关于优点 - 我只能想到一个......柔软的膝盖使压缩器不那么明显。这听起来更自然，尤其是当您处理更高的压缩比（如 4:1 等）时。

另一方面，如果你想参加“响度大战”，那么你最好使用硬膝，因为它可以让你挤出更多的响度。

---

关于实施。假设：

$T$ - 阈值

$W$ - 软拐点宽度（软拐点从$T-\frac{W}{2}$延伸到$T+\frac{W}{2}$）

$R$压缩比

软拐点压缩器由以下等式控制：

$$y_G = \begin{cases} x_G & x_G-T<\frac{-W}{2} \\ x_G+\frac{\left(\frac{1}{R}-1\right)\left( x_G - T+ \frac{W}{2}\right)^2}{2W} & |x_G-T| \le \frac{W}{2} \\ T+\frac{x_G-T}{R} & x_G - T > \frac{W}{2} \end{cases}$$

下面是压缩曲线的样子：

如果你想实现硬膝，那么只需去掉中间的方程：

$$y_G = \begin{cases} x_G & x_G < T \\ T+\frac{x_G-T}{R} & x_G > T \end{cases}$$

显然，您将获得以下压缩特性：

---

每当您必须对动态范围压缩做一些事情时，我建议您看看下面的文章。这些人在整理所有信息方面做得很好。尽管如此，我强烈建议阅读参考文献中的文章。

詹努利斯 D. 等人。-数字动态范围压缩器设计 - 教程和分析

取决于您是否喜欢信号或参数处理链中的不连续性，或者如果数学尽可能连续，您是否喜欢它。

如何实现软膝？考虑这个函数：

$$f(x) \ = \ \alpha_0 \ x \ - \ \beta \ \log_2 \left(1 + 2^{\frac{\alpha_0 - \alpha_1}{\beta} (x - x_0)} \right)$$

对于和。$0 < \alpha_1 < \alpha_0$$\beta > 0$

告诉我你从小得到什么，然后告诉我你从名义得到什么。$\beta$$\beta$