对应程佩青《数字信号处理教程》第一章 绪论,对一些其它课程没有涉及的知识点进行总结,在之后的学习中它们是基础。
![请添加图片描述](https://img-blog.csdnimg.cn/direct/f83457f36d9c4ad2b9f9e5d5d5c84ec4.png
线性移不变系统的判定
T [ x ( n ) ] = y ( n ) ↔ { T [ x ( n − m ) ] = y ( n − m ) ,移不变 T [ x ( D n ) ] = y ( D n ) ,线性 T[x(n)]=y(n)\leftrightarrow \begin{cases}T[x(n-m)]=y(n-m),移不变\\T[x(Dn)]=y(Dn),线性\end{cases} T[x(n)]=y(n)↔{T[x(n−m)]=y(n−m),移不变T[x(Dn)]=y(Dn),线性,为线性移不变系统LSI。
T
[
]
T[]
T[]是一个算子,类比于映射关系
f
:
y
=
f
(
x
)
f:y=f(x)
f:y=f(x),不能将其等同于
y
(
n
)
y(n)
y(n),我们要判断的是
x
(
n
′
)
x(n')
x(n′)通过
T
[
]
T[]
T[]的结果是否与
y
(
n
′
)
y(n')
y(n′)相同(输入移位/加权后通过系统的结果是否与此前的输出直接移位/加权的结果相同)
输入
x
(
n
)
x(n)
x(n)经过算子(系统)后的
y
(
n
)
y(n)
y(n)只变n,不改符号,不动常数,则为LSI系统。
通过下面的两个例子能够很好地理解LSI系统的判定准则
程佩青《数字信号处理教程》(第五版)中第32页的例1.14给出了一种判定准则
这里的
y
(
n
)
y(n)
y(n)实际上只是表示
y
y
y是关于
n
n
n的函数,回顾
y
=
f
(
x
)
y=f(x)
y=f(x)没有
y
(
x
)
y(x)
y(x)的说法,因此对经过系统后的结果
y
(
n
)
=
T
[
x
(
n
)
]
y(n)=T[x(n)]
y(n)=T[x(n)]进行平移是将整个
n
n
n作代换,不同于序列
x
(
n
)
x(n)
x(n)或
y
(
n
)
y(n)
y(n)的移位。
再看同一本书第57页配套的习题1.6(5)
配套出版的《数字信号处理教程习题分析与解答》却告诉我们
y
(
n
)
=
x
(
n
2
)
y(n)=x(n^2)
y(n)=x(n2)为线性移不变系统,这似乎与上一道例题的判定准则给出的结论是相悖的。
按照上一道题的思路,设 y 1 ( n ) = x 1 ( n 2 ) y_1(n)=x_1(n^2) y1(n)=x1(n2),对于输入 x 1 ( n ) x_1(n) x1(n)移动 m m m位得新的输入 x 2 ( n ) = x 1 ( n − m ) x_2(n)=x_1(n-m) x2(n)=x1(n−m),则 y 2 ( n ) = x 2 ( n 2 ) = x 1 ( n 2 − m ) y_2(n)=x_2(n^2)=x_1(n^2-m) y2(n)=x2(n2)=x1(n2−m),而 y 1 ( n − m ) = x 1 [ ( n − m ) 2 ] y_1(n-m)=x_1[(n-m)^2] y1(n−m)=x1[(n−m)2],有 y 2 ( n ) ≠ y 1 ( n − m ) y_2(n)\ne y_1(n-m) y2(n)=y1(n−m),似乎并不是移不变系统。
如果将输入
x
(
n
)
x(n)
x(n)看作/换作
x
(
n
2
)
x(n^2)
x(n2),则可参考下面的答案。
线性移不变系统的应用-单位冲激响应
我们知道
x
(
n
)
=
x
(
n
)
∗
δ
(
n
)
=
∑
m
=
−
∞
∞
x
(
m
)
δ
(
n
−
m
)
\begin{aligned}x(n)=&x(n)*\delta(n)\\=&\sum_{m=-\infty}^{\infty}x(m)\delta(n-m)\end{aligned}
x(n)==x(n)∗δ(n)m=−∞∑∞x(m)δ(n−m)
对于每一项
x
(
m
)
δ
(
n
−
m
)
x(m)\delta(n-m)
x(m)δ(n−m),对于卷积结果
y
(
n
)
=
x
(
n
)
=
x
(
n
)
∗
δ
(
n
)
y(n)=x(n)=x(n)*\delta(n)
y(n)=x(n)=x(n)∗δ(n),
x
(
m
)
x(m)
x(m)与
n
