feng

started from 11.28.2025

首页·个人博客

信号的神秘笔记❤

信号与系统

1.时移:对于信号x(t),如果变为\(x(t-t_0)\),则代表向右平移\(t_0\)个单位.

Pasted image 20250903154447.png

2.反向:对于信号\(x(t)\),如果变为\(x(-t)\),则信号关于t轴对称

Pasted image 20250903154510.png

3.压缩:对于信号\(x(t)\),如果变为\(x(at)\),则等价于压缩到原来的\(\frac{1}{a}\)

Pasted image 20250903154624.png

但是对于离散信号,压缩实际上是在间隔取点,而拉伸则是在插0.

Pasted image 20250903154805.png

4.信号的奇偶:

Pasted image 20250903160329.png

5.正弦信号的周期性:
多个连续正弦信号相加,如果周期之比为有理数,那么它的周期为两周期的最小公倍数;如果信号是离散的,如果周期之比为有理数,那么需要保证它的周期一定是整数.
6冲激函数和单位阶跃.
对阶跃信号求导会出现冲激:
冲激偶的性质:

\[\int_{-\infty}^{+\infty}f(t)\delta'(t)dt=-f'(0)\]

证明为:

\[\int_{-\infty}^{+\infty}f(t)\delta^{\prime}(t)dt=\underbrace{f(t)\delta(t)}_{=0}^{+\infty}-\int_{-\infty}^{+\infty}f^{\prime}(t)\delta(t)dt=-f^{\prime}(0)\]

7.系统的特性:
1.记忆性:任何时候的输出只取决于当前时刻的输入
2.可逆性:不同的输入会带来不同的输出
3.因果性:系统任何时候的输出只取决于之前的输入
4.稳定性:有界输入只会带来有界输出
5.时不变:系统的输入发生一定的时移,其对应的输出也会发生相同的时移。
6.线性:可加性+齐次性.

8.单位脉冲响应的微分积分性

\[\delta(t)=\frac{du(t)}{dt}\]

而冲激信号转阶跃信号则与离散情况一致,满足

\[u(t)=\int_{-\infty}^{t}\delta(\tau)d\tau=\int_{0}^{\infty}\delta(t-\tau)d\tau\]

例题:

1.冲激和冲激偶的性质

\[\begin{aligned}&\int_{-\infty}^{+\infty}(9t^2+e^t+5)[\delta(\frac t2)+\delta'(t)]dt\\&=\int_{-\infty}^{+\infty}(9t^{2}+e^{t}+5)\delta(\frac{t}{2})dt+\int_{-\infty}^{+\infty}(9t^{2}+e^{t}+5)\delta'(t)dt\end{aligned}\]

为例保证\(\delta(t)\)的性质,需要对\(\delta(t/2)\)做尺度变换为\(2\delta(t)\).所以第一个积分变为

\[\int_{-\infty}^{+\infty}(9t^2+e^t+5)2\delta(t)dt=12\]

然后是第二个积分,利用了冲激偶的性质:

\[\int_{-\infty}^{+\infty}(9t^{2}+e^{t}+5)\delta_{k}'(t)dt=-\left(9t^{2}+e^{t}+5\right)’\Big|_{t=0}=-1\]

所以原积分为\(-1\)

2.系统的描述-画框图
已知\(y”(t)+5y'(t)+6y(t)=9f'(t)+5f(t)\),画出系统框图
设

\[f(t)\rightarrow x(t)\]

由于系统的形式应当保持不变,所以

\[x”(t)+5x'(t)+6x(t)=f(t)\]

由系统输入输出可得

bbfdfb80b7262ce1be460b373d19ee22.jpg

联立

\[\begin{cases}x”(t)=f(t)-5x'(t)-6x(t)\\y(t)=9x'(t)+5x(t)\end{cases}\]

3.系统性质讨论
(a).\(y(t)=x(\frac{t}{3})\),该系统满足什么性质?
1.无记忆性:输出不止与当前时刻输入有关,所以不满足
2.因果性:当t<0时,输出取决于t时刻后的输入,故不满足
3.稳定性:满足
4.时不变性:取\(x(t)=x_0(t+t_0)\),所以\(y(t)=x(\frac{t}{3})=x_0(\frac{t}{3}+t_0)\)
\(y(t+t_0)=x_0(\frac{t+t_0}{3})\)
所以不满足时不变性.
5.线性:取\(x(t)=x_1(t)+x_2(t)\),则\(y(t)=x(\frac{t}{3})=x_1(\frac{t}{3})+x_2(\frac{t}{3})=y_1(t)+y_2(t)\)
取\(x(t)=ax_1(t)\),则\(y(t)=ax_1(\frac{t}{3})=ay_1(t)\)
所以满足线性.

LTI系统

卷积和&卷积积分

卷积和\(y[n]=\sum_{k=-\infty}^{+\infty}x[k]h[n-k]\)
1.交换律:\(x[t]*h[t]=h[t]*x[t]\)
2.分配律:\(x[n]*(h_1[n]+h_2[n])=x[n]*h_1[n]+x[n]*h_2[n]\)
3.结合律:\((x[n]*h_1[n])*h_2[n]=x[n]*(h_1[n]*h_2[n])\)
4.
5.对于两个有限长的序列
\(x_1[n]=\begin{cases} x_1[n],n_1\leq n\leq n_2 \\ 0,other \end{cases}\)
\(x_2[n]=\begin{cases} x_1[n],\hat{n_1}\leq n\leq \hat{n_2} \\ 0,other \end{cases}\)
\(x_1[n]\)长度为\(N_1=n_2-n_1+1\),\(x_2[n]\)长度为\(N_2=n_2-n_1+1\)
**则\(x[n]=x_1[n]*x_2[n]\)长度为\(N_1+N_2-1\)
6.卷积积分的微分和积分特性:
已知\(y(t)=x(t)*h(t)\),积分特性为

\[\int_{-\infty}^ty(\lambda)d\lambda=x(t)*\left[\int_{-\infty}^th(\lambda)d\lambda\right]=\left[\int_{-\infty}^tx(\lambda)d\lambda\right]*h(t)\]

微分特性为

\[\frac d{dt}y(t)=x(t)*\left[\frac d{dt}h(t)\right]=\left[\frac d{dt}x(t)\right]*h(t)\]

LIT的性质

1.无记忆性:对于\(y[n]=h[n]*x[n]=\sum_{k=-\infty}^{+\infty}x[n-k]h[k]=…+x[n+1]h[-1]+x[n]h[0]+x[n-1]h[1]+…\)
如果要求无记忆,则不能有其他时刻的输出,所以有效输出只能是\(x[n]h[0]\)
也就是说除了k=0时,其他时刻均为0,因此\(h[n]=k\delta[n]\).
2.可逆性

Pasted image 20250912103804.png

3.因果性:分析与无记忆性类似,对于\(y[n]=h[n]*x[n]=\sum_{k=-\infty}{+\infty}x[n-k]h[k]=…+x[n+1]h[-1]+x[n]h[0]+x[n-1]h[1]+…\),如果要满足因果性,则\(k<0\)的输入的项都是无效的.所以需要满足:\(y[n]=\sum_{k=-\infty}^{-1}x[n-k]h[k]=0\),所以当\(t<0\)时,\(h(t)=0\)
4.稳定性:当输入有界时,即满足\(|x[n]|\leq B\lt \infty\),时,\(|y[n]|=|\sum_{k=-\infty}^{+\infty}h[k]x[n-k]|\leq\sum_{k=-\infty}^{+\infty}|h[k]||x[n-k]|\leq B\sum_{k=-\infty}^{+\infty}|h[k]|\)
所以只需要满足:\(h[k]\)绝对收敛即满足稳定性.

例题

1.已知s(t)为一线性时不变系统的单位阶跃响应和输入,求当输入为x(t)时y(t)

Pasted image 20250911215103.png

常规做法:\(x(t)=u(t)-u(t-1)\),\(s(t)=H(u(t))\),所以\(\frac{ds(t)}{dt}=H(\frac{du(t)}{dt})=H(\delta(t))\).所以\(h(t)=\frac{ds(t)}{dt}=u(t)-u(t-2)\).所以

\[\begin{aligned}y(t)&=x(t)*h(t)=[u(t)-u(t-1)]*[u(t)-u(t-2)]\\&=u(t)*u(t)-u(t-2)*u(t)-u(t)*u(t-1)+u(t-2)*u(t-1)\\&=tu(t)-(t-2)u(t-1)-(t-1)u(t-1)+(t-3)u(t-3)\end{aligned}\]

补充说明:\(u(t)*u(t)=\int_{-\infty}^tu(\tau)\:d\tau=tu(t)\),以及\(\begin{aligned}x(t)&=x_1(t)*x_2(t)\Rightarrow x(t-t_1-t_2)=x_1(t-t_1)*x_2(t-t_2)\end{aligned}\)

利用LTI的性质

\[\begin{aligned}y(t)&=h(t)*x(t)=\left[\frac d{dt}s(t)\right]*x(t)=s(t)*\left[\frac d{dt}x(t)\right]\\&=s(t)*[\delta(t)-\delta(t-1)]=s(t)-s(t-1)\end{aligned}\]

实际上\(s(t)\)是对\(u(t)\)的响应,\(x(t)\)已经被写为了\(u(t)\)的线性组合,所以可以直接求解.

2.已知\(x_1(t)=u(t+0.5)-u(t-0.5)\),\(x_2(t)=e^{-t}u(t)\),求\(x(t)=x_2(t)*x_1(t).\)
先求

\[\begin{aligned}\hat{x}(t)&=x_2(t)*u(t)=e^{-t}u(t)*u(t)\\&=\int_{-\infty}^te^{-\tau}u(\tau)\:d\tau=(1-e^{-t})u(t)\end{aligned}\]

所以由线性性和卷积的时移性质可得

\[\begin{aligned}x(t)&=x_2(t)*x_1(t)\\&=x_2(t)*u(t+0.5)-x_2\left(t\right)*u(t-0.5)\\&=\hat{x}(t+0.5)-\hat{x}(t-0.5)\\&=[1-e^{-(t+0.5)}]u(t+0.5)-[1-e^{-(t-0.5)}]u(t-0.5)\end{aligned}\]

3.计算下列对各信号的卷积\(y[n]=x[n]*h[n]\).
1.

\[\begin{gather}x[n]=\alpha^nu[n]\\h[n]=\beta^nu[n]\end{gather}\]

\[y[n]=x[n]*h[n]=\sum_{k=-\infty}^{\infty}\alpha^{k}u[k]\beta^{n-k}u[n-k]=\beta^n\sum_{k=0}^{n}(\frac{\alpha}{\beta})^k=\beta^n\frac{1-(\frac{\alpha}{\beta})^n}{1-\frac{\alpha}{\beta}},n>0\]

2.\(x[n]=h[n]=\alpha^nu[n]\).

\[y[n]=x[n]*h[n]=\sum_{k=-\infty}^{\infty}\alpha^ku[k]\alpha^{n-k}u[n-k]=n\alpha^n,n>0\]

3.\(x[n]=\left(\begin{array}{c}-\frac12\\\end{array}\right)^nu[n-4],h[n]=4^nu[2-n]\).

\[\begin{aligned}y[n]&=x[n]*h[n]=\sum_{k=-\infty}^{\infty}\left(\begin{array}{c}-\frac12\\\end{array}\right)^ku[k-4]4^{n-k}u[2+k-n]\\&=4^n\sum_{k=max(n-2,4)}^{\infty}(-\frac{1}{8})^k\end{aligned}\]

所以需要进行分类讨论,当\(n-2<4\)时

\[y[n]=4^n\sum_{k=4}^{\infty}(-\frac{1}{8})^k=\frac{(\frac{1}{8})^4(1-(-\frac{1}{8})^{\infty})}{\frac{9}{8}}=\frac{2^{2n-9}}{9}\]

当\(n-2>4\)时,

\[y[n]=4^n\sum_{k=n-2}^{\infty}(-\frac{1}{8})^k=\frac{(-\frac{1}{8})^{n-2}(1-(-\frac{1}{8})^{\infty})}{\frac{9}{8}}=(-1)^{n-2}\frac{2^{9-n}}{9}\]

综上

\[y[n]=\begin{cases}\frac{2^{2n-9}}9,&n<6\\\frac{(-1)^n\cdot2^{9-n}}9,&n\ge6\end{cases}\]

4.\(x(t)\)和\(h(t)\)如图所示,求不同T值下的\(y(t)=x(t)*h(t)\),\(x(t)=\sum_{k=-\infty}^{+\infty}\delta(t-kT)\)

\[y(t)=\sum_{k=-\infty}^{+\infty}\delta(t-kT)*h(t)=\sum_{k=-\infty}^{+\infty}h(t-kT)\]

所以直接对其进行T的周期延拓即可.

5.判断下列系统是否为因果/稳定系统
\(h(t)=\mathrm{e}^{-4t}u(t-2)\).当\(t<0\)时,\(h(t)=0\),满足因果性,并且绝对收敛,所以满足稳定性.

