FPGA实现CIC抽取滤波器

优质文章学习记录

— 8 min read

FPGA实现CIC抽取滤波器

一、什么是CIC滤波器

（一）CIC滤波器原理和结构

CIC（级联积分梳状）滤波器，它是一种高效的多速率信号处理滤波器，是一种无乘法器的线性相位FIR滤波器。常用于数字下变频（DDC）和数字上变频（DUC）中。CIC滤波器的主要优点是不需要乘法器，结构简单，仅由加法器、减法器和寄存器组成。CIC滤波器是FIR滤波器的一种，可以只使用积分器和梳状器来实现，没有了FIR的乘法操作，实现非常的简单并且大大节约了资源。
CIC滤波器有三种工作模式：抽取滤波器（最常用）、插值滤波器和单纯滤波器。

  • 抽取滤波器： 数据流由高速输入变为低速输出，主要应用于数字下变频以及降低采样率的系统中。其结构如下图所示：
在这里插入图片描述
  • 单纯滤波器： 数据流速率不变，积分器和梳状器都工作在同一个采样率下，主要应用于移动平均滤波。

插值滤波器： 数据流由低速输入变为高速输出，主要应用于数字上变频以及提升采样率的系统中。其结构如下图所示：

在这里插入图片描述

前面提到CIC滤波器主要由积分器和梳状器组成，积分器状态方程如下：

在这里插入图片描述


梳状器状态方程如下：

在这里插入图片描述


其中N为抽取倍数（抽取因子），什么意思呢？举个例子输入信号采样率为100MHz，如果抽取因子为10，那么降采样之后的信号速率就是100MHz / 10 = 10MHz。也就是说F_out = F_in / 抽取因子。
由于单级CIC的第一旁瓣阻带衰减是固定的13.46dB，无法很好的抑制旁瓣，因此可以通过级联的方式来提升抑制效果，根据实际旁瓣抑制需求可以实现单级、二级、三级、四级、五级、六级等多级CIC。
可以把CIC滤波器想象成一个多层过滤系统：

  • 一级（N=1）：像一层纱网，能过滤掉一些大颗粒杂质，但一些小颗粒和细微的杂质还能通过。
  • 二级（N=2）：在纱网后面再加一层更密的滤布，过滤效果更好。
  • …
  • 五级（N=5）：相当于经过了五层不同精度的过滤，最后得到的液体非常纯净。

级数N越高，滤波效果越好，但系统的“阻力”也会相应增加（对应到FPGA就是资源消耗和位宽增长）。在数字下变频等应用中，N=5 或 N=6 是非常常见的选择，它在性能和资源之间取得了很好的平衡。

假设数据以Fs（假设100MHz）的频率输入滤波器，那数据先通过3级的积分滤波器一直进行累加。假如我们希望得到Fs的10分频的采样数据，那就将积分滤波器的最后一级输出以Fs/N（10MHz）的频率进入梳状滤波器，梳状滤波器其实是微分运算，即当前值减去上一次的值。经过3次的梳状滤波器，最后1级的结果即为抽取的数值。

在这里插入图片描述

（二）最大位宽计算

上面提到CIC滤波器中计算存在加减法操作，因此我们需要考虑到计算过程中信号位宽的问题，这是CIC实现中最需要关注的问题。由于积分器的累加效应，内部数据位宽会随着级数N线性增长。

最大位宽计算公式如下：

B_max = B_in + N * ceil(log2(R * M))

ceil()–向上取整函数
  • B_in：输入位宽
  • R：抽取/插值因子
  • M：差分延迟（通常为1）

举个例子：假设 B_in=16位， R=64， M=1， ceil(log2(64)) = 6。

  • 当 N=3 时，最大位宽 = 16 + 3*6 = 34位
  • 当 N=5 时，最大位宽 = 16 + 5*6 = 46位
  • 当 N=6 时，最大位宽 = 16 + 6*6 = 52位

可以看到，级数每增加一级，位宽就会显著增加，消耗更多的寄存器、逻辑和布线资源。
级数N对滤波器性能的影响：
1、阻带抑制（抗混叠/抗镜像性能）
这是增加级数最主要的目的。N越高，阻带衰减越大，滤波器对带外信号的抑制能力就越强。在频谱上看，旁瓣的幅度会显著降低。这对于抽取器来说，意味着能更好地防止混叠；对于插值器来说，意味着能更好地抑制镜像。

2、通带衰减（副作用）
这是增加级数带来的主要代价。N越高，通带内的衰减也越严重。这意味着我们想要的信号，尤其是通带边缘的信号，也会被显著衰减。为了补偿这种通带衰减，通常需要在CIC滤波器后面级联一个补偿FIR滤波器。

