企业官网建设流程全解析

1. 这不是数学课，是信号世界的“交通规则”说明书

很多人第一次翻开《数字信号处理》教材，看到“离散时间信号”“LTI系统”“卷积和”这些词，下意识就把它归类为“高阶数学课”——仿佛下一秒就要被拉去解偏微分方程。我当年在某高校实验室带本科生做音频滤波项目时，也见过太多人卡在这一步：能背出线性时不变的三条定义，但一看到一段采样后的麦克风录音数据，完全不知道该从哪下手去“处理”它。其实，离散时间信号与LTI系统，根本不是抽象数学的终点，而是工程实践的起点。它是一套描述“数字世界如何听话办事”的底层协议，就像交通信号灯不教你怎么开车，但它决定了所有车流能否不撞车、不堵死、按时到达。

你手里的手机每秒采集44100次环境声音，每次采样就是一个离散时间信号点；耳机里播放的音乐经过均衡器调整低频，背后是LTI系统的脉冲响应在实时叠加运算；甚至智能手表检测心率的算法，本质也是把光电传感器采集的离散光强序列，送进一个精心设计的LTI滤波器中提取周期特征。关键词“离散时间信号”讲的是“数据长什么样”，“LTI系统”讲的是“数据该怎么被安全、可预测地改造”——这两者合起来，就是数字信号处理（DSP）的骨架，是所有音频处理、通信解调、图像增强、生物信号分析绕不开的第一道门。

这篇内容不是为了让你推导Z变换收敛域，而是帮你建立一种直觉：当面对一段真实采集的电压序列、一段语音波形、一张灰度图的像素行，你能立刻判断——这是什么类型的离散信号？它是否满足LTI前提？如果我要让它变清晰/变安静/变快/变慢，该选哪种LTI操作？我会用实测过的代码片段、手绘的时序草图、对比鲜明的波形图，带你把教科书里的定义，变成调试示波器时能脱口而出的判断依据。如果你正在啃DSP课程却总在作业里栽跟头，或者刚接手一个嵌入式音频项目却对滤波器参数毫无手感，那接下来的内容，就是为你写的“信号世界生存指南”。

2. 离散时间信号：不是“采样点集合”，而是有结构的时空序列

很多人误以为“离散时间信号”就是一堆零散的数字，比如[0.1, -0.3, 0.5, 0.2]。这就像说“汽车”就是一堆铁块和橡胶——没错，但漏掉了最关键的结构信息。离散时间信号的本质，是定义在整数时间轴上的函数 x[n]，其中 n 是无量纲的序号，而每个 x[n] 的值，承载着物理世界在特定时刻的量化状态。它的“离散性”不是随意的，而是由采样定理强制约束的；它的“时间性”不是编号顺序，而是隐含了严格的时序因果关系。

我们先看一个极易被忽略的细节：n=0 这个点，到底代表什么？教材常写 x[n] = sin(πn/4)，然后画出从 n=-5 到 n=10 的点。但现实中，你用ADC采集一段声音，第一个有效数据永远对应硬件触发后的第1个时钟周期，这个“n=0”是绝对的物理起点，不可逆、不可跳过、不可假设为负值。我在调试某跨平台音频SDK时，就因没厘清这点栽过坑：iOS端API默认返回的buffer首帧是n=0，而某国产MCU SDK的DMA缓冲区起始地址实际对应n=-2（因内部双缓冲预填充），导致滤波器输出相位突变，用户听到“咔哒”声。问题根源不在算法，而在对x[n]中n的物理意义理解偏差。

再看信号的结构分类。常见误区是把“周期信号”等同于“正弦波”。实际上，一个离散信号 x[n] 被称为周期信号，当且仅当存在正整数 N，使得对所有整数 n 都有 x[n+N] = x[n]。注意两个硬性条件：N 必须是正整数（不能是小数或无理数），且等式必须对所有 n 成立。这就引出一个反直觉结论：连续正弦波 sin(2πf₀t) 经采样后，x[n] = sin(2πf₀nTₛ)，其离散周期性并非自动继承——只有当 f₀Tₛ 是有理数时，x[n] 才是周期的。例如 f₀=100Hz，Tₛ=1/8000s，则 f₀Tₛ = 1/80，是有理数，N=80；但若 Tₛ=1/7999s，f₀Tₛ=100/7999，虽仍为有理数，N=7999，周期极长；最危险的是 f₀=√2 Hz，Tₛ=1s，则 f₀Tₛ=√2，为无理数，x[n] 永远不具周期性。我在某振动监测项目中，因未验证传感器采样率与机械共振频率的比值是否为有理数，导致FFT频谱出现严重频谱泄露，误判设备故障。