周期信号的傅里叶表示

一个信号可以写为复指数的线性组合,那么输入输出就会变成

\[x(t)=\sum_ka_ke^{jwt},y(t)=\sum_ka_kH(jw)e^{jwt}\]

其中\(H(s)=\int_{-\infty}^{+\infty}h(\tau) e^{s\tau}d\tau\).\(a_k\)刻画的是每个成分的幅值,满足

\[a_n=\frac{1}{T}\int_{\tau}^{\tau+T}x(t)e^{-jnw_0t}dt\]

傅里叶级数的特点

1.线性性:\(z(t)=Ax(t)+By(t)\Leftrightarrow c_k=Aa_k+Bb_k\)
2.时移:\(x(t-t_0))\Leftrightarrow e^{-jkw_0t_0}a_k\)
3.频移:\(e^{jk_0w_0t}x(t)\Leftrightarrow a_{k-k_0}\)
4.时间翻转:\(x(-t)\Leftrightarrow a_{-k}\)
5.时间收缩:\(x(\alpha t)=\sum_{k=-\infty}^{\infty}a_ke^{jwk(\alpha t)}=\sum_{k=-\infty}^{\infty}a_ke^{j(\alpha w)kt}\).表现在频谱图上为信号的频率被拉长\(\alpha\)倍.
6.乘法:\(x(t)y(t)\Leftrightarrow c_k=\sum_{l=-\infty}^{\infty}a_lb_{k-l}\)
7.周期卷积:\(\int_Tx(\tau)y(t-\tau)d\tau\Leftrightarrow c_k=Ta_kb_k\)
8.共轭:\(x^{*}(t)\Leftrightarrow a^{*}_{-k}\)
9.微分:\(\frac{dx(t)}{dt}\Leftrightarrow jw_0ka_k\)
10.Parseval关系:\(\frac{1}{T}\int_T|x(t)|^2dt=\sum_{k=-\infty}^{\infty}|a_k|^2\)

例题:

分析\(x(t)=1+sinw_0t+2cosw_0t+cos2w_0t\)的成分.
由欧拉公式可得

\[\begin{aligned}x(t)&=1+\frac{1}{2j}[e^{jw_0t}-e^{-jw_0t}]+[e^{jw_0t}+e^{-jw_0t}]+\frac{1}{2}[e^{j2w_0t}+e^{-j2w_0t}]\\&=\frac{1}{2}e^{-j2w_0t}+(1+\frac{1}{2}j)e^{-jw_0t}+1+(1-\frac{1}{2}j)e^{jw_0t}+\frac{1}{2}e^{j2w_0t}\end{aligned}\]

对比\(x(t)=\sum_{k=-\infty}^\infty a_ke^{jk\omega_0t}\)就把每一个\(a_k\)求解出来了
分析\(x(t)=\frac{1}{3}+\frac{1}{2}e^{j\frac{w_0}{2}t}-\frac{5}{6}e^{-j3w_0t}\)的成分
这里的最小分度为\(\frac{w_0}{2}\),所以我们就把它当成最小分度,\(x(t)=\sum_{k=-\infty}^{\infty}a_ke^{jkwt},w=\frac{w_0}{2}\),那么就可以得到:\(a_0=\frac{1}{3},a_1=\frac{1}{2},a_{-6}=-\frac{5}{6}\)
分析方波\(x(t)=\begin{cases}1,|t|<T_1\\0,T_1<\frac{T}{2}\end{cases}\)的成分
对一个周期进行分析,则\(a_k=\frac{1}{T}\int_{-T_1}^{T_1}x(t)e^{-jkw_0t}dt=\frac{e^{jkw_0T_1}-e^{-jkw_0T_1}}{Tjkw_0}=\frac{2sin(kw_0T_1)}{kw_0T}=\frac{sin(kw_0T_1)}{k\pi},k\neq 0\).
假设方波占空比为50%,则\(T_1=\frac{T}{4}\),所以原式可得\(a_k=\frac{sin(\frac{k\pi}{2})}{k\pi}\).所以k为偶数时结果为0,k为奇数时才有解.
分析下列信号的成分

已知了方波的成分为\(a_k=\frac{sin(\frac{k\pi}{2})}{k\pi}\)

Pasted image 20250919141043.png

而\(g(t)=x(t-1)-\frac{1}{2}\),所以由时移性可得\(b_k=\frac{sin(\frac{k\pi}{2})}{\pi k}e^{-jk\pi/2},k\neq 0\),,\(b_0=\frac{1}{2}-\frac{1}{2}=0,k=0\)
所以\(r(t)\)可以写为\(r(t)=\int_T g(t)dt\),也就是说\(r'(t)=g(t)\)即\(r_kjw_0k=g_k\).所以由微分性可得\(r_k=\frac{g_k}{jw_0k}=\frac{sin(\frac{k\pi}{2})}{(\pi k)^2j}e^{-jk\pi/2},k\neq 0,c_0=\frac{1}{T}\int_Tr(t)dt=\frac{1}{2}\)

连续时间傅里叶变换

傅里叶变换

\[\begin{gather}x(t)=\frac{1}{2\pi}\int_{-\infty}^{\infty}X(jw)e^{jwt}dw=\mathscr{F}^{-1}[X(jw)\\X(jw)=\int_{-\infty}^{\infty}x(t)e^{-jwt}dt=\mathscr{F}[x(t)]\\x(t)\xleftrightarrow{\text{F}} X(jw)\end{gather}\]

连续时间傅里叶变换的性质

1.线性\(Ax(t)+By(t)\xleftrightarrow{F}AX(jw)+BY(jw)\)
2.时移\(x_1(t)=x(t-t_0)\xleftrightarrow{F}X_1(jw)=e^{-jwt_0}X(jw)\)
3.频移:\(x_1(t)=e^{jw_0t}x(t)\xleftrightarrow{F}X_1(jw)=X(j(w-w_0))\)
4.时间收缩与频率收缩:\(x(at)\xleftrightarrow{F}\frac{1}{|a|}X(\frac{jw}{a})\)
5.时间翻转:\(x(-t)\xleftrightarrow{F}X(-jw)\).
6.共轭与对称性\(x^*(t)\xleftrightarrow{F}X^*(-jw)\)
如果\(x(t)\)是实偶的,那么\(X(jw)\)也是实偶的;如果\(x(t)\)是实奇的,那么\(X(jw)\)是虚奇的.

\[\begin{gather}x_e(t)=\frac{1}{2}[x(t)+x(-t)]\Rightarrow F[x_e(t)]=\frac{1}{2}\{X(jw)+X(-jw)\}=\frac{1}{2}\{X(jw)+X^*(jw)\}=Re\{X(jw)\}\\x_o(t)=\frac{1}{2}[x(t)-x(-t)]\Rightarrow F[x_o(t)]=\frac{1}{2}\{X(jw)-X(-jw)\}=\frac{1}{2}\{X(jw)-X^*(jw)\}=jIm\{X(jw)\}\end{gather}\]

7.微分性:\(\frac{d}{dx}x(t)\xleftrightarrow{F}jwX(jw)\)
8.积分性\(\int_{-\infty}^tx(\tau)d\tau\xleftrightarrow{F}\frac{1}{jw}X(jw)+\pi X(0)\delta(w)\)
9.对偶性
10.帕斯卡关系.\(\int_{-\infty}^{\infty}|x(t)|^2dt=\frac{1}{2\pi}\int_{-\infty}^{\infty}|X(jw)|^2dw\)
11.调制特性

Pasted image 20260110173308.png

分析如下:调制系统:
考虑如下信号\(r(t)=s(t)\mathrm{cos}\omega_0t\),对\(cosw_0t\)做傅里叶变换可以得到

\[P(j\omega)=\pi\delta(\omega-\omega_0)+\pi\delta(\omega+\omega_0)\]

频域进行相乘得到\(R(j\omega)=\frac1{2\pi}S(j\omega)*P(j\omega)=\frac12S[j(\omega-\omega_0)]+\frac12S[j(\omega+\omega_0)]\)
然后是解调系统,考虑信号\(g(t)=r(t)cosw_0t\),那么对\(g(t)\)做傅里叶变换可得

\[\begin{aligned}G(j\omega)&=\frac12R[j(\omega-\omega_0)]+\frac12R[j(\omega+\omega_0)]\\&=\frac12S(j\omega)+\frac14S[j(\omega-2\omega_0)]+\frac14S[j(\omega+2\omega_0)]\end{aligned}\]

现在就出现了\(S(jw)\),所以解调只需要进行低通滤波即可

Pasted image 20251114103712.png

傅里叶变换对

Pasted image 20251114103745.png

例题

求方波\(x(t)=\begin{cases}1,&|t|<T_1\\0,&|t|>T_1\end{cases}\)的傅里叶变换.

\[X(j\omega)=\int_{-\infty}^\infty x(t)e^{-j\omega t}dt=\int_{-T_1}^{T_1}e^{-j\omega t}dt=\frac{2\sin(\omega T_1)}{\omega}\]

求\(X(j\omega)\:=\begin{cases}1,&|\omega|<W\\0,&|\omega|>W\end{cases}\)的傅里叶变换

\[x(t)=\frac{1}{2\pi}\int_{-\infty}^{\infty}X(j\omega)e^{j\omega t}d\omega=\frac{1}{2\pi}\int_{-W}^{W}e^{j\omega t}d\omega=\frac{\sin(Wt)}{\pi t}\]

对于一个理想低通滤波器,单位脉冲响应为\(h(t)=\frac{\sin(\omega_ct)}{\pi t}\),输入\(x(t)=\frac{\sin(\omega_it)}{\pi t}\),求输出
\(y[n]=x[n]*h[n]\),直接求解不好求解,可以换算到频域上,利用时域卷积=频域相乘.

\[\begin{aligned}&H(j\omega)=\mathcal{F}[h(t)]=\begin{cases}1,&&|\omega|<\omega_c\\0,&&|\omega|>\omega_c\end{cases}\\&X(j\omega)=\mathcal{F}[x(t)]=\begin{cases}1,&&|\omega|<\omega_i\\0,&&|\omega|>\omega_i&&\end{cases}\end{aligned}\]

所以

\[Y(j\omega)=H(j\omega)X(j\omega)=\begin{cases}1,&|\omega|<\omega_0\\0,&|\omega|>\omega_0\end{cases}\quad\omega_0=\min\{\omega_i,\omega_c\}\]

再变回时域

\[y(t)=\begin{cases}h(t)&\omega_c\leq\omega_i\\x(t)&\omega_i\leq\omega_c\end{cases}\]

考虑\(x(t)=\frac{\sin(t)\sin(t/2)}{\pi t^2}\)的傅里叶变换
利用时域相乘=频域相卷

\[x(t)=\frac{\sin(t)\sin(t/2)}{\pi t^2}=\pi\left(\frac{\sin(t)}{\pi t}\right)\left(\frac{\sin(t/2)}{\pi t}\right)\Leftrightarrow X(j\omega)=\frac12\mathcal{F}\left[\frac{\sin(t)}{\pi t}\right]*\mathcal{F}\left[\frac{\sin(t/2)}{\pi t}\right]\]

这是两个sinc函数,变换到时域就是两个方波
\(\mathcal{F}\left[\frac{\sin(t)}{\pi t}\right]=\begin{cases}1,|w|<1\\0,others\end{cases}\),\(\mathcal{F}\left[\frac{\sin(t/2)}{\pi t}\right]=\begin{cases}1,|w|<\frac{1}{2}\\0,others\end{cases}\).所以结果为

Pasted image 20260110235119.png

设\(x(t)\)有傅里叶变换\(X(jw)\),令\(p(t)\)为基波频率\(w_0\)的周期信号,其傅里叶级数表示为\(p(t)=\sum_{n=-\infty}^{+\infty}a_n\mathrm{e}^{\mathrm{j}n\omega_0t}\),求\(y(t)=x(t)p(t)\)的傅里叶变换式.

\[y(t)=x(t)p(t)=\sum_{n=-\infty}^{+\infty}a_n\underset{频移特性}{\underbrace{x(t)\mathrm{e}^{\mathrm{j}n\omega_0t}}}\Leftrightarrow Y(jw)=a_n\sum_{n=-\infty}^{\infty}X(j(w-nw_0))\]

若\(X(jw)\)如图所示,画出下列\(p(t)\)对应\(y(t)\)的频谱图

Pasted image 20260111140012.png

1.\(p(t)=cost\):将\(p(t)\)展开为傅里叶级数可得\(p(t)=\frac12(e^{jt}+e^{-jt})\).所以\(Y(jw)=\frac12X(j(w-1))+\frac12X(j(w+1))\).

