对于一个连续信号\(x(t)\),我们对其进行采样,就变成了离散的信号,记为
\[x_a(nT),n\in N,T\in R\]
右下角的a代表是对连续信号进行采样,也可以记为\(x[n]\)
常见的离散信号有冲激信号
\[\delta[n]=\begin{cases}1,n=0\\0,others\end{cases}\]
它的作用是可以把一个信号写为冲激信号的线性组合
\[x[n]=\sum_{k=-\infty}^{\infty}x[k]\delta[n-k]\]
然后是阶跃信号
\[u[n]=\begin{cases}1,n\geq 0\\0,others\end{cases}\]
结合冲激函数,得到
\[\delta[n]=u[n]-u[n-1],u[n]=\sum_{k=-\infty}^{n}\delta[k]\]
然后是复指数信号
\[x(t)=e^{jwt}=coswt+jsinwt\]
复指数函数是线性变换的特征,想要修改复指数函数的频率只可以通过非线性的变换.我们现在要将其缩小到离散域上
\[x_w[n]=e^{jwn}\]
并且他具备一个特点:
\[x_{w+2\pi}[n]=e^{j(w+2\pi)n}=e^{jwn}\]
这与连续复指数函数是不同的.这意味着,我们看离散函数的频域只需要看\(2\pi\)范围内,也只能看\(2\pi\)的范围
为什么会连续和离散会出现区别?
\(e^{j(w+2\pi)t}=cos(w+2\pi)t+jsin(w+2\pi)t\).而\(e^{j(w+2\pi)n}=cos(w+2\pi)n+jsin(w+2\pi)n\),由于n是整数,,而三角函数存在\(2\pi\)的周期,\(2\pi n\)一定是三角函数的整周期.
对于系统,我们研究的常常是输入与输出的关系,或者说是输入信号对系统的响应.常见的系统有延时系统
\[y[n]=x[n-n_d]\]
它改变的本质上是信号的相位.
然后是积分
\[y[n]=\sum_{k=-\infty}^{\infty}x[k]\]
平方器
\[y[n]=x^2[n]\]
而我们研究的系统基本都是线性的,线性需要满足两个特点:
1.可加性,即\(T(x[n]+y[n])=T(x[n])+T(y[n])\)
2.齐次性,即\(T(\alpha x[n])=\alpha T(x[n])\)
由此可以看出,延时和积分是线性的,平方是非线性的.如果研究线性系统,假如系统T是线性的,那么利用可加性和线性性,我可以得到
\[T(x[n])=T(\sum_{k=-\infty}^\infty x[k]\delta[n-k])=\sum_{k=-\infty}^{\infty}x[k]T(\delta[n-k])\]
我的系统现在作用到冲激上去了,这极大程度地化简了我们的分析,我们把\(T(\delta[n-k])\)称为冲激响应,记为\(h(n,k)\),那么我们就可以写为
\[T(x[n])=\sum_{k=-\infty}^{\infty}x[k]h(n,k)\]
这实际上间接解释了我们的矩阵乘法.
\[\underset{T}{\begin{bmatrix}a_{11}&a_{12}&a_{13}\\a_{21}&a_{22}&a_{23}\\a_{31}&a_{32}&a_{33}\end{bmatrix}}\begin{bmatrix}x_1\\x_2\\x_3\end{bmatrix}\]
我们实际上求的是
\[T\begin{pmatrix}\begin{pmatrix}x_1\\x_2\\x_3\end{pmatrix}\end{pmatrix}=T\begin{pmatrix}x_1\begin{pmatrix}1\\0\\0\end{pmatrix}+x_2\begin{pmatrix}0\\1\\0\end{pmatrix}+x_3\begin{pmatrix}0\\0\\1\end{pmatrix}\end{pmatrix}=x_1T\begin{pmatrix}1\\0\\0\end{pmatrix}+x_2T\begin{pmatrix}0\\1\\0\end{pmatrix}+x_3T\begin{pmatrix}0\\0\\1\end{pmatrix}\]
而这个时候,冲激响应就出现了.\(T\begin{pmatrix}1\\0\\0\end{pmatrix}\)就是一个冲激响应.