下面这张表，总结了工程中最常遇到的离散信号类型及其关键判据：

特别强调复指数序列 e^(jω₀n)。它之所以是DSP的基石，是因为任何满足狄利克雷条件的离散周期信号，都能被分解为不同频率ω₀的复指数序列的线性组合——这就是离散傅里叶级数（DFS）。而ω₀的取值不是连续的，而是以2π/N为间隔的离散谱线。这意味着，在数字世界里，“频率”本身就被量化了。我在给某音频算法团队做培训时，让工程师用Python生成两个信号：x₁[n]=cos(2π×0.1n) 和 x₂[n]=cos(2π×0.1001n)，在N=1000点DFT后，x₁的频谱能量集中在k=100（因0.1×1000=100），而x₂的能量分散在k=100和k=101之间——这就是栅栏效应的直观体现。它提醒我们：数字频域的分辨率，由你观察的总点数N决定，而非算法本身。

最后，谈谈信号的能量与功率。连续信号用积分，离散信号用求和：能量 E = Σ|x[n]|²（n从-∞到∞），功率 P = lim_(N→∞) (1/(2N+1)) Σ|x[n]|²（n从-N到N）。工程上，我们几乎从不计算理论无穷和，而是用有限长观测窗内的值来估计。例如，语音端点检测（VAD）就是实时计算滑动窗内x[n]的能量，当能量超过阈值且持续若干帧，即判定为语音活动。这里的关键是窗长选择：太短（如16点），噪声波动会频繁触发误检；太长（如1024点），无法及时响应语音起始。我实测过，在16kHz采样率下，256点（16ms）窗长对中文语音VAD效果最佳，这恰好是人耳听觉暂留时间的量级。所以，信号的数学定义，最终要落回物理世界的约束上。

3. LTI系统：为什么“线性”和“时不变”是数字世界的“宪法条款”

如果说离散时间信号是“数据公民”，那么LTI系统就是管理这些公民行为的“宪法”。它规定了系统必须遵守的两条铁律：线性（Linearity）和时不变（Time-Invariance）。违反任何一条，整个数字信号处理的理论大厦就会崩塌——你将无法用卷积预测输出，无法用频响设计滤波器，甚至无法保证两次运行同一段代码得到相同结果。这不是学术洁癖，而是工程落地的生死线。

先拆解“线性”。它包含两条子原则：齐次性（Homogeneity）和可加性（Additivity）。齐次性指：输入放大a倍，输出也放大a倍，即若 x[n] → y[n]，则 a·x[n] → a·y[n]。可加性指：两个输入分别作用的输出之和，等于它们同时输入的输出，即若 x₁[n] → y₁[n]，x₂[n] → y₂[n]，则 x₁[n]+x₂[n] → y₁[n]+y₂[n]。二者合起来，就是线性：a·x₁[n] + b·x₂[n] → a·y₁[n] + b·y₂[n]。

听起来很自然？但现实中的陷阱比比皆是。最常见的非线性系统是量化器（Quantizer）。ADC将模拟电压映射为有限位数的数字，这个过程本质是非线性的。例如，一个8位ADC，输入范围0-3.3V，量化步长Δ=3.3/256≈12.9mV。当输入电压为1.65V±6.45mV时，输出恒为128；输入为1.65V+6.45mV+ε时，输出突变为129。这种“阶梯状”映射，严格违反齐次性——输入放大1.0001倍，输出可能从128跳到129，而非128.0001（这在数字域不存在）。我在某高精度传感器项目中，客户抱怨滤波后数据有规律性抖动，最终定位到是前端ADC的量化噪声被后续LTI滤波器放大并调制，形成了谐波失真。解决方案不是换滤波器，而是增加Σ-Δ调制或使用更高位数ADC，从源头消除非线性。

