線性時不變系統的卷積
1. 離散時間線性時不變系統的卷積和
1.1. 用脈衝表示離散時間訊號
任何離散時間訊號都可以看成是由離散時間單位脈衝組成的。
這個式子相當於把任意一個序列表示成一串移位的單位脈衝序列 的線性組合,而這個線性組合中的係數就是 。
1.2. 離散時間線性時不變系統的單位脈衝響應及卷積和表示
由線性系統的可加性,我們可以得到,一個線性時不變系統對 的響應就是系統對這些移位單位脈衝的響應的加權疊加。
另一方面,由於是時不變系統,系統對移位脈衝的響應也就是對未移位脈衝響應的移位。
若令 表示該線性系統對移位單位脈衝 的響應,那麼該線性系統對輸入 的響應 就是這些基本響應的加權線性組合。
如果該系統也是時不變的,那麼這些對移位單位脈衝的響應也都是互相之間作了移位。具體來說,因為 是 的時間移位,響應 也就是 的一個時移,即
為了簡化符號,我們將 的下標去掉,定義單位脈衝序列響應為:
這樣 (2) 式就變成
這個結果被稱為卷積和,並且 (5) 式 右邊的運算稱為 和 的卷積,並用符號記作
-
例 1
-
例 2
如果我們要對某個特定的 求 ,我們還可以將訊號 和 都看成是 的函式,將它們相乘就得到序列 ,它可看成在每一個時刻 ,輸入 對輸出在時刻 做出的貢獻,然後將 序列中的樣本值相加就是在所選時刻 的輸出值。
2. 連續時間線性時不變系統的卷積和
2.1. 用衝激表示連續時間訊號
與離散情況一樣,式 (7) 為連續時間衝激函式的篩選性質,任何連續時間訊號都可以用上式來表示。
2.2. 離散時間線性時不變系統的單位脈衝響應及卷積和表示
與離散時間情況下的卷積和相對應,一個連續時間線性時不變系統的特性可以用它的單位衝激響應來刻畫。
式 (8) 稱為卷積積分或疊加積分。
- 例 1
獲取更多精彩,請關注「seniusen」!
相關文章
- 數字訊號處理:線性卷積、迴圈卷積、圓周卷積計算卷積
- AI面試題之深入淺出卷積網路的平移不變性AI面試題卷積
- 自控原理中的線性系統和非線性系統
- 傅立葉變換(二)—— 卷積 Convolution卷積
- 影像處理中的valid卷積與same卷積卷積
- 變數的分類(臨時(本地)變數、環境變數、全域性變數和系統變數)變數
- LSTM的備胎,用卷積處理時間序列——TCN與因果卷積(理論+Python實踐)卷積Python
- 平凡的函式 線性篩積性函式函式
- 卷積核卷積
- 5.2.1.1 卷積卷積
- 通過String的不變性案例分析Java變數的可變性Java變數
- SEPC:使用3D卷積從FPN中提取尺度不變特徵,漲點神器 | CVPR 20203D卷積特徵
- 卷積神經網路中的Winograd快速卷積演算法卷積神經網路演算法
- 卷積層和全連線層之間的關係卷積
- 卷積神經網路四種卷積型別卷積神經網路型別
- 5.2.1.3 卷積層卷積
- 1*1卷積卷積
- 卷積步長卷積
- 卷積神經網路十五問:CNN與生物視覺系統的研究探索卷積神經網路CNN視覺
- 卷積導向快速傅立葉變換(FFT/NTT)教程卷積FFT
- 【線性代數】何時用初等行變換,何時用初等列變換?
- BiTCN:基於卷積網路的多元時間序列預測卷積
- shell全域性(系統)環境變數變數
- FSNet:利用卷積核概要進行深度卷積神經網路的壓縮卷積神經網路
- 由淺入深:CNN中卷積層與轉置卷積層的關係CNN卷積
- 2.0 卷積網路卷積
- 空洞卷積 Dilated Convolution卷積
- 深度可分離卷積卷積
- 卷積自編碼卷積
- Dilated Convolutions 空洞卷積卷積
- background 線性漸變
- 卷積神經網路的一些細節思考(卷積、池化層的作用)卷積神經網路
- CNN使用小卷積核而非大卷積的好處CNN卷積
- 線上CRM系統的安全性高嗎?
- Python - 讓requests不走系統 全域性 代理Python
- 影像的卷積和池化操作卷積
- 影象的卷積和池化操作卷積
- 蘋果新Apple Watch曝光:體積不變 螢幕變大蘋果APP