你不是删掉频率，你是乘一条曲线
拿到卷积定理之后，「滤波」这件事的面貌整个变了。它不再是「把不想要的频率删掉」这种粗暴的动作，而是拿频谱去乘一条你自己画的曲线。这个视角立刻带来两个不太愉快的结论，其中一个会让你明白为什么完美的滤波器在物理上不可能存在。
要做一个理想低通滤波器：截止频率以下原样通过（增益 1），以上全部干掉（增益 0）。做法是把它的理想冲激响应（一条 sinc 曲线）截成 2M+1 个抽头。
M = 10（21 个抽头）时，实测通带里的最大增益是 1.091164——本该是 1.0，翘起了 9.1164%。
问：把 M 加到 200（401 个抽头，二十倍的计算量），这个翘起变成多少？
换一个定义：滤波是乘法
上一章的定理：时域卷积 = 频域相乘。倒过来读：
一个滤波器就是一条曲线 H(f)，它对每一个频率说「你留下多少」。滤波这个动作，就是把信号的频谱逐点乘上这条曲线。
输出的谱[k] = 输入的谱[k] × H[k] H[k] = 1 → 这个频率原样通过 H[k] = 0 → 这个频率被清零 H[k] = 0.5 → 这个频率减半 H[k] = 复数 → 幅度和**相位**都改（相位那一半就是延迟）
而按上一章的定理，这件事在时域里等价于「和某个核做卷积」——那个核就是 H 的逆变换，叫冲激响应。
设计在频域，执行在时域。这是整个滤波器设计学科的工作方式。
理想低通：算一算它长什么样
先在频域里把最想要的那条曲线画出来：一个矩形。通带里是 1，阻带里是 0，中间是一条垂直的墙。
然后逆变换，看看时域里要做什么动作：
H(f) = 矩形（截止 fc）
逆变换
↓
sin(2π fc n)
h[n] = ─────────────── ← 一条 sinc 曲线
π n
三个要命的性质：
1. 它**无限长**（尾巴按 1/n 衰减，永远不到零）
2. 它在 **n < 0 处不为零** —— 也就是要用到**未来**的样本
3. 它衰减得**极慢** —— 截到 401 个抽头，25.0% 的能量还在 n<0 那一侧
第二条是致命的。一个理想的低通滤波器，要算出此刻的输出，需要知道信号未来的值。它不是「难做」，是违反因果性——在实时系统里物理上不可能。
这不是工程上的将就，是第 10 章那条不等式的直接后果：频域上有限（严格带限），时域上就必然无限长。你要一堵垂直的墙，就得付出无限长的时间。
离线处理里可以作弊：整段数据都在手上，「未来」是已知的，于是可以把整条 sinc 平移过来用（代价是一个固定的延迟）。所以「零相位滤波」只存在于离线场合——scipy.signal.filtfilt 就是干这个的，它正着滤一遍再倒着滤一遍。实时系统里没有这个选项。
吉布斯：那个不肯走的 8.9490%
既然无限长做不到，那就截断。截成 2M+1 个抽头，看看频响长什么样：
理想低通（截止 0.25 fs），把 sinc 截成有限抽头：
抽头数 通带最大增益 超调
──────────────────────────────────────
21 1.091164 9.1164%
101 1.089545 8.9545%
401 1.089493 ⟨8.9493%⟩
──────────────────────────────────────
理论极限（闭式）： ⟨8.9490%⟩
抽头翻了 20 倍，超调只从 9.1164% 掉到 8.9493%。它不收敛到 0。
这是吉布斯现象，1898 年 Michelson 用他的谐波分析仪画方波时发现的（他一开始以为是机器坏了，写信问 Gibbs；Gibbs 回信解释了这是数学本身的性质）。
为什么加抽头不管用？因为随着 M 增大，那个翘起变得越来越窄，但高度不变——它像一根钉子一样贴着跳变处，越来越细，永远那么高。用数学的话说，部分和逐点收敛到理想曲线，但不一致收敛；用工程的话说：误差的能量确实趋于零，但误差的峰值不趋于零。
那个 8.9490% 有个闭式，本机数值验过：
超调 = ( 2·Si(π)/π − 1 ) / 2 = 8.9490% 其中 Si 是正弦积分。这个数和截止频率无关、和 M 无关、 和你要逼近的是方波还是别的跳变都无关。 **任何用有限个正弦去拼一个跳变的场合，它都在。**
解药还是第 9 章那张表
吉布斯的成因和第 8 章的泄漏一模一样：你在时域里做了一次突然的截断。那解药自然也一样——加窗。
101 个抽头（M = 50），两种截法：
通带超调 过渡带宽度 阻带抑制
───────────────────────────────────────────────────────────
