精华内容
下载资源
问答
  • 信号与系统卷积理解

    千次阅读 2014-04-11 17:29:42
      对于诸多在信号处理领域中深入开发和研究的人员来说,卷积... 本人接触信号领域不久,一直对于其卷积应用困惑不解,思绪良久,理解稍有起色,就把自己的理解记录了下来,如有不正之处,还望大神海涵改正。
    
                     对于诸多在信号处理领域中深入开发和研究的人员来说,卷积真是无所不在,尤其在地震勘探、超声诊断、光学成像、系统辨识等邻域中使用更甚。

               本人接触信号领域不久,一直对于其卷积的应用困惑不解,思绪良久,理解稍有起色,就把自己的理解记录了下来,如有不正之处,还望大神海涵与改正。


             


     

    

    
    展开全文
  • 如何理解信号与系统中的卷积

    千次阅读 2021-03-05 10:00:28
    卷积信号与系统中一个具有重大意义的方法,曾经我询问过很多学习过这门课的学生还有考研的学生,很多人根本就不知道学了个啥东西,其实我觉得信号与系统这门课讲的确实有些偏理论了,我认为如果真正要把这门课学...

    卷积 是信号与系统中一个具有重大意义的方法,曾经询问过很多学习过这门课的学生还有考研的学生,很多人根本就不知道学了个啥,个人认为如果真正要把这门课学懂讲懂要多结合控制方面的知识去理解和探索,从一个工程的角度去理解卷积本人认为要理解好卷积主要解决以下几个问题:

    1、卷积用来做什么?

    2、什么是卷积?

    3、为什么可以用卷积来求取系统的零状态响应?

    4、为什么是输入信号和系统的冲击响应做卷积?

    5、如何计算卷积?图像法和积分法

    6、卷积的几个 性质

    1、卷积用来做什么?

    首先,我们在工程中通常遇到要去求取系统的响应,系统的响应可以分为:零输入相应和零状态响应。

    零输入响应的求取可以通过求解一个齐次微分方程得到,是相对容易的。

    零状态响应如果要用数学的方法去求取那么要求求解一个非齐次微分方程,由于输入是千差万别的如果遇到较为复杂的输入信号那么求取这个非齐次微分方程是相对较为复杂的,所以我们另辟蹊径用一种全新的方法来解决这个问题,也就是我们用卷积来求取系统的零状态响应。

    2、什么是卷积?

    首先在解决这个问题之前我们先要有一种思想:现在我们到了去理解卷积是什么这个环节了,卷积是一种数学手段,它在信号与系统里面是用来求取系统的零状态响应的。我们先去从数学定义上去认识卷积的形式,之后我们可以抛开数学含义,从工程的角度去理解卷积。
    连 续 形 式 : r ( t ) = e ( t ) ∗ h ( t ) = ∫ − ∞ + ∞ e ( τ ) h ( t − τ ) d τ 离 散 形 式 : r ( k ) = e ( k ) ∗ h ( k ) = ∑ i = − ∞ ∞ e ( i ) h ( k − i ) 连续形式:r(t)=e(t) * h(t)=\int_{-\infty}^{+\infty} e(\tau) h(t-\tau) d \tau \\ 离散形式:\quad r(k)=e(k) * h(k)=\sum_{i=-\infty}^{\infty} e(i) h(k-i) r(t)=e(t)h(t)=+e(τ)h(tτ)dτr(k)=e(k)h(k)=i=e(i)h(ki)
    注: e ( t ) ∗ h ( t ) e(t) * h(t) e(t)h(t)就表示这两个函数卷积,最终积分结果是一个关于t的函数

    3、为什么可以用卷积来求取系统的零状态响应?

    首先对于任何一个输入信号我们可以把他分解为许多脉冲分量之和的形式,如矩形窄脉冲。

    在这里插入图片描述

    步 长 Δ τ 步长 \Delta \tau Δτ表示矩形脉冲宽度 f ( k Δ τ ) f(k \Delta \tau) f(kΔτ)表示矩形脉冲高度,那么我们可以得到如下式子:

    第0个脉冲: f 0 ( t ) = f ( 0 ) [ u ( t ) − u ( t − Δ τ ) ] f_{0}(t)=f(0)[u(t)-u(t-\Delta \tau)] f0(t)=f(0)[u(t)u(tΔτ)]

    第1个脉冲: f 1 ( t ) = f ( Δ τ ) [ u ( t − Δ τ ) − u ( t − 2 Δ τ ) ] f_{1}(t)=f(\Delta \tau)[u(t-\Delta \tau)-u(t-2\Delta \tau)] f1(t)=f(Δτ)[u(tΔτ)u(t2Δτ)]

    … … \ldots \ldots \\

    第k个脉冲: f k ( t ) = f ( k Δ τ ) [ u ( t − k Δ τ ) − u ( t − k Δ τ − Δ τ ) ] f_{k}(t)=f(k\Delta \tau)[u(t-k\Delta \tau)-u(t-k\Delta \tau-\Delta \tau)] fk(t)=f(kΔτ)[u(tkΔτ)u(tkΔτΔτ)]

    那么把这些脉冲求和起来之和就可以等效为原来的输入信号了:
    f ( t ) ≅ ∑ k = − ∞ ∞ f ( k Δ τ ) [ u ( t − k Δ τ ) − u ( t − k Δ τ − Δ τ ) ] f(t) \cong \sum_{k=-\infty}^{\infty} f(k \Delta \tau)[u(t-k \Delta \tau)-u(t-k \Delta \tau-\Delta \tau)] f(t)k=f(kΔτ)[u(tkΔτ)u(tkΔτΔτ)]

     当  Δ τ  趋于无穷小的时候,由微分的定义可以得到  u ( t ) − u ( t − Δ τ ) ≈ d u ( t ) d t ⋅ Δ τ 又 ∵ d u ( t ) d t = δ ( t ) \begin{array}{lll}\text { 当 } \Delta \tau \text { 趋于无穷小的时候,由微分的定义可以得到 } u(t)-u(t-\Delta \tau) \approx \frac{d u(t)}{d t} \cdot \Delta \tau \\ 又\because \frac{d u(t)}{d t}=\delta(t)\end{array}   Δτ 趋于无穷小的时候,由微分的定义可以得到 u(t)u(tΔτ)dtdu(t)Δτdtdu(t)=δ(t)