我们对系统的要求除了线性外,还有时不变.即如果输入发生了延时\(x[n]=x[n-n_d]\),那么我的输出也应当发生相同的延时\(y[n]=y[n-n_d]\).看到我们上面的系统,显然可以发现:延时器,积分和平方都是时不变的.
现在假设我们的系统T是时不变的,于是
\[\sum_{k=-\infty}^{\infty}x[k-n_d]h(n,k)\]
令\(k-n_d=k’\)于是原式变为
\[\sum_{k’=-\infty}^{\infty}x[k’]h(n,k’+n_d)=y[n-n_d]\]
想要让这个等式成立,我需要对h做限定,如果我的\(h(n,k)\)可以写为\(h[n-k]\),那么
\[y[n-n_d]=\sum_{k’=-\infty}^{\infty}x[k’]h(n,k’+n_d)=\sum_{k’=-\infty}^{\infty}x[k’]h[n-k’+n_d]\]
就恰好成立了.所以如果我们的系统是线性时不变(LTI)的,就可以写成
\[T(x[n])=\sum_{k=-\infty}^{\infty}x[k]h[n-k]=x[n]*h[n]\]
也就是卷积线性时不变系统.
系统还有一种性质:因果性,它决定了系统是否在现实中可以实现,它指:我系统的输出只能取决于当前时刻之前的输入,即不可以有关于未来的输入.为了满足因果性
\[T(x[n])=\sum_{k=-\infty}^{\infty}x[k]h[n-k]\]
令\(n-k=k\)于是有
\[T(x[n])=\sum_{k=-\infty}^{\infty}x[n-k]h[k]\]
为了满足因果性,我们在k<0的时候不可以有值,因此需要满足
\[h[k]=0,k<0\]
以及如果系统具有稳定性,那么当满足输入有界,那么输出也有界,即
\[|x[n]|<C\Rightarrow|\sum_{k=-\infty}^{\infty}x[n-k]h[k]|<C|\sum_{k=-\infty}^{\infty}h[k]|<C_y\]
回到我们的卷积,我希望我卷积得到的结果依然是线性的。在线性代数中,如果将一个矩阵与一个矢量相乘,得到的矩阵是原矩阵的线性变换,那么就称这个矢量是该矩阵的特征向量,现在我们把这个概念引到信号与系统中。
\[T(x[n])=\sum_{k=-\infty}^{\infty}x[n-k]h[k]=Hx[n]\]
假设\(x[n]=a^n\),
\[L(a^n)=\sum_{k=-\infty}^{\infty}h[k]a^{n-k}=a^n\sum_{k=-\infty}^{\infty}h[k]a^{-k}=H(a)a^n\]
\(H(a)\)虽然依赖a,但是与n无关,我们把\(x[n]=a^n\)称为特征函数,但是它没有物理含义,我们令\(a=e^{jw}\),那么\(x[n]=e^{jwn}\)为简谐振动,就有了物理意义
\[L(e^{jwn})=e^{jwn}\sum_{k=-\infty}^{\infty}h[k]e^{-jwk}=H(e^{jw})e^{jwn}\]
其中\(H(e^{jw})\)称为系统的传递函数.该函数可以分为幅度相应和相位响应
\[H(e^{jw})=|H(e^{jw})|e^{j<H(e^{jw})}\]
对于延时系统\(y[n]=x[n-n_d]\Rightarrow h[n]=\delta[n-n_d]\),所以
\[H(e^{jw})=\sum_{k=-\infty}^{\infty}\delta[n-n_d]e^{-jwk}=e^{-jwn_d}\Rightarrow|H(e^{jw}|=1\]
对于系统\(y[n]=\frac{1}{N}\sum_{k=0}^{N-1}x[n]\Rightarrow h[k]=\frac{1}{N}\),
