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 = c o s ( Ω 1 ( m + m 0 ) ) , X 2 = c o s ( Ω 1 m + φ ) , 若 使 X 1 = X 2 , 则 需 满 足 Ω 1 m 0 = φ , 即 设X_1=cos(Ω_1(m+m_0)),X_2=cos(Ω_1m+φ),若使X_1=X_2,则需满足Ω_1m_0=φ,即 设X1=cos(Ω1(m+m0)),X2=cos(Ω1m+φ),若使X1=X2,则需满足Ω1m0=φ,即 Ω 1 φ = m 0 ( m 0 为 整 数 ) {Ω_1\over φ}=m_0(m_0为整数) φΩ1=m0(m0为整数),得证离散正弦函数相移不一定等于时移。
例: φ = 41 3 π , Ω 1 = 2 。 Ω 1 φ = 2 ∗ 3 41 π ≠ m 0 ( m 0 为 整 数 ) φ={41\over3}π,Ω_1=2。{Ω_1\over φ}=2*{3\over41π}\not=m_0(m_0为整数) φ=341π,Ω1=2。φΩ1=2∗41π3=m0(m0为整数)
2、设
X
1
(
m
)
=
c
o
s
(
Ω
1
m
+
φ
)
,
X
1
(
m
+
M
0
)
=
c
o
s
(
Ω
1
(
m
+
M
0
)
+
φ
)
X_1(m)=cos(Ω_1m+φ),X_1(m+M_0)=cos(Ω_1(m+M_0)+φ)
X1(m)=cos(Ω1m+φ),X1(m+M0)=cos(Ω1(m+M0)+φ)
若
X
1
=
X
2
X_1=X_2
X1=X2,则
Ω
1
M
0
=
2
π
N
(
M
0
,
N
为
整
数
)
Ω_1M_0=2πN(M_0,N为整数)
Ω1M0=2πN(M0,N为整数),所以
Ω
1
=
2
π
N
M
0
Ω_1={2\pi N\over M_0}
Ω1=M02πN,所以
M
0
M_0
M0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
M_0
M0的最小值可能和你想象的不一样,或者没有解。
例: Ω 1 = 4 π Ω_1=4\pi Ω1=4π,当 N = 2 N=2 N=2时, M 0 M_0 M0最小值为 1 1 1,则 X 1 X_1 X1周期为 1 1 1。
例: Ω 1 = 2 π 12 Ω_1={2\pi\over12} Ω1=122π,当 N = 1 N=1 N=1时, M 0 M_0 M0最小值为 12 12 12,则 X 1 X_1 X1周期为 12 12 12。而此时 2 π Ω 1 = 12 {2\pi\overΩ_1}=12 Ω12π=12
例: Ω 1 = 4 π 31 Ω_1={4\pi\over31} Ω1=314π,当 N = 2 N=2 N=2时, M 0 M_0 M0最小值为 31 31 31,则 X 1 X_1 X1周期为 31 31 31。而此时 2 π Ω 1 = 31 / 2 {2\pi\overΩ_1}=31/2 Ω12π=31/2
例: Ω 1 = 8 43 Ω_1={8\over43} Ω1=438, M 0 M_0 M0无整数解。而此时 2 π Ω 1 = 43 π 4 {2\pi\overΩ_1}={43\pi\over4} Ω12π=443π
3、
设
X
1
=
c
o
s
(
Ω
1
m
+
φ
)
,
X
2
=
c
o
s
(
(
Ω
1
+
2
π
)
m
+
φ
)
,
则
X
1
=
X
2
设X_1=cos(Ω_1m+φ),X_2=cos((Ω_1+2π)m+φ),则X_1=X_2
设X1=cos(Ω1m+φ),X2=cos((Ω1+2π)m+φ),则X1=X2
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
=
c
o
s
(
Ω
1
m
+
φ
)
X_1=cos(Ω_1m+φ)
X1=cos(Ω1m+φ)
