卷积积分的计算

卷积积分

卷积

定义

两个信号的卷积过程：将其中一个信号按时间反转、平移，并与第二个信号逐点相乘，然后对其结果求积分

卷积一般形式

卷积的意思就是折叠，它提供了观察和描述物理系统的方法

比如，已知系统的冲激响应h(t)，求解系统对于激励x(t)的响应y(t)，可通过卷积积分实现，系统的响应为：

$$y(t)={\int }_{-\infty }^{\infty }x(\lambda )h(t-\lambda )d\lambda$$

或简写成：

$$y(t)=x(t)\ast h(t)$$

• λ是一个虚拟变量，*号表示卷积
• 两式表明输出等于输入与单位冲激响应的卷积

卷积交换

卷积过程是可以交换的：

$$y(t)=x(t)\ast h(t)=h(t)\ast x(t)$$

即：

$$y(t)={\int }_{-\infty }^{\infty }x(\lambda )h(t-\lambda )d\lambda ={\int }_{-\infty }^{\infty }h(\lambda )x(t-\lambda )d\lambda$$

• 这表明两个函数卷积的顺序是不重要的

简化卷积

如果系统有如下两个性质，那么卷积积分可以简化。首先，如果当 t＜0时，x(t)=0，那么：

$$\begin{array}{rl}y(t)& ={\int }_{-\infty }^{\infty }x(\lambda )h(t-\lambda )d\lambda ={\int }_0^{\infty }x(\lambda )h(t-\lambda )d\lambda \end{array}$$

其次，如果系统的冲激响应是因果的（即当 t＜0时，h(t)=0），那么对于t-λ<0有h(t-λ)=0，所以上式变为：

$$\begin{array}{r}y(t)=h(t)\ast x(t)={\int }_0^{t}x(\lambda )h(t-\lambda )d\lambda \end{array}$$

卷积积分性质

卷积性质

$$x(t)\ast h(t)=h(t)\ast x(t)(\text{可交换性})$$

$$f(t)\ast \left[\begin{array}{c}x(t)+y(t)\end{array}\right]=f(t)\ast x(t)+f(t)\ast y(t)(\text{分配性})$$

$$f(t)\ast \left[x(t)\ast y(t)\right]=\left[f(t)\ast x(t)\right]\ast y(t)\left(\text{结合性}\right)$$

$$\begin{array}{rl}f(t)\ast \delta (t)& ={\int }_{-\infty }^{\infty }f(\lambda )\delta (t-\lambda )d\lambda =f(t)\end{array}$$

$$f(t)\ast \delta (t-t_o)=f(t-t_o)$$

$$f(t)\ast {\delta }^{\prime }(t)={\int }_{-\infty }^{\infty }f(\lambda ){\delta }^{\prime }(t-\lambda )d\lambda =f^{\prime }(t)$$

$$\begin{array}{r}f(t)\ast u(t)={\int }_{-\infty }^{\infty }f(\lambda )u(t-\lambda )d\lambda ={\int }_{-\infty }^{t}f(\lambda )d\lambda \end{array}$$

拉普拉斯变换与卷积积分

拉普拉斯变换和卷积积分联系

• 首先建立拉普拉斯变换和卷积积分之间的联系

给定两个函数f${}_1$(t)和f${}_2$(t)及其相应的拉普拉斯变换F${}_1$(s)和F${}_2$(s)，它们的卷积是：

$$\begin{array}{r}{F}_1(s)F_2(s)=\mathcal{L}[f_1(t)\ast f_2(t)]\end{array}$$

• 这表明时域的卷积等同于s域的相乘

比如$x\left(t\right)=4{\mathrm{e}}^{-t}$和$h(t)=5e^{-2t}$，由上式可得：

$$h(t)\ast x(t)={\mathcal{L}}^{-1}[H(s)X(s)]={\mathcal{L}}^{-1}\left[\left(\frac{5}{s+2}\right)(\frac{4}{s+1})\right]$$

$$=L^{-1}\left[\frac{20}{s+1}+\frac{-20}{s+2}\right]=20\left({\mathrm{e}}^{-t}-{\mathrm{e}}^{-2t}\right),t⩾0$$

计算卷积积分的步骤

计算步骤

• 折叠：取h(λ)关于纵坐标的镜像，得到h(-λ)
• 移位：将h(-λ)移动或延迟t，得到h(t-λ)
• 相乘：求出h(t-λ)和x(λ)的乘积
• 积分：对于给定的时间t，计算乘积h(t-λ)x(λ)在区间0<λ<t的面积，得到y(t)