\[\begin{aligned}H(e^{jw})=\sum_{k=0}^{N-1}\frac{1}{N}e^{-jwk}&=\frac{1}{N}\frac{1-e^{-jwn}}{1-e^{-jw}}\\&=\frac{1}{N}\frac{(e^{j\frac{n}{2}w}-e^{-j\frac{n}{2}w})e^{-j\frac{n}{2}w}}{(e^{\frac{1}{2}wj}-e^{-\frac{1}{2}wj})e^{-\frac{1}{2}wj}}\\&=\frac{1}{N}\frac{2jsin\frac{wn}{2}}{2jsin\frac{1}{2}w }\frac{e^{-j\frac{n}{2}w}}{e^{-\frac{1}{2}jw}}\\&=\frac{1}{N}\frac{sin\frac{wn}{2}}{sin\frac{1}{2}w}e^{-jw(\frac{N}{2}-1)}\end{aligned}\]
化简成这个式子我们就直接得到了我们的幅度响应
\[|H(e^{jw})|=\frac{1}{N}\frac{sin\frac{wn}{2}}{sin\frac{1}{2}w}\]
从幅度响应来看,如果令\(w=w+2\pi\),我们的幅度响应是没有变化的,也就是说它以\(2\pi\)为周期,所以我们只需要取一个周期进行研究,通常取\([-\pi,\pi]\).系统用这种方式可以求出响应,同样的,信号也可以,这个过程就叫离散傅里叶变换
\[X(e^{jw})=\sum_{k=-\infty}^{\infty}x[k]e^{-jwk}\]
既然有正变换,那就会有反变换,而前面已经说过,对于离散的信号,它的周期只有\([-\pi,\pi]\),所以
\[x[n]=\frac{1}{2\pi}\int_{-\pi}^{\pi}X(e^{jw})e^{jwn}dw\]
例:\(1.x[n]=a^nu[n],|a|<1\)
\[X(e^{jw})=\sum_{k=-\infty}^{\infty}x[k]e^{-jwn}=\sum_{k=0}^{\infty}a^ne^{-jwn}=\frac{1}{1-ae^{-jw}}\]
\(2.X(e^{jw})=\begin{cases}1,|w|\leq w_0\\0,others\end{cases}\)
\[x[n]=\frac{1}{2\pi}\int_{-\pi}^{\pi}e^{jwn}dw=\frac{sin(nw)}{n\pi}\]
如果一个信号连续,性质特别好,那么正变换反变换是可以倒着来的,但是我们这里的信号是间断的,就会出毛病.如果我们把得到的结果做傅里叶变换,
\[X(e^{jw})=\sum_{k=-\infty}^{\infty}\frac{sin(kw)}{k\pi}e^{-jwk}\]
而这个级数并不一定收敛,问题就出在间断点上.因为如果\(X(e^{jw})\)存在,那么一定满足\(|X(e^{jw})|<\infty\),即
\[|X(e^{jw)}|=|\sum_{k=-\infty}^{\infty}x[k]e^{jwk}|\leq\sum_{k=-\infty}^\infty |x[k]|\leq \infty\]
即要求\(x[n]\)绝对可和.而我们的\(x[n]=\frac{sin(nw)}{n\pi}\),当\(w=\frac{\pi}{2}\)时.变成了对\(\frac{1}{k\pi}\)求和,这显然发散了.但是,绝对可和只是一个充分条件,经过求和,会发现信号可以被正常的还原,但是在间断点处出现了快速的震荡,这个震荡叫做吉布斯震荡.
这也就是为什么我们在工程中很少直接用理想的滤波器,为的就是让滤波器保持连续,避免不收敛的问题.