    ∴ f 0 ( t ) = Δ τ f ( 0 ) δ ( t ) f 1 ( t ) = Δ τ f ( Δ τ ) δ ( t − Δ τ ) f 2 ( t ) = Δ τ f ( 2 Δ τ ) δ ( t − 2 Δ τ ) … … f k ( t ) = Δ τ f ( k Δ τ ) δ ( t − k Δ τ ) … … . \begin{array}{c} \therefore f_{0}(t)=\Delta \tau f(0) \delta(t) \\ f_{1}(t)=\Delta \tau f(\Delta \tau) \delta(t-\Delta \tau) \\ f_{2}(t)=\Delta \tau f(2 \Delta \tau) \delta(t-2 \Delta \tau) \\ \quad \ldots \ldots \\ f_{k}(t)=\Delta \tau f(k \Delta \tau) \delta(t-k \Delta \tau) \\ \ldots \ldots . \\ \end{array} f0(t)=Δτf(0)δ(t)f1(t)=Δτf(Δτ)δ(tΔτ)f2(t)=Δτf(2Δτ)δ(t2Δτ)fk(t)=Δτf(kΔτ)δ(tkΔτ).
    ∴ f ( t ) = ∑ k = − ∞ ∞ Δ τ f ( k Δ τ ) δ ( t − k Δ τ ) \therefore f(t) = \sum_{k=-\infty}^{\infty} \Delta \tau f(k \Delta \tau) \delta(t-k \Delta \tau) f(t)=k=Δτf(kΔτ)δ(tkΔτ)

    即: f ( t ) f(t) f(t) 由无限多个出现在不同位置,强度不同的冲激函数组成。这一点至关重要,这也是为什么我们可以用输入信号和系统的冲击响应做卷积得到系统的零状态响应的本质原因之一。
    Δ τ → d τ k Δ τ → τ ∑ − ∞ + ∞ → ∫ − ∞ + ∞ 由 f ( t ) = ∑ k = − ∞ ∞ Δ t f ( k Δ τ ) δ ( t − k Δ τ ) \Delta \tau \rightarrow d \tau \quad\quad k \Delta \tau \rightarrow \tau \quad\quad \sum_{-\infty}^{+\infty} \rightarrow \int_{-\infty}^{+\infty} \\ 由 f(t)=\sum_{k=-\infty}^{\infty} \Delta t f(k \Delta \tau) \delta(t-k \Delta \tau) ΔτdτkΔττ++f(t)=k=Δtf(kΔτ)δ(tkΔτ)
    注:无穷项求和,区间无穷小,转化为求积分。
    得 到 f ( t ) = ∫ − ∞ + ∞ f ( τ ) δ ( t − τ ) d τ 得到 f(t)=\int_{-\infty}^{+\infty} f(\tau) \delta(t-\tau) d \tau f(t)=+f(τ)δ(tτ)dτ
    τ : − ∞ → + ∞ τ = \tau:-\infty \rightarrow+\infty \quad \tau= τ:+τ= t时 f ( t ) f(t) f(t) 存在(抽样特性) ∴ f ( t ) , t 从 − ∞ 到 + ∞ 都 出 现 \therefore f(t), t 从-\infty 到+\infty 都 出 现 f(t),t+

    注:对于有起因信号, t < 0 \mathrm{t}<0 t<0 f ( t ) = 0 , \mathrm{f}(\mathrm{t})=0, f(t)=0,
    f ( t ) = ∫ 0 + ∞ f ( τ ) δ ( t − τ ) d τ f(t)=\int_{0}^{+\infty} f(\tau) \delta(t-\tau) d \tau f(t)=0+f(τ)δ(tτ)dτ

    4、为什么是输入信号和系统的冲击响应做卷积?

    现在假设我们研究的是线性时不变系统,我们应用线性特性和时不变特性可以得到输入和输出之间的关系如下所示:

    在这里插入图片描述

    ∴ Δ τ f ( 0 ) δ ( t ) → Δ τ f ( 0 ) h ( t ) Δ τ f ( Δ τ ) δ ( t − Δ τ ) → Δ τ f ( Δ τ ) h ( t − Δ τ ) Δ τ f ( 2 Δ τ ) δ ( t − 2 Δ τ ) → Δ τ f ( 2 Δ τ ) h ( t − 2 Δ τ ) … … . Δ τ f ( k Δ τ ) δ ( t − k Δ τ ) → Δ τ f ( k Δ τ ) h ( t − k Δ τ ) \begin{array}{c} \therefore \Delta \tau f(0) \delta(t) \rightarrow \Delta \tau f(0) h(t) \\ \Delta \tau f(\Delta \tau) \delta(t-\Delta \tau) \rightarrow \Delta \tau f(\Delta \tau) h(t-\Delta \tau) \\ \Delta \tau f(2 \Delta \tau) \delta(t-2 \Delta \tau) \rightarrow \Delta \tau f(2 \Delta \tau) h(t-2 \Delta \tau) \\ \ldots \ldots . \\ \Delta \tau f(k \Delta \tau) \delta(t-k \Delta \tau) \rightarrow \Delta \tau f(k \Delta \tau) h({t}-k \Delta \tau) \end{array} Δτf(0)δ(t)Δτf(0)h(t)Δτf(Δτ)δ(tΔτ)Δτf(Δτ)h(tΔτ)Δτf(2Δτ)δ(t2Δτ)Δτf(2Δτ)h(t2Δτ).Δτf(kΔτ)δ(tkΔτ)Δτf(kΔτ)h(tkΔτ)
    左边之和(激励输入信号)
    f ( t ) = ∑ k = − ∞ + ∞ Δ τ f ( k Δ τ ) δ ( t − k Δ τ ) → f ( t ) = ∫ − ∞ + ∞ f ( τ ) δ ( t − τ ) d τ f(t)=\sum_{k=-\infty}^{+\infty} \Delta \tau f(k \Delta \tau) \delta(t-k \Delta \tau)\\ \rightarrow f(t)=\int_{-\infty}^{+\infty} f(\tau) \delta(t-\tau) d \tau f(t)=k=+Δτf(kΔτ)δ(tkΔτ)f(t)=+f(τ)δ(tτ)dτ
    右边之和 (系统响应信号)
    g ( t ) = ∑ k = − ∞ + ∞ Δ τ f ( k Δ τ ) h ( t − k Δ τ ) g(t)=\sum_{k=-\infty}^{+\infty} \Delta \tau f(k \Delta \tau) h(t-k \Delta \tau) g(t)=k=+Δτf(kΔτ)h(tkΔτ)
    Δ τ → d τ , k Δ τ → τ , ∑ − ∞ + ∞ → ∫ − ∞ + ∞ \Delta \tau \rightarrow d \tau \quad, \quad \mathrm{k} \Delta \tau \rightarrow \tau, \quad \sum_{-\infty}^{+\infty} \rightarrow \int_{-\infty}^{+\infty} Δτdτ,kΔττ,++
    → g ( t ) = ∫ − ∞ ∞ f ( τ ) h ( t − τ ) d τ = f ( t ) ⊗ h ( t ) = f ( t ) ∗ h ( t ) \rightarrow g(t)=\int_{-\infty}^{\infty} f(\tau) h(t-\tau) d \tau=f(t) \otimes h(t)=f(t) * h(t) g(t)=f(τ)h(tτ)dτ=f(t)h(t)=f(t)h(t)
    这就实现了 我们通过卷积这种新的方式来求取系统的零状态响应