n
n无关,其实为常数,看作
δ
(
n
−
m
)
\delta(n-m)
δ(n−m)的线性加权因子。而
δ
(
n
−
m
)
\delta(n-m)
δ(n−m)可以看作是
δ
(
n
)
\delta(n)
δ(n)的移位结果,是系统真正要处理的输入,由LSI系统的移不变性得
L
[
δ
(
n
−
m
)
]
=
h
(
n
−
m
)
L[\delta(n-m)]=h(n-m)
L[δ(n−m)]=h(n−m),引出单位冲激响应。
每一项由LSI系统的线性性质的比例性可得
L
[
x
(
m
)
δ
(
n
−
m
)
]
=
x
(
m
)
L
[
δ
(
n
−
m
)
]
L[x(m)\delta(n-m)]=x(m)L[\delta(n-m)]
L[x(m)δ(n−m)]=x(m)L[δ(n−m)]
对于整个累加结果由线性的可加性得到
L
[
x
(
n
)
]
=
∑
m
=
−
∞
∞
x
(
m
)
h
(
n
−
m
)
=
x
(
n
)
∗
h
(
n
)
L[x(n)]=\sum_{m=-\infty}^{\infty}x(m)h(n-m)=x(n)*h(n)
L[x(n)]=∑m=−∞∞x(m)h(n−m)=x(n)∗h(n)
因果系统和稳定系统
判断是否为因果系统的方法–冲激响应h(n)为因果系统
当n<0时,h(n)=0
y
(
n
)
=
x
(
n
)
∗
h
(
n
)
=
∫
m
=
−
∞
∞
x
(
m
)
h
(
n
−
m
)
d
m
=
∫
m
=
−
∞
n
x
(
m
)
h
(
n
−
m
)
d
m
\begin{aligned}y(n)&=x(n)*h(n)\\&=\int_{m=-\infty}^{\infty}x(m)h(n-m)dm\\&=\int_{m=-\infty}^{n}x(m)h(n-m)dm\end{aligned}
y(n)=x(n)∗h(n)=∫m=−∞∞x(m)h(n−m)dm=∫m=−∞nx(m)h(n−m)dm
故y(n)的值由小于n的m值来决定,符合因果系统定义
判断系统稳定的方法是判断冲激序列h(n)是否满足绝对可和
∑
n
=
−
∞
∞
∣
h
(
n
)
∣
=
P
<
∞
\sum_{n=-\infty}^{\infty}|h(n)|=P<\infty
∑n=−∞∞∣h(n)∣=P<∞
系统稳定:有界输入,产生有界输出
证明:若不满足,
∑
n
=
−
∞
∞
∣
h
(
n
)
∣
=
∞
\sum_{n=-\infty}^{\infty}|h(n)|=\infty
∑n=−∞∞∣h(n)∣=∞
设
x
(
n
)
=
{
1
h
(
−
n
)
≥
0
−
1
h
(
−
n
)
<
0
x(n)=\begin{cases}1&h(-n)\ge 0\\-1&h(-n)<0\end{cases}
x(n)={1−1h(−n)≥0h(−n)<0
y
(
n
)
=
x
(
n
)
∗
h
(
n
)
=
∑
m
=
−
∞
∞
x
(
m
)
h
(
n
−
m
)
y(n)=x(n)*h(n)=\sum_{m=-\infty}^{\infty}x(m)h(n-m)
y(n)=x(n)∗h(n)=∑m=−∞∞x(m)h(n−m)
y
(
0
)
=
∑
m
=
−
∞
∞
x
(
m
)
h
(
−
m
)
=
∑
m
=
−
∞
∞
∣
h
(
−
m
)
∣
=
∞
y(0)=\sum_{m=-\infty}^{\infty}x(m)h(-m)=\sum_{m=-\infty}^{\infty}|h(-m)|=\infty
y(0)=∑m=−∞∞x(m)h(−m)=∑m=−∞∞∣h(−m)∣=∞
卷积和的求法
三种求法
解析+图解法
写成
y
(
n
)
=
∑
m
=
−
∞
∞
x
(
m
)
h
(
n
−
m
)
y(n)=\sum_{m=-\infty}^{\infty}x(m)h(n-m)
y(n)=∑m=−∞∞x(m)h(n−m)的形式
h相当于反折+移位,如果两者都不是有限长可以分为三种情况(画图更好判断)
- 反折后“左减右加”,故当n小于一定值(为负数)时,h整体移动到了x的左侧,两者无交集,卷积和为零
- 当h的右端与x有交集,但没有覆盖整个x时,m的上限取到m,下限由x的下限决定
- 当n大于某个数,h的左端已经移动到了x的左端的右端,完全重合,上下限完全固定,与n无关,分h的右侧是否在x的右侧里外两种情况讨论,实际上是四种情况
列表法
