一、IIR滤波器的冲激响应不变法
x a ( t ) ⟶ 理想抽样 x ^ a ( t ) ⟶ 序列化 x a ( n T ) x_a(t)\stackrel{理想抽样}{\longrightarrow}\hat{x}_a(t) \stackrel{序列化}{\longrightarrow}x_a(nT) xa(t)⟶理想抽样x^a(t)⟶序列化xa(nT)
理想抽样信号的拉普拉斯
X
^
a
(
s
)
\hat{X}_a(s)
X^a(s)为
X
^
a
(
s
)
=
∫
−
∞
∞
∑
n
=
−
∞
∞
x
a
(
n
T
)
δ
(
t
−
n
T
)
e
−
s
t
d
t
=
∑
n
=
−
∞
∞
∫
−
∞
∞
x
a
(
n
T
)
δ
(
t
−
n
T
)
e
−
s
t
d
t
=
∑
−
∞
∞
x
a
(
n
T
)
e
−
n
s
T
(1)
\begin{aligned} \hat{X}_{a}(s) & =\int_{-\infty}^{\infty} \sum_{n=-\infty}^{\infty} x_{a}(n T) \delta(t-n T) \mathrm{e}^{-s t} \mathrm{~d} t=\sum_{n=-\infty}^{\infty} \int_{-\infty}^{\infty} x_{a}(n T) \delta(t-n T) \mathrm{e}^{-s t} \mathrm{~d} t \\ & =\sum_{-\infty}^{\infty} x_{a}(n T) \mathrm{e}^{-n s T} \end{aligned}\tag1
X^a(s)=∫−∞∞n=−∞∑∞xa(nT)δ(t−nT)e−st dt=n=−∞∑∞∫−∞∞xa(nT)δ(t−nT)e−st dt=−∞∑∞xa(nT)e−nsT(1)
抽样序列
x
(
n
)
=
x
a
(
n
T
)
x(n)=x_a(nT)
x(n)=xa(nT)的
z
z
z变换为
X
(
z
)
=
∑
−
∞
∞
x
(
n
)
z
−
n
(2)
X(z)=\sum_{-\infty}^{\infty}x(n)z^{-n}\tag2
X(z)=−∞∑∞x(n)z−n(2)
由此可以看出，当 z = e s T z=e^{sT} z=esT时，抽样序列的 z z z变换等于其理想抽样信号的拉普拉斯变换。
我们思考滤波器的冲激响应不变法，当 h ( n ) = h a ( n T ) h(n)=h_a(nT) h(n)=ha(nT)，我们可以得到如下关系
H ( e j w ) ∣ e j w = z = H ( z ) ∣ z = e s T = H ^ a ( s ) = 1 T ∑ − ∞ ∞ H a ( s − j 2 π T k ) (3) H(e^{jw})|_{e^{jw}=z}=H(z)|_{z=e^{sT}}=\hat{H}_a(s)=\frac{1}{T}\sum_{-\infty}^{\infty}H_a(s-j\frac{2\pi}{T}k)\tag3 H(ejw)∣ejw=z=H(z)∣z=esT=H^a(s)=T1−∞∑∞Ha(s−jT2πk)(3)
根据式 ( 3 ) (3) (3)，我们可以得到 s = j w T s=\frac{jw}{T} s=Tjw，所以
H ( e j w ) = 1 T ∑ − ∞ ∞ H a [ j ( w T − 2 π T k ) ] (4) H(e^{jw})=\frac{1}{T}\sum_{-\infty}^{\infty}H_a[j(\frac{w}{T}-\frac{2\pi}{T}k)]\tag4 H(ejw)=T1−∞∑∞Ha[j(Tw−T2πk)](4)
从式 ( 4 ) (4) (4)我们可以发现数字滤波器是模拟滤波器频率响应 H a ( j Ω ) H_a(j\Omega) Ha(jΩ)的以采样频率的延拓。
二、关于频谱分辨率的思考
我们可以知道，对于现实世界中真实的信号做截取，本质上是信号上加窗，我们下面都以最简单的矩形窗举例，不失一般性。
时域上的加窗，频谱上是复卷积。 X N ( e j w ) X_N(e^{jw}) XN(ejw)是加窗后的信号频谱。
X N ( e j w ) = 1 2 π ∫ − π π W N ( e j θ ) X ( e j ( w − θ ) ) d θ (5) X_N(e^{jw})=\frac{1}{2\pi}\int_{-\pi}^{\pi}W_N(e^{j\theta}) X(e^{j(w-\theta)})d\theta \tag5 XN(ejw)=2π1∫−ππWN(ejθ)X(ej(w−θ))dθ(5)
