卷积的物理意义_傅里叶变换系列学习（5) ---如何正确理解卷积

最新推荐文章于 2024-09-27 06:16:44 发布

weixin_39863008

最新推荐文章于 2024-09-27 06:16:44 发布

阅读量1.6k

点赞数 2

文章标签：卷积的物理意义

本文链接：https://blog.csdn.net/weixin_39863008/article/details/111361940

版权

本文深入探讨卷积的物理意义，以傅里叶变换系列为背景，详细解释线性时不变系统（LTI）的概念。文章通过离散与连续域的分析，阐述了卷积在信号处理中的作用，揭示了卷积在时间与频率域的关系，并介绍了从离散到连续的转换方法。

摘要由CSDN通过智能技术生成

为了进一步阐述傅里叶系列，本章引入了新的知识点，

函数和卷积，为了引入这两个东西，我们又有必要了解一下线性时不变系统（LTI)，本章的知识点好像有点多啊。

信号与系统里面的惯例写法：

连续信号：x(t)

离散时间信号：x(nT)

离散信号：x[n]

连续频域：

离散频域：X[n]

以上，n都是整数，其他数是实数。

时域信号都用小写，频域信号都用大写，离散信号用[]，非离散信号用()

1. LTI( Linear Time Invariant）

我们只讨论LTI，为什么？ 1. 难，一般人研究不了；2. LTI足以应付大部分系统。需要注意的是，如果你在非LTI系统中，那么LTI的特性万万不要轻易使用。

1.1 先看linear

线性，就是线性代数里面的线性。数学家喜欢用公式描述线性变换。

连续信号：

对于一个系统，

的响应是

，

的响应是

，对于输入信号

，如果系统的响应是

，则称系统是线性系统。

离散信号：(把上面的连续信号换成离散信号）

对于一个系统，

的响应是

，

的响应是

，对于输入信号

，如果系统的响应是

，则称系统是线性系统。

线性的概念，数学上就是输入乘以标量，输出也乘以标量；对于信号来说，输入信号幅度变大多少倍，输出信号也变大多少倍；

线性的概念，还有一个就是叠加的概念；把两个或多个信号叠加，系统的响应等于原先各个信号响应的叠加。

1.2 时不变(Time-invariant)

时不变系统就是系统的响应不依赖于当前的时间。打个比方，我在早晨9点打开电脑，电脑开机，这个响应，跟我晚上10点开机的响应是一样的；电脑不会因为开机的时间不同而响应不同，这就叫时不变。再打个比方，我上午9点开机，系统正常开机；晚上开机的时候，因为电脑进水，开机失败，这样的系统就变成了时变系统了；系统因为时间不一样，对于同一个输入，响应不一样。

数学家还是喜欢用简单就是美的公式描述:

信号

的响应是

，如果

的响应是

,则系统是

时不变系统；

对应的

信号

的响应是

，如果

的响应是

,则系统是

时不变系统；

离散域的时不变也有的地方称为移不变。

当然了，有人会从哲学的高度讲“人不能两次踏入同一条河流”来否认时不变系统。确实，真正的时不变系统只存在于数学公式，现实世界从来都没有严格的时不变系统，因为长期的看，好的必然变坏，生的必然要死去；所以一般都是假设，短期内，系统是时不变系统。

对于系统的其他特性，暂时先不描述，因为暂时没有用到，需要用的时候再描述。

2.

2.1 离散域

信号

先看看离散域的

信号。

离散域的

信号就是一个只在n=0的时候等于1，其他点都等于0的信号，单从数学上看，美得很。

按照定义，对于离散序列x[n], 很容易得到

更进一步，把上面的1换成任意整数：

显然我们可以看到

函数具备的一个明显的特性，筛选特性，筛选想要的序列，滤到其余序列。更一步，我们每次筛选出的序列中的一个，从

筛选到

,然后再把所有筛选出来的累加起来，又得到了原序列。数学表达式就是：

因为

，所以上面的公式进一步写成

来来回回，上面的公式写的就是信号

可以由信号本身与

信号卷积得到。证明过程就在上面，后面我们再看看什么是卷积。

2.2 连续域

函数

当把这个离散域定义得极好信号扩展到连续函数的时候，似乎很难实现。如何定义对于只在0点有值，非0点都是0的函数？在数学上，似乎是一个可去间断点定义成这个样子。这样的定义对于连续函数来说，显然是没有物理意义的。按照这样的定义，函数的能量是0。在连续域里面，因为只有一个可去间断点，所以能量为0。好了，数学家们经过深思熟虑，给了下面的定义：