Pasted image 20260111140731.png

2.\(p(t)=\sum_{n=-\infty}^{+\infty}\delta(t-\pi n)\).将\(p(t)\)展开为傅里叶级数

\[a_k=\frac{1}{T}\int_Tp(t)e^{-jkw_0t}dt=\frac{1}{T}\int_{-\frac{T}{2}}^{\frac{T}{2}}\delta(t)e^{-jkw_0t}dt=\frac{1}{T}=\frac{1}{\pi}\]

所以

\[Y(jw)=a_n\sum_{n=-\infty}^{\infty}X(j(w-nw_0))=\frac{1}{\pi}\sum_{n=-\infty}^{\infty}X(j(w-2n))\]

考虑一个线性时不变系统S,其单位冲激响应为\(h(t)=\frac{\sin(4(t-1))}{\pi(t-1)}\),求系统S对下列输入信号的输出.
首先考虑\(\frac{sin4t}{\pi t}\)的傅里叶变换\(X(jw)=\begin{cases}1,|w|<4\\0,other\end{cases}\),然后时域向右平移一个单位,对应频域为\(X(jw)=\begin{cases}e^{-jw},|w|<4\\0,other\end{cases}\),对应为截止频率为4的理想低通滤波器
1.\(x_1(t)\:=\:\cos\left(6t+\frac\pi2\right)\):全部滤去
2.\(x_2(t)~=~\sum_{k=0}^\infty\left(\frac12\right)^k\mathrm{sin}(3kt)\):只保留\(k=1\)的成分,并且频域上多乘\(e^{-jw}\)对应时域上向右平移一个单位,所以\(y(t)=\frac12sin(3(t-1))\)
3.\(x_{3}(t)\:=\:\left(\frac{\sin2t}{\pi t}\right)^{2}\).首先\(X_3(jw)\)为\(\frac{1}{2\pi}X(jw)*X(jw)\),\(X(jw)=\begin{cases}1,|w|<2\\0,other\end{cases}\),得到结果为

Pasted image 20260111145038.png

所以能全部通过滤波器,再乘上\(e^{-jw}\),换算到时域就是\(y(t)=\:\left(\frac{\sin2(t-1)}{\pi (t-1)}\right)^{2}\)

考虑单位脉冲响应为\(h[n]=\frac{\sin(\pi n/3)}{\pi n}\)的线性时不变系统,求下列输入信号对应的输出
对于离散系统,由\(\frac{\sin W_{n}}{\pi n}\leftrightarrow X(\:\omega)=\begin{cases}1\:,\quad0\:\leqslant\:|\:\omega|\leq W\\0\:,\quad W<|\omega|\leq\pi\end{cases}\)可知,\(h[n]=\frac{\sin(\pi n/3)}{\pi n}\)对应截止频率为\(\frac{\pi}{3}\)的低通滤波器.
1.
如图为周期为8的方波,由\(x[\:n\:]=\begin{cases}1\:,&|n|\leq N_{1}\\\\0\:,&N_{1}<|n|\leqslant N/2\end{cases}\leftrightarrow2\pi\sum_{k=-\infty}^{+\infty}a_{k}\delta\Big(\:\omega-\frac{2\pi k}{N}\Big)\)
所以\(X(e^{jw})=2\pi\sum_{k=-\infty}^{\infty}a_k\delta(w-\frac{\pi}{4}k)\),其中\(a_k=\begin{cases}\frac{5}{8},k=kN_1\\\frac{1}{8}\frac{sin\frac{5k}{8}\pi}{sin\frac k8\pi},others\end{cases}\),所以只有\(k=0,\pm1\)可以通过滤波器.因此\(y[n]=a_0+a_1e^{jw_0n}+a_{-1}e^{-jw_0n}=\frac{5}{8}+\frac{1}{4}\frac{\sin\frac{5}{8}\pi}{\sin\frac{\pi}{8}}\cos\frac{\pi n}{4}\)
2.\(x\left[\begin{array}{c}n\end{array}\right]=\sum_{k=-\infty}^\infty\delta[\begin{array}{c}n-8k\end{array}]\).利用傅里叶变换求出频域\(\frac{\pi}{4}\sum_{k=-\infty}^{+\infty}\delta\left(\:\omega-\frac{\pi k}{4}\right)\)
当\(k=0,\pm 1\)时可以通过,所以\(Y(e^{jw})=\frac{\pi}{4}(\delta(w)+\delta(w-\frac{\pi}{4})+\delta(w+\frac{\pi}{4}))\).再进行逆变换可得\(y[n]=\frac{\pi}{4}\frac{1}{2\pi}(1+e^{-jn\frac{\pi}{4}}+e^{jn\frac{\pi}{4}})=\frac{1}{8}(1+2cos\frac{\pi}{4}n)\)

3.\(x[n]\)为\((-1)^n\)乘上图的方波

Pasted image 20260114030557.png

**一个低通微分器的连续时间滤波器响应\(H(jw)\)如图所示

Pasted image 20260111155753.png

求输入\(x(t)\)对应的输出**
\(H(jw)=|H(jw)|e^{j\angle H(jw)}\),假设输入为\(x(t)=cos(wt+\phi)\).傅里叶变换后得到\(Y(jw)=H(jw)X(jw)=|H(jw)|X(jw)e^{j\angle H(jw)|}\).复原信号得到\(y(t)=|H(jw)|cos(wt+\angle H(jw)+\phi)\)
(a).\(x(t)=cos(2\pi t+\theta)\).那么\(y(t)=|H(j2\pi)|cos(2\pi t+\angle H(j2\pi)+\phi)=\frac{2}{3}cos(2\pi t+\frac{\pi}{2}+\theta)=-\frac{2}{3}sin(2\pi t+\theta)\)
(b).\(x(t)=\begin{cases}\sin2\pi t,&m\leq t\leq\left(m+\frac12\right)\\\\0,&\text{对于任意整数 }m,\left(m+\frac12\right)\leq t\leq m&\end{cases}\)

示出一个系统,其输入是\(x(t)\),输出是\(y(t)\),输人信号的傅里叶变换\(X(jw)\)如图所示,试确定并画出\(y(t)\)的频谱\(Y(jw)\)。

Pasted image 20260111161852.png

调制+带通滤波后输出

Pasted image 20260111163236.png

第二次调制+滤波后\(G(jw)=\frac{1}{2\pi}S(jw)(\pi\delta(\omega-3\omega_c)+\pi\delta(\omega+3\omega_c))=\frac{1}{2}(S(j(w-3w_c))+S(j(w+3w_c))\)

Pasted image 20260111163308.png

DTFT&DFT

DTFT

离散时间傅里叶变换:

\[\begin{aligned}&x[n]=\frac1{2\pi}\int_{<2\pi>}X(e^{j\omega})e^{j\omega n}d\omega=\mathcal{F}^{-1}[X(j\omega)]\\&X(e^{j\omega})=\sum_{n=-\infty}^\infty x[n]e^{-j\omega n}=\mathcal{F}[x[n]]\end{aligned}\]

离散时间傅里叶级数

\[\begin{aligned}&\tilde{x}[n]=\sum_{k=\langle N\rangle}a_ke^{jk\omega_0n}\\&a_k=\frac1N\sum_{n=\langle N\rangle}x[n]e^{-jk\omega_0n}\left(\omega_0=\frac{2\pi}N\right)\end{aligned}\]

Pasted image 20260111154326.png
Pasted image 20251114102421.png

DFT

离散时间傅里叶级数(DTFS):

\[\begin{cases}a_{k}=\frac{1}{N}\sum_{n=\langle N\rangle}\tilde{x}[n]e^{-jk(2\pi/N)n}=\frac{1}{N}\sum_{n=0}^{N-1}x[n]e^{-jk(2\pi/N)n}\\\tilde{x}[n]=\sum_{k=\langle N\rangle}a_{k}e^{jk(2\pi/N)n}=\sum_{n=0}^{N-1}a_{k}e^{jk(2\pi/N)n}\end{cases}\]

将\(a_k\)进行N倍的缩放定义处离散傅里叶级数(DFS)的系数\(\tilde{X}[k]\).

\[\begin{cases}\tilde{X}[k]=Na_{k}=\sum_{n=0}^{N-1}x[n]e^{-jk(2\pi/N)n}&=\sum_{n=0}^{N-1}x[n]W_{N}^{kn}\\\tilde{x}[n]=\frac{1}{N}\sum_{n=0}^{N-1}\tilde{X}[k]e^{jk(2\pi/N)n}&=\frac{1}{N}\sum_{n=0}^{N-1}\tilde{X}[k]W_{N}^{-kn}\end{cases}\]

为了便于表示,令\(W_N=e^{-j(\frac{2\pi}{N})}\).取DFS的一个周期可以得到

\[\begin{aligned}&x[n]=\begin{cases}\tilde{x}[n],&0\leq n\leq N-1\\0,&\text{otherwise}\end{cases}=\begin{cases}\frac{1}{N}\sum_{k=0}^{N-1}X[k]W_{N}^{-kn},&0\leq n\leq N-1\\0,&\text{otherwise}\end{cases}\\&X[k]=\begin{cases}\tilde{X}[k],&0\leq k\leq N-1\\0,&\text{otherwise}\end{cases}=\begin{cases}\sum_{n=0}^{N-1}x[n]W_N^{kn},&0\leq k\leq N-1\\0,&\text{otherwise}\end{cases}\end{aligned}\]

由此可以定义DFT.

\[x[n]\longleftrightarrow X[k]\begin{cases}X[k]=\sum_{n=0}^{N-1}x[n]W_N^{kn}\\x[n]=\frac{1}{N}\sum_{k=0}^{N-1}X[k]W_N^{-kn}\end{cases}\]

对比DTFT\(X(e^{j\omega})=\sum_{n=0}^{N-1}x[n]e^{-j\omega n}\)和DFT\(X[k]=\sum_{n=0}^{N-1}x[n]e^{-j\frac{2\pi}Nkn},\:0\leq k\leq N-1\)可以发现满足

\[X[k]=X(e^{j\omega})\Big|_{\omega=\frac{2\pi}{N}k}=X(e^{j\frac{2\pi}{N}k}),\:0\leq k\leq N-1\]

也就是说DFT是DTFT的均匀采样,步进为\(\frac{2\pi}{N}\).

DFT的性质

线性性:\(x_{3}[n]=ax_{1}[n]+bx_{2}[n]\longleftrightarrow X_{3}[k]=aX_{1}[k]+bX_{2}[k]\)
注意:\(len(x_3)=max(len(x_1),len(x_2))\).做DFT时需要满足\(N>len(x_3)\)
圆周位移:将\(x[n]\)循环右移位m位得到\(x_1[n]\)则有

\[x_1[n]=\begin{cases}x\bigl[((n-m))_N\bigr],&0\le n\le N-1\\0,&\text{otherwise}\end{cases}\]

对圆周移位的序列做DFT

\[\begin{gather}x\Big[((n-m))_{N}\Big],0\leq n\leq N-1\longleftrightarrow e^{-j(2\pi k/N)m}X[k]=W_{N}^{km}X[k]\\e^{j(2\pi l/N)n}x[n]=W_{N}^{-ln}x[n]\longleftrightarrow X\Big[((k-l))_{N}\Big],0\leq k\leq N-1\end{gather}\]

3.圆周翻转:将整个序列进行翻转得到\(x_1[n]\)满足

\[x_1[n]=x\Big[\big(\big(-n)\big)_N\big],\quad0\le n\le N-1\]

而\(\begin{aligned}&((-n))_{N}=((N-n))_{N}=\begin{cases}0,&n=0\\N-n,&1\leq n\leq N-1\end{cases}\end{aligned}\).对应到几何含义为

Pasted image 20260111194631.png

4.圆周卷积
设\(x_1[n],0\leq n\leq M-1\quad x_2[n],0\leq n\leq P-1\).
线性卷积:\(y_{L}[n]=x_{1}[n]*x_{2}[n]=\sum_{m=0}^{M-1}x_{1}[m]x_{2}[n-m]\),\(0\leq n\leq M+P-2\),\(Len(y_L)=M+P-1\)
圆周卷积:\(y_C[n]=x_1[n]\otimes x_2[n]=\sum_{m=0}^{N-1}x_1[m]x_2\Big[((n-m))_N\Big]\),\(0\leq n\leq N-1\),\(Len(y_c)=N\geq max(M,P)\).
e.g\(x_1[n]=\{1\:-1\:1\},\:x_2[n]=\{2\:0\:1\:2\}\),求\(y_{C}[n]=x_{1}[n]\otimes x_{2}[n]=\sum_{m=0}^{N-1}x_{1}[m]x_{2}\Big[((n-m))_{N}\Big],0\leq n\leq N-1\).

Pasted image 20260111205935.png

所以结果为\(y_c[n]=\{1,0,3,1\}\)
圆周卷积也存在对偶性

\[\begin{gather}x_{1}[n]\otimes x_{2}[n]\longleftrightarrow X_{1}[k]X_{2}[k]\\x_{1}[n]x_{2}[n]\longleftrightarrow\frac{\mathrm{DFT}}{N}X_{1}[k]\otimes X_{2}[k]\end{gather}\]

线性卷积与圆周卷积的关系:圆周卷积实际上是把线性卷积的结果进行周期延拓,然后取一个完整周期的结果

\[y_{C}[n]=\begin{cases}\sum_{r=-\infty}^{\infty}y_{L}[n-rN],&0\leq n\leq N-1\\0,&\mathrm{otherwise}\end{cases}\]

这说明,当\(N\geq M+P-1\)时,\(y_c[n]\)需要进行补0操作;当\(N\leq M+P-1\)时,\(y_c[n]\)是\(y_L[n]\)的混叠的结果.
5.parseval关系\(\sum_{n=0}^{N-1}\left|x[n]\right|^2=\frac{1}{N}\sum_{k=0}^{N-1}\big|X[k]\big|^2\)
6.对偶性:\(\begin{aligned}&x[n]\longleftrightarrow^{\mathrm{DFT}}X[k]\\&X[n]\longleftrightarrow^{\mathrm{DFT}}Nx\Big[((-k))_{N}\Big],\quad0\leq k\leq N-1\end{aligned}\)

对傅里叶变换进行采样

采样由冲激串实现,所以先分析冲激串的离散傅里叶变换.

\[\tilde{x}[n]=\sum_{r=-\infty}^\infty\delta[n-rN]\xleftarrow{\mathrm{DFS}}\tilde{X}[k]=\sum_{n=0}^{N-1}\delta[n]W_N^{kn}=1\]

带回逆变换得到

\[\tilde{x}[n]=\sum_{r=-\infty}^\infty\delta[n-rN]=\frac1N\sum_{k=0}^{N-1}\tilde{X}[k]W_N^{-kn}=\frac1N\sum_{k=0}^{N-1}W_N^{-kn}\]

所以

\[\tilde{x}[n-m]=\sum_{r=-\infty}^\infty\delta[n-rN-m]=\frac{1}{N}\sum_{k=0}^{N-1}W_N^{-k(n-m)}\]

现在有一个序列\(x[n]\),对其做DTFT得到\(X(e^{j\omega})=\sum_{m=-\infty}^\infty x[m]e^{-j\omega m}\).对其进行步进为\(\frac{2\pi}{N}\)的采样,于是得到

\[\tilde{X}[k]=X(e^{j\omega})\Bigg|_{\omega=\frac{2\pi}Nk}=\sum_{m=-\infty}^\infty x[m]e^{-j(2\pi/N)km}\]