    5、如何计算卷积?图像法和积分法和卷积的几个 性质这两点网上非常多总结,如果需要以后再更。

    展开全文
  • 通俗地理解信号与系统中的卷积

    千次阅读 多人点赞 2019-06-23 14:48:00
    转载自:My_z ...(有人抢答,"卷积"是为了学习"信号与系统"这门课的后续章节而存在的。我大吼一声,把他拖出去枪毙!) 讲一个故事: 张三刚刚应聘到了一个电子产品公司做测试人员,他没有学过"信号与...

    转载自:My_z

    第一课什么是卷积卷积有什么用什么是傅利叶变换什么是拉普拉斯变换

    引子

    很多朋友和我一样,工科电子类专业,学了一堆信号方面的课,什么都没学懂,背了公式考了试,然后毕业了。

    先说"卷积有什么用"这个问题。(有人抢答,"卷积"是为了学习"信号与系统"这门课的后续章节而存在的。我大吼一声,把他拖出去枪毙!)

    讲一个故事:

    张三刚刚应聘到了一个电子产品公司做测试人员,他没有学过"信号与系统"这门课程。一天,他拿到了一个产品,开发人员告诉他,产品有一个输入端,有一个输出端,有限的输入信号只会产生有限的输出。

    然后,经理让张三测试当输入sin(t)(t<1秒)信号的时候(有信号发生器),该产品输出什么样的波形。张三照做了,花了一个波形图。

    "很好!"经理说。然后经理给了张三一叠A4纸:“这里有几千种信号,都用公式说明了,输入信号的持续时间也是确定的。你分别测试以下我们产品的输出波形是什么吧!”

    这下张三懵了,他在心理想"上帝,帮帮我把,我怎么画出这些波形图呢?"

    于是上帝出现了:“张三,你只要做一次测试,就能用数学的方法,画出所有输入波形对应的输出波形”。

    上帝接着说:“给产品一个脉冲信号,能量是1焦耳,输出的波形图画出来!”

    张三照办了,“然后呢?”

    上帝又说,“对于某个输入波形,你想象把它微分成无数个小的脉冲,输入给产品,叠加出来的结果就是你的输出波形。你可以想象这些小脉冲排着队进入你的产品,每个产生一个小的输出,你画出时序图的时候,输入信号的波形好像是反过来进入系统的。”

    张三领悟了:“哦,输出的结果就积分出来啦!感谢上帝。这个方法叫什么名字呢?”

    上帝说:“叫卷积!”

    从此,张三的工作轻松多了。每次经理让他测试一些信号的输出结果,张三都只需要在A4纸上做微积分就是提交任务了!


    张三愉快地工作着,直到有一天,平静的生活被打破。

    经理拿来了一个小的电子设备,接到示波器上面,对张三说:“看,这个小设备产生的波形根本没法用一个简单的函数来说明,而且,它连续不断的发出信号!不过幸好,这个连续信号是每隔一段时间就重复一次的。张三,你来测试以下,连到我们的设备上,会产生什么输出波形!”

    张三摆摆手:“输入信号是无限时长的,难道我要测试无限长的时间才能得到一个稳定的,重复的波形输出吗?”

    经理怒了:“反正你给我搞定,否则炒鱿鱼!”

    张三心想:“这次输入信号连公式都给出出来,一个很混乱的波形;时间又是无限长的,卷积也不行了,怎么办呢?”

    及时地,上帝又出现了:“把混乱的时间域信号映射到另外一个数学域上面,计算完成以后再映射回来”

    “宇宙的每一个原子都在旋转和震荡,你可以把时间信号看成若干个震荡叠加的效果,也就是若干个可以确定的,有固定频率特性的东西。”

    “我给你一个数学函数f,时间域无限的输入信号在f域有限的。时间域波形混乱的输入信号在f域是整齐的容易看清楚的。这样你就可以计算了”

    “同时,时间域的卷积在f域是简单的相乘关系,我可以证明给你看看”

    “计算完有限的程序以后,取f(-1)反变换回时间域,你就得到了一个输出波形,剩下的就是你的数学计算了!”

    张三谢过了上帝,保住了他的工作。后来他知道了,f域的变换有一个名字,叫做傅利叶,什么什么…


    再后来,公司开发了一种新的电子产品,输出信号是无限时间长度的。这次,张三开始学拉普拉斯了…

    后记:

    不是我们学的不好,是因为教材不好,老师讲的也不好。

    很欣赏Google的面试题:用3句话像老太太讲清楚什么是数据库。这样的命题非常好,因为没有深入的理解一个命题,没有仔细的思考一个东西的设计哲学,我们就会陷入细节的泥沼:背公式,数学推导,积分,做题;而没有时间来回答"为什么要这样"。做大学老师的做不到"把厚书读薄"这一点,讲不出哲学层面的道理,一味背书和翻讲ppt,做着枯燥的数学证明,然后责怪"现在的学生一代不如一代",有什么意义吗?

    第二课到底什么是频率什么是系统?