固定m根据函数的界限确定有限个n,列出两个函数的值相乘,同一个n对应的累加得结果
对位相乘相加法
实质上是列表法的简化,讲两个序列的右端对齐,进行类似竖式乘法,直接加得y(n)结果,再根据两个序列的范围确定卷积和结果的范围,来确定原点。
(不需要反转x或者h,m值固定而n从小变大,观察表格相当于n从左向右移动,但进行运算的位固定在右端,如果重新排序的话相当于反转了序列 )
卷积和范围确定
x
(
n
)
:
N
1
≤
n
≤
N
2
x(n):N_1\le n \le N_2
x(n):N1≤n≤N2 长度为N
y
(
n
)
:
N
3
≤
n
≤
N
4
y(n):N_3\le n \le N_4
y(n):N3≤n≤N4 长度为M
则
h
(
n
)
:
N
1
+
N
3
≤
n
≤
N
2
+
N
4
h(n):N_1+N_3\le n \le N_2+N_4
h(n):N1+N3≤n≤N2+N4 长度为N+M-1
运用到了“右加”的性质,或直接根据定义式有值判断
典型序列
- 冲激序列 δ ( n ) = { 1 n = 0 0 n ≠ 0 \delta (n)=\begin{cases}1&n=0\\0&n\ne 0\end{cases} δ(n)={10n=0n=0
- 矩形序列 R N ( n ) = u ( n ) − u ( n − N ) R_N(n)=u(n)-u(n-N) RN(n)=u(n)−u(n−N),在0到N-1上有值
- 正弦序列 x ( n ) = A s i n ( w 0 n + ϕ ) x(n)=Asin(w_0n+\phi) x(n)=Asin(w0n+ϕ)
正弦序列的频率
数字频率和模拟角频率
数字频率
w
0
w_0
w0,单位为rad
模拟角频率
Ω
0
\Omega_0
Ω0,单位为rad/s
w
=
Ω
T
=
Ω
f
s
=
2
π
f
f
s
w=\Omega T=\frac{\Omega}{f_s}=\frac{2\pi f}{f_s}
w=ΩT=fsΩ=fs2πf
抽样频率
f
s
f_s
fs,
x
(
n
)
=
x
a
(
n
T
)
x(n)=x_a(nT)
x(n)=xa(nT)
正弦序列的周期性
要使
x
(
n
+
N
)
=
A
c
o
s
[
w
0
(
n
+
N
)
+
ϕ
]
=
x
(
n
)
x(n+N)=Acos[w_0(n+N)+\phi]=x(n)
x(n+N)=Acos[w0(n+N)+ϕ]=x(n)
则
w
0
N
=
2
k
π
w_0N=2k\pi
w0N=2kπ
N
=
2
π
w
0
k
=
f
0
f
s
k
N=\frac{2\pi}{w_0}k=\frac{f_0}{f_s}k
N=w02πk=fsf0k
n和N为整数,k也为整数,就要求
2
π
w
0
\frac{2\pi}{w_0}
w02π为整数
- 若 2 π w 0 \frac{2\pi}{w_0} w02π为整数, k 2 π w 0 k\frac{2\pi}{w_0} kw02π为最小正周期
- 若 2 π w 0 = p q \frac{2\pi}{w_0}=\frac{p}{q} w02π=qp为有理数,则最小正周期为 q 2 π w 0 = p q\frac{2\pi}{w_0}=p qw02π=p,N不是整数
- 若为无理数,非周期
理想抽样信号的频谱
理想抽样信号
x
^
a
(
t
)
=
x
a
(
t
)
⋅
δ
T
(
t
)
=
x
a
(
t
)
∑
m
=
−
∞
∞
δ
(
t
−
m
T
)
=
∑
m
=
−
∞
∞
x
a
(
m
T
)
δ
(
t
−
m
T
)
\begin{aligned}\hat{x}_a(t)=&x_a(t)\cdot\delta_T(t)\\=&x_a(t)\sum_{m=-\infty}^{\infty}\delta(t-mT)\\=&\sum_{m=-\infty}^{\infty}x_a(mT)\delta(t-mT)\end{aligned}
x^a(t)===xa(t)⋅δT(t)xa(t)m=−∞∑∞δ(t−mT)m=−∞∑∞xa(mT)δ(t−mT)
由傅里叶变换的时域相乘性质得
X
^
a
(
j
Ω
)
=
1
2
π
X
a
(
j
Ω
)
∗
F
T
[
δ
T
(
t
)
]
\hat{X}_a(j\Omega)=\frac{1}{2\pi}X_a(j\Omega)*FT[\delta_T(t)]
X^a(jΩ)=2π1Xa(jΩ)∗FT[δT(t)]
