FPGA实现CIC抽取滤波器

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

论文笔记DiT:Scalable Diffusion Models with Transformers(含transformer的可扩展扩散模型 )

论文笔记DiT:Scalable Diffusion Models with Transformers(含transformer的可扩展扩散模型 )

Abstract:     论文的核心思想非常直接:用一个标准的 Transformer 架构替换掉扩散模型中常用的 U-Net 主干网络,并证明这种新架构(称为 DiT, Diffusion Transformer)具有出色的可扩展性(Scalability)。 Background & Motivation:     在论文发表前,Transformer 已经在自然语言处理(BERT, GPT)和计算机视觉(ViT)等领域取得了巨大成功,成为了一种“统一”的架构。然而,在图像生成领域,特别是扩散模型中,大家仍然普遍使用 U-Net。U-Net 因其多尺度特征融合和卷积的局部归纳偏置而被广泛采用。     在深度学习中,一个好的架构应该具备良好的“可扩展性”——即投入更多的计算资源(更大的模型、更多的数据),性能应该会持续稳定地提升。ViT 已经证明了 Transformer 在视觉识别任务上具有这种特性。作者们希望验证 DiT 是否也具备这种优良特性,为未来的生成模型发展指明一条清晰的路径。

Web3区块链软件开发全栈解决方案:达普韦伯(Dappweb)2026年实战经验分享

2026年,Web3赛道已从“概念炒作”转向“生产力落地”。香港作为全球RWA与虚拟资产枢纽,SFC监管框架全面收紧,稳定币条例、储备审计、链上合规要求越来越高。与此同时,内地团队出海面临的最大挑战仍是:如何用全栈技术栈安全、合规、高效地把项目从0到1推到主网。 我最近深度接触了达普韦伯(Dappweb,官网dappweb.cn),这家香港+西安双基地的Web3技术服务商。他们专注区块链、AI与可信数据融合,已服务超200家国内外客户,涵盖公链定制、数字资产交易所、DApp全栈开发、RWA代币化等。以下基于他们的2026年实战案例,分享一套真正能落地的全栈解决方案思路。 1. 2026年Web3开发的核心痛点:为什么“全栈”成了刚需? * 碎片化工具链:前端React/Vue + 后端Node + Solidity合约 + 多链桥 + 钱包集成 + 监控……拼凑起来容易出bug,维护成本高。 * 安全与合规双杀:合约漏洞年损失数十亿,香港SFC要求储备披露、反洗钱追踪,内地团队一碰“

从春晚机器人到零样本革命:YOLO26-Pose姿态估计实战指南

从春晚机器人到零样本革命:YOLO26-Pose姿态估计实战指南

春晚舞台上,机器人群体的整齐划一令人惊叹——但如果想让机器人真正理解并模仿人类的复杂动作,我们需要怎样的视觉技术? 当16台机器人在春晚舞台上旋转跳跃时,它们的每一个动作都经过工程师数月精心编排。然而,真正智能的机器人不应只会重复预设动作,而应能观察人类、理解姿态、即时模仿。这正是姿态估计技术试图解决的难题——让机器人拥有"看懂"人类动作的视觉智能。 本文将带你深入探索基于YOLO26-Pose的零样本姿态估计技术,揭秘如何让机器人在无需特定场景训练数据的情况下,实时理解并复现人类动作。 一、姿态估计技术解析:从看懂到理解 姿态估计作为计算机视觉的核心技术,通过检测图像或视频中人体/物体的关键点并构建骨架模型,实现对姿态和运动的量化分析。在机器人领域,这项技术正在开启全新应用场景: * 模仿学习:机器人通过观察人类操作,学习抓取物体、使用工具 * 人机协作:实时理解工人意图,实现安全高效的人机协同作业 * 远程操控:将操作者动作精确映射到远端机器人,完成危险环境作业 * 技能传授:专家动作数字化,批量复制到多台机器人 然而,传统姿态估计方案面临一个根本性挑战:每个

NoneBot+Lagrange搭建qq机器人保姆级别教程

NoneBot+Lagrange搭建qq机器人保姆级别教程

前言 因为一些原因,go-cqhttp不一定能使用,gocq的作者也是呼吁大家尽快转移到无头NTQQ项目当中去,其中就有很多优秀的平替作品,如:NapNeko/NapCatQQ: 基于NTQQ的无头Bot框架 (github.com)还有今天要介绍的LagrangeDev/Lagrange.Core: An Implementation of NTQQ Protocol, with Pure C#, Derived from Konata.Core (github.com) 准备工作 1. 一台电脑或服务器(服务器搭建bot的教程后面会出) 2. Lagrange程序 3. python3.9及以上版本 4. nonebot插件 1.关于操作系统 可供选择的操作系统: 1. Windows 2. Linux 3. MacOS 2.Lagrange程序下载