    这一篇,我展开的说一下傅立叶变换F。注意,傅立叶变换的名字F可以表示频率的概念(freqence),也可以包括其他任何概念,因为它只是一个概念模型,为了解决计算的问题而构造出来的(例如时域无限长的输入信号,怎么得到输出信号)。我们把傅立叶变换看一个C语言的函数,信号的输出输出问题看为IO的问题,然后任何难以求解的x->y的问题都可以用x->f(x)->f-1(x)->y来得到。

    1.到底什么是频率?

    一个基本的假设:任何信息都具有频率方面的特性,音频信号的声音高低,光的频谱,电子震荡的周期,等等,我们抽象出一个件谐振动的概念,数学名称就叫做频率。想象在x-y平面上有一个原子围绕原点做半径为1匀速圆周运动,把x轴想象成时间,那么该圆周运动在y轴上的投影就是一个sin(t)的波形。相信中学生都能理解这个。

    那么,不同的频率模型其实就对应了不同的圆周运动速度。圆周运动的速度越快,sin(t)的波形越窄。频率的缩放有两种模式

    (a)老式的收音机都是用磁带作为音乐介质的,当我们快放的时候,我们会感觉歌唱的声音变得怪怪的,调子很高,那是因为"圆周运动"的速度增倍了,每一个声音分量的sin(t)输出变成了sin(nt)。

    (b)在CD/计算机上面快放或满放感觉歌手快唱或者慢唱,不会出现音调变高的现象:因为快放的时候采用了时域采样的方法,丢弃了一些波形,但是承载了信息的输出波形不会有宽窄的变化;满放时相反,时域信号填充拉长就可以了。

    2.F变换得到的结果有负数/复数部分,有什么物理意义吗?

    解释:F变换是个数学工具,不具有直接的物理意义,负数/复数的存在只是为了计算的完整性。

    3.信号与系统这们课的基本主旨是什么?

    对于通信和电子类的学生来说,很多情况下我们的工作是设计或者OSI七层模型当中的物理层技术,这种技术的复杂性首先在于你必须确立传输介质的电气特性,通常不同传输介质对于不同频率段的信号有不同的处理能力。以太网线处理基带信号,广域网光线传出高频调制信号,移动通信,2G和3G分别需要有不同的载频特性。那么这些介质(空气,电线,光纤等)对于某种频率的输入是否能够在传输了一定的距离之后得到基本不变的输入呢?那么我们就要建立介质的频率相应数学模型。同时,知道了介质的频率特性,如何设计在它上面传输的信号才能大到理论上的最大传输速率?----这就是信号与系统这们课带领我们进入的一个世界。

    当然,信号与系统的应用不止这些,和香农的信息理论挂钩,它还可以用于信息处理(声音,图像),模式识别,智能控制等领域。如果说,计算机专业的课程是数据表达的逻辑模型,那么信号与系统建立的就是更底层的,代表了某种物理意义的数学模型。数据结构的知识能解决逻辑信息的编码和纠错,而信号的知识能帮我们设计出码流的物理载体(如果接受到的信号波形是混乱的,那我依据什么来判断这个是1还是0?逻辑上的纠错就失去了意义)。在工业控制领域,计算机的应用前提是各种数模转换,那么各种物理现象产生的连续模拟信号(温度,电阻,大小,压力,速度等)如何被一个特定设备转换为有意义的数字信号,首先我们就要设计一个可用的数学转换模型。

    4.如何设计系统?

    设计物理上的系统函数(连续的或离散的状态),有输入,有输出,而中间的处理过程和具体的物理实现相关,不是这们课关心的重点(电子电路设计?)。信号与系统归根到底就是为了特定的需求来设计一个系统函数。设计出系统函数的前提是把输入和输出都用函数来表示(例如sin(t))。分析的方法就是把一个复杂的信号分解为若干个简单的信号累加,具体的过程就是一大堆微积分的东西,具体的数**算不是这门课的中心思想。

    那么系统有那些种类呢?

    (a)按功能分类:调制解调(信号抽样和重构),叠加,滤波,功放,相位调整,信号时钟同步,负反馈锁相环,以及若干子系统组成的一个更为复杂的系统----你可以画出系统流程图,是不是很接近编写程序的逻辑流程图?确实在符号的空间里它们没有区别。还有就是离散状态的数字信号处理(后续课程)。

    (b)按系统类别划分,无状态系统,有限状态机,线性系统等。而物理层的连续系统函数,是一种复杂的线性系统。

    5.最好的教材?

    符号系统的核心是集合论,不是微积分,没有集合论构造出来的系统,实现用到的微积分便毫无意义----你甚至不知道运算了半天到底是要作什么。以计算机的观点来学习信号与系统,最好的教材之一就是<>,作者是UCBerkeley的EdwardA.LeeandPravinVaraiya----先定义再实现,符合人类的思维习惯。国内的教材通篇都是数学推导,就是不肯说这些推导是为了什么目的来做的,用来得到什么,建设什么,防止什么;不去从认识论和需求上讨论,通篇都是看不出目的的方**,本末倒置了。

    第三课抽样定理是干什么的

    1.举个例子,打电话的时候,电话机发出的信号是PAM脉冲调幅,在电话线路上传的不是话音,而是话音通过信道编码转换后的脉冲序列,在收端恢复语音波形。那么对于连续的说话人语音信号,如何转化成为一些列脉冲才能保证基本不失真,可以传输呢?很明显,我们想到的就是取样,每隔M毫秒对话音采样一次看看电信号振幅,把振幅转换为脉冲编码,传输出去,在收端按某种规则重新生成语言。

    那么,问题来了,每M毫秒采样一次,M多小是足够的?在收端怎么才能恢复语言波形呢?