我们可以假想一下，一个余弦信号的频谱是周期的脉冲 δ T ( t ) \delta_T(t) δT(t)，如果经过门函数的卷积后，脉冲势必会变成周期的门函数，那么频谱的分辨率就会下滑。
正在自学Geogebra，学成归来后一定给大家手搓个图！！
通常情况下，我们会定义矩形窗主瓣宽度的一半 2 π / N 2\pi/N 2π/N 作为数字频谱的分辨率，即
Δ ω = 2 π N (6) \Delta \omega=\frac{2\pi}{N}\tag6 Δω=N2π(6)
我们利用数字频率和模拟频率的变换关系式 ( 7 ) (7) (7)
Δ ω = 2 π Δ f f s (7) \Delta \omega=2\pi\frac{\Delta f}{f_s}\tag7 Δω=2πfsΔf(7)
我们可以得到模拟频率的分辨率 F 0 F_0 F0
F 0 = Δ f = f s N = 1 N T = 1 T 0 (8) F_0=\Delta f=\frac{f_s}{N}=\frac{1}{NT}=\frac{1}{T_0}\tag8 F0=Δf=Nfs=NT1=T01(8)
其中， T 0 T_0 T0表示实际的数据长度。
特别要注意到的是，补零不可以提升信号的频谱分辨率，因为实际的矩形窗的主瓣宽度并没有发生变化。只有当实际的数据长度 T 0 T_0 T0变化时，频谱分辨率才能得到改善。
三、关于DFS和DFT位移性质的一点思考
DFS本身是周期序列
DFS
[
x
~
(
n
+
m
)
]
=
W
N
−
m
k
X
~
(
k
)
=
e
j
2
π
N
m
k
X
~
(
k
)
(9)
\operatorname{DFS}[\tilde{x}(n+m)]=W_{N}^{-m k} \tilde{X}(k)=\mathrm{e}^{\mathrm{j} \frac{2 \pi}{N} m k} \tilde{X}(k)\tag9
DFS[x~(n+m)]=WN−mkX~(k)=ejN2πmkX~(k)(9)
这个本身是很好证明的，至于要用一点变量替换和 x ~ ( n ) \tilde{x}(n) x~(n) 以 N N N 为周期的性质就可以证明。我主要是想指出它和类似变换直接的联系。 2 π k / N 2\pi k/N 2πk/N 实际上就是傅里叶变换中的 w w w，我们就会发现DFS的时域唯一性质和傅里叶变换的时域位移性质是一样的。
四、圆周卷积的一些性质
设两个有限长序列 x 1 ( n ) x_1(n) x1(n)、 x 2 ( n ) x_2(n) x2(n)长度分别为 N 1 N_1 N1点和 N 2 N_2 N2点，则将式 ( 10 ) (10) (10)称为 x 1 ( n ) x_1(n) x1(n)、 x 2 ( n ) x_2(n) x2(n)的 L L L点圆周卷积。
y
(
n
)
=
[
∑
m
=
0
L
−
1
x
1
(
m
)
x
2
(
(
n
−
m
)
)
L
]
R
L
(
n
)
=
[
∑
m
=
0
L
−
1
x
2
(
m
)
x
1
(
(
n
−
m
)
)
L
]
R
L
(
n
)
,
L
⩾
max
[
N
1
,
N
2
]
=
x
1
(
n
)
L
◯
x
2
(
n
)
=
x
2
(
n
)
L
◯
x
1
(
n
)
(10)
\begin{aligned} y(n) & =\left[\sum_{m=0}^{L-1} x_{1}(m) x_{2}((n-m))_{L}\right] R_{L}(n) \\ & =\left[\sum_{m=0}^{L-1} x_{2}(m) x_{1}((n-m))_{L}\right] R_{L}(n), \quad L \geqslant \max \left[N_{1}, N_{2}\right] \\ & =x_{1}(n)\textcircled{L} x_{2}(n)=x_{2}(n)\textcircled{L} x_{1}(n) \end{aligned}\tag{10}
y(n)=[m=0∑L−1x1(m)x2((n−m))L]RL(n)=[m=0∑L−1x2(m)x1((n−m))L]RL(n),L⩾max[N1,N2]=x1(n)L◯x2(n)=x2(n)L◯x1(n)(10)
式
(
10
)
(10)
(10)中，必须将
x
2
(
n
)
x_2(n)
x2(n)变成以
L
L
L为周期的周期延拓序列，则
x
~
2
(
n
)
=
x
2
(
(
n
)
)
L
=
∑
r
=
−
∞