二、CIC抽取滤波器FPGA实现

（一）Verilog代码

以下CIC滤波器代码参数：
级数：3
抽取因子：16

`timescale 1ns /1ps //////////////////////////////////////////////////////////////////////////////////// Company: // Engineer: // // Create Date: 2025/10/13 15:11:49// Design Name: // Module Name: cic_down_sample// Project Name: // Target Devices: // Tool Versions: // Description: // // Dependencies: // // Revision:// Revision 0.01 - File Created// Additional Comments:// ////////////////////////////////////////////////////////////////////////////////// module cic_down_sample#( parameter DATA_IN_WIDTH =8, parameter DATA_OUT_WIDTH =8, parameter CIC_FACTORS =16,// 抽取因子 parameter MAX_WIDTH =20// 最大位宽)( input clk , input rstn , input signed[DATA_IN_WIDTH-1:0] data_in , input data_in_valid , output signed[DATA_OUT_WIDTH-1:0] data_out ); wire signed[MAX_WIDTH-1:0] add_data_0 ; wire signed[MAX_WIDTH-1:0] add_data_1 ; wire signed[MAX_WIDTH-1:0] add_data_2 ; reg signed[MAX_WIDTH-1:0] data_0 ; reg signed[MAX_WIDTH-1:0] data_1 ; reg signed[MAX_WIDTH-1:0] data_2 ; reg [4:0] cnt_div ; reg sample_flag ;// 采样标志 reg signed[MAX_WIDTH-1:0] comb_in ; wire signed[MAX_WIDTH-1:0] add_comb_0 ; wire signed[MAX_WIDTH-1:0] add_comb_1 ; wire signed[MAX_WIDTH-1:0] add_comb_2 ; reg signed[MAX_WIDTH-1:0] comb_0 ; reg signed[MAX_WIDTH-1:0] comb_1 ; reg signed[MAX_WIDTH-1:0] comb_2 ;// 积分器 always @(posedge clk or negedge rstn) begin if(!rstn)begin data_0 <= 'd0 ; data_1 <= 'd0 ; data_2 <= 'd0 ; end else begin data_0 <= add_data_0 ; data_1 <= add_data_1 ; data_2 <= add_data_2 ; end end assign add_data_0 ={{12{data_in[7]}},data_in}+ data_0 ; assign add_data_1 = add_data_0 + data_1 ; assign add_data_2 = add_data_1 + data_2 ;// 降采样处理 always @(posedge clk or negedge rstn) begin if(!rstn)begin cnt_div <= 'd0 ; end elseif(cnt_div == CIC_FACTORS -1)begin cnt_div <= 'd0 ; end else begin cnt_div <= cnt_div +1; end end always @(posedge clk or negedge rstn) begin if(!rstn)begin sample_flag <=1'b0 ; end elseif(cnt_div == CIC_FACTORS -1)begin sample_flag <=1'b1 ; end else begin sample_flag <=1'b0 ; end end // 梳状器 always @(posedge clk or negedge rstn) begin if(!rstn)begin comb_in <= 'd0 ; end elseif(sample_flag)begin comb_in <= add_data_2 ; end end always @(posedge clk or negedge rstn) begin if(!rstn)begin comb_0 <= 'd0 ; comb_1 <= 'd0 ; comb_2 <= 'd0 ; end elseif(sample_flag)begin comb_0 <= comb_in ; comb_1 <= add_comb_0 ; comb_2 <= add_comb_1 ; end end assign add_comb_0 = comb_in - comb_0 ; assign add_comb_1 = add_comb_0 - comb_1 ; assign add_comb_2 = add_comb_1 - comb_2 ; assign data_out = add_comb_2[19:12];// endmodule

顶层文件：

`timescale 1ns /1ps //////////////////////////////////////////////////////////////////////////////////// Company: // Engineer: // // Create Date: 2025/10/13 15:45:40// Design Name: // Module Name: cic_top// Project Name: // Target Devices: // Tool Versions: // Description: // // Dependencies: // // Revision:// Revision 0.01 - File Created// Additional Comments:// ////////////////////////////////////////////////////////////////////////////////// module cic_top( input sysclk , input sysrstn ); wire m_axis_data_tvalid ; wire signed[7:0] m_axis_data_tdata ; wire signed[7:0] data_out ; dds_compiler_0 dds(.aclk( sysclk ),// input wire aclk.m_axis_data_tvalid( m_axis_data_tvalid),// output wire m_axis_data_tvalid.m_axis_data_tdata( m_axis_data_tdata ),// output wire [7 : 0] m_axis_data_tdata.m_axis_phase_tvalid(),// output wire m_axis_phase_tvalid.m_axis_phase_tdata()// output wire [31 : 0] m_axis_phase_tdata); cic_down_sample#(.DATA_IN_WIDTH(8),.DATA_OUT_WIDTH(8),.CIC_FACTORS(16),// 抽取因子.MAX_WIDTH(20)// 最大位宽)u_cic_down_sample(/*input */.clk( sysclk ),/*input */.rstn( sysrstn ),/*input signed [DATA_IN_WIDTH-1:0] */.data_in( m_axis_data_tdata/*{~m_axis_data_tdata[7],m_axis_data_tdata[6:0]}*/),/*input */.data_in_valid( m_axis_data_tvalid ),/*output signed [DATA_OUT_WIDTH-1:0] */.data_out( data_out )); endmodule

