滤掉干扰”之间是有冲突的。任何实际滤波器都有过渡带都会带来幅度或相位变化。不知道用哪种结构实现。离线脚本可以接受零相位滤波嵌入式实时系统却只能用因果滤波两者对阶数和延迟的要求完全不同。这三个困扰串联起来就会出现看起来“滤波成功”、实际把信号也切坏的结果。比如波形确实变平滑了但原本代表故障的突变也被削圆了切完低频噪声边缘却冒出一段来回振荡的“铃振”波形和原始事件时间对不上设备报警晚了几拍。从工程角度看滤波器最重要的能力不是“让曲线好看”而是“在保留有用特征的前提下把指定频段的干扰压到可接受范围”。理解这句话才算真正抓住了滤波的核心。本文会从“频域分析”入手解释滤波器选型的基本概念再给出可运行的 Python 示例覆盖低通、高通、带通和带阻四种常见需求最后补充参数选择、效果验证和工程化建议。2. 基础概念与核心原理2.1 滤波器的本质是一把“频率刀”任何信号都可以用傅里叶变换拆成许多不同频率、不同幅度的正弦波叠加。时域里乱成一团的数据在频域里往往只是一根根分离的谱线。滤波器的本质就是“频率选择”它保留一部分频率削弱另一部分频率。说得更形象一点它是一把频率刀——滤波就是拿刀把频谱中不需要的区域切掉。低通滤波器保留低频、削掉高频高通滤波器保留高频、去除缓慢变化的趋势带通滤波器只放行某一频段带阻滤波器则专门挖掉某一段不需要的频率。这里必须先泼一盆冷水理想的“一刀切”滤波器在物理上不可实现。真实滤波器的响应曲线不会在截止频率处变成直线而是有一个坡度。截止频率附近总有一段区域受到部分衰减这就是“过渡带”。滤波设计的大部分工作其实是在控制这条过渡带的宽窄和形状。2.2 四种最常用的“刀”滤波器类型保留频段削弱频段常见应用低通滤波器0 到截止频率高于截止频率去除高频抖动、传感器毛刺高通滤波器截止频率到奈奎斯特频率低于截止频率去除基线漂移、直流偏移带通滤波器两个截止频率之间两侧频段提取特定频段的有效信号带阻滤波器两个截止频率之外两个频率之间去除 50Hz 工频干扰“用哪种”的答案不在代码里而在信号的频谱分布里。你需要先确定有用信号和干扰信号在频率上是否可分。可分滤波就有意义如果有用信号和噪声在频谱上完全重叠任何线性滤波器都无法无损地“切”出来。2.3 数字滤波器选型IIR 与 FIR数字滤波器按结构分为两类IIR 滤波器无限脉冲响应和 FIR 滤波器有限脉冲响应。IIR 滤波器的特点是输出不仅依赖输入还依赖之前的输出所以带有反馈能用较低阶数实现较陡的过渡带。代价是相位通常是非线性的阶数很高时还可能出现数值不稳定。经典设计有 Butterworth、Chebyshev、Elliptic 等。FIR 滤波器不依赖输出反馈只对有限长度输入做加权求和。它天然稳定而且抽头系数对称时可以实现严格的线性相位不会让不同频率成分产生不等的延迟。代价是需要较多抽头计算量和延迟通常更大。做一个简单的对比维度IIRFIR同样过渡带下所需阶数低高计算效率高低相位线性度差好稳定性设计不佳时可能有问题天然稳定典型场景资源受限、实时系统对波形保真要求高这个对比直接影响后续参数选择。离线处理传感器数据时IIR 配合零相位滤波函数既能高效压制噪声又不容易在时域上产生难看的波形畸变如果是在单片机上做实时滤波FIR 往往更容易控制和验证。2.4 关于采样率、奈奎斯特频率与归一化频率数字滤波器只能处理满足采样定理的信号。如果采样率为fs信号能表达的最高频率是fs/2也就是奈奎斯特频率。任何超过奈奎斯特频率的频率成分都会被“混叠”到低频区滤波永远救不回来。很多代码写错问题出在归一化频率上。以 SciPy 为例很多滤波函数要求截止频率是0到1之间的归一化值其中1对应奈奎斯特频率。假设采样率fs1000Hz我们要设计 40 Hz 的低通那么传给函数的值应该是cutoff_normalized 40.0 / (1000.0 / 2.0) # 结果是 0.08有些函数支持直接传fsfs和 Hz 值能够减少换算错误但在阅读代码时还是要先想清楚当前 API 接受的到底是 Hz还是归一化频率这一步错了滤波器的实际截止位置会完全对不上预期。