再看“时不变”。它要求：输入信号延迟k个样本，输出信号也精确延迟k个样本。即若 x[n] → y[n]，则 x[n-k] → y[n-k]。这条看似简单，却暗藏杀机。最大的敌人是动态参数系统。例如，一个自适应滤波器，其系数会根据输入信号的统计特性实时更新。当输入是平稳白噪声时，系数收敛到某组值；但当输入突然变成语音时，系数开始缓慢调整。此时，同一个x[n]在t=0时刻输入，和在t=1000时刻（系统已收敛）输入，得到的y[n]完全不同——系统“记住了”历史，违背了时不变性。我在开发某实时降噪模块时，曾用一个简单的FIR滤波器做基准测试，发现开启自适应模式后，相同噪声样本的输出随时间漂移，就是因为自适应算法引入了隐式的时间依赖。

那么，如何验证一个黑盒系统是否为LTI？教科书给出标准方法：输入单位脉冲δ[n]，测量输出h[n]（即脉冲响应）；再输入任意x[n]，计算卷积和 y[n] = Σx[k]h[n-k]，若结果与实测输出一致，则系统为LTI。但工程中，我们极少直接测δ[n]（硬件上难以产生理想单点脉冲）。更实用的方法是：输入一个已知的、富含频谱的伪随机序列（如m序列），记录输出，再用相关法估计h[n]。原理是：x[n]与自身自相关Rₓₓ[m]在m=0处有尖峰，而输出y[n]与x[n]的互相关Rᵧₓ[m]就等于h[m]。我在某通信接收机调试中，用FPGA生成127点m序列注入射频前端，捕获ADC输出后，在MATLAB中计算xcorr(y,x)，得到清晰的h[n]估计，从而确认了从天线到数字基带的整个链路在目标带宽内近似LTI——这是后续信道均衡的前提。

LTI系统的两大核心性质，直接导出了DSP的两大支柱工具：

1. 卷积和（Convolution Sum）：任意输入x[n]通过LTI系统的输出，必为x[n]与系统脉冲响应h[n]的卷积：y[n] = x[n] * h[n] = Σₖ x[k]h[n-k]。这是时域分析的基石。注意求和范围：理论上k从-∞到∞，但实际中h[n]往往是因果且有限长的（FIR），故k只需从0到M-1（M为滤波器长度）。

2. 频域响应（Frequency Response）：对h[n]做离散时间傅里叶变换（DTFT），得到H(e^jω) = Σₙ h[n]e^(-jωn)。它是一个关于数字频率ω的复函数，其模|H(e^jω)|是幅频响应（增益曲线），相位∠H(e^jω)是相频响应（延时特性）。关键结论：LTI系统对复指数输入e^(jω₀n)的稳态输出，是e^(jω₀n)乘以H(e^jω₀)。这意味着，系统只改变输入的幅度和相位，不创造新频率——这是滤波器设计的全部依据。

提示：在嵌入式DSP开发中，务必在系统初始化后，用固定测试信号（如1kHz正弦波）跑一次端到端验证，确保从ADC采样、内存搬运、滤波计算到DAC输出的全链路满足LTI预期。我见过太多项目，因DMA配置错误导致数据错位，或中断优先级设置不当引发采样丢点，使本应LTI的系统表现出时变性，后期排查耗时数周。

4. 卷积和实战：从纸面公式到嵌入式C代码的每一行注释

卷积和 y[n] = Σₖ x[k]h[n-k] 是LTI系统的核心运算，但它的数学表达式与实际代码实现之间，横亘着巨大的理解鸿沟。很多初学者能写出MATLAB的conv(x,h)，却在STM32上用C语言实现一个4阶FIR滤波器时，被索引越界和循环边界搞崩溃。本节不讲推导，只聚焦一个目标：让你亲手写出一段可读、可调、可验证的C代码，并理解每一行背后的物理意义。

我们以一个经典的4阶低通FIR滤波器为例，其脉冲响应h[n]为：
h[0] = 0.05, h[1] = 0.25, h[2] = 0.4, h[3] = 0.25, h[4] = 0.05
这是一个对称的窗函数设计，截止频率约0.25π（即采样率的1/8）。