X
2
=
c
o
s
(
(
Ω
1
+
2
π
)
m
+
φ
)
=
c
o
s
(
Ω
1
m
+
2
π
m
+
φ
)
X_2=cos((Ω_1+2π)m+φ)=cos(Ω_1m+2πm+φ)
X2=cos((Ω1+2π)m+φ)=cos(Ω1m+2πm+φ)
因为
m
是
整
数
,
所
以
c
o
s
(
Ω
1
m
+
2
π
m
+
φ
)
=
c
o
s
(
Ω
1
m
+
φ
)
,
即
X
1
=
X
2
m是整数,所以cos(Ω_1m+2πm+φ)=cos(Ω_1m+φ),即X_1=X_2
m是整数,所以cos(Ω1m+2πm+φ)=cos(Ω1m+φ),即X1=X2
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
)
x(t)
x(t) ->
y
(
t
)
y(t)
y(t)
x
(
t
−
t
0
)
x(t-t_0)
x(t−t0) ->
y
(
t
−
t
0
)
y(t-t_0)
y(t−t0)
反例:
y
(
t
)
y(t)
y(t)=
s
i
n
(
t
)
∗
x
(
t
)
sin(t)*x(t)
sin(t)∗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
)
x(t)
x(t) ->
y
(
t
)
y(t)
y(t)
a
x
1
(
t
)
+
b
x
2
(
t
)
ax_1(t)+bx_2(t)
ax1(t)+bx2(t) ->
a
y
1
(
t
)
+
b
y
2
(
t
)
ay_1(t)+by_2(t)
ay1(t)+by2(t)
例如: y ( t ) = 2 x ( t ) + 3 y(t)=2x(t)+3 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
Δ
\Delta
Δ的矩形。
并且我们知道
Δ
δ
Δ
(
t
)
=
1
\Delta\delta_\Delta(t)=1
ΔδΔ(t)=1
则此信号可以近似为
x
^
(
t
)
=
∑
k
=
−
∞
+
∞
x
(
k
Δ
)
δ
Δ
(
t
−
k
Δ
)
Δ
\widehat{x}(t)=\sum_{k=-\infty}^{+\infty} x(k\Delta)\delta_\Delta(t-k\Delta)\Delta
x
(t)=k=−∞∑+∞x(kΔ)δΔ(t−kΔ)Δ
当矩形的宽
Δ
\Delta
Δ趋近于0,
x
^
(
t
)
\widehat{x}(t)
x
(t)趋近于
x
(
t
)
x(t)
x(t),最后极限就是
x
(
t
)
x(t)
x(t)。因此
x
(
t
)
=
∫
−
∞
+
∞
x
(
τ
)
δ
τ
(
t
−
τ
)
d
τ
x(t)=\int_{-\infty}^{+\infty}x(\tau)\delta_\tau(t-\tau)d\tau
x(t)=∫−∞+∞x(τ)δτ(t−τ)dτ
因为当
τ
≠
t
\tau\neq t
τ=t时,
δ
τ
(
t
−
τ
)
=
0
\delta_\tau(t-\tau)=0
δτ(t−τ)=0,所以只有当
t
=
τ
t=\tau
t=τ时
x
(
t
)
≠
0
x(t)\neq0
x(t)=0。所以有
x
(
t
)
=
∫
−
∞
+
∞
x
(
t
)
δ
τ
(
t
−
τ
)
d
τ
x(t)=\int_{-\infty}^{+\infty}x(t)\delta_\tau(t-\tau)d\tau
x(t)=∫−∞+∞x(t)δτ(t−τ)dτ,(但是这个地方为什么
δ
τ
(
t
−
τ
)
d
τ
\delta_\tau(t-\tau)d\tau
δτ(t−τ)dτ不换成
δ
τ
(
t
−
t
)
d
t
\delta_\tau(t-t)dt
δτ(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')