《信号与系统》3.5.3卷积积分的 Matlab实现

3.5.3卷积积分的 Matlab实现

Matlab 的库函数 conv()只能计算离散序列 f1 与 f2 的卷积和,构造函数 conv()
实现两连续信号的卷积积分。
Y=conv(x,h)
实现 x,h 二个序列的卷积,假定都是从 n=0 开始,Y 序列的长度为 x,h 序列
的长度两序列长度之和再减 1。

例子

计算两个指数信号
f1(t) = e^(-6t)
f2(t) = e^(-3t)
的卷积。
结果

代码

t=0:0.01:1;
y1 = exp(-6*t);
y2 = exp(-3*t);
y = conv(y1,y2);
l1 = length(y1);   
l2 = length(y2);  
l = length(y);
subplot(3,1,1);
plot(t, y1);
subplot(3,1,2);
plot(t, y2);
t1 = 0 :0.01:2;
subplot(3,1,3);
plot(t1, y);
  • 7
    点赞
  • 59
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
Matlab中,可以使用conv()函数进行卷积积分计算。conv()函数用于计算离散序列的卷积和,但是可以通过构造函数conv()来实现连续信号的卷积积分。使用conv(x,h)可以计算序列x和h的卷积,其中假定两个序列都是从n=0开始,卷积结果序列Y的长度为两个序列长度之和减1。 举个例子,如果要计算两个指数信号f1(t) = e^(-6t)和f2(t) = e^(-3t)的卷积,可以使用以下代码: t=0:0.01:1; y1 = exp(-6*t); y2 = exp(-3*t); y = conv(y1,y2); l1 = length(y1); l2 = length(y2); l = length(y); subplot(3,1,1); plot(t, y1); subplot(3,1,2); plot(t, y2); t1 = 0 :0.01:2; subplot(3,1,3); plot(t1, y); 卷积神经网络(CNN)是一种神经网络结构,用于解决图像识别系统和分类问题。CNN在图像和视频识别、推荐系统和自然语言处理等领域有着广泛的应用。在Matlab中,可以使用卷积操作来实现卷积神经网络的计算。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* [《信号与系统3.5.3卷积积分Matlab实现](https://blog.csdn.net/qq_32589131/article/details/104907265)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] - *3* [卷积神经网络教程 (CNN) 使用 TensorFlow 在 Python 中开发图像分类器](https://download.csdn.net/download/wly476923083/88230143)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]
评论 4
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值