【线性卷积的DFT算法--重叠相加法和重叠保留法】

---

前言

在复习数字信号处理课程中，有关线性卷积的DFT算法的重叠相加法和重叠保留法根据教材不甚理解，网络上未找到便于手算的例题讲解过程，故在学习之后两种方法分别用两个例题详细过程用于理解，写下此文章用于其他人查找和自己学习。

---

一、重叠相加法

步骤

1、将长序列 $x[n]$ 拆分成多个短序列
$$x[n]=\sum _k{x}_k[n-kL]$$
$x_k[n]$长度为$L,L\ll N_x$
$$\begin{array}{c}{x}_k(n)=\{\begin{array}{rlr}& x[n+kL]& n=0,1,2,...,L-1\\ & 0& 其他\end{array}\end{array}$$
2、重叠相加
$$\begin{array}{c}\begin{array}{rl}y[n]& =(\sum _k{x}_k[n-kL])\otimes h[n]\\ & =\sum _k{x}_k[n-kL]\otimes h[n]\\ & =\sum _k{y}_k[n-kL]\end{array}\end{array}$$

例题

例：计算序列$x[n]$与序列$h[n]$的线性卷积和，其中
x [ n ] = { 1 , 2 , 3 , 2 , 1 , 0 , 1 , 2 , 2 , 1 , 1 , 1 } , h [ n ] = { 1 , 2 , 1 } x[n]=\left\{1,2,3,2,1,0,1,2,2,1,1,1 \right\},h[n]=\left\{ 1,2,1 \right\} x[n]={1,2,3,2,1,0,1,2,2,1,1,1},h[n]={1,2,1}

解:序列分解，用$x[n]$做分解

% Matlab代码
x = [1 2 3 2 1 0 1 2 2 1 1 1];
h = [1 2 1];
x1=[1 2 3 2 0 0 0 0 0 0 0 0] ;
x2=[0 0 0 0 1 0 1 2 0 0 0 0];
x3=[0 0 0 0 0 0 0 0 2 1 1 1];
xh1 = conv(x1, h); % [1 4 8 10 7 2 0 0 0 0 0 0 0 0]
xh2 = conv(x2, h); % [0 0 0 0 1 2 2 4 5 2 0 0 0 0]
xh3 = conv(x3, h); % [0 0 0 0 0 0 0 0 2 5 5 4 3 1]
y=conv(x,h); % [1 4 8 10 8 4 2 4 7 7 5 4 3 1]

分别将分解出的序列与$h[n]$作线性卷积，然后相加得到结果。

二、重叠保留法

步骤

1、将长序列$x[n]$拆分成多个短序列
$$x[n]=\sum _k{x}_k[n-kL]$$
$x_k[n]$长度为$L，L\ge M,M为h[n]的长度$
$$\begin{array}{c}{x}_k(n)=\{\begin{array}{rlr}& x[n+k(L-M+1)]& n=0,1,2,...,L-1\\ & 0& 其他\end{array}\end{array}$$
2、重叠保留圆周卷积$x_k[n]\stackrel{◯}{L}h[n]$的后$L-M+1$点。原因是$L$点序列与$M$点序列圆周卷积后，前$M-1$点发生了混叠。
$$w_k[n]=x_k[n]\stackrel{◯}{L}h[n]$$
$$\begin{array}{c}y[n]=\sum _k{y}_k[n-kL],y_k[n]=\{\begin{array}{rlr}& 0& n=0,1,2,...,L-1\\ & w_k[n]& M-1\le n\le L-1\end{array}\end{array}$$

例题

例：计算序列$x[n]$与序列$h[n]$的线性卷积和，其中
x [ n ] = { 1 , 2 , 3 , 2 , 1 , 0 , 1 , 2 , 2 , 1 , 1 , 1 } , h [ n ] = { 1 , 2 , 1 } x[n]=\left\{1,2,3,2,1,0,1,2,2,1,1,1 \right\},h[n]=\left\{ 1,2,1 \right\} x[n]={1,2,3,2,1,0,1,2,2,1,1,1},h[n]={1,2,1}

解：序列分解（以$x[n]$为例）

% Matlab代码
x = [1 2 3 2 1 0 1 2 2 1 1 1];
h = [1 2 1]; H = fft(h,6);
x1=[0 0 1 2 3 2];
x2=[3 2 1 0 1 2];
x3=[1 2 2 1 1 1];
x4=[1 1 0 0 0 0];
X1=fft(x1,6); Y1=X1.*H;
X2=fft(x2,6); Y2=X2.*H;
X3=fft(x3,6); Y3=X3.*H;
X4=fft(x4,6); Y4=X4.*H;
y1=ifft(Y1,6);y2=ifft(Y2,6);
y3=ifft(Y3,6);y4=ifft(Y4,6);

即分解成 x 1 [ n ] = { 0 , 0 , 1 , 2 , 3 , 2 } , x 2 [ n ] = { 3 , 2 , 1 , 0 , 1 , 2 } , x 3 [ n ] = { 1 , 2 , 2 , 1 , 1 , 1 } , x 4 [ n ] = { 1 , 1 , 0 , 0 , 0 , 0 } x_1[n]=\left\{0,0,1,2,3,2 \right\},x_2[n]=\left\{3,2,1,0,1,2 \right\},x_3[n]=\left\{1,2,2,1,1,1 \right\},x_4[n]=\left\{1,1,0,0,0,0 \right\} x1​[n]={0,0,1,2,3,2},x2​[n]={3,2,1,0,1,2},x3​[n]={1,2,2,1,1,1},x4​[n]={1,1,0,0,0,0}
如此分解是因为选取$L=6\ge M$,前$M-1$即2点发生混叠，保留后4点，于是在初始选取时需要在前面补2个零，弥补混叠后丢失的值。
计算有
x 1 [ n ] 6 ◯ h [ n ] = { 7 , 2 , 1 , 4 , 8 , 10 } x 2 [ n ] 6 ◯ h [ n ] = { 8 , 10 , 8 , 4 , 2 , 4 } x 3 [ n ] 6 ◯ h [ n ] = { 4 , 5 , 7 , 7 , 5 , 4 } x 4 [ n ] 6 ◯ h [ n ] = { 1 , 3 , 3 , 1 , 0 , 0 } x_1[n] \normalsize{\textcircled{\scriptsize{6 }}}\normalsize h[n]=\left\{7,2,1,4,8,10 \right\}\\ x_2[n] \normalsize{\textcircled{\scriptsize{6 }}}\normalsize h[n]=\left\{8,10,8,4,2,4 \right\}\\ x_3[n] \normalsize{\textcircled{\scriptsize{6 }}}\normalsize h[n]=\left\{4,5,7,7,5,4 \right\}\\ x_4[n] \normalsize{\textcircled{\scriptsize{6 }}}\normalsize h[n]=\left\{1,3,3,1,0,0\right\} x1​[n]6◯h[n]={7,2,1,4,8,10}x2​[n]6◯h[n]={8,10,8,4,2,4}x3​[n]6◯h[n]={4,5,7,7,5,4}x4​[n]6◯h[n]={1,3,3,1,0,0}
于是每个结果保留后4位，得到最后结果
x [ n ] L ◯ h [ n ] = { 1 , 4 , 8 , 10 , 8 , 4 , 2 , 4 , 7 , 7 , 5 , 4 , 3 , 1 } x_[n] \normalsize{\textcircled{\scriptsize{L }}}\normalsize h[n]=\left\{1,4,8,10,8,4,2,4,7,7,5,4,3,1 \right\} x[​n]L◯h[n]={1,4,8,10,8,4,2,4,7,7,5,4,3,1}