∞
x
2
(
n
+
r
L
)
(11)
\tilde{x}_{2}(n)=x_{2}((n))_{L}=\sum_{r=-\infty}^{\infty} x_{2}(n+r L)\tag{11}
x~2(n)=x2((n))L=r=−∞∑∞x2(n+rL)(11)
将此式代入式 ( 10 ) (10) (10)，可得
y ( n ) = [ ∑ m = 0 L − 1 x 1 ( m ) ∑ r = − ∞ ∞ x 2 ( n + r L − m ) ] R L ( n ) = [ ∑ r = − ∞ ∞ ∑ m = 0 L − 1 x 1 ( m ) x 2 ( n + r L − m ) ] R L ( n ) = [ ∑ r = − ∞ ∞ y l ( n + r L ) ] R L ( n ) (12) \begin{aligned} y(n) & =\left[\sum_{m=0}^{L-1} x_{1}(m) \sum_{r=-\infty}^{\infty} x_{2}(n+r L-m)\right] \mathrm{R}_{\mathrm{L}}(n) \\ & =\left[\sum_{r=-\infty}^{\infty} \sum_{m=0}^{L-1} x_{1}(m) x_{2}(n+r L-m)\right] \mathrm{R}_{L}(n)\\ &=\left[\sum_{r=-\infty}^{\infty} y_{l}(n+r L)\right] R_{L}(n) \end{aligned}\tag{12} y(n)=[m=0∑L−1x1(m)r=−∞∑∞x2(n+rL−m)]RL(n)=[r=−∞∑∞m=0∑L−1x1(m)x2(n+rL−m)]RL(n)=[r=−∞∑∞yl(n+rL)]RL(n)(12)
由线性卷积和求圆周卷积和：两序列的线性卷积和 y l ( n ) y_l(n) yl(n) 以 L L L 为周期的周期延拓后混叠相加序列的主值序列，即为此两序列的 L L L 点圆周卷积和 y ( n ) y(n) y(n) 。
若想用圆周卷积和 y ( n ) y(n) y(n) 求线性卷积和 y l ( n ) y_l(n) yl(n)，必须满足 L ⩾ N 1 + N 2 − 1 L\geqslant N_1+N_2-1 L⩾N1+N2−1 。
下面我们来介绍一下利用DFT来运算圆周卷积
Y ( k ) = DFT [ y ( n ) ] = ∑ n = 0 L − 1 [ ∑ m = 0 L − 1 x 1 ( m ) x 2 ( ( n − m ) ) L R L ( n ) ] W L k n = ∑ m = 0 L − 1 x 1 ( m ) ∑ n = 0 L − 1 x 2 ( ( n − m ) ) L W L k n = ∑ m = 0 L − 1 x 1 ( m ) W L k m X 2 ( k ) （利用圆周移位性） = X 1 ( k ) X 2 ( k ) \begin{aligned} Y(k) & =\operatorname{DFT}[y(n)]=\sum_{n=0}^{L-1}\left[\sum_{m=0}^{L-1} x_{1}(m) x_{2}((n-m))_{L} R_{L}(n)\right] W_{L}^{k n} \\ & =\sum_{m=0}^{L-1} x_{1}(m) \sum_{n=0}^{L-1} x_{2}((n-m))_{L} W_{L}^{k n} \\ & =\sum_{m=0}^{L-1} x_{1}(m) W_{L}^{k m} X_{2}(k) \quad \text { （利用圆周移位性） } \\ & =X_{1}(k) X_{2}(k) \end{aligned} Y(k)=DFT[y(n)]=n=0∑L−1[m=0∑L−1x1(m)x2((n−m))LRL(n)]WLkn=m=0∑L−1x1(m)n=0∑L−1x2((n−m))LWLkn=m=0∑L−1x1(m)WLkmX2(k) （利用圆周移位性） =X1(k)X2(k)
其中， X 1 ( k ) = DFT [ x 1 ( n ) ] X_{1}(k)=\operatorname{DFT}[x_1(n)] X1(k)=DFT[x1(n)]， X 2 ( k ) = DFT [ x 2 ( n ) ] X_{2}(k)=\operatorname{DFT}[x_2(n)] X2(k)=DFT[x2(n)]。
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