直接截断（矩形窗） 8.9545% 0.0092 fs −35.3 dB
乘一个汉明窗 0.1946% 0.0184 fs −58.7 dB
───────────────────────────────────────────────────────────
超调降到 1/46，阻带好了 23 dB，代价是过渡带宽了一倍。
这张表和第 9 章那张是同一张表，只是换了个说法：那里叫「主瓣宽度 vs 旁瓣高度」，这里叫「过渡带宽度 vs 阻带抑制」。频域里没有免费的形状，这是这本书第三次说这句话。
相位那一半：为什么均线总是「慢半拍」
H(f) 是复数，前面只谈了它的长度。它的角度决定每个频率被延迟多久。
第 4 章说过，延迟 m 个样本对应相位 −2πkm/N，也就是相位正比于频率。反过来：
- 相位随频率线性变化（线性相位）→ 所有频率延迟相同的时间 → 波形不变形，只是整体晚到。
- 相位不是线性的 → 不同频率延迟不同 → 波形被拉扯变形（叫色散）。
对称的 FIR 滤波器（抽头左右对称）天然是线性相位的，这是它最大的卖点。而股票的移动平均线正是一个对称核被只用左半边（因为不能用未来）的结果——所以它有一个固定的延迟，大约是窗长的一半。「均线滞后」不是缺陷也不是调参问题，是因果性的价钱。各种「零滞后均线」的做法，本质上都是在用外推去猜未来。
上面讲的全是 FIR（有限冲激响应）滤波器：输出只由有限个过去的输入决定，就是一次卷积。
另一个大家族是 IIR（无限冲激响应）：输出还依赖过去的输出（有反馈）。一行代码就能写出一个：
y[n] = 0.9·y[n−1] + 0.1·x[n] ← 一阶低通，就这一行
IIR 的优势是极便宜——上面那一行的效果，用 FIR 要几十个抽头。代价有三个：相位一定不是线性的（波形会变形）、有反馈就可能不稳定（极点跑到单位圆外就发散）、而且数值误差会在反馈里累积。
选择标准通常是：音频、图像这类在乎波形的场合用 FIR；控制、传感器这类只在乎响应速度和算力的场合用 IIR。你手机里的陀螺仪滤波几乎全是 IIR，你耳机里的均衡器多半是 FIR。（IIR 的反馈稳定性是另一本书的地盘——书架上的《过冲》讲的就是那件事。）
亲手把吉布斯那个不肯走的数字量出来：
import numpy as np
fc = 0.25
def resp(M, win=None):
n = np.arange(-M, M+1)
h = np.where(n == 0, 2*fc, np.sin(2*np.pi*fc*n) / (np.pi*np.where(n == 0, 1, n)))
if win is not None:
h = h * win(2*M+1)
f = np.linspace(0, 0.5, 4096)
return f, np.abs(np.exp(-2j*np.pi*np.outer(f, n)) @ h)
for M in (10, 50, 200):
f, H = resp(M)
print(f'{2*M+1:4d} 抽头 通带最大 {H[f<fc].max():.6f} 超调 {100*(H[f<fc].max()-1):.4f}%')
# 21 抽头 1.091164 9.1164% / 101 1.089545 8.9545% / 401 1.089493 8.9493%
f, H = resp(50, np.hamming)
print('加汉明窗后超调 %.4f%%' % (100*(H[f<fc].max()-1))) # 0.1946%
把 M 加到 2000（4001 个抽头）试试——超调仍然是 8.949%。这是这本书里最值得亲手确认的一个数：它就是不降。
想看图的话（强烈建议，那个尖角非常有说服力）：
import matplotlib.pyplot as plt
for M in (10, 50, 200):
f, H = resp(M); plt.plot(f, H, label=f'{2*M+1} taps')
plt.axhline(1.0894, ls='--'); plt.legend(); plt.show()
python3 -c "import numpy as np;M=200;n=np.arange(-M,M+1);h=np.where(n==0,.5,np.sin(np.pi*n/2)/(np.pi*np.where(n==0,1,n)));f=np.linspace(0,.24,2000);print(np.abs(np.exp(-2j*np.pi*np.outer(f,n))@h).max())"