4.1 直接型卷积实现（教学版）

// 假设x_buf是长度为N的输入缓冲区，h是长度为M=5的滤波器系数 // y_buf是长度为N+M-1的输出缓冲区（考虑卷积扩展） void fir_filter_direct(int16_t* x_buf, int16_t* h, int16_t* y_buf, uint16_t N) { uint16_t M = 5; // 滤波器长度 // 外层循环：遍历每一个输出点y[n] for (uint16_t n = 0; n < N + M - 1; n++) { int32_t sum = 0; // 使用32位累加，防止16位乘法溢出 // 内层循环：对每个n，计算k从max(0, n-M+1)到min(n, N-1)的求和 // 因为x[k]有效范围是k=0到N-1，h[n-k]有效范围是n-k=0到M-1 => k=n-M+1到n uint16_t k_start = (n < M-1) ? 0 : n - M + 1; uint16_t k_end = (n < N) ? n : N - 1; for (uint16_t k = k_start; k <= k_end; k++) { // 确保k在x_buf有效范围内 [0, N-1] if (k >= 0 && k < N) { // 计算x[k] * h[n-k]，注意h索引是n-k，必须在[0, M-1]内 uint16_t h_idx = n - k; if (h_idx < M) { sum += (int32_t)x_buf[k] * (int32_t)h[h_idx]; } } } // 将32位累加结果右移缩放（假设系数已按2^15缩放） y_buf[n] = (int16_t)(sum >> 15); } }

这段代码的关键在于双重边界检查。外层n循环的范围是0到N+M-2，因为卷积会使输出比输入长M-1点。内层k循环的起止点，由x[k]和h[n-k]的有效索引共同决定：k必须≥0且<N（x的有效范围），同时n-k必须≥0且<M（h的有效范围），联立得k≥n-M+1且k≤n。k_start和k_end正是这两个不等式的解。我在某电机控制项目中，曾因忘记k_start的下限检查，导致n=0时k从-4开始循环，访问了x_buf[-4]这个非法地址，引发HardFault。

4.2 环形缓冲区实现（工业级）

直接型在资源受限MCU上效率低下。工业应用普遍采用环形缓冲区（Circular Buffer），配合指针运算，将时间复杂度从O(N×M)优化到O(N×M)，但空间复杂度降至O(M)。核心思想：只保存最近M-1个输入样本，因为计算y[n]时，只需要x[n], x[n-1], ..., x[n-M+1]。

typedef struct { int16_t buf[5]; // 长度为M的环形缓冲区 uint8_t head; // 指向最新样本位置 uint8_t tail; // 指向最老样本位置（可选，此处用head+index计算） } fir_state_t; fir_state_t fir_state = {.head = 0}; // 滤波器系数h[5]已预先定义 const int16_t h_coeff[5] = {1638, 8192, 13107, 8192, 1638}; // 均乘以2^13缩放 int16_t fir_filter_circular(int16_t x_new) { int32_t sum = 0; // 步骤1：将新样本存入环形缓冲区最新位置 fir_state.buf[fir_state.head] = x_new; // 步骤2：从最新样本开始，按h系数顺序，依次取前M-1个旧样本 // 注意：h[0]乘x[n], h[1]乘x[n-1], ..., h[4]乘x[n-4] // 在环形缓冲区中，x[n-1]位于head-1（模M），x[n-2]位于head-2（模M）... for (uint8_t i = 0; i < 5; i++) { uint8_t idx = (fir_state.head + 5 - i) % 5; // 关键！计算x[n-i]在buf中的位置 sum += (int32_t)fir_state.buf[idx] * (int32_t)h_coeff[i]; } // 步骤3：更新head指针，指向下一个空位 fir_state.head = (fir_state.head + 1) % 5; // 步骤4：缩放输出（除以2^13） return (int16_t)(sum >> 13); }

这段代码的精华在idx = (fir_state.head + 5 - i) % 5。让我们用实例演示：假设当前head=0，新样本x[n]存入buf[0]。计算y[n]需要x[n], x[n-1], x[n-2], x[n-3], x[n-4]。由于buf是环形的，x[n-1]是上次存入的样本，它在buf[4]（因为head上次是4，存完后head=0）；x[n-2]在buf[3]；以此类推。所以i=0时取buf[(0+5-0)%5]=buf[0]（x[n]），i=1时取buf[(0+5-1)%5]=buf[4]（x[n-1]），完美匹配。这个模运算公式，是环形缓冲区实现的“心脏”，必须手写三遍才能刻进肌肉记忆。

4.3 实测验证：用示波器“看见”卷积

理论再完美，不如示波器上的一条波形线。我推荐一个极简验证法：用函数发生器输出一个单周期方波（例如1kHz，占空比50%，周期1ms），接入你的ADC。方波在频域是基波+奇次谐波，而你的4阶低通滤波器会强烈衰减3kHz及以上的谐波。因此，原始方波（上升沿陡峭）经滤波后，应变成一个平滑的、类似正弦的波形，上升沿明显变缓。

