线性卷积与圆周卷积

1.圆周卷积（circular convolution）

圆周卷积，也叫循环卷积，两个长度为N的有限场序列$x(n)$和$h(n)$的循环卷积定义为

即循环卷积相当于周期延拓后的序列$\tilde{x}(n)$和$\tilde{h}(n)$做周期卷积后再取主值区间，若x(n)和h(n)的离散傅里叶变换为$X(K)$和$H(K)$，则有

即时域中的循环卷积对应于其离散傅里叶变换的乘积，循环卷积的结果y(n)长度为N
关于圆周卷积的计算，可以看另一篇的图解计算

2.线性卷积（linear convolution）

通常所说的卷积就是指线性卷积，设x(n)、h(n)长度分别为M和N，则它们的线性卷积结果为

得到的y(n)长度为M+N-1,同样，根据卷积定理可以知道，时域卷积等于频域相乘

注意，现在只是频域DTFT相乘相等，而离散傅里叶变换相乘并不相等，DFT是在DTFT基础上再进行了频域采样，即对$\omega$ 离散化。
　　要让线性卷积的时域结果与频域相乘的逆变换相等，首先容易想到的就是对H($\omega$ )和X($\omega$)做相同的频域采样，也就是对x(n)、h(n)做相同点数的DFT，即让两序列在时域做圆周卷积，那么现在问题是，做多少点数的DFT能让圆周卷积等于线性卷积呢？
　　
　　线性卷积最常见，直接套用公式计算，这里就不图解。
　　
结论：利用循环卷积计算线性卷积的条件为循环卷积长度$L⩾M+N-1$。
利用循环卷积计算线性卷积的具体步骤为：

1. 将序列$x(n)$和$h(n)$补零延长，使其长度$L⩾N_1=N+M-1$，若采用基-2 FFT，还应使$L$为不小于$N_1$的2的最小整数次幂；
　　
　　2. 做$x(n)$和$h(n)$的长度为$L$的FFT得到$X(k)$和$H(k)$，并求它们的积$Y(k)=X(k)H(k)$;
　　
　　3. 求$Y(k)$的iFFT并取前$N_1$点，获得线性卷积的结果$y(n)=IFFT[Y(k)],0⩽n⩽N_1$

说的好像很简单的样子，那就用代码验证下

x1 = [1,7,8,9,5,4,6,3,2];
x2 = [5,8,9,6,3,4,8,2,1,7,5,6,7];
conv(x1,x2)
# 5  43  105  178  214  214  221  246  242  213  190  193  231  225  191  162  112  93  70  33 14
L = 13;
ifft(fft(x1,L).*fft(x2,L))
# 230   234   267   290   307   284   254   260   242   213   190   193   231

上面程序中x1的长度为9，x2的长度为13，用matlab的conv函数直接计算出时域线性卷积，然后我们再验证下频域相乘，改变L值使分别L=13、21、23看看，与conv的结果对比，可以验证，只有当L>=9+13 -1时才会得到与conv一样的结果。这里也记一下结论：

• 当圆周卷积长度$L>=N+M-1时$，没有混叠，圆周卷积的前$N+M-1$个值为有效值，且与线性卷积相同
• 当圆周卷积长度$L<N+M-1时$，产生混叠，圆周卷积的前$(N+M-1)-L$个值有混叠，因此只有后$|L-((N+M-1)-L)|=|2L-(N+M-1)|$ 是有效值，

画一个简单示意图说明一下

1. 为什么会产生混叠？
   根据圆周卷积的定义，是周期信号卷积后再取主值区间，如下图，蓝框为x(n)以圆周卷积点数L为周期延拓后的信号，绿框为卷积核，当$L>=N+M-1$时，卷积核从左至右移动整过过程都不会与[-L, 0]、[L，2L]的周期接触，因此计算出来的结果就是与线性卷积结果相同的，没有混叠产生
   而当圆周卷积点数$L<N+M-1$时，如第二行的图，卷积核会与[-L, 0]周期的信号接触，因此计算出来的值就是有混叠的
2. 为什么混叠值只出现在前面，且后面没有？
   还是上面的解释，卷积核会与[-L, 0]周期的信号接触，因此计算出来的前面值是有混叠的，而圆周卷积限定了只计算L点的值，也就是卷积核只会从左往右移动L各点，因此不会与[L，2L]]周期的信号接触，也就是后面的值没混叠

那为什么要讲线性卷积转化为循环卷积呢，那是因为时域中的循环卷积对应于其离散傅里叶变换的乘积，在两个卷积项非常长且长度相差不大时，转换到频域利用FFT计算量会大大减小。
　　当两个卷积项长度相差很大时，又该怎么办呢，这又引出了下一个问题，重叠相加法与重叠保留法