GNN学习笔记（1）——信号与系统基础知识

最新推荐文章于 2024-10-04 00:43:15 发布

野指针小李

最新推荐文章于 2024-10-04 00:43:15 发布

阅读量1.1k

点赞数 4

分类专栏：数学神经网络文章标签：信号处理数学傅里叶变换复变函数傅里叶反变换

本文链接：https://blog.csdn.net/qq_35357274/article/details/111212657

版权

数学同时被 2 个专栏收录

26 篇文章 50 订阅

订阅专栏

神经网络

11 篇文章 0 订阅

订阅专栏

本文主要是我在学习GNN的时候补充的信号与系统的内容，暂且本文的内容够用，如果后续还有那就后面补充。
我看这部分内容没有做数学推导，主要是考虑在应用层面的内容，最主要的在于理解这是个什么东西。
当然由于学无止境，我难免会有些东西理解的错误或者没有写明白的部分，希望各位多多指教。

对了宝贝儿们，卑微小李的公众号【野指针小李】已开通，期待与你一起探讨学术哟~摸摸大！

1 时域与频域

一个信号输入进入一个系统后，可以有多种方式描述（分析）这个信号，每种方式有不同的角度，不同的角度叫做域（domain），在信号与系统中常用的域有时域（time domain） 和 频域（frequency domain）

1.1 时域

时域（time domain）简单来说就是随着时间变化信号的变化，时域是客观存在的域，也是唯一客观的域。其自变量为时间 $t$ ，因变量为信号的变化，用 $x (t)$ 描述信号在不同时刻取值的函数。

1.2 频域

频域（frequency domain）是把时域波形做傅里叶变换（Fourier Transform）等变换后，得到复频域的表达式。其波形为频谱图，描述频率变化和幅度变化的关系，自变量是频率，因变量是该频率信号的幅度。

1.3 时域与频域可视化解释

我这里盗用知乎大佬的一个图，在图上做一些改动，原谅我这个灵魂画师，后面补上链接。

这个图详细阐述了时域与频域之间的关系，我们输入的信号是红色的波形，在时域上的表示是红色这样，通过傅里叶变换后变成了一系列的正弦信号，每个正弦信号对应一个频率，每一个频率的信号都有不同的振幅，将振幅刻画在频域上就是深蓝色的图形。

至于什么是傅里叶变换，大家不要慌，我们先把基础的内容讲了，最后讲傅里叶变换。

2 复变函数

复变函数部分最主要的是欧拉公式：

$e^{ix}=cosx + isinx$

其目的在于：使用复指数信号来表示正弦信号。

先上个图：
复变函数
我个人认为，为什么要将正弦信号映射到复频域，是因为如果输入的信号在时域上是无限宽的，那么没有办法表达出来，但是在复频域上，只需要考虑绕原点旋转了几圈。

当然，3B1B的解释是，如果不在复频域，那么所有的运动都会是如下这样：

不在复频域

就会只在实数轴上运动，并不会展现原有的模样，比如这样：

github

3 傅里叶变换

这一部分网上已经有很多大佬用栗子简介讲解了，我也就只是照葫芦画瓢一下。

3.1 傅里叶变换简洁理解

就好比我们买了一杯珍珠椰果奶茶，我们想分析这杯珍珠椰果奶茶里面的成分，包含了多少珍珠，多少椰果，多少奶，多少茶，多少水，于是我们将其丢进一个滤波器中，该滤波器可以分别提取出来不同的配方，这就是傅里叶变换（Fourier transform）。

但是我们不可能分别干吃珍珠、椰果、奶、茶、水，我们想要的是珍珠椰果奶茶，所以分析好成分和比例后，按照这些比例把这些成分通过之前的滤波器再组合在一起，获得珍珠椰果奶茶，这就是傅里叶反变换（inverse Fourier transform）。

3.2 傅里叶变换图示理解

傅里叶变换
还是借用大佬这张图，因为我画不出来。

大家注意中间浅蓝色密密麻麻的信号，将红色信号分解为这些密密麻麻的浅蓝色信号是傅里叶变换，而将这些信号组合在一起构成红色信号是傅里叶反变换。

3.3 傅里叶变换详细理解

有了上面的内容后，那么可以开始详细说一下我对傅里叶变换与反变换的理解了。

傅里叶变换：为了得到一个信号中的所有成分，对其过滤，过滤后得到单一成分的信号，这个信号容易分析、比较和修改。
傅里叶反变换：根据分析的信号的成分，将这些成分组合起来还原为之前的信号。

根据前人（傅里叶与狄利赫里）的经验表明，满足狄利赫里条件的周期条件的周期信号，可以分解为一组成谐波关系的正弦信号，对于这个正弦信号，只需要三个量即可确定该运动的状态。