对其做DFS逆变换

\[\begin{aligned}\tilde{x}[n]&=\frac1N\sum_{k=0}^{N-1}\tilde{X}[k]W_N^{-kn}=\frac1N\sum_{k=0}^{N-1}\left\lfloor\sum_{m=-\infty}^\infty x[m]e^{-j(2\pi/N)km}\right\rfloor W_N^{-kn}\\&=\sum_{m=-\infty}^\infty x[m]\biggl[\frac1N\sum_{k=0}^{N-1}W_N^{-k(n-m)}\biggr\rfloor=\sum_{m=-\infty}^\infty x[m]\sum_{r=-\infty}^\infty\delta[n-rN-m]\\&=x[n]*\sum_{r=-\infty}^\infty\delta[n-rN]=\sum_{r=-\infty}^\infty x[n-rN]\end{aligned}\]

这说明:对非周期序列的 DTFT 进行等间隔频域采样(间隔\(\frac{2\pi}{N}\)​),对应的时域序列是原非周期序列的N的周期延拓周期延拓后就会涉及混叠的问题.混叠后就无法正常复原信号了

Pasted image 20260111222428.png

例题

\(x[n]\)如下图所示,\(X[k]\)是\(x[n]\)的六点DFT,\(q[n]\)的3点DFT满足\(Q[k]=X[2k]\),求\(q[n]\)

Pasted image 20260111185241.png

\(X[k]=\sum_{n=0}^{5}x[n]W_6^{kn}=\sum_{n=0}^{3}x[n]W_{6}^{kn}\).(实际上是0-5求和,但是有效数据只在0-3).\(Q[k]=X[2k]=\sum_{n=0}^3x[n]W_6^{2kn}=\sum_{n=0}^3x[n]W_3^{kn}=x[0]W_{3}^{0k}+x[1]W_{3}^{k}+x[2]W_{3}^{2k}+x[3]W_{3}^{3k}\)由于\(q[n]\)对应\(Q[k]\)是三点DFT,所以把多出的进行合并.\(W_3^{0k}=W_3^{3k}\).所以

\[Q[k]=(x[0]+x[3])W_{3}^{0k}+x[1]W_{3}^{k}+x[2]W_{3}^{2k}\]

因此

\[q[n]=\{x[0]+x[3],\:x[1],\:x[2]\}=\{5,\:3,\:2\},\:0\leq n\leq3\]

考虑序列\(x[n]=\{4,3,2,1\},0\leq n\leq 3\).其6点DFT为\(X[k]\).
1.\(y_1[n]\)为有限长序列,其6点DFT为\(Y_1[k]=W_6^{2k}X[k]\),求\(y_1[n]\)
利用圆周移位特性\(x\Big[((n-m))_{N}\Big],0\leq n\leq N-1\longleftrightarrow e^{-j(2\pi k/N)m}X[k]=W_{N}^{km}X[k]\)可知,\(y_1\)是\(x[n]\)圆周移位2位的结果.所以

\[x[n]=\{4,3,2,1,0,0\}\overset{>>2}\rightarrow y[n]=\{0,0,4,3,2,1\}\]

2.\(y_2[n]=x[((-n))_6],0\leq n\leq 5\),求\(y_2[n]\)
\(y_2[n]\)是\(x[n]\)的圆周翻转,所以\(y_2[n]=\{4,0,0,1,2,3\}\)

考虑\(x[n]=\{4,3,2,1\}\),\(X[k]\)是其4点DFT.
(1).\(y_1[n]\)为有限长序列,其4点DFT为\(Y_1[k]=W^{2k}_4X[k]\),求\(y_1[n]\) 由圆周位移性质可知\(y_1[n]\)是\(x_1[n]\)圆周右移2位

\[x[n]=\{4,3,2,1\}\overset{>>2}\rightarrow y[n]=\{2,1,4,3\}\]

(2).\(y_2[n]=x[((-n))_4]\),求\(y_2[n]\)
由周期翻转特性知

\[y[n]=\{4,1,2,3\}\]

3.已知\(x_{1}[n]=\{1,1,0,1,1\},\quad x_{2}[n]=\{1,1,1,1\}\),求
(1).\(y_{L}[n]=x_{1}[n]*x_{2}[n]\),易得结果为\(y_L[n]=\{1,2,2,3,3,2,2,1\}\)
(2).\(y_{C}[n]=x_{1}[n]\enclose{circle}{8} x_{2}[n]\).对线性卷积按8为周期进行周期延拓得到\(\{1,2,2,3,3,2,2,1,\boxed{1,2,2,3,3,2,2,1},1,2,2,3,3,2,2,1\}\)然后取8位得到\(\{1,2,2,3,3,2,2,1\}\)
(3).\(y_C[n]=x_1[n]\enclose{circle}{9} x_2[n]\),对线性卷积按9为周期进行周期延拓得到\(\{1,2,2,3,3,2,2,1,0,\boxed{1,2,2,3,3,2,2,1,0},1,2,2,3,3,2,2,1,0\}\),然后取一个周期得到结果为\(\{1,2,2,3,3,2,2,1,0\}\).
(4).\(y_C[n]=x_1[n]\enclose{circle}{5} x_2[n]\),对线性卷积按5进行周期延拓得到\(\{1,2,2,3,3,\boxed{2+1,2+2,1+2,3,3},2+1,1+2,2,3,3,2,2,1\}\),取一个周期结果为\(\{3,4,3,3,3\}\)

4.\(x[n]\)如图,其中\(x[4]=b\),\(X(e^{jw})\)为\(x[n]\)的DTFT,\(X_1[k]\)为\(X(e^{jw})\)间隔\(\frac{\pi}{2}\)的采样,即\(X_1[k]=X(e^{j\omega})|_{\omega=(\pi/2)k},\quad0\leq k\leq3\).对\(X_1[k]\)做四点DFT得到\(x_1[n]\),求b

Pasted image 20260111222752.png

\(\frac{2\pi}{4}=\frac{\pi}{2}\),所以实际上会对\(x[n]\)做周期为4的周期延拓.\(x_1[n]=IDFT\{X_1[k]\}=\sum_{r=-\infty}^{+\infty}x[n-4r]\)所以\(\{1,0,2,2,\boxed{b+1,1,2,2,}b+1,1,2,2,b,1\}\)
所以\(b+1=4\Rightarrow b=3\)

拉普拉斯变换

令\(s=\sigma+jw\),那么我们傅里叶变换的式子就可以写为

\[X(s)=\mathcal{L}[x(t)]=\int_{-\infty}^\infty x(t)e^{-st}dt\]

这个式子就被称为拉普拉斯变换.拉普拉斯变换一般用于处理连续的情况.拉普拉斯变换的结果由计算结果和收敛域同时确定.当拉普拉斯变换的收敛域包含了虚轴的时候,该信号的傅里叶变换才会存在.

Pasted image 20260112170716.png

收敛域性质有
性质1.\(X(s)\)的ROC(收敛域)由平行于虚轴的条带组成
性质2.对于有理拉普拉斯变换,其ROC不包含任何极点
性质3.如果\(x(t)\)是有限长且绝对可积的,那么其拉普拉斯变换ROC为整个复平面
性质4.若右边信号\(x(t)\)的拉普拉斯变换,在s平面中 “实部\(\text{Re}\{s\}=\sigma_0\)” 的直线上收敛(即这条线属于 ROC),那么所有实部\(\text{Re}\{s\}>\sigma_0\)的区域,也都会是这个拉普拉斯变换的收敛域。
性质5.如果信号是一个双边信号,那么它可以拆为两个单边信号,其收敛域为两个单边信号的交

拉普拉斯变换的性质

Pasted image 20260112171147.png

对于共轭对称性

\[x^*(t)\overset{\mathcal{L}}{\operatorname*{\longleftrightarrow}}X^*(s^*)\mathrm{~(ROC=R_1)}\]

当\(x(t)\)是实信号时,有\(x(t)=x^*(t)\).于是有\(X(s)=X^*(s^*),即X^*(s)=X(s^*)\)
所以对于一个实信号而言它的拉普拉斯变换的零点和极点要么是实的,要么就是复共轭对.以零点为例,设\(s_0\)为\(x(t)\)的拉普拉斯变换的零点,于是有

\[X(s_0)=X^*(s_0^*)=0\]

所以\(s=s_0^*\)也是零点.
微分性可以进行推广\(\frac{d^nx(t)}{dt^n}\overset{\mathcal{L}}{\operatorname*{\longleftrightarrow}}s^nX(s)\:(ROC\supseteq R_1)\)

常用拉普拉斯变换对

Pasted image 20260112171615.png

逆拉普拉斯变换变换

采用部分分式展开法进行,根据收敛域确定信号方向
例:求逆拉普拉斯变换

\[X(s)=\frac1{s^2+3s+2}\]

易知

\[X(s)=\frac1{(s+1)(s+2)}=\frac1{s+1}-\frac1{s+2}\]

这个形式显然是单边指数信号的拉普拉斯变换,但是要根据收敛域去判断.现在有三种可能的收敛域:

Pasted image 20251210161947.png

1)\(ROC:Re\{s\}>-1\),所以\(x(t)=[e^{-t}-e^{-2t}]u(t)\)
2)\(ROC:-2<Re\{s\}<-1\),所以\(x(t)=-e^{-t}u(-t)-e^{-2t}u(t)\)
3)\(ROC:Re\{s\}<-2\),所以\(x(t)=[-e^{-t}+e^{-2t}]u(-t)\).

拉普拉斯与LTI

1.因果性:当\(t<0\)时,\(h(t)=0\).所以因果信号是一个右边信号,所以ROC只有右半平面.并且在最右边极点的右侧
同理可以得到反因果的定义:当\(t>0\)时,\(h(t)=0\),因此信号是个左边信号,ROC只有左半平面.
2.稳定性.如果这个系统是稳定的,那么就满足\(h(t)\)一定绝对可积,所以\(h(t)\)的傅里叶变换一定收敛(有定义).所以 \(H(s)\)的ROC一定包含虚轴
所以一个因果稳定的系统一定满足所有极点都在\(jw\)轴左侧

系统框图表示

1.并联:

Pasted image 20251210220156.png

\[H(s)=H_1(s)+H_2(s)\]

2.串联:

Pasted image 20251210220249.png

\[H(s)=H_1(s)H_2(s)\]

3.反馈:

Pasted image 20251210220329.png

\[E(s)=X(s)-Z(s)=X(s)-H_2(s)Y(s)\]

而

\[Y(s)=H_1(s)E(S)=H_1(s)X(s)-H_1(s)H_2(s)Y(s)\Rightarrow \begin{cases}Y(s)=\frac{H_1(s)}{1+H_1(s)H_2(s)}X(s)\\H(s)=\frac{H_1(s)}{1+H_1(s)H_2(s)}\end{cases}\]

例题

\(H(s)=\frac{s-1}{(s+1)(s-2)}\),求所有可能的\(h(t)\)
首先进行部分分式展开

\[H(s)=\frac{s-1}{(s+1)(s-2)}=\frac23\frac1{s+1}+\frac13\frac1{s-2}\]

零极点图如下,分3类进行讨论

Pasted image 20260112183251.png

\(Re\{s\}<-1\),均为左边信号\(h(t)=-\left(\frac23e^{-t}+\frac13e^{2t}\right)u(-t)\)
\(Re\{s\}>2\),均为右边信号\(h(t)=\left(\frac23e^{-t}+\frac13e^{2t}\right)u(t)\)
\(-1<Re\{s\}<2\),一个左边一个右边\(h(t)=\frac23e^{-t}u(t)-\frac13e^{2t}u(-t)\)
考虑因果LTI系统,输入输出满足如下关系\(\frac{d^2y(t)}{dt^2}+7\frac{dy(t)}{dt}+12y(t)=x(t)\)
(1).求解系统函数\(H(s)\),画出零极点图,计算其ROC
利用微分性\(\frac{\mathrm{d}}{\mathrm{d}t}x(t)\leftrightarrow sX(s)\)可得

\[s^2H(s)+7sH(s)+12H(s)=1\Rightarrow H(s)=\frac{1}{s^2+7s+12}=\frac1{(s+3)(s+4)}\]

由于是因果系统,所以ROC在最右侧极点右侧,所以零极点图为

Pasted image 20260112184216.png

(2).计算\(h(t)\)
由于ROC在右侧,所以是两个右侧信号,所以

\[h(t)=\left(e^{-3t}-e^{-4t}\right)u(t)\]

(3).输入为\(x(t)=e^{-t}u(t)\)求输出.
先变换到s域,利用时域相卷等于频域相乘,再进行逆变换.\(x(t)=e^{-t}u(t)\leftrightarrow X(s)=\frac1{s+1}\)
所以

\[\begin{aligned}Y(s)&=H(s)X(s)=\frac{1}{(s+1)(s+3)(s+4)}\\&=\frac{1/6}{s+1}+\frac{-1/2}{s+3}+\frac{1/3}{s+4}\end{aligned}\Rightarrow y(t)=\left(\frac16e^{-t}-\frac12e^{-3t}+\frac13e^{-4t}\right)u(t)\]

(4).输入为\(x(t)=e^{2t}\),求输出

\[e^{st}\longrightarrow\boxed{\begin{array}{c}h(t)\end{array}}{\operatorname*{\longrightarrow}}H(s)e^{st}\]