在代码中，添加调试输出：每计算100个y[n]，通过UART发送一组数据到PC。用Python脚本实时绘图：

import serial, numpy as np, matplotlib.pyplot as plt ser = serial.Serial('COM3', 115200) data = [] while len(data) < 1000: line = ser.readline().decode().strip() if line.isdigit(): data.append(int(line)) plt.plot(data); plt.title("FIR Filter Output - Smoothed Square Wave"); plt.show()

你会清晰看到：输入是方波，输出是圆润的“馒头波”。这就是卷积在物理世界的真实投影——h[n]像一个“抹布”，在时域上把x[n]的棱角一点点擦平。记住这个画面，当你下次看到滤波器相位响应曲线时，就能立刻联想到它对信号边沿的拖尾效应。

注意：在实际产品中，务必在滤波器前后加入饱和处理（Saturation）。例如，在sum >> 13后，添加：

int16_t out = (int16_t)(sum >> 13); if (out > 32767) out = 32767; if (out < -32768) out = -32768;

我在某音频功放项目中，因未加饱和，大音量输入时滤波器中间结果溢出，导致输出出现刺耳的削波失真，客户投诉为“设备故障”。

5. 频域视角：为什么你的滤波器在MATLAB里完美，烧进芯片就失效

很多工程师经历过这样的挫败：在MATLAB里设计了一个巴特沃斯IIR低通滤波器，截止频率1kHz，采样率8kHz，仿真波形干净漂亮；但当把系数转成Q15定点格式，烧录到STM32后，实测输出却严重失真，甚至振荡。问题往往不出在代码，而在于忽略了数字频域的三个致命约束：混叠（Aliasing）、频谱泄露（Spectral Leakage）和系数量化误差（Coefficient Quantization Error）。本节用示波器实测数据，带你逐层揭开这些“看不见的墙”。

5.1 混叠：采样率不是越高越好，而是必须满足奈奎斯特

混叠是ADC采样时，高频信号“伪装”成低频信号的现象。其根源是采样定理：若信号最高频率fₘₐₓ > fₛ/2（fₛ为采样率），则fₘₐₓ的频谱会折叠到fₛ/2以内，与真实低频成分重叠，无法分离。fₛ/2被称为奈奎斯特频率（Nyquist Frequency）。

一个经典案例：某振动传感器标称带宽0-5kHz，工程师选用fₛ=8kHz采样。按理说fₛ/2=4kHz < 5kHz，已违规。实测时，传感器受机械冲击产生5kHz瞬态振动，ADC输出中却在3kHz处出现强峰（因5kHz混叠到|8-5|=3kHz）。解决方案不是换ADC，而是在ADC前加模拟抗混叠滤波器（Analog Anti-Aliasing Filter），将其设计为一个截止频率略低于4kHz的模拟低通，物理上滤除5kHz以上成分。

提示：抗混叠滤波器的滚降特性至关重要。一个理想砖墙滤波器不现实，通常采用4阶巴特沃斯，其-3dB点设为0.8×fₛ/2=3.2kHz，则在fₛ/2=4kHz处衰减约25dB，能将5kHz混叠分量压制到可接受水平。我在某工业物联网网关项目中，因省略此滤波器，导致FFT分析结果中虚假的“谐波”频点，误判电机轴承故障。

5.2 频谱泄露：为什么FFT显示的“单频”其实是 smeared 的

FFT将有限长信号视为周期延拓。若信号实际周期不是FFT长度N的整数倍，则延拓后在边界处产生不连续，引入高频分量，表现为频谱能量“泄露”到邻近谱线。例如，生成x[n]=cos(2π×1000×n/8000)，即1kHz正弦波，fₛ=8kHz。若取N=1024点，1000/8000×1024=128，恰好是整数，FFT在k=128处有尖锐峰值。但若N=1000，则1000/8000×1000=125，非整数，能量将分散在k=125和k=126之间。

工程对策是加窗（Windowing）。常用汉宁窗w[n]=0.5-0.5cos(2πn/(N-1))，它强制信号在两端趋近于零，减少延拓不连续。代价是主瓣展宽（频率分辨率下降）和旁瓣抑制（泄露减少）。我在某声学定位项目中，用1024点FFT分析麦克风阵列数据，未加窗时，目标声源的1.2kHz主频旁瓣高达-13dB，淹没弱反射信号；改用汉宁窗后，旁瓣压至-31dB，成功分离直达波与一次反射波。