计算两个信号的卷积

求两个信号的卷积

• 按照计算卷积积分的四个步骤计算y(t)=x${}_1$(t)*x${}_2$(t)

首先折叠x${}_1$(t)，然后平移t，如图所示

              折叠x$_1$(λ)                                                               将x$_1$(-λ)平移t

对于不同的t值，将两个函数相乘，然后积分确定重叠区域的面积

0<t<1时，如图a所示，两个函数没有交叠。因此：

$$y(t)=x_1\left(t\right)\star x_2\left(t\right)=0,0<t<1$$

1<t<2时，如图b所示，两个信号在1~t之间交叠

$$y(t)={\int }_1^t(2)(1)d\lambda =2\lambda |{}_1^t=2(t-1),1<t<2$$

2<t<3时，两个信号在(t-1)~t之间完全交叠，如图c所示。容易看出曲线内的面积为2。即：

$$y(t)={{\int }_{t-1}^t(2)(1)d\lambda =2\lambda |}_{t-1}^t=2,2<t<3$$

3<t<4时，两个信号在(t-1)~3之间有交叠，如图d所示

$$y(t)={\int }_{t-1}^{3}2\times 1\mathrm{d}\lambda =2\lambda {|}_{t-1}^3=2(3-t+1)=8-2t,3<t<4$$

t>4时，两个信号没有交叠，见图e，并且：

$$y(t)=0,t>4$$

联立：

$$y(t)=\{\begin{array}{llc}0,& 0\le t\le 1& \\ 2t-2,& 1\le t\le 2& \\ 2,& 2\le t\le 3& \\ 8-2t,& 3\le t\le 4& \\ 0,& t\ge 4& \end{array}$$

即得草图

                                       信号x$_1$(t)和x$_2$(t)的卷积

式中y(t)是连续的，这可以用于检验当t从一个区域向另一区域移动时的结果

用图解法计算卷积

• 用图解法计算g(t)和u(t)的卷积

方法1

假设折叠g(t)，如图a所示，然后将折叠后的 g(t)平移t，如图b所示

• 因当0<t<1时、g(t)=t，故当0<t-λ＜1时候，g(t-λ)=t-λ
• 当t<0时，两个函数没有交叠，因此y(0)=0
• 当0<t<1时，g(t-λ)和u(λ)在0~t之间交叠，如图b所示。因此：

$$y(t)={\int }_0^{t}1\times (t-\lambda )\mathrm{d}\lambda ={\left(t\lambda -\frac{1}{2}{\lambda }^2\right)|}_0^t=t^2-\frac{t^2}{2}=\frac{t^2}{2},0⩽t⩽1$$

• 当t>1时，两个函数在(t-1)～t之间完全交叠，如图c所示。因此：

$$y(t)={\int }_{t-1}^{t}1\times (t-\lambda )\mathrm{d}\lambda ={\left(t\lambda -\frac{1}{2}{\lambda }^2\right)|}_{t-1}^t=\frac{1}{2},t⩾1$$

联立

$$y(t)=\{\begin{array}{ll}\frac{1}{2}{t}^2,& 0⩽t⩽1\\ \frac{1}{2},& t⩾1\end{array}$$

                                                             信号g(t)和u(t)的卷积，折叠g(t)

方法2

假设不折叠g(t)，而折叠单位阶跃函数u(t)，如图a所示

然后将折叠后的u(t)平移t，如图b所示

因t＞0时，u(t)=1，t-λ＞0或λ<t时，u(t-λ)=1，所以两个函数在0～t内交叠，因此：

$$y(t)={\int }_0^{t}1\lambda \mathrm{d}\lambda ={\frac{1}{2}{\lambda }^2|}_0^t=\frac{t^2}{2},0⩽t⩽1$$

当t＞1时，这两个函数在0~1之间交叠，如图c所示。因此：

$$y(t)={\int }_0^{1}1\lambda \mathrm{d}\lambda ={\frac{1}{2}{\lambda }^2|}_0^t=\frac{1}{2},t⩾1$$

联立：

$$y(t)=\{\begin{array}{ll}\frac{1}{2}{t}^2,& 0⩽t⩽1\\ \frac{1}{2},& t⩾1\end{array}$$

                                                   信号g(t)和u(t)的卷积，折叠u(t)

两种方法得到的结果相同，折叠单位阶跃函数u(t)更简单

使用卷积求激励产生的响应

• RL 电路，使用卷积积分求出激励产生的响应i${}_0$(t)