所以令s=2得\(y(t)=H(s)e^{st}|_{s=2}=\frac1{30}e^{2t}\).
本题也可以将\(x(t)\)写为\(x(t)=e^{2t}=e^{2t}u(t)+e^{2t}u(-t)\).
系统由\(\frac{d^2y(t)}{dt^2}+3\frac{dy(t)}{dt}+2y(t)=x(t)\)刻画,画出系统框图
令\(f(t)=\frac{dy(t)}{dt},e(t)=\frac{d^2y(t)}{dt^2}\)所以\(e(t)=-3f(t)-2y(t)+x(t)\).
利用积分性质\(\int_{-\infty}^{t}x(\:\tau)\:\mathrm{d}(\:\tau)\leftrightarrow\frac{1}{s}X(\:s).\)可得

\[e(t)\longrightarrow\boxed{\frac1s}\xrightarrow{f(t)}\boxed{\frac1s}y(t)\]

所以可以画出下图

Pasted image 20260112192652.png

法二.易知传递函数\(H(s)=\frac1{s^2+3s+2}=\left(\frac1{s+1}\right)\left(\frac1{s+2}\right)=\frac1{s+1}-\frac1{s+2}\).乘法为串联,加减法为并联,于是可以得到两种形式
**

一个单位冲激响应为\(h(t)\)的因果线性时不变系统具有如下性质
1.当系统输入对于所有的\(t\)有\(x(t)=e^{2t}\),输出对于所有的t是\(y(t)=\frac{1}{6}e^{2t}\)
2.单位冲激响应\(h(t)\)满足\(\frac{\mathrm{d}h(t)}{\mathrm{d}t}+2h(t)=(\mathrm{e}^{-4t})u(t)+bu(t)\),其中b是位置常数
确定系统的系统函数.
对左右两边做拉普拉斯变换可得

\[sH(s)+2H(s)=\frac{1}{s+4}+\frac{b}{s}\]

当输入为\(e^{st}\)时,输出当为\(H(s)e^{st}\).所以令\(s=2\),得到\(H(2)=\frac{1}{6}\).所以

\[2H(2)+2H(2)=\frac{1}{6}+\frac{b}{2}\rightarrow b=1\]

所以

\[H(s)=\frac{\frac{1}{s+4}+\frac{1}{s}}{s+2}=\frac{2s+4}{s(s+2)(s+4)}=\frac{2}{s^2+4s},ROC=Re\{s\}>0\]

**假设关于个单位冲激响应为\(h(t)\)和有理系统函数为\(H(s)\)的因果稳定线性时不变系统S,给出下列信息:
1.\(H(1) =0.2\)。
2.当输入为\(u(t)\)时,输出是绝对可积的。
3.当输入为\(tu(t)\)时,输出不是绝对可积的
4.信号\(\mathrm{d}^{2}h(t)/\mathrm{d}t^{2}+2\mathrm{d}h(t)/\mathrm{d}t+2h(t)\)是有限长的。
5.\(H(s)\)在无限远处只有一个零点。
确定\(H(s)\)及其收敛域。**
当输入为\(u(t)\)时,其输出的拉普拉斯变换为\(\frac{H(s)}{s}\),由于输出是绝对可积的,所以收敛域一定包含\(jw\)轴,说明\(H(s)\)的分子一定有\(s^n\).
当输入为\(tu(t)\)时,其拉普拉斯变换为

\[\int_0^{\infty}te^{-ts}dt=\frac{H(s)}{s^2}\]

该式不绝对可积,意味着该式收敛域不含\(jw\),即有个极点在\(s=0\)处.所以结合上述内容可知只存在一阶零点,分子为\(ks\).
\(\mathrm{d}^{2}h(t)/\mathrm{d}t^{2}+2\mathrm{d}h(t)/\mathrm{d}t+2h(t)\)是有限长信号,说明\(s^2H(s)+2sH(s)+2H(s)\)的收敛域是整个\(s\)平面.说明该式没有极点.结合前文有

\[s^2H(s)+2sH(s)+2H(s)=ks\Rightarrow H(s)=\frac{ks}{s^2+2s+2}\]

代入\(H(1)=0.2\)可解出\(k=1\),所以

\[H(s)=\frac s{s^2+2s+2}\]

这个表达式的极点是一对共轭极点\(-1\pm j\),因为\(\frac{H(s)}{s}\)要包含\(jw\),所以收敛域为\(ROC:Re\{s\}>-1\)

Z变换

将复数写为极坐标就能获得另一种变换

\[X[z]=\mathcal{Z}\{x[n]\}=\sum_{n=-\infty}^{+\infty}x[n]z^{-n}\]

其中\(z=re^{jw}\).Z变换一般用于处理离散的问题.当r=1时,Z变换就变成了傅里叶变换.在拉普拉斯变换中,\(jw\)轴是一个分界;而在Z变换中,这个分界变为了单位圆.当Z变换的收敛域包含了单位圆时,傅里叶变换才会存在

Z变换的收敛域

对于Z变换,同样存在零点和极点

\[X(z)=\frac{P(z)}{Q(z)}=K\frac{\prod_{i=1}^M(z-c_i)}{\prod_{i=1}^N(z-d_i)}\]

其中\(c_i\)为零点,\(d_i\)为极点.
Z变换的ROC满足如下性质:
1.对于Z变换来说,收敛域是一个圆域.
2.收敛域需要满足不含任何极点
3.如果\(x[n]\)是有限长的,那么ROC一定是整个z平面,(除了z=0和z=\(\infty\)).
4.如果\(x[n]\)是右边信号,那么其ROC为大于某个值(向外收敛).相反的,如果\(x[n]\)是左边信号就是向内收敛.
ps.如果\(x[n]\)是双边信号,那么它可以写为两个单边信号的和.那么如果收敛域存在,那将会是一个圆环.

Z变换的性质

Pasted image 20260113184255.png

5.共轭对称:\(x^*[n]\overset{\mathcal{Z}}{\operatorname*{\longleftrightarrow}}X^*(z^*)\:(ROC=R_1)\)
如果\(x[n]\)是实信号,那么\(x[n]=x^*[n]\),所以有\(X(z)=X^*(z^*)\).即\(X^*(z)=X(z^*)\).这说明如果\(X(z)\)有一个零点在\(z_0\),那么\(X^*(z_0^*)=0\),即还有一个零点在\(z_0\)的复共轭位置.所以如果\(x[n]\)是实信号,它的z变换\(X(z)\)的零点和极点要么是实的,要么是复共轭对

常用Z变换对

Pasted image 20260113184202.png

逆Z变换

依然只考虑有理情况,采用部分分式展开,然后利用单边指数信号进行逆变换
e.g考虑\(X(z)=\frac{2-\frac56z^{-1}}{1-\frac56z^{-1}+\frac16z^{-2}}\)的Z逆变换.

\[X(z)=\frac{2-\frac56z^{-1}}{\left(1-\frac12z^{-1}\right)\left(1-\frac13z^{-1}\right)}=\frac1{1-\frac13z^{-1}}+\frac1{1-\frac12z^{-1}}\]

然后就可以化为单边指数信号了,但是还需要考虑是哪一边.如果是左边,收敛域向内;如果是右边,那么收敛域向外.因此进行分类讨论.极点分别为\(Z=\frac{1}{3}和Z=\frac{1}{2}\).

Pasted image 20260102112007.png

当\(|z|>\frac{1}{2}\)时,对于两项而言均向外收敛,是右边指数信号\(x[n]=\left[\left(\frac13\right)^n+\left(\frac12\right)^n\right]u[n]\)
当\(|z|<\frac{1}{3}\)时,对于两项而言均向内收敛,是左边指数信号\(x[n]=-\left[\left(\frac13\right)^n+\left(\frac12\right)^n\right]u[-n-1]\)
当\(\frac{1}{3}<|z|<\frac{1}{2}\)时,一项向外,一项向内,\(x[n]=\left(\frac13\right)^nu[n]-\left(\frac12\right)^nu[-n-1]\)

Z变换与LTI

因果性:因果系统指当\(n<0\)时,\(h[n]=0\).对应到Z变换指:Z变换的收敛域在最外部极点的外面,并且包含无穷.
稳定性:

\[系统稳定\Rightarrow h[n]绝对可和\Rightarrow h[n]的傅里叶变换收敛\Rightarrow ROC包含单位圆\]

所以:稳定系统的ROC包含单位圆,因果稳定系统的所有极点都在单位圆内

系统框图表示

并联:\(H(z)=H_1(z)+H_2(z)\)

Pasted image 20260102134059.png

串联:\(H(z)=H_1(z)H_2(z)\)

Pasted image 20260102134500.png

反馈:

\[\begin{gather}E(z)=X(z)-Z(z)=X(z)-H_2(z)Y(z)\\Y(z)=H_1(z)E(z)=H_1(z)X(z)-H_1(z)H_2(z)Y(z)\\Y(z)=\frac{H_1(z)}{1+H_1(z)H_2(z)}X(z)\\H(z)=\frac{H_1(z)}{1+H_1(z)H_2(z)}\end{gather}\]

Pasted image 20260102134514.png

全通系统与最小相位系统

全通系统

对于一个全通系统,满足

\[\left|H_{ap}(e^{j\omega})\right|=C\]

对任意\(w\)成立.对于一阶全通系统,传递函数如下

\[H_{ap}(z)=\frac{z^{-1}-a^*}{1-az^{-1}}\]

其零点为\(\frac{1}{a^*}\),极点为\(a\),所以零极点互为共轭倒数.M阶全通系统就是多个一阶全通系统的级联.

最小相位系统

如果一个LIT系统是因果且稳定的,并且拥有一个因果稳定的逆系统信号与系统,那么这个系统被称为最小相位系统.对于一个逆系统,会满足

\[\begin{aligned}&h[n]*h_{\mathrm{i}}[n]=\delta[n]\\&H_{i}(z)=\frac{1}{H(z)}\end{aligned}\]

由于要满足因果稳定,对于最小相位系统而言,所有极点都会在单位圆内;由于逆系统也是稳定的,逆系统的极点也在单位圆内,而由于\(H_{i}(z)=\frac{1}{H(z)}\),逆系统的极点相当于原系统的极点,所以原系统的零点也都在单位圆内,即最小相位系统零极点均在单位圆内
一个LTI系统可以表示为最小相位系统和全通系统的级联,方法如下:

Pasted image 20260103113344.png

这是一个系统,系统函数为\(H(z)=H_1(z)(z^{-1}-c^*)\)其中\(|c|<1\). \(H_1(z)\)是一个最小相位系统,零极点都在单位圆内,但是有一个零点\(\frac{1}{c^*}\)在圆外

Pasted image 20260103113408.png

为了让它变为最小相位系统,我们希望能够把这个在圆外的极点放到圆内.而全通系统的零极点是关于单位圆呈共轭倒数的.所以如果我把在单位圆外的零点视为全通系统的零点,并在轭倒数处放置一个极点,就可以手动构造出一个全通系统
\(H_1(z)(z^{-1}-c^*)\cdot\frac{1-cz^{-1}}{1-cz^{-1}}\)

Pasted image 20260103113426.png

这样我们就把原来的\(H(z)\)写为了
\(\underbrace{H_1(z)(1-cz^{-1})}_{H_{min}}\underbrace{\frac{z^{-1}-c^*}{1-cz^{-1}}}_{H_{ap}}\)

在实际电路中,信号会出现一定程度的失真,此时我们可以通过级联一个补偿系统来弥补这个失真.

Pasted image 20260103134354.png

如果\(H_1(z)\)是一个最小相位系统,那么\(H_2(z)\)就是它的逆系统.\(H_2(z)=\frac{1}{H_1(z)}\)
如果\(H_1(z)\)不是最小相位系统,那么我们可以把它表示为最小相位系统与全通系统的级联,那么\(H_2(z)\)就是这个系统里最小相位系统的逆系统.

\[\begin{gather}H_{1}(z)=H_{1,\min}(z)H_{1,ap}(z)\\H_{2}(z)=\frac{1}{H_{1,\min}(z)}\end{gather}\Bigg\}\implies H_{1}(z)H_{2}(z)=H_{1,\mathrm{ap}}(z)\]

此时就只有全通系统带来的相位上的失真

\[\begin{cases}\left|S(e^{j\omega})\right|=\left|X(e^{j\omega})\right|\\\angle S(e^{j\omega})=\angle X(e^{j\omega})+\angle H_{1,\mathrm{ap}}(z)\end{cases}\]

线性相位系统

如果一个系统是线性相位的,那么有

\[\begin{gather}H(e^{j\omega})={A(\omega)}e^{-j\alpha\omega+j\beta}\\\sphericalangle H(e^{j\omega})=\beta-\omega\alpha \end{gather}\]

引入群延迟的概念

\[\gcd[H(e^{j\omega})]=-\frac{d}{d\omega}\Big\{\angle H(e^{j\omega})\Big\}\]

那么线性相位系统就满足

\[\mathrm{grd}\Big[H(e^{j\omega})\Big]=\alpha\]

对于一个因果的线性相位系统,其单位脉冲响应会关于\(\frac{M}{2}\)偶对称或者奇对称.

\[h[n]=h[M-n],0\leq n\leq M\quad h[n]=-h[M-n],\:0\leq n\leq M\]

对于频域上,奇对称多了一个\(\frac{\pi}{2}\)的相位

Pasted image 20260103143613.png
Pasted image 20260103144959.png

线性相位系统满足如下关系

\[\begin{gather}H(z)=\pm z^{-M}H(z^{-1})\\grd[H(e^{jw})]=\frac{M}{2}\end{gather}\]