    对于第一个问题,我们考虑,语音信号是个时间频率信号(所以对应的F变换就表示时间频率)把语音信号分解为若干个不同频率的单音混合体(周期函数的复利叶级数展开,非周期的区间函数,可以看成补齐以后的周期信号展开,效果一样),对于最高频率的信号分量,如果抽样方式能否保证恢复这个分量,那么其他的低频率分量也就能通过抽样的方式使得信息得以保存。如果人的声音高频限制在3000Hz,那么高频分量我们看成sin(3000t),这个sin函数要通过抽样保存信息,可以看为:对于一个周期,波峰采样一次,波谷采样一次,也就是采样频率是最高频率分量的2倍(奈奎斯特抽样定理),我们就可以通过采样信号无损的表示原始的模拟连续信号。这两个信号一一对应,互相等价。

    对于第二个问题,在收端,怎么从脉冲序列(梳装波形)恢复模拟的连续信号呢?首先,我们已经肯定了在频率域上面的脉冲序列已经包含了全部信息,但是原始信息只在某一个频率以下存在,怎么做?我们让输入脉冲信号I通过一个设备X,输出信号为原始的语音O,那么I()X=O,这里()表示卷积。时域的特性不好分析,那么在频率域F(I)*F(X)=F(O)相乘关系,这下就很明显了,只要F(X)是一个理想的,低通滤波器就可以了(在F域画出来就是一个方框),它在时间域是一个钟型函数(由于包含时间轴的负数部分,所以实际中不存在),做出这样的一个信号处理设备,我们就可以通过输入的脉冲序列得到几乎理想的原始的语音。在实际应用中,我们的抽样频率通常是奈奎斯特频率再多一点,3k赫兹的语音信号,抽样标准是8k赫兹。

    2.再举一个例子,对于数字图像,抽样定理对应于图片的分辨率----抽样密度越大,图片的分辨率越高,也就越清晰。如果我们的抽样频率不够,信息就会发生混叠----网上有一幅图片,近视眼戴眼镜看到的是爱因斯坦,摘掉眼睛看到的是梦露----因为不带眼睛,分辨率不够(抽样频率太低),高频分量失真被混入了低频分量,才造成了一个视觉陷阱。在这里,图像的F变化,对应的是空间频率。

    话说回来了,直接在信道上传原始语音信号不好吗?模拟信号没有抗干扰能力,没有纠错能力,抽样得到的信号,有了数字特性,传输性能更佳。

    什么信号不能理想抽样?时域有跳变,频域无穷宽,例如方波信号。如果用有限带宽的抽样信号表示它,相当于复利叶级数取了部分和,而这个部分和在恢复原始信号的时候,在不可导的点上面会有毛刺,也叫吉布斯现象。

    3.为什么傅立叶想出了这么一个级数来?这个源于西方哲学和科学的基本思想:正交分析方法。例如研究一个立体形状,我们使用x,y,z三个互相正交的轴:任何一个轴在其他轴上面的投影都是0。这样的话,一个物体的3视图就可以完全表达它的形状。同理,信号怎么分解和分析呢?用互相正交的三角函数分量的无限和:这就是傅立叶的贡献。

    入门第四课傅立叶变换的复数小波

    说的广义一点,“复数"是一个"概念”,不是一种客观存在。

    什么是"概念"?一张纸有几个面?两个,这里"面"是一个概念,一个主观对客观存在的认知,就像"大"和"小"的概念一样,只对人的意识有意义,对客观存在本身没有意义(康德:纯粹理性的批判)。把纸条的两边转一下相连接,变成"莫比乌斯圈",这个纸条就只剩下一个"面"了。概念是对客观世界的加工,反映到意识中的东西。

    数的概念是这样被推广的:什么数x使得x2=-1?实数轴显然不行,(-1)*(-1)=1。那么如果存在一个抽象空间,它既包括真实世界的实数,也能包括想象出来的x2=-1,那么我们称这个想象空间为"复数域"。那么实数的运算法则就是复数域的一个特例。为什么1*(-1)=-1?±符号在复数域里面代表方向,-1就是"向后,转!"这样的命令,一个1在圆周运动180度以后变成了-1,这里,直线的数轴和圆周旋转,在复数的空间里面被统一了。

    因此,(-1)*(-1)=1可以解释为"向后转"+“向后转”=回到原地。那么复数域如何表示x2=-1呢?很简单,“向左转”,“向左转"两次相当于"向后转”。由于单轴的实数域(直线)不包含这样的元素,所以复数域必须由两个正交的数轴表示–平面。很明显,我们可以得到复数域乘法的一个特性,就是结果的绝对值为两个复数绝对值相乘,旋转的角度=两个复数的旋转角度相加。高中时代我们就学习了迪莫弗定理。为什么有这样的乘法性质?不是因为复数域恰好具有这样的乘法性质(性质决定认识),而是发明复数域的人就是根据这样的需求去弄出了这么一个复数域(认识决定性质),是一种主观唯心主义的研究方法。为了构造x2=-1,我们必须考虑把乘法看为两个元素构成的集合:乘积和角度旋转。

    因为三角函数可以看为圆周运动的一种投影,所以,在复数域,三角函数和乘法运算(指数)被统一了。我们从实数域的傅立叶级数展开入手,立刻可以得到形式更简单的,复数域的,和实数域一一对应的傅立叶复数级数。因为复数域形式简单,所以研究起来方便----虽然自然界不存在复数,但是由于和实数域的级数一一对应,我们做个反映射就能得到有物理意义的结果。

    那么傅立叶变换,那个令人难以理解的转换公式是什么含义呢?我们可以看一下它和复数域傅立叶级数的关系。什么是微积分,就是先微分,再积分,傅立叶级数已经作了无限微分了,对应无数个离散的频率分量冲击信号的和。傅立叶变换要解决非周期信号的分析问题,想象这个非周期信号也是一个周期信号:只是周期为无穷大,各频率分量无穷小而已(否则积分的结果就是无穷)。那么我们看到傅立叶级数,每个分量常数的求解过程,积分的区间就是从T变成了正负无穷大。而由于每个频率分量的常数无穷小,那么让每个分量都去除以f,就得到有值的数----所以周期函数的傅立叶变换对应一堆脉冲函数。同理,各个频率分量之间无限的接近,因为f很小,级数中的f,2f,3f之间几乎是挨着的,最后挨到了一起,和卷积一样,这个复数频率空间的级数求和最终可以变成一个积分式:傅立叶级数变成了傅立叶变换。注意有个概念的变化:离散的频率,每个频率都有一个"权"值,而连续的F域,每个频率的加权值都是无穷小(面积=0),只有一个频率范围内的"频谱"才对应一定的能量积分。频率点变成了频谱的线。

    因此傅立叶变换求出来的是一个通常是一个连续函数,是复数频率域上面的可以画出图像的东西?那个根号2Pai又是什么?它只是为了保证正变换反变换回来以后,信号不变。我们可以让正变换除以2,让反变换除以Pi,怎么都行。慢点,怎么有"负数"的部分,还是那句话,是数轴的方向对应复数轴的旋转,或者对应三角函数的相位分量,这样说就很好理解了。有什么好处?我们忽略相位,只研究"振幅"因素,就能看到实数频率域内的频率特性了。