\(3.x[n]=1,n\in Z\)
\[X(e^{jw})=\sum_{k=-\infty}^{\infty}e^{-jwk}=2\pi\sum_{k=-\infty}^{\infty}\delta(w-2k\pi)\]
这个结果实际上叫做泊松求和公式,我们来推导其一般情况.令\(g(t)=\sum_{k=-\infty}^{\infty}x(t+kT)\),显然这是一个周期函数,所以满足
\[g(t)=g(t+T)\]
既然\(g(t)\)的周期的,那\(g(t)\)就可以写成傅里叶级数,于是
\[g(t)=\sum_{k=-\infty}^{\infty}g_ke^{j2\pi\frac{k}{T}t},其中g_k=\frac{1}{T}\int_{-\frac{T}{2}}^{\frac{T}{2}}g(t)e^{-j2\pi\frac{k}{T}t}dt\]
所以
\[\begin{aligned}g_k&=\frac{1}{T}\int_{-\frac{T}{2}}^{\frac{T}{2}}g(t)e^{-j2\pi\frac{k}{T}t}dt \\&=\frac{1}{T}\int_{-\frac{T}{2}}^{\frac{T}{2}}(\sum_{n=-\infty}^{\infty}x(t+nT))e^{-j2\pi\frac{k}{T}t}dt \\&=\frac{1}{T}\sum_{n=-\infty}^{\infty}\int_{-\frac{T}{2}}^{\frac{T}{2}}x(t+nT))e^{-j2\pi\frac{k}{T}t}dt\end{aligned}\]
令\(t+nT=t’\)原式变为
\[\begin{aligned} g_k&=\frac{1}{T}\sum_{n=-\infty}^{\infty}\int_{(-\frac{1}{2}+n)T}^{(\frac{1}{2}+n)T}x(t’)e^{-j2\pi\frac{k}{T}t’}dt’ \\&=\frac{1}{T}\int_{-\infty}^{\infty}x(t’)e^{-j2\pi\frac{k}{T}t’}dt’=\frac{1}{T}X(\frac{2\pi k}{T})\end{aligned}\]
所以
\[g(t)=\sum_{k=-\infty}^{\infty}g_ke^{j2\pi\frac{k}{T}t}=\frac{1}{T}\sum_{k=-\infty}^{\infty}X(\frac{2\pi k}{T})e^{j2\pi\frac{k}{T}t}\]
这样我们就推导出了泊松求和公式.即
\[\sum_{k=-\infty}^{\infty}x(t+kT)=\frac{1}{T}\sum_{k=-\infty}^{\infty}X(\frac{2\pi k}{T})e^{j2\pi\frac{k}{T}t}\]
现在令\(T=2\pi\),\(x(t)=\delta(t)\),\(X(k)=1\)代入进行验证:可得
\[2\pi\sum_{k=-\infty}^{\infty}\delta(w+2k\pi)=\sum_{k=-\infty}^{\infty}e^{jkw}\]
发现等式成立.
在连续情况下,我们知道时域的卷积等于频域的乘积,现在我们来离散的情况下再看看.设
\[z[n]=x[n]*y[n]=\sum_{k=-\infty}^{\infty}x[k]y[n-k]\]
那么
\[\begin{aligned}Z(e^{jw})&=\sum_{n=-\infty}^{\infty}z[n]e^{-jwn}\\&=\sum_{n=-\infty}^{\infty}\sum_{k=-\infty}^{\infty}x[k]y[n-k]e^{-jwn}\\&=\sum_{n=-\infty}^{\infty}\sum_{k=-\infty}^{\infty}x[k]e^{-jwk}y[n-k]e^{-jw(n-k)}\\&=X(e^{jw})Y(e^{jw})\end{aligned}\]
如果
\[z[n]=x[n]\cdot y[n]\]
时域乘积对应频域卷积
\[Z(e^{jw})=\frac{1}{2\pi}\int_{-\pi}^{\pi}X(e^{j\theta})Y(e^{j\theta})d\theta\]
证明:对该式做反变换
\[\begin{aligned}z[n]&=\frac{1}{4\pi^2}\int_{-\pi}^{\pi}\int_{-\pi}^{\pi}X(e^{j\theta})Y(e^{j(w-\theta)})e^{jwn}dwd\theta\\&=\frac{1}{2\pi}\int_{-\pi}^{\pi}X(e^{j\theta})e^{jw\theta}d\theta\frac{1}{2\pi}\int_{-\pi}^{\pi}Y(e^{j(w-\theta)})e^{j(w-\theta)n}d\theta\\&=x[n]y[n]\end{aligned}\]
最后是parsell关系
\[\sum_{k=-\infty} ^\infty x[k]y^*[k]=\frac{1}{2\pi}\int_{-\pi}^\pi X(e^{jw})Y^*(e^{jw})dw\]
证明,首先计算
\[\sum_k y^*[k]e^{-jwk}=\sum_k(y[k]e^{jwk})^*=\sum_k(y[k]e^{-j(-w)k})^*=Y^*(-jw)\]
所以
\[\sum_{k=-\infty} ^\infty x[k]y^*[k]e^{-jwk}=\frac{1}{2\pi}\int_{-\pi}^{\pi}X(e^{j\theta})Y^*(e^{j(\theta-w)})d\theta\]
令\(w=0\),则
\[\sum_{k=-\infty} ^\infty x[k]y^*[k]=\frac{1}{2\pi}\int_{-\pi}^{\pi}X(e^{j\theta})Y^*(e^{j\theta})d\theta\]