例题

一个稳定离散LTI被如下差分方程定义\(y[n]-\frac52y[n-1]+y[n-2]=-\frac32x[n-1]\)
(1).求系统函数:直接进行Z变换可得

\[\begin{aligned}Y(z)-\frac{5}{2}z^{-1}Y(z)+z^{-2}Y(z)&=-\frac{3}{2}z^{-1}X(z)\Rightarrow H(z)=\frac{-\frac{3}{2}z^{-1}}{1-\frac{5}{2}z^{-1}+z^{-2}}\\&=\frac{-\frac32z^{-1}}{(1-\frac12z^{-1})(1-2z^{-1})}\end{aligned}\]

由于是稳定的,所以ROC包含单位圆,因此\(\frac{1}{2}<|z|<2\)
(2).求单位脉冲响应

\[H(z)=\frac{-\frac{3}{2}z^{-1}}{(1-\frac{1}{2}z^{-1})(1-2z^{-1})}=\frac{1}{1-\frac{1}{2}z^{-1}}+\frac{-1}{1-2z^{-1}}\]

由于收敛域为\(\frac{1}{2}<|z|<2\),所以一个向外一个向内,逆变换得\(h[n]=\left(\frac12\right)^nu[n]+2^nu[-n-1]\)
(3).输入\(x[n]=(-1)^n\),求输出
由

\[z^n\to\boxed{\begin{array}{c}h[n]\\\end{array}}\to H(z)z^n\]

可知,令z=-1,可得\(H(-1)=\frac{1}{3}\),所以\(y[n]=\frac{1}{3}(-1)^n\)
如果输入是\(cosn\pi\),实际上输入就是\((-1)^n\)

**已知一个LTI满足
(1).输入为\(x_1[n]=(\frac16)^nu[n]\),那么输出为\(y_1[n]=\left[a\left(\frac12\right)^n+10\left(\frac13\right)^n\right]u[n]\)
(2).如果输入为\(x_{2}[n]=(-1)^{n}\),那么输出为\(y_{2}[n]=\frac{7}{4}(-1)^{n}\)**
1.求系统函数
由(2)可知,\(H(-1)=\frac{7}{4}\).分别对\(x_1\)和\(y_1\)做Z变换可以得到

\[X_1(z)=\frac{1}{1-\frac{1}{6}z^{-1}}\quad Y_1(z)=a\frac{1}{1-\frac12z^{-1}}+10\frac{1}{1-\frac13z^{-1}},ROC=|z|>\frac{1}{2}\]

所以

\[H(z)=\frac{\left[(a+10)-\left(5+\frac{a}{3}\right)z^{-1}\right]\left[1-\frac{1}{6}z^{-1}\right]}{\left(1-\frac{1}{2}z^{-1}\right)\left(1-\frac{1}{3}z^{-1}\right)}\]

代入-1可解\(a=-9\),所以

\[H(z)=\frac{1-\frac{13}{6}z^{-1}+\frac13z^{-2}}{1-\frac56z^{-1}+\frac16z^{-2}}\left(|z|>\frac12\right)\]

由此可以发现,该系统为因果系统.

2.写出该系统描述的微分方程

\[\begin{gather}Y(z)(1-\frac56z^{-1}+\frac16z^{-2})=X(z)(1-\frac{13}{6}z^{-1}+\frac13z^{-2})\\y[n]-\frac{5}{6}y[n-1]+\frac{1}{6}y[n-2]=x[n]-\frac{13}{6}x[n-1]+\frac{1}{3}x[n-2]\end{gather}\]

画出系统框图,系统函数为\(H(z)=\frac{Y(z)}{X(z)}=\frac{1-\frac74z^{-1}-\frac12z^{-2}}{1+\frac14z^{-1}-\frac18z^{-2}}\)
该式可以看出两个系统的串联,\(H_1(z)=\frac{1}{1+\frac14z^{-1}-\frac18z^{-2}}\),\(H_2(z)=1-\frac74z^{-1}-\frac12z^{-2}\)
将系统函数写为差分方程形式,然后就可以画出系统框图
\(H_1(z)\)系统如下图

Pasted image 20260113192336.png

\(H_2(z)\)系统如下图

b83d4a644e3c473026b9da419fd030a6.png

这两个可以进行合并,得到

Pasted image 20260113193106.png

将系统\(H(z)=\frac{2(1+0.3z^{-1})(0.4-z^{-1})}{(1-0.2z^{-1})(1+0.5z^{-1})}\)写为最小相位系统与全通系统的组合
该系统零点位于\(z=-0.3\),\(z=2.5\);极点位于\(z=0.2\),\(z=-0.5\).所以有一个零点在单位圆外

\[H(z)=\frac{2(1+0.3z^{-1})(0.4-z^{-1})}{(1-0.2z^{-1})(1+0.5z^{-1})}\frac{1-0.4z^{-1}}{1-0.4z^{-1}}=\frac{2(1+0.3z^{-1})(1-0.4z^{-1})}{(1-0.2z^{-1})(1+0.5z^{-1})}\frac{0.4-z^{-1}}{1-0.4z^{-1}}\]

**一个线性相位FIR系统具有实单位脉冲响应\(h[n]\),且已知它的z变换具有如下形式:

\[H(z) = (1 – a z^{-1})(1 – e^{j\pi/2} z^{-1})(1 – b z^{-1})(1 – 0.5 z^{-1})(1 – c z^{-1})\]

其中a,b和c是所要寻找的\(H(z)\)的零点,\(\omega = 0\)时\(H(e^{j\omega}) = 0\),求出系统函数:**
该系统零点为\(a,j,b,0.5,c\).由于是实系统,所以其中有一个零点是\(-j\),由于是线性相位系统,所以\(H(z)=\pm z^{-M}H(z^{-1})\),所以其中一个零点是0.5,必有一个零点为2;当\(w=0\)时,\(z=1\),所以有一个零点是z.因此

\[(a,b,c)=(1,j,2),顺序不限\]

(a) 求单位脉冲响应的长度(即非零样本的数量)。
该系统为一个五阶线性相位系统,所以长度为6.
(b) 该系统是一个Ⅰ型、Ⅱ型、Ⅲ型或Ⅳ型系统吗?
\(M=5\),\(w=0\)时为系统零点,所以为第四类FIR线性相位系统
(c) 求系统的群延迟,用样本数表示。
群延迟为\(\frac{M}{2}=2.5\)
(d) 求单位脉冲响应的值,并画出它的条形图
将\(H(z)\)展开,得到

\[H(z)=1-3.5z^{-1}+4.5z^{-2}-4.5z^{-3}+3.5z^{-4}-z^{-5}\]

由于\(\delta(t)\xleftrightarrow{z} 1\),\(x[\:n-n_{0}\:]\xleftrightarrow{z}z^{-n_{0}}X(z)\),所以进行反变换后得到的实际上是一堆脉冲串的组合,并且根据\(z\)的次数进行平移,因此\(H(z)\)的系数实际上就是\(h[n]\)的高度.

Pasted image 20260113221623.png

采样

C\D

首先进行脉冲串采样

\[x_s[t]=\sum_{k=-\infty}^{\infty}x_c(t)\delta(t-kT)=x_c(t)\sum_{k=-\infty}^{\infty}\delta(t-kT)\]

得到时间上离散的信号,进行傅里叶变换后得到

\[X_s(j\Omega)=\frac{1}{T}\sum_{k=-\infty}^{\infty}X(j(\Omega-\frac{2\pi k}{T}))\]

这说明脉冲串采样的结果在频谱上对应为周期延拓.
然后再进行时间上的归一化处理即可得到真实的离散信号.归一化本质上是在时域上进行\(\frac{1}{T}\)的收缩\(x[n]=x_c(nT)\).其中\(\frac{2\pi}{T}=\Omega_S\),就是我们的采样率,进行傅里叶变换可得

\[\begin{aligned}X_{s}(j\Omega)&=\int_{-\infty}^{\infty}x_{s}(t)e^{-j\Omega t}dt=\int_{-\infty}^{\infty}\left[\sum_{n=-\infty}^{\infty}x_{c}(nT)\delta(t-nT)\right]e^{-j\Omega t}dt\\&=\sum_{n=-\infty}^{\infty}x_{c}(nT)\biggl[\int_{-\infty}^{\infty}\delta(t-nT)e^{-j\Omega t}dt\biggr]=\sum_{n=-\infty}^{\infty}x_{c}(nT)e^{-j\Omega Tn}\end{aligned}\]

Pasted image 20260113223717.png
Pasted image 20251130141313.png

为了避免发生混叠,采样率必须大于两倍信号带宽,即

\[\Omega_s=\frac{2\pi}{T}>2\Omega_N\]

D/C

现在要将信号复原,思路是利用滤波器把之前进行周期延拓的信号滤出来.由于转到离散域上做了一个\(\frac{1}{T}\)的尺度变换,所以先进行\(T\)倍的拓展

\[x_s(t)=\sum_{n=-\infty}^\infty x[n]\delta(t-nT)\]

然后再滤波

Pasted image 20251130142303.png

得到的信号实际上是原信号在低通滤波器下的作用

\[\begin{aligned}x_r(t)&=z_s(t)\enclose{circle}{*}h(t)=x_s[t]=(\sum_{k=-\infty}^{\infty}x_c(kT)\delta(t-kT))\enclose{circle}{*}h(t)\\&=\sum_{k=-\infty}^{\infty}x_c(kT)h(t-kT)\end{aligned}\]

而\(h(t)\)是低通滤波器的单位脉冲响应\(h(t)=\frac{Tsin(\pi t/T)}{\pi t/T}\)于是原本的信号就可以被还原为

\[x_r(t)=\sum_{n=-\infty}^\infty x[n]\frac{\sin(\pi(t-nT)/T)}{\pi(t-nT)/T}\]

奈奎斯特采样定理

① 设\(xc​(t)\)是一个带限信号,其傅里叶变换\(X_c​(jΩ)\)满足:当\(∣Ω∣>Ω_N\)​时,\(X_c​(jΩ)=0\)。此时,若采样角频率\(Ω_s​=\frac {2π}T\)​(T为采样间隔)大于\(2Ω_N\)(其中2ΩN​被称为奈奎斯特率),则\(x_c​(t)\)可由其采样值\(x[n]=x_c​(nT)\)(n为整数)唯一确定。
② 已知这些采样值后,我们可以通过以下方式重构\(x_c​(t)\):先生成一个周期性冲激序列,序列中相邻冲激的幅度等于对应的采样值;再将这个冲激序列输入一个理想低通滤波器(该滤波器的增益为T,截止角频率需大于\(Ω_N\)​且小于\(Ω_s​−Ω_N\)),最终滤波器的输出信号将与原信号\(x_c​(t)\)完全相等。

降采样

降采样本质上是在对我们采样得到的信号进行抽取

Pasted image 20251130172406.png

即对我们采样取得的信号再做一次采样率为M的采样

Pasted image 20251130172510.png

变换到频域上得到

\[X_d(e^{j\omega})=\frac{1}{M}\sum_{i=0}^{M-1}X(e^{j(\frac{\omega-2\pi i}{M})})\]

这说明:下采样对频谱的影响是先频率拓展M倍再进行\(2\pi i\)的平移,同时将幅值压缩到原来的\(\frac{1}{M}\).

Pasted image 20251130173931.png

所以为了防止发生混叠,需要保证\(w_NM\leq\pi\)
所以往往会在信号下采样前加一个抗混叠滤波器,它的本质是一个截止频率为\(\frac{\pi}{w_N}\)的低通滤波器.

Pasted image 20251130174221.png

最终我们得到下采样的系统:

Pasted image 20251130174241.png

升采样

升采样实际上做的事情是内插

Pasted image 20251130175006.png

对应到频域上为

\[\begin{gather}s(t)=\sum_{n=-\infty}^{\infty}\delta(t-nT)\xLeftrightarrow{FS}S(w)=\frac{2\pi}T\sum_{n=-\infty}^{\infty}\delta(\frac{w}{T}-k\frac{2\pi}{T})\\s_i(t)=\sum_{n=-\infty}^{\infty}\delta(t-\frac{nT}{L})\xLeftrightarrow{FS}S(w)=\frac {2\pi L}T\sum_{n=-\infty}^{\infty}\delta[(\frac{w}{T}-k\frac{2\pi}{T})L]\end{gather}\]

如果我们直接用L倍的采样率去采集原始信号,得到的图如下

Pasted image 20251213190632.png

但是如果是内插L倍,频谱图是这样的

Pasted image 20251213192714.png

所以我只需要把我希望留下的保留住就是我真正的升采样的信号.因此只需要一个数字低通滤波器保留我们需要的部分即可

Pasted image 20251213192807.png

输出信号为

\[\begin{aligned}x_{i}[n]&=x_{e}[n]*h_{i}[n]=\left(\sum_{k=-\infty}^{\infty}x[k]\delta[n-kL]\right)*h_{i}[n]\\&=\sum_{k=-\infty}^{\infty}x[k]\big(\delta[n-kL]*h_{i}[n]\big)\\&=\sum_{k=-\infty}^{\infty}x[k]h_{;}[n-kL]\\&=\sum_{k=-\infty}^{\infty}x[k]\frac{\sin[\pi(n-kL)/L]}{\pi(n-kL)/L}\end{aligned}\]

如果想要把采样率(注意和采样周期区分开).变为原来的\(\frac{M}{L}\)倍,只需要先升采样M倍,再降采样L倍即可

例题

系统满足\(X_c(j\Omega)=0,\quad|\Omega|\geq\pi/T\)和\(H(e^{j\omega})=\begin{cases}L\cdot e^{-j\omega},&\left|\omega\right|<\pi/L\\0,\pi/L<&\left|\omega\right|\leq\pi\end{cases}\),问\(x[n]\)和\(y[n]\)的关系

Pasted image 20260113234324.png

法一:频域分析
\(U(e^{jw})=X(e^{jwL})\)
\(V(e^{j\omega})=\begin{cases}L\cdot e^{-j\omega}\cdot X(e^{j\omega L}),&\left|\omega\right|<\pi/L\\0,&\text{otherwise}\end{cases}\)
\(\begin{aligned}Y(e^{j\omega})&=\frac{1}{L}\sum_{i=0}^{L-1}V(e^{j(\frac{\omega-2\pi i}{L})}),由于|w|<\frac{\pi}{L}才有意义,所以i=0\\&=\frac{1}{L}V(e^{j\omega/L})\\&=e^{-j\omega/L}X(e^{j\omega})\end{aligned}\)
所以\(y[n]=x[n-\frac1L]\)
法二:时域分析,把\(H(e^{jw})\)拆分为两个部分.

