信号与系统02-信号的时域分析-CSDN博客

本文链接：https://blog.csdn.net/qq_51605551/article/details/148167667

第2讲：信号的时域分析

一、引言

在信号与系统中，时域分析是研究信号随时间变化行为的核心方法。通过时域分析，我们可以直接观察信号的波形、幅度、相位等特征，并利用这些特征设计系统或提取信息。而人工智能（AI）中的许多技术（如卷积神经网络、时间序列预测）本质上也是在时域中操作信号。本节课将从信号的基本运算入手，逐步深入到卷积积分与卷积和，并结合AI中的实际案例，帮助大家理解时域分析的重要性。

二、信号的基本运算

信号的基本运算包括**平移（延迟/提前）、缩放（振幅调整）、翻转（对称变换）**等。这些操作是构建复杂信号和系统的基础。

（一）信号平移（延迟/提前）

定义：将信号 $x (t)$ 沿时间轴移动 $\tau$ 秒，得到新的信号 $\tau)$ 。若 $\tau > 0$ ，表示延迟；若 $\tau < 0$ ，表示提前。
数学表达式：
$\tau) = \begin{cases} x(t), & t \geq \tau \\ 0, & \text{否则} \end{cases}$
AI中的应用：在时间序列预测中，平移操作常用于构建滑动窗口（sliding window），例如股票价格预测。

（二）信号缩放

定义：将信号 $x (t)$ 的振幅乘以一个常数 $A$ ，得到新的信号 $A x (t)$ 。若 $A > 1$ ，表示放大；若 $0 < A < 1$ ，表示衰减。
数学表达式：
$y (t) = A x (t)$
AI中的应用：在图像处理中，缩放操作用于调整图像亮度或对比度。

（三）信号翻转

定义：将信号 $x (t)$ 关于时间轴对称变换，得到 $x (- t)$ 。若进一步平移，得到 $\tau)$ 。
数学表达式：
$y (t) = x (- t)$
AI中的应用：在语音识别中，翻转操作可用于提取信号的对称特征。

三、冲激信号与阶跃信号

冲激信号和阶跃信号是时域分析中最重要的基本信号，它们在系统建模和特征提取中具有关键作用。

（一）冲激信号（Delta Function）

定义：单位冲激信号 $\delta(t)$ 满足以下条件：
$\delta(t) = \begin{cases} \infty, & t = 0 \\ 0, & t \neq 0 \end{cases}, \quad \int_{-\infty}^{\infty} \delta(t) dt = 1$
物理意义：表示一个瞬时能量极大的脉冲信号。
AI中的应用：在卷积神经网络（CNN）中，冲激响应的概念被用于建模滤波器的权重分布。

（二）阶跃信号（Step Function）

定义：单位阶跃信号 $u (t)$ 满足：
$\begin{cases} 1, & t \geq 0 \\ 0, & t < 0 \end{cases}$
物理意义：表示一个突变的信号，常用于建模开关或启动事件。
AI中的应用：在二分类问题中，阶跃函数（如Sigmoid函数）用于输出离散决策。

四、卷积积分与卷积和

（一）连续时间信号的卷积积分

定义：两个连续时间信号 $x (t)$ 和 $h (t)$ 的卷积积分定义为：
$\int_{-\infty}^{\infty} x(\tau) h(t - \tau) d\tau$
物理意义：卷积表示一个系统对输入信号 $x (t)$ 的响应，其中 $h (t)$ 是系统的冲激响应。
AI中的应用：卷积操作是卷积神经网络（CNN）的核心，用于提取局部特征。例如，在图像处理中，卷积核（filter）通过滑动窗口与图像信号卷积，提取边缘、纹理等特征。

（二）离散时间信号的卷积和

定义：两个离散时间信号 $x [n]$ 和 $h [n]$ 的卷积和为：
$\sum_{k=-\infty}^{\infty} x[k] h[n - k]$
物理意义：与连续时间卷积类似，但适用于离散信号。
AI中的应用：在时间序列预测中，卷积和用于建模序列间的依赖关系，例如LSTM网络中的门控机制。

五、卷积神经网络（CNN）与信号处理的关联

（一）CNN中的卷积操作

传统卷积 vs CNN卷积：
- 传统卷积：完全遵循数学定义，需严格对齐信号和滤波器。
- CNN卷积：通过参数共享（weight sharing）和局部连接（local connectivity）减少计算量，同时引入非线性激活函数（如ReLU）增强模型表达能力。
公式对比：
- 传统卷积：
  $\sum_{k=-\infty}^{\infty} x[k] h[n - k]$
- CNN卷积：
  $f\left( \sum_{k=1}^{K} w_k x[n - k] + b \right)$
  其中 $f$ 为激活函数（如ReLU）， $w_k$ 为可学习参数， $b$ 为偏置。

（二）CNN在信号处理中的典型应用

图像分类：通过卷积层提取图像局部特征（如边缘、纹理）。
语音识别：通过卷积层提取语音信号的频谱特征。
医学信号分析：通过卷积层检测心电图（ECG）或脑电图（EEG）中的异常模式。

六、Python实践：信号的时域分析与卷积

（一）信号平移与缩放

import numpy as np
import matplotlib.pyplot as plt

# 生成一个正弦信号
fs = 1000
t = np.linspace(0, 1, fs)
x = np.sin(2 * np.pi * 5 * t)

# 平移操作（延迟0.2秒）
tau = 0.2
x_shifted = np.roll(x, int(tau * fs))

# 缩放操作（放大2倍）
x_scaled = 2 * x

# 绘制结果
plt.figure(figsize=(12, 6))
plt.subplot(2, 1, 1)
plt.plot(t, x, label='Original')
plt.plot(t, x_shifted, label='Shifted')
plt.legend()
plt.title('Signal Shifting')

plt.subplot(2, 1, 2)
plt.plot(t, x, label='Original')
plt.plot(t, x_scaled, label='Scaled')
plt.legend()
plt.title('Signal Scaling')
plt.tight_layout()
plt.show()

（二）卷积操作（连续时间近似）

from scipy.signal import convolve

# 定义两个信号
t = np.linspace(0, 2, 1000)
x = np.sin(2 * np.pi * 1 * t)  # 输入信号
h = np.exp(-5 * t) * (t >= 0)  # 冲激响应（指数衰减）

# 计算卷积
y = convolve(x, h, mode='same')  # mode='same' 表示输出长度与输入相同

# 绘制结果
plt.figure(figsize=(10, 6))
plt.plot(t, x, label='Input x(t)')
plt.plot(t, h, label='Impulse Response h(t)')
plt.plot(t, y, label='Convolution y(t)')
plt.legend()
plt.title('Convolution in Continuous-Time')
plt.grid(True)
plt.show()

（三）AI中的卷积（PyTorch示例）

import torch
import torch.nn as nn

# 定义一个简单的卷积层
conv_layer = nn.Conv1d(in_channels=1, out_channels=1, kernel_size=3, padding=1)

# 生成输入信号（形状: [batch_size, channels, length]）
input_signal = torch.randn(1, 1, 100)

# 前向传播
output = conv_layer(input_signal)
print("Input shape:", input_signal.shape)
print("Output shape:", output.shape)