作者:张俊博
链接:https://www.zhihu.com/question/22298352/answer/34267457
来源:知乎
著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。
<img src="https://i-blog.csdnimg.cn/blog_migrate/21a422e02981756c728a97ada0aae01e.png" data-rawwidth="600" data-rawheight="214" class="origin_image zh-lightbox-thumb" width="600" data-original="https://pic4.zhimg.com/153fd3e7911d486edaf0475afb1e54b3_r.png">
已知
<img src="https://i-blog.csdnimg.cn/blog_migrate/d0289414823a556badd1bfb4d4a61604.png" data-rawwidth="600" data-rawheight="214" class="origin_image zh-lightbox-thumb" width="600" data-original="https://pic3.zhimg.com/c47d9d7f7a29c491782bf7b1baea3f8e_r.png">
乘以
并平移到位置0:
<img src="https://i-blog.csdnimg.cn/blog_migrate/4560a4341c9bb1b7e3134631be0dd5a9.png" data-rawwidth="600" data-rawheight="214" class="origin_image zh-lightbox-thumb" width="600" data-original="https://pic1.zhimg.com/91f5eff235013ac729c44e98b3a537d0_r.png">
第二步,
乘以
并平移到位置1:
<img src="https://i-blog.csdnimg.cn/blog_migrate/31abebfa70391101ce073dd5fc8b1def.png" data-rawwidth="600" data-rawheight="214" class="origin_image zh-lightbox-thumb" width="600" data-original="https://pic1.zhimg.com/67c05239b05f671766b9df9393026f2c_r.png">
第三步,
乘以
并平移到位置2:
<img src="https://i-blog.csdnimg.cn/blog_migrate/0876b4a6e4f1e45f29c6432c996689bf.png" data-rawwidth="600" data-rawheight="214" class="origin_image zh-lightbox-thumb" width="600" data-original="https://pic2.zhimg.com/c34e839a49c6b616c57bde3c3dbbd67d_r.png">
最后,把上面三个图叠加,就得到了
:
<img src="https://i-blog.csdnimg.cn/blog_migrate/950aa89a3e75af7fb71eaf6d7cc6187e.png" data-rawwidth="600" data-rawheight="313" class="origin_image zh-lightbox-thumb" width="600" data-original="https://pic3.zhimg.com/4ce6cdcc28b10aca73db3f877d86ca02_r.png">
这正是单位响应是如此重要的原因。
链接:https://www.zhihu.com/question/22298352/answer/34267457
来源:知乎
著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。
有那么麻烦吗?
不推荐用“反转/翻转/反褶/对称”等解释卷积。好好的信号为什么要翻转?导致学生难以理解卷积的物理意义。
这个其实非常简单的概念,国内的大多数教材却没有讲透。
直接看图,不信看不懂。以离散信号为例,连续信号同理。
已知<img src="https://i-blog.csdnimg.cn/blog_migrate/21a422e02981756c728a97ada0aae01e.png" data-rawwidth="600" data-rawheight="214" class="origin_image zh-lightbox-thumb" width="600" data-original="https://pic4.zhimg.com/153fd3e7911d486edaf0475afb1e54b3_r.png">
![](https://i-blog.csdnimg.cn/blog_migrate/21a422e02981756c728a97ada0aae01e.png)
已知
![y[0] = i, y[1] = j, y[2]=k](https://i-blog.csdnimg.cn/blog_migrate/c7487f5d95adeb1f6c2b6ceb346ce672.png+%3D+i%2C+y%5B1%5D+%3D+j%2C+y%5B2%5D%3Dk)