Pasted image 20260113235335.png

\(H_{0}(e^{j\omega})=\begin{cases}L,&|\omega|<\pi/L\\0,&\pi/L<|\omega|\leq\pi\end{cases}\)所以

\[\begin{aligned}&x[n]=x_{c}\left(nT\right)\\&w[n]=x_{c}\left(n\frac{T}{L}\right)\\&v[n]=w[n-1]=x_{c}\left(n\frac{T}{L}-\frac{T}{L}\right)\\&y[n]=\nu[nL]=x_{c}\left(nT-\frac{T}{L}\right)\:=x[n-\frac{1}{L}]\end{aligned}\]

已知\(\left.H(e^{j\omega})=\left\{\begin{array}{ll}1,&|\omega|<\pi/L.\\0,&\pi/L<|\omega|\leq\pi\end{array}\right.\right.\),\(X_c(j\Omega)\)如图所示,画出\(Y_c(j\Omega)\)

第一步:间隔\(T\)进行采样,\(\Omega_s=\frac{2\pi}{T}\)经过C\D后得到的结果为:进行以\(\frac{2\pi}T\)的周期延拓,然后再转为数字角频率\(w=T\Omega\).所以\(x[n]\)对应频谱为

Pasted image 20260114004902.png

然后上采样L倍,对应频谱压缩到\(\frac{1}{L}\).

Pasted image 20260114005038.png

然后经过低通滤波得到

Pasted image 20260114005104.png

然后调制乘上\(e^{j\pi n}\),对应频域右平移\(\pi\)

Pasted image 20260114005311.png

然后D/C,先转化为模拟角频率\(\Omega=\frac{w}{T’}=\frac{\omega L}{T}\),通过截止频率为\(\frac{\Omega_s}{2}=\frac{\pi}{T}\)的低通进行重构

Pasted image 20260114010517.png

求下列信号的奈奎斯特频率
(a).\(x(\:t\:)\:=\mathbf{1}\:+\cos(\:2000\pi t\:)\:+\sin(\:4000\pi t\:)\)
奈奎斯特频率为\(\frac{4000\pi}{2\pi}*2=4000hz\)
(b).\(\:x(t)=\frac{\sin(4000\pi t)}{\pi t}\),对其作傅里叶变换得是一个截止频率为\(4000\pi\)的理想低通,奈奎斯特频率为\(\frac{4000\pi}{2\pi}*2=4000hz\)
(c).\(x(t)=\left(\frac{\sin(4000\pi t)}{\pi t}\right)^{2}\),时域相乘=频域相卷,最终得到长度为\(8000\pi\),所以奈奎斯特频率为\(\frac{2*8000\pi}{2\pi}=8000hz\)

滤波器设计

Pasted image 20260104153635.png

我们可以以模拟滤波器为原型,设计为数字滤波器,接下来的分析遵循

\[\Omega-模拟滤波器\quad w-数字滤波器\]

我们可以利用两种方法将因果稳定的模拟滤波器转为数字滤波器,分别为脉冲响应不变法和双线性变换法.常见的模拟滤波器有

脉冲响应不变法

假设原滤波器的单位脉冲响应为\(h[n]\),要转为数字滤波器,\(h[n]\)需要进行离散化处理,所以我们需要对其进行采样.即

\[\begin{gather}h[n]=T_{d}h_{c}(nT_{d})\\H(e^{j\omega})=\sum_{k=-\infty}^\infty H_c\left(j\frac\omega{T_d}+j\frac{2\pi}{T_d}k\right)\end{gather}\]

如果模拟滤波器是带限的,那么只要满足奈奎斯特采样定理,就不会发生混叠.所以这种方法只适用于带限滤波器的设计,即带通,低通滤波器.模拟滤波器如果是因果的,那么传递函数满足

\[H_c(s)=\sum_{k=1}^N\frac{A_k}{s-s_k}\Longleftrightarrow h_c(t)=\sum_{k=1}^NA_ke^{s_kt}u(t)\]

进行采样后,得到

\[h[n]=T_dh_c(nT_d)=\sum_{k=1}^NT_dA_ke^{s_kT_dn}u[n]\Longleftrightarrow H(z)=\sum_{k=1}^{N}\frac{T_{d}A_{k}}{1-e^{s_{k}T_{d}}z^{-1}}\]

由于是采样得到的离散脉冲响应,所以依然满足

\[\Omega=w/T_d\]

使用该方法设计出的滤波器极点均在单位圆内,但是零点可能绘制单位圆外,并且会在无穷处有一个零点
利用脉冲响应不变法设计如下巴特沃斯滤波器

\[\begin{cases}0.89125\leq|H(e^{j\omega})|\leq1,&0\leq|\omega|\leq0.2\pi\\|H(e^{j\omega})|\leq0.17783,&0.3\pi\leq|\omega|\leq\pi\end{cases}\]

首先要确定阶数,将脉冲响应离散化,利用\(\Omega=w/T_d\)可得

\[\begin{cases}0.89125\leq|H_c(j\Omega)|\leq1,&0\leq|\Omega|\leq\frac{0.2\pi}{T_d}\\|H_c(j\Omega)|\leq0.17783,&\frac{0.3\pi}{T_d}\leq|\Omega|\leq\infty\end{cases}\]

由于巴特沃斯滤波器在全频段下都是单调的,所以只需要满足

\[\begin{cases}\left|H_c\left(j\frac{0.2\pi}{T_d}\right)\right|\geq0.89125\\\left|H_c\left(j\frac{0.3\pi}{T_d}\right)\right|\leq0.17783&\end{cases}\]

代入平方关系表达式\(\left|H_{c}(j\Omega)\right|^{2}=\frac{1}{1+\left(\Omega/\Omega_{c}\right)^{2N}}\)可得

\[\begin{cases}1+\left(\frac{0.2\pi}{\Omega_{c}T_{d}}\right)^{2N}=\left(\frac{1}{0.89125}\right)^{2}\\1+\left(\frac{0.3\pi}{\Omega_{c}T_{d}}\right)^{2N}=\left(\frac{1}{0.17783}\right)^{2}\end{cases}\Rightarrow \begin{cases}\Omega_cT_d=0.7032\\N=5.88\rightarrow N=6\end{cases}\]

得到\(N\)和\(\Omega_cT_d\)以后,再对系统函数进行求解.前文已经求出了巴特沃斯滤波器的系统函数

\[H_{c}(s)=\frac{\Omega_{c}^{N}}{\prod_{k=1}^{N}(s-s_{k})}=\sum_{k=1}^N\frac{A_k}{s-s_k}\]

由脉冲响应不变法可知\(H_c(s)=\sum_{k=1}^N\frac{A_k}{s-s_k}\longrightarrow H(z)=\sum_{k=1}^{N}\frac{T_{d}A_{k}}{1-e^{s_{k}T_{d}}z^{-1}}\).而模拟极点

\[s_{k}=\Omega_{c}e^{j(\frac{1}{2}+\frac{2k-1}{2N})\pi}=\Omega_{c}e^{j(\frac{1}{2}+\frac{2k-1}{12})\pi}\]

转为数字后,极点变为

\[e^{s_kT_d}=e^{T_d \Omega_{c}e^{j(\frac{1}{2}+\frac{2k-1}{12})\pi}}=e^{0.7032e^{j(\frac{1}{2}+\frac{2k-1}{12})\pi}}\]

由传递函数可以求解出\(A_k\):

\[A_k=(s-s_k)H_c(s)\Big|_{s=s_k}=\frac{\Omega_c^N}{\prod_{j=1,j\neq k}^N\left(s_k-s_j\right)}\]

由于巴特沃斯滤波器的极点为\(s_{k}=\Omega_{c}e^{j(\frac{1}{2}+\frac{2k-1}{2N})\pi}\),所以下面积的结果应该是\(\Omega_c^{N-1}*指数\),指数记为\(e^{j\triangle}\).于是

\[A_k=\frac{\Omega_{c}^{N}}{\Omega_{c}^{N-1}e^{j\Delta}}=\frac{\Omega_{c}}{e^{j\Delta}}\Rightarrow A_{k}T_{d}=\frac{\Omega_{c}T_{d}}{e^{j\Delta}}=\frac{0.7032}{e^{j\Delta}}\]

这样传递函数就求解出来了,可以发现,最终的结果和\(T_d\)的取值没有关系.

\[H(z)=\frac{0.2871-0.4466z^{-1}}{1-1.2971z^{-1}+0.6949z^{-2}}+\frac{-2.1428+1.1455z^{-1}}{1-1.0691z^{-1}+0.3699z^{-2}}+\frac{1.8557-0.6303z^{-1}}{1-0.9972z^{-1}+0.2570z^{-2}}\]

双线性变换法

满足如下关系

\[s=\frac{2}{T_d}\Bigg(\frac{1-z^{-1}}{1+z^{-1}}\Bigg)\Rightarrow H(z)=H_c(s)\Big|_{s=\frac{2}{T_d}\left(\frac{1-z^{-1}}{1+z^{-1}}\right)}=H_c\left(\frac{2}{T_d}\frac{1-z^{-1}}{1+z^{-1}}\right)\]

接下来需要确定变化前后\(\omega\)和\(\Omega\)的关系.代入\(s=j\Omega\),\(z=e^{jw}\)可得

\[j\Omega=\frac2{T_d}\frac{1-e^{-j\omega}}{1+e^{-j\omega}}=j\frac2{T_d}tan\left(\frac\omega2\right)\]

所以

\[\begin{aligned}&\Omega=\frac{2}{T_{d}}tan\left(\frac{\omega}{2}\right)\\&\omega=2\tan^{-1}\left(\frac{\Omega T_{d}}{2}\right)\end{aligned}\]

e.g 利用双线性变换法设计巴特沃斯滤波器

\[\begin{cases}0.89125\leq|H(e^{j\omega})|\leq1,&0\leq|\omega|\leq0.2\pi\\|H(e^{j\omega})|\leq0.17783,&0.3\pi\leq|\omega|\leq\pi\end{cases}\]

首先求解\(N\).转换为数字角频率可得

\[\begin{cases}0.89125\leq|H_c(j\Omega)|\leq1,&0\leq|\Omega|\leq\frac2{T_d}tan(0.1\pi)\\\\|H_c(j\Omega)|\leq0.17783,&\frac2{T_d}tan(0.15\pi)\leq|\Omega|\leq\infty\end{cases}\]

由巴特沃斯的单调性可知,欲满足题目要求,即满足

\[\begin{cases}\left|H_{c}\left(j\frac{2}{T_{d}}\tan(0.1\pi)\right)\right|\geq0.89125\\\left|H_{c}\left(j\frac{2}{T_{d}}tan(0.15\pi)\right)\right|\leq0.17783\end{cases}\]

代入巴特沃斯滤波器的幅度关系\(\left|H_c(j\Omega)\right|^2=\frac{1}{1+\left(j\Omega/j\Omega_c\right)^{2N}}\)可得

\[\begin{cases}1+\left(\frac{2tan(0.1\pi)}{\Omega_{c}T_{d}}\right)^{2N}=\left(\frac{1}{0.89125}\right)^{2}\\{1+\left(\frac{2tan(0.15\pi)}{\Omega_{c}T_{d}}\right)^{2N}=\left(\frac{1}{0.17783}\right)^{2}}\end{cases}\Longrightarrow\begin{cases}\Omega_cT_d=0.766\\N=5.305\rightarrow N=6\end{cases}\]

由于\(H_c(s)=\frac{\Omega_c^N}{\prod_{k=1}^N(s-s_k)},\:s_k=\Omega_ce^{j(\frac12+\frac{2k-1}{2N})\pi}\:,\:k=1,\cdots,N\)所以代入

\[\begin{aligned}H(z)&=H_{{_{c}}}(s)|_{{_{s}=\frac{2}{T_{d}}}\frac{1-z^{-1}}{1+z^{-1}}}=\frac{(0.766/T_{d})^{N}}{\prod_{k=1}^{N}\left(\frac{2}{T_{d}}\frac{1-z^{-1}}{1+z^{-1}}-\frac{0.766}{T_{d}}e^{{j(\frac{1}{2}+\frac{2k+1}{2N})\pi}}\right)}\\&=\frac{0.766^N}{\quad\prod_{k=1}^{N}\left(2\frac{1-z^{-1}}{1+z^{-1}}-0.766e^{{j(\frac{1}{2}+\frac{2k-1}{2N})\pi}}\right)}\\&=\frac{0.0007378(1+z^{-1})^6}{(1-1.2686z^{-1}+0.7051z^{-2})(1-1.0106z^{-1}+0.3583z^{-2})(1-0.9044z^{-1}+0.2155z^{-2})}\end{aligned}\]