    我们从实数(三角函数分解)->复数(e和Pi)->复数变换(F)->复数反变换(F-1)->复数(取幅度分量)->实数,看起来很复杂,但是这个工具使得,单从实数域无法解决的频率分析问题,变得可以解决了。两者之间的关系是:傅立叶级数中的频率幅度分量是a1-an,b1-bn,这些离散的数表示频率特性,每个数都是积分的结果。而傅立叶变换的结果是一个连续函数:对于f域每个取值点a1-aN(N=无穷),它的值都是原始的时域函数和一个三角函数(表示成了复数)积分的结果----这个求解和级数的表示形式是一样的。不过是把N个离散的积分式子统一为了一个通用的,连续的积分式子。

    复频域,大家都说画不出来,但是我来画一下!因为不是一个图能够表示清楚的。我用纯中文来说:

    1.画一个x,y轴组成的平面,以原点为中心画一个圆(r=1)。再画一条竖直线:(直线方程x=2),把它看成是一块挡板。

    2.想象,有一个原子,从(1,0)点出发,沿着这个圆作逆时针匀速圆周运动。想象太阳光从x轴的复数方向射向x轴的正数方向,那么这个原子运动在挡板(x=2)上面的投影,就是一个简协震动。

    3.再修改一下,x=2对应的不是一个挡板,而是一个打印机的出纸口,那么,原子运动的过程就在白纸上画下了一条连续的sin(t)曲线!

    上面3条说明了什么呢?三角函数和圆周运动是一一对应的。如果我想要sin(t+x),或者cos(t)这种形式,我只需要让原子的起始位置改变一下就可以了:也就是级坐标的向量,半径不变,相位改变。

    傅立叶级数的实数展开形式,每一个频率分量都表示为AnCos(nt)+BnSin(nt),我们可以证明,这个式子可以变成sqr(An2+Bn2)sin(nt+x)这样的单个三角函数形式,那么:实数值对(An,Bn),就对应了二维平面上面的一个点,相位x对应这个点的相位。实数和复数之间的一一对应关系便建立起来了,因此实数频率唯一对应某个复数频率,我们就可以用复数来方便的研究实数的运算:把三角运算变成指数和乘法加法运算。


    但是,F变换仍然是有限制的(输入函数的表示必须满足狄义赫立条件等),为了更广泛的使用"域"变换的思想来表示一种"广义"的频率信息,我们就发明出了拉普拉斯变换,它的连续形式对应F变换,离散形式就成了Z变换。离散信号呢?离散周期函数的F级数,项数有限,离散非周期函数(看为周期延拓以后仍然是离散周期函数),离散F级数,仍然项数有限。离散的F变换,很容易理解----连续信号通过一个周期采样滤波器,也就是频率域和一堆脉冲相乘。时域取样对应频域周期延拓。为什么?反过来容易理解了,时域的周期延拓对应频率域的一堆脉冲。

    两者的区别:FT[f(t)]=从负无穷到正无穷对[f(t)exp(-jwt)]积分LT[f(t)]=从零到正无穷对[f(t)exp(-st)]积分(由于实际应用,通常只做单边Laplace变换,即积分从零开始)具体地,在Fourier积分变换中,所乘因子为exp(-jwt),此处,-jwt显然是为一纯虚数;而在laplace变换中,所乘因子为exp(-st),其中s为一复数:s=D+jw,jw是为虚部,相当于Fourier变换中的jwt,而D则是实部,作为衰减因子,这样就能将许多无法作Fourier变换的函数(比如exp(at),a>0)做域变换。

    而Z变换,简单地说,就是离散信号(也可以叫做序列)的Laplace变换,可由抽样信号的Laplace变换导出。ZT[f(n)]=从n为负无穷到正无穷对[f(n)Z^(-n)]求和。Z域的物理意义:由于值被离散了,所以输入输出的过程和花费的物理时间已经没有了必然的关系(t只对连续信号有意义),所以频域的考察变得及其简单起来,我们把(1,-1,1,-1,1,-1)这样的基本序列看成是数字频率最高的序列,他的数字频率是1Hz(数字角频率2Pi),其他的数字序列频率都是N分之1Hz,频率分解的结果就是0-2Pi角频率当中的若干个值的集合,也是一堆离散的数。由于时频都是离散的,所以在做变换的时候,不需要写出冲击函数的因子

    离散傅立叶变换到快速傅立叶变换----由于离散傅立叶变换的次数是O(N^2),于是我们考虑把离散序列分解成两两一组进行离散傅立叶变换,变换的计算复杂度就下降到了O(NlogN),再把计算的结果累加O(N),这就大大降低了计算复杂度。

    再说一个高级话题:小波。在实际的工程应用中,前面所说的这些变换大部分都已经被小波变换代替了。

    什么是小波?先说什么是波:傅立叶级数里面的分量,sin/cos函数就是波,sin(t)/cos(t)经过幅度的放缩和频率的收紧,变成了一系列的波的求和,一致收敛于原始函数。注意傅立叶级数求和的收敛性是对于整个数轴而言的,严格的。不过前面我们说了,实际应用FFT的时候,我们只需要关注部分信号的傅立叶变换然后求出一个整体和就可以了,那么对于函数的部分分量,我们只需要保证这个用来充当砖块的"波函数",在某个区间(用窗函数来滤波)内符合那几个可积分和收敛的定义就可以了,因此傅立叶变换的"波"因子,就可以不使用三角函数,而是使用一系列从某些基本函数构造出来的函数族,只要这个基本函数符合那些收敛和正交的条件就可以了。怎么构造这样的基本函数呢?sin(t)被加了方形窗以后,映射到频域是一堆无穷的散列脉冲,所以不能再用三角函数了。我们要得到频率域收敛性好的函数族,能覆盖频率域的低端部分。说的远一点,如果是取数字信号的小波变换,那么基础小波要保证数字角频率是最大的2Pi。利用小波进行离频谱分析的方法,不是像傅立叶级数那样求出所有的频率分量,也不是向傅立叶变换那样看频谱特性,而是做某种滤波,看看在某种数字角频率的波峰值大概是多少。可以根据实际需要得到如干个数字序列。

