滤波器在信号处理中至关重要，主要有四种类型：低通滤波器（LPF）、高通滤波器（HPF）、带通滤波器（BPF）和带阻滤波器（BSF）。它们的功能是保留或滤除特定频率成分。理想滤波器与实际滤波器存在差异，阶数N影响滤波器性能，N=4被视为最佳选择，特别适用于振动诊断。

本文探讨了通过在深度学习模型中引入不可训练的低通滤波器和自适应激活函数来缓解频率混叠现象，从而显著提高图像分类和识别性能。这些架构改动在不增加可训练参数的情况下，提升了模型的泛化能力，尤其在处理自然破坏的图像和小样本学习任务中表现优异。