• 使用卷积积分来求解 is(t)产生的响应 io(t)

• 用卷积积分或图解法计算卷积，也可以用s域方法求解电流 io(t)

• 首先要知道电路的单位冲激响应h(t)

  

在s域，对电路应用分流原理，得：

                             s域等效电路

$$I_{\text{o}}=\frac{1}{s+1}{I}_s$$

因此：

$$H(s)=\frac{I_o}{I_s}=\frac{1}{s+1}$$

其拉普拉斯反变换为：

$$h(t)={\mathrm{e}}^{-t}u(t)$$

即得电路的冲激响应h(t)的图形

                       冲激响应h(t)的图形

为了直接用卷积积分，利用s域中的响应：

$$I_{\mathrm{o}}(s)=H(s)I_s(s)$$

对于给出的激励is(t)，有：

$$i_s(t)=u(t)-u(t-2)$$

因此：

$$i_o(t)=h(t)\ast i_s(t)={\int }_0^t{i}_s(\lambda )h(t-\lambda )\mathrm{d}\lambda ={\int }_0^t[u(\lambda )-u(\lambda -2)]{\mathrm{e}}^{-(t-\lambda )}\mathrm{d}\lambda$$

• 因为当0<λ<2时，u(λ-2)=0，所以与u(λ)相关的积分函数对任意λ＞0都是非0的
• 而涉及u(λ-2)的积分函数仅当λ＞2时非0
• 计算积分的最好方法是两部分分开处理，当0<λ<2时：

$$i_o^{{}^{\prime }}(t)={\int }_0^{t}1\times {\mathrm{e}}^{-(t-\lambda )}\mathrm{d}\lambda ={\mathrm{e}}^{-t}{\int }_0^{t}1\times {\mathrm{e}}^{\lambda }\mathrm{d}\lambda ={\mathrm{e}}^{-t}({\mathrm{e}}^t-1)=1-{\mathrm{e}}^{-t},0<t<2$$

当t ＞2时：

$$i_o^{\prime \prime }(t)={\int }_2^{t}1\times {\mathrm{e}}^{-(t-\lambda )}\mathrm{d}\lambda ={\mathrm{e}}^{-t}{\int }_2^t{\mathrm{e}}^{\lambda }\mathrm{d}\lambda ={\mathrm{e}}^{-t}({\mathrm{e}}^t-{\mathrm{e}}^2)=1-{\mathrm{e}}^2{\mathrm{e}}^{-t},t>2$$

将$i_o^{{}^{\prime }}{i}_o^{{}^{\prime \prime }}$带入$i_o$，得：

$$i_{\mathrm{o}}(t)=i_{\mathrm{o}}^{\prime }(t)-i_{\mathrm{o}}^{\prime \prime }(t)=(1-{\mathrm{e}}^{-t})\left[u(t-2)-u(t)\right]-(1-{\mathrm{e}}^2{\mathrm{e}}^{-t})u(t-2)$$

$$=\{\begin{array}{cc}1-{\mathrm{e}}^{-t}\mathrm{A},& 0<t<2\\ ({\mathrm{e}}^2-1){\mathrm{e}}^{-t}\mathrm{A},& t>2\end{array}$$

评价结果

为了应用图解法，折叠is(t)并平移t，如图a所示

当0<t＜2时，is(t-λ)和h(t)之间的交叠区间为0~t，因此：

$$i_o(t)={\int }_0^{t}1{\mathrm{e}}^{-\lambda }\mathrm{d}\lambda =-{{\mathrm{e}}^{-\lambda }|}_0^t=(1-{\mathrm{e}}^{-\lambda })\mathbf{A},0⩽t⩽2$$

当t＞2时，如图b所示，两个函数从(t-2)～t交叠。因此：

$$i_{{}_0}(t)={\int }_{t-2}^{t}1\times {\mathrm{e}}^{-\lambda }\mathrm{d}\lambda =-{{\mathrm{e}}^{-\lambda }|}_{t-2}^t=-{\mathrm{e}}^{-t}+{\mathrm{e}}^{-(t-2)}=({\mathrm{e}}^2-1){\mathrm{e}}^{-t}\mathrm{A},t⩾0$$

联立响应为：

$$i_{\mathrm{o}}=\{\begin{array}{rl}(1-{\mathbf{e}}^{-\lambda })\mathbf{A},& 0⩽t⩽2\\ ({\mathbf{e}}^2-1){\mathbf{e}}^{-t}\mathbf{A},& t⩾2\end{array}$$

io(t)和激励is(t)如图

                                        激励和响应波形