（二）仿真分析

级数：3 抽取因子：16

在这里插入图片描述


级数：3 抽取因子：8

在这里插入图片描述


可以看到抽取因子越小或级数越小时，CIC抽取滤波器输出波形约平滑，因此需要有必要时级联一个补偿FIR滤波器。

Read more

【AI与大模型实战】【避坑指南】使用Ollama管理本地大模型，这10个问题你一定遇到过

【AI与大模型实战】【避坑指南】使用Ollama管理本地大模型，这10个问题你一定遇到过

【避坑指南】使用Ollama管理本地大模型，这10个问题你一定遇到过 2026年初，Ollama已成为本地部署大模型的首选工具，但新手在安装和使用过程中总会遇到各种“坑”。本文汇总了10个最常见的问题及解决方案，帮你快速排雷，让本地AI助手运行如飞！ 问题1：安装后服务无法启动，提示“端口被占用” 问题现象：执行ollama serve时出现bind: address already in use错误，或者安装后命令行输入ollama无响应。 根本原因：Ollama默认使用11434端口，该端口可能被其他进程占用（如Docker、Hyper-V、残留的Ollama进程等）。 解决方案： 方法一：检查并释放端口 # Windows系统netstat-ano| findstr :11434 # 找到占用端口的PID，然后在任务管理器中结束对应进程# Linux/macOS系统lsof-i :11434 sudokill-9<PID> 方法二：修改Ollama端口 # 临时修改（重启后失效）exportOLLAMA_HOST="

OpenClaw到底是什么？3分钟搞懂AI圈的这些“黑话“

OpenClaw到底是什么？3分钟搞懂AI圈的这些"黑话" 你是不是也经常听到这些词：RAG、MCP、Skills、AI Agent… 每次看到都觉得似懂非懂，却又不好意思问？ 今天，我们就用最通俗的话，把这些概念一次性讲清楚！ 写在前面 最近刷到一个视频，讲的是 OpenClaw（clawdbot） 这个项目。 说实话，第一反应也是懵的：这又是个啥？ 但仔细看完后发现，这个项目其实是个很好的"教材"——它把现在AI圈最火的几个技术串在了一起。搞懂了它，你也就搞懂了整个AI技术栈的底层逻辑。 那么，OpenClaw到底是个啥？ 简单说，它就是一个聪明的AI助手框架，把各种AI能力（记忆、检索、工具调用）整合在一起，让AI真的能"干活"，而不只是聊天。 先搞清楚一个概念：什么是"
OpenCode AI 编程保姆级使用教程：从安装到实战，效率直接拉满

OpenCode AI 编程保姆级使用教程：从安装到实战，效率直接拉满

前言 当下 AI 编程工具层出不穷，而OpenCode凭借开源免费、多模型兼容、多端适配、项目级上下文感知的核心优势，成为了程序员的新晋效率神器。它不是简单的代码补全工具，而是能真正理解项目架构、帮你从需求分析到代码落地的 AI 编码代理，支持终端、桌面应用、IDE 扩展等多种使用方式，还能对接国内外 75 + 种 LLM 模型，兼顾便捷性和代码隐私性。 本文结合 OpenCode 官方文档和实际使用经验，用最通俗易懂的语言，从安装配置、核心操作、实战技巧、高级玩法四个维度，带你彻底玩转 OpenCode，不管是编程新手还是资深开发者，都能快速上手并提升开发效率！ 一、先搞懂：OpenCode 到底适合谁？有啥核心优势？ 1. 适用人群 * 编程新手：不用死记硬背语法，自然语言描述需求就能生成代码，快速入门； * 资深开发者：摆脱重复编码、重构老项目、
将openclaw接入飞书：10分钟，让你的AI员工直接操作你的文档和表格！

将openclaw接入飞书：10分钟，让你的AI员工直接操作你的文档和表格！

上一篇，我们给小龙虾接了 Telegram，实现了手机遥控。 但说实话，Telegram 只解决了"能聊天"的问题。你跟小龙虾说"帮我写个文档"，它写完了——然后呢？你还得自己复制粘贴到你的编辑器中。 这就像请了个助手，他只能站在门外隔着门跟你喊话，但不能进屋帮你干活。 今天这篇，我们把门打开。让小龙虾直接进入你的飞书——读文档、写文档、操作表格、管理日程，全部自己来。 先看效果👇 飞书的配置比 Telegram 多一些步骤，但别慌——跟着我走，每一步都有截图，大概10分钟搞定。 飞书的接入分四个阶段，先有个全局概念，不容易迷路： 1. 在飞书上造一个机器人 — 相当于给小龙虾办一张飞书工牌 2. 在服务器上装飞书插件 — 让小龙虾学会"说飞书的语言" 3.