    我们采用(0,f),(f,2f),(2f,4f)这样的倍频关系来考察函数族的频率特性,那么对应的时间波形就是倍数扩展(且包含调制—所以才有频谱搬移)的一系列函数族。频域是窗函数的基本函数,时域就是钟形函数。当然其他类型的小波,虽然频率域不是窗函数,但是仍然可用:因为小波积分求出来的变换,是一个值,例如(0,f)里包含的总能量值,(f,2f)里面包含的总能量值。所以即使频域的分割不是用长方形而是其他的图形,对于结果来说影响不大。同时,这个频率域的值,它的分辨率密度和时域小波基函数的时间分辨率是冲突的(时域紧频域宽,时域宽频域紧),所以设计的时候受到海森堡测不准原理的制约。Jpeg2000压缩就是小波:因为时频都是局部的,变换结果是数值点而不是向量,所以,计算复杂度从FFT的O(NlgN)下降到了O(N),性能非常好。

    用中文说了这么多,基本的思想已经表达清楚了,为了"研究方便",从实数傅立叶级数展开,到创造了复数域的傅立叶级数展开,再到傅立叶变换,再扩展到拉式变换,再为了时频都离散的情况简化为Z变换,全部都用一根主线联系起来了。

    下面属于博主本人所写


    1、对卷积公式的数学推导
    输入信号为 x ( t ) x(t) x(t),输出信号为 y ( t ) y(t) y(t),脉冲响应函数为 g ( τ ) g(\tau) g(τ),则它们之间的关系可用下式表明
    y ( t ) = ∫ 0 ∞ g ( σ ) x ( t − σ ) d σ y(t) = \int_0^{\infty}{g(\sigma)x(t-\sigma)d\sigma} y(t)=0g(σ)x(tσ)dσ
    下面我们就依据上面的说法对这个公式进行解释。
    y ( t ) y(t) y(t) t t t时刻的值是怎么组成的呢?它是这样组成的:输入信号从 − ∞ -\infty 开始的不同时刻的输入值的脉冲响应 t t t时刻的值叠加而成,我们把时刻 m m m表示,这样,上面的语言描述就可以用公式来刻画了
    y ( t ) = ∫ − ∞ t g ( t − m ) x ( m ) d m y(t) = \int_{-\infty}^{t}{g(t-m)x(m)dm} y(t)=tg(tm)x(m)dm
    这好像和我们刚开始给的公式有点不一样,下面做一下数学变换,令 t − m = σ t-m=\sigma tm=σ,做相应的变换便可以得到卷积公式。

    展开全文
  • 信号与系统:利用Matlab实现两个信号卷积

    万次阅读 多人点赞 2020-08-14 17:15:31
    卷积积分是一种特殊的积分,它在积分变换,微分方程,信号与系统等领域应用广泛,是一种重要的数学工具。 卷积积分实例: 计算方法: 利用Matlab工具箱求解两个信号卷积理解卷积的概念,并与理论计算结果...

    在泛函分析中,卷积、旋积或摺积(英语:Convolution)是通过两个函数f 和g 生成第三个函数的一种数学算子,表征函数f 与g经过翻转和平移的重叠部分函数值乘积对重叠长度的积分。卷积积分是一种特殊的积分,它在积分变换,微分方程,信号与系统等领域应用广泛,是一种重要的数学工具。

    卷积积分实例:在这里插入图片描述
    计算方法:
    在这里插入图片描述

    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

    利用Matlab工具箱求解两个信号的卷积,理解卷积的概念,并与理论计算结果进行比较。连续时间信号卷积可以用函数conv来求解两个信号的卷积运算结果,注意卷积结果时间范围的上下限范围分别是两个信号各自上下限范围的和

    t=-1:0.01:5;
    f1=((t>0)-(t>3));
    f2=exp(-t).*(t>0);
    f3=conv(f1,f2);f3=f3*0.01;
    k=2*length(t)-1;
    k3=linspace(2*t(1),2*t(end),k);
    subplot(2,2,1)
    plot(t,f1);
    title('f1(t)')
    xlabel('t')
    ylabel('f1(t)')
    subplot(2,2,2)
    plot(t,f2)
    title('f2(t)')
    xlabel('t')
    ylabel('f2(t)')
    subplot(2,2,3)
    plot(k3,f3);
    h=get(gca,'position');
    h(3)=2.5*h(3);
    set(gca,'position',h);
    title('f(t)=f1(t)*f2(t)');
    xlabel('t');
    ylabel('f(t)');
    
    

    运行结果:
    在这里插入图片描述

    展开全文
  • 对于初学者,无法理解卷积的意义是因为学校的学习是先教了运算法则,任给两个函数卷积其实没有什么实际意义。不过是为了让你熟悉卷积运算。 在信号系统中,对于系统给定输入(激励)f(t),总会有一个输出(响应)g(t...
  • 理解信号处理中的卷积

    万次阅读 多人点赞 2017-12-30 21:04:09
    卷积是通信与信号处理中的重要概念,无论是信号与系统或者是数字信号处理教材都有专门的章节对其详述,但国内很多教材一上来就是让人头疼的公式和推导,使我们很难理解卷积的深层含义。最近看了国外一本书籍《The ...
  • 卷积理解

    千次阅读 2018-07-23 17:30:23
    相信很多时候,当我们在看到“卷积”时,总是处于一脸懵逼的状态,不但因为它的本义概念比较难理解,还因为它在不同的应用中发挥出的变幻莫测的作用也时常让人迷糊。但这些应用其实本质上都是同一种东西,理解卷积...
  • MATLAB—信号与系统中的应用

    千次阅读 多人点赞 2020-04-21 15:32:42
    文章目录一. 理论知识1.线性系统的响应2.微分方程的解Ⅰ.经典解Ⅱ.完全响应3.零输入响应4.零状态响应5.冲激响应6.阶跃响应7....用MATLAB处理信号与系统中的问题,更加直观、方便、准确。 一. 理论知识 1...
  • 数字信号处理之卷积

    万次阅读 多人点赞 2017-04-16 14:02:15
    数字信号处理之卷积 1.数字信号处理原理  线性系统中,信号只能以乘以一个常数之后再相加的方式进行组合。例如,一个信号不能直接乘以另外一个信号。如下图所示,根据给出三个信号:x0[n],x1[n],x2[n]相加得到...
  • Jay Kuo 提出了一种用于理解卷积神经网络的数学模型。机器之心技术分析师对该研究进行了解读,本文为解读的中文版。论文地址:https://arxiv.org/abs/1609.04112随着复杂又有效的神经网络架构的涌现,卷积神经网络...
  • 理解图像卷积操作的意义