显然，它是有能量的，但这也是一个相当变态的定义，从积分意义上讲，函数的面积是1，但是它的宽是0，所以这个函数的高应该是无穷大。想象一下，在时间轴上，一个函数，从

到t=

的时候都是0；t=0的时候，一下子变成无穷大；然后

的时候，这个函数的值又变成了0。

函数就是这么一个函数。

对于这样的函数，在物理上如何实现，又要用极限大法了。定义一个矩形或者是三角形，然后让它的底边长度趋向于0。显然，物理上不存在这样的信号。

在离散域，

信号具备筛选特性；在连续域呢，我们换一个名词，叫做抽样特性。也是类似的

，由于连续域的

函数还有积分为1的特性，所以又有下面的特性

通过

信号，我们可以抽样出函数

在任意时刻的值。

有了

信号，我们可以把x[n]，x(t) 和 x(nT)（已量化）联系起来，离散信号可以又连续信号采样后量化得到（这里暂时忽略一下量化）。

通过采样和量化，连续的模拟信号变成了离散的数字信号，可以通过数字信号的处理方法进行处理，处理完后，再由数字信号重构称模拟信号，这整个过程就是数字信号处理过程。

3.卷积

终于讲到卷积了。卷积好像也是一个学习的难点。

卷积的介绍，还是先从离散域考虑。

3.1 离散卷积

回到2.1节里面描述的公式：

，这个公式显然是成立的，当你把右边的sigma求和展开时，自然等于左边。当时我就说过，这个等式还有一个重要的意义就是它表示一个卷积公式，表示的是序列x[n]和

信号卷积后，还等于自身。

关注这个公式，第一项和第二项的系数和是n，也就是序列x[n]的n，然后等式右边经过卷积运算，k没有了，最后只剩下n。

在此基础上，把序列x[n]输入到系统H，得到的输出是y[n]；假设

代入

得到，

因为是线性系统，

表示幅度，所以

记

，亦即

（这里是因为时不变特性），那么就有了著名的卷积公式：

也可以写成

其中h[n]为系统对

信号的响应，也称h[n]为系统的冲击响应。

下面从字面上解读一下这个公式。

在解读卷积公式之前，先厘清概念，概念不厘清，永远都是稀里糊涂的。

h[n]是表示一个序列还是序列中某个特定的项。对于n的不同理解，卷积的理解也完全不一样。当把h[n]看成一个特定项的时候，有了网上的各种非常精彩的解释，比如掷色子/打肿脸等，核心都是反折，平移，相乘，累加。我再简单重复一遍。

3.1.1 y[n]，h[n]标识为某个特定项

在这个前提下，我们举个简单的例子，想象一下下面的图中的输入信号x[n]，系统的冲击响应是h[n]。

在这个系统中，输入信号有3个有效值，x[0]，x[1]，x[2]分别表示时刻0，时刻1和时刻2的输入；冲击响应有两个h[0]和h[1]，h[0]表示系统0延迟的响应，h[1]表示系统延迟为1的响应。

step 0，计算y[0]，我们只需要关注x[0]信号的h[0]的响应x[0]h[0]，输入在0时刻，延时为0，所以系统在0时刻的响应y[0]=x[0]h[0]；（这里注意到信号的输入时刻与delay的时刻之和为0）

step 1，计算y[1]，我们需要关注系统在0时刻的输入x[0]信号，它有一个延迟为1的响应x[0]h[1]；系统在1时刻的输入x[1]信号，它有一个延迟为0的响应x[1]h[0]；没有其他信号的响应能满足在时刻1有输出，所以y[1]=x[0]h[1]+x[1]h[0]（这里注意到信号的输入时刻与delay的时刻之和为1）

step 2，计算y[2]，0时刻的输入，由于没有delay为2的响应，所以0输入就不用考虑了；对于时刻1的输入，它的0 delay的响应，显然不会在时刻2到达系统，而对于它的1 delay的响应则对y[2]有贡献x[1]h[1]；对于时刻2的输入，它的0 delay的响会在时刻2有输出有贡献，贡献值是x[2]h[0]；此外没有其他信号的响应能满足在时刻2有输出，所以y[2]=x[1]h[1]+x[2]h[0]（这里注意到信号的输入时刻与delay的时刻之和为2）

step3，以此类推，我们可以得到y[3]=x[2]h[1]+x[3]h[0]。

更进一步，对于时刻n，对该时刻有贡献的响应是...,

,...,

，...，累加起来也就是