<img src="https://i-blog.csdnimg.cn/blog_migrate/d0289414823a556badd1bfb4d4a61604.png" data-rawwidth="600" data-rawheight="214" class="origin_image zh-lightbox-thumb" width="600" data-original="https://pic3.zhimg.com/c47d9d7f7a29c491782bf7b1baea3f8e_r.png">
![](https://i-blog.csdnimg.cn/blog_migrate/d0289414823a556badd1bfb4d4a61604.png)
下面通过演示求的过程,揭示卷积的物理意义。
![x[n]](https://i-blog.csdnimg.cn/blog_migrate/a8107e0dbf26dad77476ba373eddb74e.png)
![y[0]](https://i-blog.csdnimg.cn/blog_migrate/c7487f5d95adeb1f6c2b6ceb346ce672.png)
<img src="https://i-blog.csdnimg.cn/blog_migrate/4560a4341c9bb1b7e3134631be0dd5a9.png" data-rawwidth="600" data-rawheight="214" class="origin_image zh-lightbox-thumb" width="600" data-original="https://pic1.zhimg.com/91f5eff235013ac729c44e98b3a537d0_r.png">
![](https://i-blog.csdnimg.cn/blog_migrate/4560a4341c9bb1b7e3134631be0dd5a9.png)
第二步,
![x[n]](https://i-blog.csdnimg.cn/blog_migrate/a8107e0dbf26dad77476ba373eddb74e.png)
![y[1]](https://i-blog.csdnimg.cn/blog_migrate/adfd9a727f993e51c60a4d5a9352582c.png)
<img src="https://i-blog.csdnimg.cn/blog_migrate/31abebfa70391101ce073dd5fc8b1def.png" data-rawwidth="600" data-rawheight="214" class="origin_image zh-lightbox-thumb" width="600" data-original="https://pic1.zhimg.com/67c05239b05f671766b9df9393026f2c_r.png">
![](https://i-blog.csdnimg.cn/blog_migrate/31abebfa70391101ce073dd5fc8b1def.png)
第三步,
![x[n]](https://i-blog.csdnimg.cn/blog_migrate/a8107e0dbf26dad77476ba373eddb74e.png)
![y[2]](https://i-blog.csdnimg.cn/blog_migrate/59d00c489296fdac0717a9ab6f315690.png)
<img src="https://i-blog.csdnimg.cn/blog_migrate/0876b4a6e4f1e45f29c6432c996689bf.png" data-rawwidth="600" data-rawheight="214" class="origin_image zh-lightbox-thumb" width="600" data-original="https://pic2.zhimg.com/c34e839a49c6b616c57bde3c3dbbd67d_r.png">
![](https://i-blog.csdnimg.cn/blog_migrate/0876b4a6e4f1e45f29c6432c996689bf.png)
最后,把上面三个图叠加,就得到了
![x[n] * y[n]](https://i-blog.csdnimg.cn/blog_migrate/a8107e0dbf26dad77476ba373eddb74e.png+%2A+y%5Bn%5D)
<img src="https://i-blog.csdnimg.cn/blog_migrate/950aa89a3e75af7fb71eaf6d7cc6187e.png" data-rawwidth="600" data-rawheight="313" class="origin_image zh-lightbox-thumb" width="600" data-original="https://pic3.zhimg.com/4ce6cdcc28b10aca73db3f877d86ca02_r.png">
![](https://i-blog.csdnimg.cn/blog_migrate/950aa89a3e75af7fb71eaf6d7cc6187e.png)
简单吧?无非是平移(没有反褶!)、叠加。
====================================================
从这里,可以看到卷积的重要的物理意义是:一个函数(如:单位响应)在另一个函数(如:输入信号)上的加权叠加。
重复一遍,这就是卷积的意义:加权叠加。
对于线性时不变系统,如果知道该系统的单位响应,那么将单位响应和输入信号求卷积,就相当于把输入信号的各个时间点的单位响应 加权叠加,就直接得到了输出信号。
通俗的说:
在输入信号的每个位置,叠加一个单位响应,就得到了输出信号。
这正是单位响应是如此重要的原因。
在输入信号的每个位置,叠加一个单位响应,就得到了输出信号。
这正是单位响应是如此重要的原因。
这正是单位响应是如此重要的原因。