对Volterra级数公式的理解-1

在学习接收系统的非线性问题，第一眼看到Volterra级数公式（就是下面这货），那是一脸蒙蔽…
$$y(k)=\sum _{d=1}^D\left(\sum _{r_1=0}^{N_d-1}\sum _{r_2=0}^{N_d-1}...\sum _{r_d=0}^{N_d-1}h\left(r_1,r_2,\dots ,r_d\right)\prod _{j=1}^{d}x\left(k-r_j\right)\right)（1）$$

$x(k)$：非线性系统的输入（时域信号，$k$表示时间）；

$y(k)$：非线性系统的输出；

$d$表示阶数，$D$表示$d$的最大取值；

$r_j$表示构成$d$阶项中第$j$项对应的记忆时延（这名字我瞎起的），$N_d$代表记忆深度，$N_d-1$也就是$r_j$能取的最大正整数，也就是最大考虑的记忆时延。

求和代表的考虑的是时间离散的情况。

尴尬的是，即便是知道各个参数的含义，恕我愚钝，盯着（1）式看了足足十分钟，愣是没看出个所以然…为了避免继续蒙蔽下去，我尝试着按下面的步骤一点点理解。

首先，从一般的幂级数开始，式（2）的含义比较清楚。
$$y(k)=\sum _{d=1}^D{h}_d\cdot x^d(k)（2）$$
展开就是$y(k)=h_1\cdot x(k)+h_2\cdot x^2(k)+\dots$，阶数截断到$D$，可以看到上式只考虑了非线性效应（在接收系统的背景下，非线性指的是有新频率产生），而没有考虑记忆效应（在接收系统的背景下，记忆效应表现为时延失真？暂且这么理解）。

接下来，引入记忆效应，考虑第$d$阶的输出项是由从现在到过去$N_d$个离散时间单位处的加权值的叠加得到（注意对于每个阶数$d$可以有不同的记忆深度$N_d$），每个记忆时延点，都会有一个加权系数$h_d(r)$，那么（2）式中的$h_d\cdot x^d(k)（2）$就变成了下述对时间的求和。

$$\sum _{r=0}^{N_{d-1}}{h}_d(r)\cdot x^d(k-r)（3）$$

再代入到（2）式就有
$$y(k)=\sum _{d=1}^D\left(\sum _{r=0}^{N_d-1}{h}_d(r)\cdot x^d(k-r)\right)（4）$$
（4）式就是记忆多项式模型，考虑了非线性和记忆效应。

最后，式（4）求和项$h_d(r)\cdot x^d(k-r)$的$d$阶项都是由同一个记忆时延构成，当我们考虑更复杂的情况时，即$x^d(k-r)$项由任意记忆时延项构成时，就能够得到最一般的Volterra级数公式。

第一步，$x^d(k-r)$将变成${\prod }_{j=1}^{d}x\left(k-r_j\right)$，也就是$d$个求积的各项，都可以自由的选择记忆时延，第$j$项求积项选择的记忆时延是$r_j$；

第二步，$d$阶的系数数量上不再是（4）式的$N_d$项，而变成了$(N_d{)}^d$项，每项表示为$h\left(r_1,r_2,\dots ,r_d\right)$；

第三步，对$d$阶$h\left(r_1,r_2,\dots ,r_d\right){\prod }_{j=1}^{d}x\left(k-r_j\right)$各项求和就有
$$\sum _{r_1=0}^{N_d-1}\sum _{r_2=0}^{N_d-1}...\sum _{r_d=0}^{N_d-1}h\left(r_1,r_2,\dots ,r_d\right)\prod _{j=1}^{d}x\left(k-r_j\right)（5）$$
最后一步，再对各阶求和，就得到了（1）式。

不否认，有NB的一眼就能理解（1）并且理解的比咱分析半天还深刻得多，但没那智商我也就只能老老实实，一步步试着理解，特此记录防止过两天不看忘了个一干二净。