在线跑：Google Colab。正经设计滤波器用 scipy.signal.firwin（窗函数法）或 scipy.signal.remez（等波纹最优法，能把超调均匀摊开）。
- 音频均衡器。你在播放器里拖的那些滑块，拖的就是 H(f) 这条曲线上的几个控制点。而「线性相位 EQ」和「最小相位 EQ」这两个选项，卖的正是上面那一节——前者不改变波形但有延迟，后者延迟低但会拉扯瞬态。混音师在鼓组上一般选后者。
- 图像的锐化。「USM 锐化」的做法是「原图 + k ×（原图 − 模糊图）」，而「原图 − 模糊图」就是一个高通滤波器。它在强边缘处会产生一圈亮边——那圈亮边就是吉布斯现象，在图像处理里叫「振铃」（ringing）。JPEG 在低码率下把高频量化掉，边缘附近出现的鬼影同样是它。
- 心电图的基线漂移。ECG 信号会随呼吸慢慢上下漂，标准做法是用一个 0.5 Hz 的高通滤掉。但这里必须用线性相位滤波器——因为医生要看的是波形的形状（ST 段抬高多少毫米），非线性相位会把波形拉变形，直接影响诊断。这是「相位重不重要」这个问题在临床上的答案。
- 相机的抗混叠滤波片。第 6 章说过，它必须装在传感器前面。它就是一个光学的低通滤波器，而它的「过渡带」有多陡，直接决定了你的相机是更容易出摩尔纹还是更容易糊。这一章的取舍表，被做成了一块玻璃。
「滤波器把不要的频率删掉了。阶数（抽头数）越高，删得越干净，所以只要算力够就该往高了调。」
两个问题。第一，「删掉」是错的说法——你是在乘一条曲线，而那条曲线在阻带里不是 0，是 −35 dB 或 −58 dB 这种有限的小数。强信号透过 −35 dB 之后仍然可能比你想留的弱信号大。「滤掉了」这句话必须带上一个 dB 数才有意义。
第二，加阶数买到的东西比你以为的少。上面那张表：抽头 20 倍，超调从 9.1164% 到 8.9493%，基本没动。加阶数真正买到的是更窄的过渡带（0.0092 → 更小），不是更平的通带、也不是更低的阻带。要改善后两样，得换窗（或者换设计方法），而那要拿过渡带去付。
而且高阶 FIR 还有代价：延迟正比于抽头数。401 抽头的线性相位滤波器意味着 200 个采样的固定延迟——在 48 kHz 下是 4.2 毫秒，在实时监听、主动降噪、控制回路里，这个延迟本身就是个大问题。判据是：先问「我要的是过渡带更窄，还是阻带更低」，这两件事要用不同的旋钮。
正确答案是 C：8.9493%，几乎一点都不降。理论极限是 8.9490%。
A、B 「抽头多二十倍，误差自然小一个数量级」——这个直觉来自我们对绝大多数数值方法的经验：多算一点就准一点。它在这里失效的原因很特别：误差不是在均匀地缩小，而是在被挤到一个越来越窄的地方去。如果你量的是「总误差能量」，它确实趋于零；但如果你量的是「最大偏差」，它稳稳停在 8.949%。这提醒一件事：说「误差变小了」之前，先说清楚量的是哪一种误差。 D 「足够多就完全收敛」——这个答案在某种意义上是对的，正是这一点让吉布斯现象这么绕：在每一个固定的频率点上，增益确实收敛到理想值（逐点收敛）。但那个尖峰的位置会随 M 一起往截止频率靠，所以对任何固定的 M，总存在一个频率点上偏差是 8.949%。「每一点都收敛」和「一致收敛」的区别，第一次被人认真对待就是因为这个现象。这就是滤波器设计的整个工作流：在频域里画出你想要的曲线 → 逆变换成时域系数 → 加窗修理 → 回到频域检查实际做出来的曲线。没有人在时域里手工调抽头，因为在那边你看不出任何东西。
更值得带走的是这个动作背后的模式：凡是「在 A 域里难以表述、在 B 域里一句话就能说清」的需求，正确做法是在 B 域里设计，再变换回 A 域执行。这条经验远远超出信号处理——统计里的正则化、图形学里的采样、优化里的对偶，都是同一个套路。
这一章的一句话
滤波不是删掉频率，是拿频谱乘一条曲线；而那条最想要的曲线（垂直的墙）需要一个无限长、且用到未来的时域动作，所以它不存在——你能买到的每一个近似，都在第 9 章那张价目表上标着价。
下一章是卷 IV 的最后一章，也是这本书里最像魔术的一章。前面十五章都在处理「信号在那儿，怎么看清楚」；下一章处理的是「信号根本看不见」——一段 512 毫秒的信号，埋在比它强 100 倍的噪声里，示波器上是一片雪花，频谱仪上什么都没有。而只要你手里有它的样板，一次相关，它就从噪声里跳出来到 7.1 σ。你的手机现在就在用这一招接收 GPS。