3. 环境准备与前置条件3.1 运行环境与依赖本文示例使用 Python 3 和 SciPy 科学计算栈。建议在独立虚拟环境中执行下面的安装命令python -m pip install --upgrade numpy scipy matplotlib如果只是验证滤波流程不画图也可以只安装 numpy 和 scipy。建议使用较新的 SciPy 版本示例会用到scipy.signal模块中的butter、sosfiltfilt、firwin、iirnotch等函数。3.2 构造一段“问题信号”先构造一个含多种干扰的模拟信号方便我们控制真实答案。假设采样率 1000 Hz有效信号是 5 Hz 的正弦波混入了 120 Hz 的周期性干扰和随机噪声import numpy as np from scipy.fft import rfft, rfftfreq fs 1000.0 t np.arange(0, 2.0, 1.0 / fs) useful np.sin(2 * np.pi * 5.0 * t) # 有效信号5Hz interference 0.8 * np.sin(2 * np.pi * 120.0 * t 0.5) # 周期干扰 np.random.seed(42) noise 0.2 * np.random.randn(len(t)) x useful interference noise这段信号代表了一种很典型的工程情况低频率的慢变量是我们想观察的对象而高频振动和随机噪声是干扰。3.3 滤波前必须做的一件事看频谱先别急着滤波。把信号做一次快速傅里叶变换看看噪声的“形状”再决定怎么切spectrum np.abs(rfft(x)) freqs rfftfreq(len(t), 1.0 / fs) import matplotlib.pyplot as plt plt.figure(figsize(10, 5)) plt.plot(freqs, spectrum) plt.title(Original Signal Spectrum) plt.xlabel(Frequency (Hz)) plt.ylabel(Amplitude) plt.xlim(0, 200) plt.grid(True) plt.savefig(original_spectrum.png)从频率图上通常能看到三样东西5 Hz 附近有一个明显的峰值这是有效信号120 Hz 附近出现第二根较高的谱线这是周期性干扰其他频段随机起伏是宽带随机噪声。这里的核心结论是有效信号和主要干扰在频率上明显分离所以完全可以用低通滤波器先解决 120 Hz 分量再靠滤波器的平缓下降压制一部分宽带噪声。不要跳过这一步。真实项目里噪声来源五花八门——机械振动、工频干扰、采样晶振误差、电源纹波。先画频谱再决定滤波器参数能把“碰运气式调参”变成“有方向的工程决策”。4. 核心流程拆解滤波器参数怎么定4.1 明确需求留下什么滤掉什么设计参数之前用一句话写下你的目标。对于上面这段信号目标是保留 5 Hz 的有效分量尽量压低 120 Hz 及更高频率的干扰。这句话直接推导出滤波器类型是低通。如果目标是去掉缓慢漂移则选择高通如果要提取某一段包含主要能量的频段则选择带通如果要精准挖掉 50 Hz 工频则选择带阻或陷波。4.2 设定截止频率截止频率不是随便填的。它代表“信号大约从哪个频率开始被明显削弱”。在 5 Hz 有效信号和 120 Hz 干扰之间存在很大的空档选取 40 Hz 是比较安全的选择。为什么不是 20 Hz因为 20 Hz 离 5 Hz 更近虽然同样能抑制 120 Hz但低通滤波器在过渡带附近的衰减会让 5 Hz 信号幅度受到更大影响。