可以看到,和\(T_d\)依然没有关系.
该种方法设计的滤波器极点均在单位圆内,在-1处有六阶零点

Pasted image 20260114020434.png

FIR滤波器设计

FIR的好处在于容易实现线性相位,并且总可以用因果系统实现.设计线性相位FIR滤波器的方法有:1.窗函数法 2.最佳逼近法
现在我们要设计一个线性相位的理想低通滤波器

\[H_d(e^{j\omega})=\begin{cases}e^{-j\omega\alpha},&|\omega|<\omega_c\\0,&\omega_c<|\omega|\leq\pi\end{cases}\overset{DTFT}\longleftrightarrow h_d[n]=\frac{\sin[\omega_c(n-\alpha)]}{\pi(n-\alpha)}, -\infty<n<\infty\]

显然\(h_d[n]\)是无限长的,实际电路无法实现,并且\(n<0\)时,\(h_d[n]\neq 0\),不满足因果性,所以我们需要对\(h_d[n]\)进行截断

Pasted image 20260105164024.png

即

\[h[n]=\begin{cases}h_d[n],0\leq n\leq M\\0,others\end{cases}=h_d[n]w[n]\quad w[n]=\begin{cases}1,0\leq n\leq M\\0,others\end{cases}\]

因果线性相位系统的\(h[n]\)满足奇对称或者偶对称,因此为了保证线性相位,我们在截断的时候不能破坏\(h_d[n]\)的对称性,所以窗函数也需要是对称的.我们假设\(\alpha=\frac{M}{2}\),那么窗函数和原函数都应当关于\(\frac{M}{2}\)对称,单位脉冲响应如果要关于\(\frac{M}{2}\)对称,就相当于多出了一个\(e^{-jwM/2}\)的线性相位,所以

\[\begin{gather}w[n]=w[M-n]\:\Rightarrow\:W\big(e^{j\omega}\big)=W(\omega)\:e^{-j\omega M/2}\\h_d[n]=h_d[M-n],H_d(e^{j\omega})=H_d(\omega)e^{-j\omega M/2}\\h[n]=h[M-n]\Rightarrow H\big(e^{j\omega}\big)=H(\omega)e^{-j\omega M/2}\end{gather}\]

而时域相乘=频域相卷,对于离散信号就是0循环卷积

\[\begin{aligned}H\big(e^{j\omega}\big)&=\frac{1}{2\pi}\int_{-\pi}^{\pi}H_{d}\big(e^{j\theta}\big)W\big(e^{j(\omega-\theta)}\big)d\theta\\&=e^{-j\omega M/2}\cdot\boxed{\frac{1}{2\pi}\int_{-\pi}^{\pi}H_{d}(\theta)W(\omega-\theta)\:d\theta}\\&=H(\omega)e^{-j\omega M/2}\end{aligned}\]

对于矩形窗,有

\[w[n]=\begin{cases}1,&0\leq n\leq M\\0,&\text{otherwise}\end{cases}\longleftrightarrow \begin{aligned}W(e^{j\omega})&=\sum_{n=0}^{M}e^{-j\omega m}\\&=\frac{\sin[\omega(M+1)/2]}{\sin(\omega/2)}e^{-j\omega M/2}\\&=W(\omega)e^{-j\omega M/2}\end{aligned}\]

矩形窗换算到频域后也是一个sinc函数

Pasted image 20260105171509.png

主瓣是最中间的两个零点,代入\(W(w)=\frac{\sin[\omega(M+1)/2]}{\sin(\omega/2)}=0\)可得两个零点位置为\(\pm\frac{2\pi}{M+1}\),故主瓣宽度为\(\Delta w_m=\frac{4\pi}{M+1}\)
\(W(w)\)的总面积为\(A=\int_{-\pi}^\pi W(\omega)d\omega=2\pi\)
主瓣面积为\(A_m=\int_{-\frac{2\pi}{M+1}}^{\frac{2\pi}{M+1}}W(\omega)d\omega\approx1.179\times2\pi\)
左右旁瓣面积为\(A_s=\frac{A-A_m}2\approx-0.0895\times2\pi\)

在被理想低通滤波后,只保留了\(\pm w_c\)之间的频谱.于是前面推导的\(H\big(e^{j\omega}\big)=\frac{1}{2\pi}\int_{-\pi}^{\pi}H_{d}\big(e^{j\theta}\big)W\big(e^{j(\omega-\theta)}\big)d\theta=H(\omega)e^{-j\omega M/2}\)中,循环卷积过程变为了

\[H(\omega)=\frac{1}{2\pi}\int_{-\pi}^{\pi}H_{d}(\theta)W(\omega-\theta)\:d\theta=\frac{1}{2\pi}\int_{-\omega_{c}}^{\omega_{c}}W(\omega-\theta)d\theta\]

所以得到

Pasted image 20260105172840.png

\(H(0)\approx A=A_{m}+2A_{s}\)

Pasted image 20260105172935.png

\(H(\omega_c)\approx0.5H(0)\)

Pasted image 20260105173024.png

此时面积在滤波器通带内面积最大,为\(H\big(\omega_{c}-\frac{2\pi}{M+1}\big)\approx A_{m}+A_{s}=A-A_{s}\)

Pasted image 20260105173119.png

此时面积最小,为\(H\big(\omega_{c}+\frac{2\pi}{M+1}\big)\approx A_{s}\)
最终得到的结果为

Pasted image 20260105173546.png

正负峰的距离等于窗谱的主瓣宽度\(\Delta w_M\)
由于\(W(w)\)的对称性,\(H(w)\)在\(w_c\)附近趋于对称.
最大逼近误差取决于窗的类型,和M无关.增加M只能减小过渡带宽度,不会改变逼近误差的大小.

Pasted image 20260105191705.png

凯泽窗

\[w[n]=\begin{cases}\frac{I_0[\beta(1-[(n-\alpha)/\alpha]^2)^{1/2}]}{I_0(\beta)},&0\leq n\leq M\\0,&\text{otherwise}&\end{cases},\alpha=M/2\]

其中\(I_0(x)\)为第一类零阶修正贝塞尔函数,\(\beta\)为形状参数.通过调整\(\beta\)和\(M\)可以实现调整窗的形状和长度.\(\beta\)越大,则窗的两端越尖,窗谱旁瓣幅度越低,主板宽度越宽.若保持\(\beta\)不变而增大\(M\),则可使主瓣宽度减小,且不影响旁瓣幅度.

给定滤波器过渡带宽\(\Delta w\),最小阻带衰减\(A=-20log_{10}\delta\),于是有经验公式

\[\begin{aligned}&\beta=\begin{cases}0.0,&A<21\\0.5842(A-21)^{0.4}+0.07886(A-21),&21\leq A\leq50\\0.1102(A-8.7),&A>50\end{cases}\\&M=\frac{A-8}{2.285\Delta\omega}\end{aligned}\]

例题

e.g 脉冲响应不变法和双线变换法是两种将IIR模拟滤波器变换为IIR数字滤波器的方法。
1.哪种方法能够将一个模拟全通系统变换为一个数字全通系统?
2.哪种方法能够将一个模拟最小相位系统变换为一个数字最小相位系统?
3.哪种方法能够将一个模拟带通IIR变换为一个数字带通IIR?
4.哪种方法能够将一个模拟带阻IIR变换为一个数字带阻IIR?
5.哪种方法能够将一个线性相位模拟低通IIR变换为一个线性相位的数字低通IIR?
1.全通=非带限,因此只能用双线性变换
2.最小相位系统=零极点均在单位圆内,因此只能用双线性变换
3.带通=带限,因此两种方法均可
4.带阻=非带限,因此只能用双线性变换法
5,线性相位,双线性变化法相位是非线性的,并且低通是带限的,所以只能用脉冲响应不变法.

利用凯泽窗设计\(\omega_{p}=0.4\pi,\:\omega_{s}=0.6\pi,\:\delta_{p}=0.01,\:\delta_{s}=0.001\)的低通滤波器
一个理想低通滤波器的单位脉冲响应为

\[h_{\mathrm{lp}}[n]=\frac{\sin\left[(n-\alpha)\omega_c\right]}{(n-\alpha)\pi},\:\alpha=M/2\quad\omega_c=\frac{\omega_p+\omega_s}2=0.25\pi\]

然后计算凯泽窗参数

\[\begin{gather}\delta=\min(\delta_{p},\delta_{s})=0.001\longrightarrow A=-20\log_{10}\delta=60\mathrm{~dB}\\\Delta\omega=\omega_{s}-\omega_{p}=0.2\pi\\\beta=5.653,\quad M=\frac{A-8}{2.285\Delta\omega}=36.24\quad M=37\end{gather}\]

最后代入求解结果

\[h[n]=h_{\mathrm{lp}}[n]\cdot w[n]=h_{\mathrm{lp}}[n]\cdot\frac{I_0[\beta(1-[(n-\alpha)/\alpha]^2)^{1/2}]}{I_0(\beta)},\:\alpha=M/2\]


**脉冲响应不变法和双线性变换法是设计离散时间滤波器的两种方法。这两种方法都是将一个连续时间系统函数\(H_a(s)\)变换成一个离散时间系统函数\(H(z)\)。回答下列问题,指出哪一种方法或二者均能够得出所要求的结果?
(a) 最小相位连续时间系统的所有极点和零点均在左半\(s\)平面上,如果将一个最小相位连续时间系统变换成一个离散时间系统,哪一种方法将得出最小相位离散时间系统?**
最小相位系统保证零极点均在单位圆内,所以只能用双线性变换法
(b) 如果连续时间系统是一个全通系统,则它的极点将在左半平面\(s_k\)处,而它的零点将在相对应的右半平面的\(-s_k\)处。哪一种方法将得出全通离散时间系统?
全通系统是非带限系统,只能用双线性变换法
**(c) 哪一种设计方法可以保证

\[\left|H(e^{j\omega})\right|_{\omega=0} = \left|H_a(j\Omega)\right|_{\Omega=0}\]

** 双线性变换法
(d) 如果连续时间系统是一个带阻滤波器,哪一种方法会得出离散时间带阻滤波器?
非带限,只能是双线性变换法
(e) 假设\(H_1(z),H_2(z)\)和\(H(z)\)分别是\(H_{a1}(s),H_{a2}(s)\)和\(H_a(s)\)的变换形式。哪一种设计方法可以保证,只要当\(H_a(s) = H_{a1}(s)H_{a2}(s)\)时就有\(H(z) = H_1(z)H_2(z)\)?
双线性变换:

\[\begin{aligned}H(z)&=\quad H_{c}\left(\frac{2}{T_{d}}\left(\frac{1-z^{-1}}{1+z^{-1}}\right)\right)\\&\equiv\quad H_{c_{1}}\left(\frac{2}{T_{d}}\left(\frac{1-z^{-1}}{1+z^{-1}}\right)\right)H_{c_{2}}\left(\frac{2}{T_{d}}\left(\frac{1-z^{-1}}{1+z^{-1}}\right)\right)\\&=\quad H_{1}(z)H_{2}(z)\end{aligned}\]

(f) 假定\(H_1(z),H_2(z)\)和\(H(z)\)分别是\(H_{a1}(s),H_{a2}(s)\)和\(H_a(s)\)的变换形式。哪一种设计方法可以保证,只要当\(H_a(s) = H_{a1}(s) + H_{a2}(s)\)时就有\(H(z) = H_1(z) + H_2(z)\)?
二者均可.脉冲响应不变法:

\[\begin{aligned}H(e^{j\omega})&=\quad\sum_{k=-\infty}^{\infty}H_{c}\left(j\left(\frac{\omega}{T_{d}}+\frac{2\pi}{T_{d}}k\right)\right)\\&=\quad\sum_{k=-\infty}^{\infty}H_{c1}\left(j\left(\frac{\omega}{T_{d}}+\frac{2\pi}{T_{d}}k\right)\right)+\sum_{k=-\infty}^{\infty}H_{c2}\left(j\left(\frac{\omega}{T_{d}}+\frac{2\pi}{T_{d}}k\right)\right)\\&=\quad H_{1}(e^{j\omega})+H_{2}(e^{j\omega})\end{aligned}\]

双线性变换法

\[\begin{aligned}H(z)&=\quad H_{c}\left(\frac{2}{T_{d}}\left(\frac{1-z^{-1}}{1+z^{-1}}\right)\right)\\&=\quad H_{c_{1}}\left(\frac{2}{T_{d}}\left(\frac{1-z^{-1}}{1+z^{-1}}\right)\right)+H_{c_{2}}\left(\frac{2}{T_{d}}\left(\frac{1-z^{-1}}{1+z^{-1}}\right)\right)\\&=\quad H_{1}(z)+H_{2}(z)\end{aligned}\]

附录-词汇表

Aliasing 混叠 Amplitude 振幅 Associative结合
Cascade 级联 Coefficient 系数 Commutative 交换 Compensation 补偿 Component 成分 Compression 压缩 Conjugation 共轭 Convergence 收敛性 Converter 转换器 Convolution 卷积
Depict 绘制、描述 Denominator 分母 Density 密度 Differentiable 微分 Distribute 分配 Domain 区域 Duality 两元性 Duration 持续时间
Eigenfuction 特征函数 Eigenvalue 特征值 Equation 方程 Equivalent 等价于 Exponential 指数的
finite 有限的 Identical 相同的 indicate 表示 Infinity 无穷远点 Integral 积分 Integrator 积分器 Interval 区间
Harmonic 谐波 Modulation 调制 Multiplication 乘法 Nonrecursive 非递归的 Numerator 分子 Modulo 以 为模 Property 性质 Parallel
Rational 有理的 Recursive 递归的 Replication 复制 Representation 表达 Reversal 反转 Spectral 频谱的 Spectrum 频谱 Symmetry对称 Sinusoidal 正弦的 Theorem 原则 Triangular 三角 Uniform 均匀的 Unilateral 单边的

← 上一篇:
下一篇: →