研究生补课——信号与系统

目的：由于本科培养计划无信号与系统，故研究生阶段补课

注：学习参考bilibili大学【祖师爷奥本海姆讲《信号与系统》合集（模拟与数字信号处理）-MIT麻省理工学院公开课】 https://www.bilibili.com/video/BV1CZ4y1j7hs/?p=2&share_source=copy_web&vd_source=645083167d90b51b0cbda3f8d9334f17

视频P1：引言

线性时不变

视频P2：正弦信号和指数信号

有趣的结论

1、离散正弦函数函数相移不一定等于时移
2、离散正弦函数函数不一定具有周期性
3、离散正弦函数改变 Ω 值有可能和原函数图像相同

证明

1、$设X_1=cos({\Omega }_1(m+m_0))，X_2=cos({\Omega }_{1}m+\phi )，若使X_1=X_2，则需满足{\Omega }_1{m}_0=\phi ，即$ $\frac{{\Omega }_1}{\phi }=m_0（m_0为整数）$，得证离散正弦函数相移不一定等于时移。

例：$\phi =\frac{41}{3}\pi ，{\Omega }_1=2。\frac{{\Omega }_1}{\phi }=2\ast \frac{3}{41\pi }\ne m_0（m_0为整数）$

2、设$X_1(m)=cos({\Omega }_{1}m+\phi )，X_1(m+M_0)=cos({\Omega }_1(m+M_0)+\phi )$
若$X_1=X_2$，则${\Omega }_1{M}_0=2\pi N(M_0,N为整数)$，所以${\Omega }_1=\frac{2\pi N}{M_0}$，所以$M_0$的最小值为周期，虽然有时离散函数看起来有周期性但是$M_0$的最小值可能和你想象的不一样，或者没有解。

例：${\Omega }_1=4\pi$，当$N=2$时，$M_0$最小值为$1$，则$X_1$周期为$1$。

例：${\Omega }_1=\frac{2\pi }{12}$，当$N=1$时，$M_0$最小值为$12$，则$X_1$周期为$12$。而此时$\frac{2\pi }{{\Omega }_1}=12$

例：${\Omega }_1=\frac{4\pi }{31}$，当$N=2$时，$M_0$最小值为$31$，则$X_1$周期为$31$。而此时$\frac{2\pi }{{\Omega }_1}=31/2$

例：${\Omega }_1=\frac{8}{43}$，$M_0$无整数解。而此时$\frac{2\pi }{{\Omega }_1}=\frac{43\pi }{4}$

3、$设X_1=cos({\Omega }_{1}m+\phi )，X_2=cos(({\Omega }_1+2\pi )m+\phi )，则X_1=X_2$
很神奇，两个离散正弦函数角速度不同，但是图像却是一样的

代数证明：
$X_1=cos({\Omega }_{1}m+\phi )$
$X_2=cos(({\Omega }_1+2\pi )m+\phi )=cos({\Omega }_{1}m+2\pi m+\phi )$
因为$m是整数，所以cos({\Omega }_{1}m+2\pi m+\phi )=cos({\Omega }_{1}m+\phi )，即X_1=X_2$

视频P3：信号与系统的重要属性

时不变属性

原点是什么，主不在乎。如果输入有一个时间位移，则输出也会有一个相应的位移。
C-T:
$x(t)$ -> $y(t)$
$x(t-t_0)$ -> $y(t-t_0)$
反例：
$y(t)$=$sin(t)\ast x(t)$

线性属性

这些输入进行线性组合后，相应的输出会有相同的线性组合。
$x(t)$ -> $y(t)$
$a{x}_1(t)+b{x}_2(t)$ -> $a{y}_1(t)+b{y}_2(t)$

例如：$y(t)=2x(t)+3$不是线性系统

视频P4：卷积

尝试理解祖师爷的话：知道t=0时刻的脉冲响应，即可以知道他使用卷积对任意输入的响应。

用冲激表示连续时间信号
将连续时间信号分解为宽为$\Delta$的矩形。
并且我们知道$$\Delta {\delta }_{\Delta }(t)=1$$
则此信号可以近似为$$\hat{x}(t)=\sum _{k=-\infty }^{+\infty }x(k\Delta ){\delta }_{\Delta }(t-k\Delta )\Delta$$
当矩形的宽$\Delta$趋近于0，$\hat{x}(t)$趋近于$x(t)$，最后极限就是$x(t)$。因此$$x(t)={\int }_{-\infty }^{+\infty }x(\tau ){\delta }_{\tau }(t-\tau )d\tau$$
因为当$\tau \ne t$时，${\delta }_{\tau }(t-\tau )=0$，所以只有当$t=\tau$时$x(t)\ne 0$。所以有$$x(t)={\int }_{-\infty }^{+\infty }x(t){\delta }_{\tau }(t-\tau )d\tau$$，（但是这个地方为什么${\delta }_{\tau }(t-\tau )d\tau$不换成${\delta }_{\tau }(t-t)dt$）

附录：

%不同Ω值的离散正弦函数图像相同例证
x1 = 0:0.001:10;
y11 = cos(x1);
y12 = cos((1+2*pi)*x1);
x2 = 0:10;
y21 = cos(x2);
y22 = cos((1+2*pi)*x2);
plot(x2,y21,'b*',x2,y22,'ro',x1,y11,'b',x1,y12,'r')
title('不同Ω值的离散正弦函数图像相同例证')
xlabel('0 < x < 10') 
ylabel('函数值') 
hold on
for i = 1:10
    plot([x2(i),x2(i)],[0,y21(i)],'b');
end
legend({'y = cos(x1)','cos((1+2*pi)*x1)'},'Location','southwest')