如何理解信号与系统中的卷积
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) 连续形式:r(t)=e(t)∗h(t)=∫−∞+∞e(τ)h(t−τ)dτ离散形式:r(k)=e(k)∗h(k)=i=−∞∑∞e(i)h(k−i)
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。
步 长 Δ τ 步长 \Delta \tau 步长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(t−Δτ)]
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(t−Δτ)−u(t−2Δτ)]
… … \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(t−kΔτ)−u(t−kΔτ−Δτ)]
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(t−kΔτ)−u(t−kΔτ−Δτ)]
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} 当 Δτ 趋于无穷小的时候,由微分的定义可以得到 u(t)−u(t−Δτ)≈dtdu(t)⋅Δτ又∵dtdu(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(t−Δτ)f2(t)=Δτf(2Δτ)δ(t−2Δτ)……fk(t)=Δτf(kΔτ)δ(t−kΔτ)…….
∴ 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(t−kΔτ)
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) Δτ→dτkΔτ→τ−∞∑+∞→∫−∞+∞由f(t)=k=−∞∑∞Δtf(kΔτ)δ(t−kΔτ)
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 得到f(t)=∫−∞+∞f(τ)δ(t−τ)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从−∞到+∞都出现
注:对于有起因信号, t < 0 \mathrm{t}<0 t<0 时 f ( t ) = 0 , \mathrm{f}(\mathrm{t})=0, f(t)=0, 则
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(t−τ)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:
∴ 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(t−Δτ)→Δτf(Δτ)h(t−Δτ)Δτf(2Δτ)δ(t−2Δτ)→Δτf(2Δτ)h(t−2Δτ)…….Δτf(kΔτ)δ(t−kΔτ)→Δτf(kΔτ)h(t−kΔτ)
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(t−kΔτ)→f(t)=∫−∞+∞f(τ)δ(t−τ)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(t−kΔτ)
当 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} Δτ→dτ,kΔτ→τ,∑−∞+∞→∫−∞+∞
→ 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(t−τ)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。
如何理解信号与系统中的卷积相关推荐
- 通俗地理解信号与系统中的卷积
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&quo ...
- 信号与系统1-关于卷积的那些事
信号与系统1-关于卷积的那些事 开头 卷积的定义和推导 神奇的LTI系统 卷积的过程 有趣的卷积 总结 开头 卷积是信号与系统分析中必不可少的工具. 这次的学习教材为Alan V. Oppenheim ...
- MATLAB—信号与系统中的应用
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.卷积求零状态响应 二.连续信号的MATLAB描 ...
- matlab卷积实验原理,信号与系统实验报告——卷积(含程序)
信号与系统实验报告--卷积 电 子 科 技 大 学 实 验 报 告 学生姓名:苏晓菁 学 号:2804301026 指导教师:张鹰 一.实验室名称:信号与系统实验室 二.实验项目名称:离散系统的冲激响 ...
- 消息中间件解析 | 如何正确理解软件应用系统中关于系统通信的那些事?
苍穹之边,浩瀚之挚,眰恦之美:悟心悟性,善始善终,惟善惟道! -- 朝槿<朝槿兮年说> 写在开头 随着业务需求的发展和用户数量的激增,对于互联网应用系统或者服务应用程序则提出了新的挑战,也 ...
- 卷积神经网络中的卷积操作与信号系统中的卷积区别
本科期间信号系统中学习到了卷积概念, 卷积是两个变量在某范围内相乘后求和的结果.如果卷积的变量是序列x(n)和h(n),则卷积的结果 其中星号*表示卷积.当时序n=0时,序列h(-i)是h(i)的时序 ...
- 信号与系统中的机器学习相关的算法的进展和理解(期末作业)
机器学习是一门多学科交叉专业,涵盖概率论知识,统计学知识,近似理论知识和复杂算法知识,使用计算机作为工具并致力于真实实时的模拟人类学习方式, 并将现有内容进行知识结构划分来有效提高学习效率. 机器学习 ...
- 信号与系统中冲激函数匹配法怎么理解
先来看一道信号与系统时域分析微分方程的题 求冲激响应 求解过程: 首先得明确是响应信号,是激励信号 1将冲激信号认作激励信号,即代入,那么,响应信号就是 2解由两部分,特解和通解组成 对求通解,对求特 ...
- 归一化数字角频率_说一说信号与系统中的“归一化处理“
答疑群里面有同学问,"归一化是什么意思?".关于数学上归一化严谨的定义我没有研究过.去网上查了一下,360百科上是这样定义的: "归一化是一种简化计算的方式,即将有量纲的 ...
最新文章
- TCP/IP详解学习笔记(9)-TCP协议概述
- 微信公众平台开发(26) ACCESS TOKEN
- python人人贷爬虫_爬取人人贷网上部分借贷信息以及数据可视化
- config database.php,CodeIgniter配置之database.php用法实例分析
- 【jeecg移动开发能力】表单移动开发能力,提供多套表单模板(移动端、PC端),支持自定义
- np中meshgrid生成二维矩阵matplotlib中imshow生成图形
- 导出文件后打不开_PPT | 快速导出4K超高视频
- php 过滤非utf8,PHP如何将不是UTF8的字符过滤掉(代码)
- php 跨域提交,php实现跨域提交form表单的方法
- 根据显卡ID识别显卡型号
- 8、javascript数组
- 第二关练习讲解(下部)
- Postaman 报错:Could not get the lock, quitting
- keil5图标变成白色_桌面图标出现白块,显示图标异常的解决方法
- 一个软件开发者的BPM之路
- IDEA在创建包时如何把包分开实现自动分层
- RK3288_Android_8.1_定频关机
- 关于GPON的清晰明了的总结与配置示例,重点已加粗
- 知乎简历10年互联网从业经验
- 恐怖万圣节活动策划PPT模板
热门文章
- android无线图传demo,WHDI方案无线图传产品使用经验谈
- 无人机民航执照、AOPA多旋翼、固定翼视距内驾驶员、机长考证试题+解析+答案(无人机考证试题库,持续更新...)
- 【Three.js基础】创建场景、渲染场景、创建轨道控制器(一)
- excel 拼接单引号
- 常见字读音(粤语)---(4)
- 用Python实现微信自动化抢红包,再也不用担心抢不到红包了
- 员工部门信息表-myemployees
- Steam安装Google Earth VR
- OpenStack_Havana_Install_Guide 多节点安装总结2
- 给表格中的文字设置字体以及设置表格样式