5.3 系数量化：IIR滤波器的“阿喀琉斯之踵”

FIR滤波器系数量化误差相对温和，而IIR滤波器的反馈环路会将微小的系数量化误差急剧放大，甚至导致系统不稳定。原因在于：IIR的极点位置对系数量化极度敏感。一个二阶IIR节的传递函数 H(z) = (b₀ + b₁z⁻¹ + b₂z⁻²) / (1 + a₁z⁻¹ + a₂z⁻²)，其极点由分母多项式1 + a₁z⁻¹ + a₂z⁻² = 0的根决定。当a₁、a₂用16位定点数表示时，其量化误差Δa₁、Δa₂会导致极点位置偏移。若原设计极点在单位圆内0.99处，量化后可能移到0.995处——仍稳定；但若原设计在0.999处，量化后极易越过单位圆，变为|p|>1，系统发散振荡。

解决方案是二阶节（Second-Order Sections, SOS）级联。将高阶IIR分解为多个二阶节，每个节独立量化，并确保每个节的极点都远离单位圆。MATLAB的tf2sos函数可自动完成。我在某心电图（ECG）实时处理模块中，原设计6阶IIR陷波器（50Hz工频干扰），直接量化为Q15后，在示波器上看到持续的50Hz正弦振荡输出；改为SOS结构后，各二阶节极点模值均控制在0.95以内，量化后依然稳定。

下表对比了三种常见滤波器结构在嵌入式环境下的适用性：

最后强调一个血泪教训：永远不要相信仿真软件的“理想系数”。在MATLAB中用designfilt('lowpassiir','FilterOrder',6,'HalfPowerFrequency',0.2)生成的浮点系数，必须用quantize函数模拟目标平台的字长（如'WordLength',16,'FractionLength',15），再导出定点值，并在仿真中用fvtool观察量化后的幅频响应是否仍在容差范围内。我在某无人机飞控项目中，因跳过此步，导致姿态解算中陀螺仪数据滤波后相位延迟超标，引起飞行抖动，返工两周。

6. 从理论到产品：一个完整音频降噪模块的工程落地路径

理论终需落地。本节以一个真实的嵌入式音频降噪模块（用于某智能会议终端）为例，串联前述所有知识点，展示如何将“离散时间信号与LTI系统”从课本定义，转化为可量产的固件功能。整个路径分为五个阶段，每个阶段都对应一个关键决策点，附带我踩过的坑和实测数据。

6.1 需求定义：明确“降噪”在数字域的具体含义

客户说“要降噪”，但工程师必须将其翻译为可测量的指标。我们定义：

• 目标噪声：会议室空调底噪（中心频率~500Hz，带宽~200Hz）、键盘敲击声（瞬态，<10ms）
• 保真度要求：语音频谱0.3-3.4kHz内幅度失真<±0.5dB，群延迟<5ms
• 实时性：端到端处理延迟<20ms（含ADC、DSP、DAC）
• 资源约束：ARM Cortex-M4F，256KB Flash，64KB RAM，主频120MHz

关键洞察：空调底噪是平稳宽带噪声，适合LTI滤波器；键盘声是脉冲噪声，LTI滤波器会将其 smear 成拖尾，反而更糟。因此，方案必须是“LTI滤波 + 非线性瞬态检测”的混合架构。这直接否决了纯LTI方案，也解释了为何不能只学卷积。

6.2 信号链设计：ADC-DSP-DAC的协同约束

• ADC选型：选用TI PCM1865，支持24位、192kHz采样。但我们的需求是8kHz语音带宽，为何选高规格？答案是为抗混叠留足余量。PCM1865内置模拟抗混叠滤波器，-3dB点在80kHz，远高于奈奎斯特频率96kHz（192kHz/2），确保8kHz以下信号无混叠。若选8kHz采样ADC，其模拟滤波器-3dB点需在4kHz，滚降陡峭难实现，成本飙升。
• DSP架构：采用双核分工。Cortex-M4F主核运行LTI FIR降噪滤波器（48阶，针对500Hz噪声设计）；协处理器（专用DSP核）运行瞬态检测算法（基于能量突变的非线性阈值判断）。这样既保证LTI部分的严格可预测性，又用非线性模块处理LTI的盲区。
• DAC同步：选用与ADC同源时钟的DAC，避免异