为什么不是 100 Hz因为 100 Hz 离 120 Hz 太近需要更高阶数才能把 120 Hz 压下来过渡带变窄会带来更多相位畸变和边缘效应。工程上选择截止频率的原则是尽量“贴住干扰”但不要“压到有用信号”。干扰越近越要增加滤波器阶数不能只靠盲目移动截止频率。4.3 选择滤波器类型与阶数在低通场景中IIR 的 Butterworth 滤波器是一个上手快、效果好、不容易出问题的选择。它的最大优势是通带内没有纹波相位特性相对平滑不会在留下频段里制造奇怪的起伏。阶数选择需要平衡。阶数越高过渡带越窄对带外干扰压制能力越强但带来的延迟、相位变化和边缘效应也更明显。以 Butterworth 为例高频渐近衰减斜率约为每阶每十倍频程 20 dB。4 阶滤波器已经能提供足够衰减同时计算代价可控。直接用 4 阶作为起步值是常见做法。如果滤波后干扰依然明显不要立刻堆到 20 阶而是回到频谱上确认干扰是否真的位于带外。盲目提高阶数常常会在波形边缘制造振铃。4.4 离线与实时两种完全不同的约束这个选择会改变你使用的函数。离线数据分析中整段数据已经拿到手可以使用sosfiltfilt这种零相位滤波方法滤波器先正向过一遍再把结果反过来过一遍抵消相位延迟。日常见到的“滤波后波形和原始波形在同一时间点上对齐”的效果基本都来自这种设计。实时系统不能这样做。实时滤波只能利用当前及历史数据无法“预先知道未来”因此必须使用因果滤波器例如lfilter。因果滤波必定带来延迟IIR 的相位是非线性的不同频率成分被延迟的程度不同波形会发生形变。所以先问自己一个问题这段数据是离线分析还是实时处理这个问题直接决定选型方向。5. 完整示例与代码实现下面通过四个示例覆盖最常见的滤波需求。代码都从同一个信号出发便于对比。5.1 低通滤波用 Butterworth sosfiltfilt把上一节的参数落地成 Python 代码from scipy.signal import butter, sosfiltfilt def butter_lowpass(data, fs, cutoff_hz, order4): nyquist fs / 2.0 sos butter(order, cutoff_hz / nyquist, btypelowpass, outputsos) return sosfiltfilt(sos, data) x_lp butter_lowpass(x, fs, cutoff_hz40.0, order4)代码里有两个容易被忽略的设计使用归一化频率cutoff_hz / nyquist让butter明确知道切割位置在奈奎斯特频率的哪个比例上。使用outputsos返回二阶节结构再交给sosfiltfilt做零相位滤波。这比传统的b, a传递函数在高阶情况下更稳定也能避免因浮点极值导致的数值问题。5.2 高通滤波去掉缓慢的基线漂移有时问题不是高频噪声而是低频漂移。传感器预热、温度变化、脉搏波叠加呼吸基线都是典型场景。先给信号加上一段缓慢衰减的指数趋势再用高通滤波器削掉它baseline 0.5 * np.exp(-t / 1.2) x_with_baseline useful interference baseline def butter_highpass(data, fs, cutoff_hz, order3): nyquist fs / 2.0 sos butter(order, cutoff_hz / nyquist, btypehighpass, outputsos) return sosfiltfilt(sos, data) x_hp butter_highpass(x_with_baseline, fs, cutoff_hz1.0, order3)1 Hz 高通已经足够去掉缓慢变化的指数基线却又不会伤到 5 Hz 的有效分量。高通滤波器的载止频率不能设得太高否则会连有效信号的基波一起切掉波形看起来像“飘在半空”脉冲类事件的