正弦信号公式为：

$Asin(\omega t + \phi) = Asin(\theta + \phi)$

其中， $A$ ：正弦波的幅值； $\omega$ ：角速度或者角频率； $\phi$ ：初始相位角； $t$ ：时刻； $\theta$ ：转角

我们根据欧拉公式将正弦信号投影至复频域，得到复指数：

$e^{jwt}$

由于之前的定义，我们先给出傅里叶变换与傅里叶反变换的公式：

傅里叶变换
$a_k=\frac{1}{T} \int_T x(t)e^{-jk \omega t}dt=\frac{1}{T} \int_T x(t)e^{-jk \frac{2 \pi}{T} t}dt$
傅里叶反变换
$\sum_{k=-\infty}^{+\infty}a_k e^{jk\omega t} = \sum_{k=-\infty}^{+\infty}a_k e^{jk \frac{2\pi}{T} t}$

其中， $x (t)$ ：待分析的周期信号， $a_k$ ：第k个谐波成分的幅值与初始相位（也可以说是频率 $k$ 对于的幅值与初始相位）， $k$ ：特定频率， $2\pi \frac{t}{T}$ ： $t$ 时刻相位补偿。

我相信不止我一个人最开始看到这两个公式是一头雾水，但是慢慢看下面的解释。

3.3.1 公式详解

我们先忘记上面看到的这两个公式，就当你根本没见识过。

我们先从 $k = 0$ 这个频率的信号来看：

根据3B1B的描述， $k = 0$ 这一点对应的信号是整个图形的重心，如下图：

也就是说 $a_0$ 是一个周期中所有输出值（信号）的平均数。

当我们将输入值（信号数量）放的无限大的时候，那么这个平均数是越来越趋近于真实值的，于是可以构成一个积分：

$\begin{aligned} &a_0=\int_0^1x(t)dt \\ &x(t)=\sum_{k=-\infty}^{+\infty}a_k e^{jk \frac{2\pi}{T} t} \end{aligned}$

这里 $[0, 1]$ 指的是一个周期，即 $T$ ，对应的 $\frac{1}{T}=1$ 。

而关于这个结论的证明如下：

我们将 $x (t)$ 展开：

$\int_0^1 x(t)dt = \int_0^1(...\ + \ a_{-1} e^{-1·\frac{2\pi}{T} jt} + a_0 e^{0·\frac{2\pi}{T} jt} + a_1 e^{1·\frac{2\pi}{T} jt} + ...)dt$

由于区间相同，和的积分等于积分的和，所以将积分代入：

$\int_0^1 x(t) dt = ...\ +\int_0^1 \ a_{-1} e^{-1·\frac{2\pi}{T} jt} dt + \int_0^1 a_0 e^{0·\frac{2\pi}{T} jt}dt + \int_0^1 a_1 e^{1·\frac{2\pi}{T} jt} dt + ...$

既然我们把这个表达式给拆分开了，那么我们就可以得出一个结论：所有信号的平均值等于每个信号平均值的和。

上面这句话可能有点拗口，不过没关系，我们接着看，这个时候我们需要使用一个理论：

信号能量
翻译过来就是：

要找到特定频率下的信号能量，就以该频率围绕一个圆旋转信号，然后沿着这条路径求一堆点的平均数。

这个圆就是说的复平面上的圆，将这句话转换成图表示如下：

平均数

这个展示的是以该频率围绕一个圆旋转信号一个周期的情况，其平均值为0，我们将这个理论代入上面拆开后的积分中，以一个周期进行循环，那么我们会得到一个神奇的结论：从 $-\infty$ 到 $+\infty$ ，除了0这个频率以外，其余频率全为0。

因为0频率这个点 $e^0=1$ ，导致在这个周期内有 $a_0$ 这个值，其余全为0，于是我们通过这个方式计算出了如下结果：

$\int_0^1 x(t) dt =a_0$

有了上面的理论后，我们将其推广开，我们需要得到的是每一个频率 $k$ 的初始相位与振幅 $a_k$ 。

这个时候我们只需要使得频率 $k$ 不旋转即可，那么就乘以 $e^{-k · \frac{2\pi}{T} it}$

于是我们的式子就变为了：

$a_k=\int_0^1x(t) e^{-k · \frac{2\pi}{T} it}dt = \int_0^1(...\ + \ a_{k-1} e^{-1·\frac{2\pi}{T} jt} + a_k e^{0·\frac{2\pi}{T} jt} + a_{k+1} e^{1·\frac{2\pi}{T} jt} + ...)dt$