求周期函数的傅立叶变换先求其傅立叶级数系数
δ
T
(
t
)
=
∑
k
=
−
∞
∞
A
k
e
j
k
Ω
s
t
\delta_T(t)=\sum_{k=-\infty}^{\infty}A_ke^{jk\Omega_st}
δT(t)=∑k=−∞∞AkejkΩst
则
A
k
=
1
T
∫
−
T
2
T
2
δ
T
(
t
)
e
−
j
k
Ω
s
t
d
t
=
1
T
∫
−
T
2
T
2
∑
m
=
−
∞
∞
δ
(
t
−
m
T
)
e
−
j
k
Ω
s
t
d
t
=
1
T
∫
−
T
2
T
2
δ
(
t
)
e
−
j
k
Ω
s
t
d
t
(只在一个周期内积分)
=
1
T
\begin{aligned}A_k=&\frac{1}{T}\int_{-\frac{T}{2}}^{\frac{T}{2}}\delta_T(t)e^{-jk\Omega_st}dt\\=&\frac{1}{T}\int_{-\frac{T}{2}}^{\frac{T}{2}}\sum_{m=-\infty}^{\infty}\delta(t-mT)e^{-jk\Omega_st}dt\\=&\frac{1}{T}\int_{-\frac{T}{2}}^{\frac{T}{2}}\delta(t)e^{-jk\Omega_st}dt(只在一个周期内积分)\\=&\frac{1}{T}\end{aligned}
Ak====T1∫−2T2TδT(t)e−jkΩstdtT1∫−2T2Tm=−∞∑∞δ(t−mT)e−jkΩstdtT1∫−2T2Tδ(t)e−jkΩstdt(只在一个周期内积分)T1
则其傅里叶变换为
F
T
[
1
T
∑
k
=
−
∞
∞
1
⋅
e
j
k
Ω
s
t
]
=
1
T
∑
k
=
−
∞
∞
F
T
[
1
⋅
e
j
k
Ω
s
t
]
=
1
T
∑
k
=
−
∞
∞
2
π
δ
(
Ω
−
Ω
s
)
=
2
π
T
∑
k
=
−
∞
∞
δ
(
Ω
−
Ω
s
)
=
Ω
s
∑
k
=
−
∞
∞
δ
(
Ω
−
Ω
s
)
\begin{aligned}&FT[\frac{1}{T}\sum_{k=-\infty}^{\infty}1\cdot e^{jk\Omega_st}]\\=&\frac{1}{T}\sum_{k=-\infty}^{\infty}FT[1\cdot e^{jk\Omega_st}]\\=&\frac{1}{T}\sum_{k=-\infty}^{\infty}2\pi\delta(\Omega-\Omega_s)\\=&\frac{2\pi}{T}\sum_{k=-\infty}^{\infty}\delta(\Omega-\Omega_s)\\=&\Omega_s\sum_{k=-\infty}^{\infty}\delta(\Omega-\Omega_s)\end{aligned}
====FT[T1k=−∞∑∞1⋅ejkΩst]T1k=−∞∑∞FT[1⋅ejkΩst]T1k=−∞∑∞2πδ(Ω−Ωs)T2πk=−∞∑∞δ(Ω−Ωs)Ωsk=−∞∑∞δ(Ω−Ωs)
则
X
a
(
j
Ω
)
∗
Ω
s
∑
k
=
−
∞
∞
δ
(
Ω
−
Ω
s
)
=
Ω
s
∑
k
=
−
∞
∞
X
a
[
j
(
Ω
−
k
Ω
s
)
]
\begin{aligned}&X_a(j\Omega)*\Omega_s\sum_{k=-\infty}^{\infty}\delta(\Omega-\Omega_s)\\=&\Omega_s\sum_{k=-\infty}^{\infty}X_a[j(\Omega-k\Omega_s)]\end{aligned}
=Xa(jΩ)∗Ωsk=−∞∑∞δ(Ω−Ωs)Ωsk=−∞∑∞Xa[j(Ω−kΩs)]
X
^
a
(
j
Ω
)
=
1
2
π
X
a
(
j
Ω
)
∗
F
T
[
δ
T
(
t
)
]
=
1
T
∑
k
=
−
∞
∞
X
a
[
j
(
Ω
−
k
Ω
s
)
]
\begin{aligned}\hat{X}_a(j\Omega)=&\frac{1}{2\pi}X_a(j\Omega)*FT[\delta_T(t)]\\=&\frac{1}{T}\sum_{k=-\infty}^{\infty}X_a[j(\Omega-k\Omega_s)]\end{aligned}
X^a(jΩ)==2π1Xa(jΩ)∗FT[δT(t)]T1k=−∞∑∞Xa[j(Ω−kΩs)]