如何将 SciPy 设计的巴特沃斯滤波器无缝移植到 ARM CMSIS 平台

本文详解如何将 scipy 中通过 butter(..., output="sos") 生成的二阶节（sos）系数，正确适配至 arm cmsis-dsp 库中的级联双二阶 iir 滤波器函数，避免手动重实现，确保数值一致性与实时性。

本文详解如何将 scipy 中通过 butter(..., output="sos") 生成的二阶节（sos）系数，正确适配至 arm cmsis-dsp 库中的级联双二阶 iir 滤波器函数，避免手动重实现，确保数值一致性与实时性。

SciPy 的 scipy.signal.butter 函数在指定 output="sos" 时，返回的是一个形状为 (n_sections, 6) 的 NumPy 数组，每一行对应一个二阶节（Second-Order Section），按 [b0, b1, b2, a0, a1, a2] 排列——即直接对应标准直接Ⅰ型（Direct Form I）双二阶滤波器的系数。这与 ARM CMSIS-DSP 提供的 arm_biquad_cascade_df1_instance_f32 结构体及其配套函数（如 arm_biquad_cascade_df1_init_f32() 和 arm_biquad_cascade_df1_f32()）完全兼容，无需自行实现巴特沃斯滤波器逻辑。

CMSIS-DSP 中的级联双二阶 IIR 滤波器（arm_biquad_cascade_df1_*）正是专为处理 SOS 结构设计的：它将多个二阶节首尾串联，每个节独立计算，具有数值稳定性高、易于定点化、适合嵌入式部署等优势。因此，你不需要也不应该从头手写巴特沃斯差分方程；正确做法是完成系数映射与初始化，交由 CMSIS 高效执行。

关键注意事项在于系数符号约定的一致性：

• SciPy 的 SOS 输出中，每个节的分母系数 a = [a0, a1, a2] 默认满足 a0 == 1.0（已归一化），且差分方程形式为：
  y[n] = b0·x[n] + b1·x[n−1] + b2·x[n−2] − a1·y[n−1] − a2·y[n−2]
• CMSIS 同样采用 Direct Form I，但其 API 要求传入的 pCoeffs 数组按 [b0, b1, b2, a1, a2] 排列（注意：不包含 a0，且 a1, a2 是带符号的负反馈系数）。这意味着你需要对 SciPy 的 SOS 系数做如下转换：

# Python: 从 scipy.signal.butter 得到 sos (shape: [N, 6])
import numpy as np
sos = butter(4, 0.2, btype='low', output='sos')  # 示例：4阶低通

# 转换为 CMSIS 所需的 flat coeffs array: [b0,b1,b2,a1,a2,  b0,b1,b2,a1,a2, ...]
cmsis_coeffs = []
for section in sos:
    b0, b1, b2, a0, a1, a2 = section
    # CMSIS assumes a0 == 1.0, and expects -a1, -a2 as feedback terms
    # 注意：CMSIS 文档明确要求使用 "a1" 和 "a2" 的原始值（即方程中 y[n−1], y[n−2] 前的系数）
    # 而 SciPy 的 SOS 已归一化，故 a0=1，a1/a2 即为 CMSIS 所需的 a1/a2（无需取负！）
    # ✅ 正确映射（验证 CMSIS 源码及官方示例可确认）：
    cmsis_coeffs.extend([b0, b1, b2, a1, a2])

cmsis_coeffs = np.array(cmsis_coeffs, dtype=np.float32)

在 C 端初始化时，需严格按 CMSIS 要求构造结构体：

你好星识

你的全能AI工作空间

#include "arm_math.h"

#define NUM_SECTIONS 2
float32_t coeffs[ NUM_SECTIONS * 5 ] = { /* 上述转换后的系数 */ };
float32_t state[ NUM_SECTIONS * 4 ]; // 每节需4个状态变量（x[n-1],x[n-2],y[n-1],y[n-2]）

arm_biquad_cascade_df1_instance_f32 S;
arm_biquad_cascade_df1_init_f32(&S, NUM_SECTIONS, coeffs, state);
// 使用时：
arm_biquad_cascade_df1_f32(&S, input_buf, output_buf, block_size);

⚠️ 务必验证：

1. 确保浮点精度一致（SciPy 默认 float64，CMSIS 常用 float32，建议在 Python 中显式 .astype(np.float32) 转换）；
2. 对比相同输入下 SciPy sosfilt(sos, x) 与 CMSIS 滤波输出的前若干点，确认数值误差在浮点精度范围内（通常 < 1e−5）；
3. 若用于定点平台（Q15/Q31），需额外进行系数缩放与溢出防护，此时推荐先在浮点环境下验证算法正确性。

总结：巴特沃斯是滤波器设计方法，而 CMSIS 提供的是通用二阶节实现结构——二者天然匹配。善用 arm_biquad_cascade_df1_* 系列函数，仅需谨慎完成系数格式转换与初始化，即可高效、可靠地将 SciPy 设计结果部署至 ARM Cortex-M 等资源受限平台。