    万次阅读 多人点赞 2017-05-16 22:40:04
    由于现实情况中常常是一个信号前一时刻的输出影响着这一时刻的输出,所在一般利用系统的单位响应与系统的输入求卷积,以求得系统的输出信号(当然要求这个系统是线性时不变的)。 卷积的定义: 卷积是两个变量在某...
  • 最容易理解的对卷积(convolution)的解释

    万次阅读 多人点赞 2017-01-25 15:14:49
    啰嗦开场白读本科期间,信号与系统里面经常讲到卷积(convolution),自动控制原理里面也会经常有提到卷积。硕士期间又学了线性系统理论与数字信号处理,里面也是各种大把大把卷积的概念。至于最近大火的深度学习,更...
  • 信号与系统——初识到理解

    千次阅读 2020-04-05 15:06:26
    1.2 信号与系统实际应用 1.3 本章小结 第二章 信号与系统 2.1 什么是信号信号如何表征 2.2 信号如何分类 2.3 特殊的一类信号——奇异信号 2.4 什么是系统及系统如何表征 2.5 系统的性质 2.6 我们研究的系统 2.7 本...
  • 信号与系统中的卷积解释 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,转载请联系作者获得授权。 不推荐用“反转/翻转/反褶/对称”等解释卷积。...
  • 卷积及其应用

    2019-11-28 15:56:12
    卷积的数学意义及信号应用 地址:https://www.cnblogs.com/noticeable/p/9226203.html 卷积在图像处理中的应用 地址:https://blog.csdn.net/qq_35144795/article/details/78138223 卷积为什么如此强大?理解...
  • 数字信号处理——卷积

    千次阅读 2017-12-19 20:09:53
     就常识上来讲,系统的响应,不仅当前时刻系统的输入有关,还有之前的若干输入有关。也就是说,每一个输入信号都会对输出值产生影响,但影响的程度不尽相同,而这个影响程度的大小,就是权值,也就是卷积核(图像...
  • 卷积的困惑卷积这个概念,很早以前就学过,但是一直没有搞懂。教科书上通常会给出定义,给出很多性质,也会用实例和图形进行解释,但究竟为什么要这么设计,这么计算,背后的意义是什么,往往语焉不详。作为一个学...
  • 卷积信号处理机制中用途广泛,其中函数f可看做信号的发生,函数g可看做对信号响应,两者的卷积可看作在t时间过去产生的信号经过处理后的叠加 https://www.zhihu.com/question/22298352卷积在数字图像处理中的应用...
  • 卷积理解

    千次阅读 2017-10-13 13:30:07
    卷积理解起来还是十分抽象的,看了很多资料才算一知半解吧,以下贴出。只要接触过卷积的人一定会知道“反褶、平移、积分”这句话,大部分人解释卷积也是靠这句话,但这句话非常空洞,卷积又是一个十分抽象的东西,我...
  • 目录第五章——傅立叶变换的应用信号与系统的时频域特性5.1 傅立叶变换的模和相位表示5.2 无失真传输系统(讨论连续情况,离散时足以整数约束即可)5.3 系统相位5.4 群延时采样5.5 通信中对信号的加工5.6 冲击串采样...
  • 理解卷积

    千次阅读 2016-09-28 21:48:50
    1. 卷积的物理意义-加权叠加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。 举例: 已知 x[0] = a, x[1] = b, x[2]=c 已知y[0] = i, y[1] = j, y[2]=k 下面...
  • 数字信号处理的基础-卷积理解

    千次阅读 2015-07-18 17:46:03
    理解卷积之前,首先理解输入信号的一些变换: 对于一组离散的输入信号,可以表示为信号的权重值单位脉冲信号或是脉冲信号的移位的乘积,几如下表达式所示: 其中x[k]为当前信号的权重值,后面一部分为单位脉冲...
  • 卷积运算在信号处理课程中是非常重要的一种数学运算,根据卷积的定义,应用MATLAB软件编程演示了其计算过程,并用声音信号作为实例,演示了声音信号经过卷积运算后的结果,帮助学生更好的理解卷积的计算过程以及卷积定理...
  • 浅谈LTI系统与卷积

    千次阅读 2020-01-10 19:10:25
    信号与系统(第二版)奥本海姆 系统 在开始正文之前,可以回顾一下,信号与系统的思想。实际上,系统的思想广泛存在并应用于现实世界中。比如,大学可以是一个系统,每一个学生可以视作输入,而每一位毕业生都可以...
  • 1、通过这一实验,加深理解FFT在实现数字滤波(或快速卷积)中的重要作用,更 好的利用FFT进行数字信号处理。 2、进一步掌握循环卷积和线性卷积两者之间的关系。 二、实验要求及内容 实验一代码: clear al
  • 直到保研复习时,我通读了一遍课本,又看了好多网上的博客这才对《信号与系统》及其一些知识点有了更深的理解,在这里与大家分享一下,希望能对你有所帮助,以下只是我个人的理解,如果大家有不同意见欢迎与我交流。...
  • 图像处理中对卷积应用理解

    千次阅读 2018-07-06 09:53:40
    1、图像处理的原理在一幅图像上,我们可以看到有很...2、通过卷积实现平滑处理卷积是一种加权叠加的计算过程。在图像处理过程中,我们可以将图像看做一个矩阵,如下图所示然后用下面的平均矩阵(高斯模糊采用的是正...
  • 数字信号处理中卷积的计算

    万次阅读 2017-03-18 14:02:30
    数字信号处理的一条原则呢就是把...卷积从数字信号处理的角度来讲就是:加入我知道系统的脉冲响应,并且知道输入信号,那么我又没有什么把那可以得到输出是什么呢? 这样卷积就能够把我们想要的结果求解出来,假如系
  • 理解图像卷积

    2018-05-20 21:08:00
    由于现实情况中常常是一个信号前一时刻的输出影响着这一时刻的输出,所在一般利用系统的单位响应与系统的输入求卷积,以求得系统的输出信号(当然要求这个系统是线性时不变的)。 ...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 14,059
精华内容 5,623
关键字:

信号与系统的卷积的理解应用