文章目录
总结
相关函数 与 卷积 在 数学上是有关系的 , 但是其物理意义不同 ;
- 卷积的物理意义 : 线性时不变系统 输入序列 , 输出序列 与 单位脉冲响应
h(n) 之间的关系 ;
可以使用 " 快速计算卷积 " 的方法 , 计算相关函数 ;
一、相关函数与线性卷积概念
1、卷积
卷积概念
对于 线性时不变系统 ( LTI - Linear time-invariant ) 来说 ,
假设
x(n) 是 LTI 系统的 " 输入序列 " ,
y(n) 是 " 输出序列 " ,
则有 :
y(n) = \sum^{+\infty}_{m = -\infty} x(m) h(n-m) = x(n) * h(n)线性时不变系统 ( LTI - Linear time-invariant ) 的
" 输出序列 "
等于
" 输入序列 " 与 " 系统单位脉冲响应 " 的 线性卷积 ;
卷积公式
卷积公式如下 :
y(n) = x(n) * h(n) = \sum^{+\infty}_{m = -\infty} x(m) h(n-m)卷积具有交换律 :
y(n) = x(n) * h(n) = h(n) * x(n) = \sum^{+\infty}_{m = -\infty} h(m) x(n-m)2、相关函数
互相关函数
互相关函数 表示的是 两个不同的信号 之间的相关性 ;
x(n) 与
y(n) 的 " 互相关函数 " 如下 ,
r_{xy}(m) = \sum_{n=-\infty}^{+\infty} x^*(n) y(n + m)其中
y(n) 进行了移位 , 向左移动了
m 单位 ,
该 " 互相关函数 " 求的是
y(n) 移位
m 后的序列 与
x(n) 序列之间的关系 ;
注意这里的
n 表示的是时刻 ,
m 表示的是信号移动的间隔 ;
该 " 互相关函数 " 表示的是
x(n) 信号 , 与 隔了
m 时间后的
y(n) 信号之间的关系 ;
这
2 个信号 ( 序列 ) 之间 " 关系 " 是一个 函数 , 函数的自变量是
m 间隔 , 不是
n ;
自相关函数
自相关函数 ( Autocorrelation Function ) :
r_{xx}(m) = \sum_{n=-\infty}^{+\infty} x^*(n) x(n + m) = r_x(m)" 自相关函数 " 是 " 自己信号 " 与 " 隔一段时间后的 自己信号 " 之间的 相关性 ;
如果
m = 0 时 , " 自己信号 " 与 " 隔一段时间
m 后的自己信号 " 完全相等 , 该值就是 信号的能量 ;
r_{x}(0) = \sum_{n=-\infty}^{+\infty} |x(n)|^2= E二、相关函数与线性卷积关系
1、相关函数与线性卷积对比
卷积可以写为 :
g(n) = x(n) * y(n)= \sum^{+\infty}_{m = -\infty} x(m) y(n-m)相关函数 :
r_{xy}(m) = \sum_{n=-\infty}^{+\infty} x^*(n) y(n + m)相关函数 与 卷积对比 :
-\infty ~
+\infty ;
x(n) 序列项的自变量不同 , 相关函数是
n , 卷积是
m ;
x(n) 序列 相关函数取了共轭 , 卷积没有 ;
y(n) 序列 相关函数的 自变量是
n + m , 卷积的自变量是
n-m ;
2、使用 卷积 推导 相关函数
x(-m) 的共轭 与
y(m) 的 卷积 计算 :
x^*(-m) * y(m) = \sum^{+\infty}_{m = -\infty} x^*(-n) y(m-n)令
-n = n' ,
n 的范围还是
-\infty ~
+\infty ,
使用
n = -n' 替换
n , 带入到上面的卷积式子中 ,
x^*(-m) * y(m) = \sum^{+\infty}_{m = -\infty} x^*(- (-n')) y(m-(-n'))x^*(-m) * y(m) = \sum^{+\infty}_{m = -\infty} x^*(n') y(m + n') = r_{xy}(m)最终计算出来的结果就是
r_{xy}(m) 互相关函数 ;
3、使用 卷积 计算 互相关函数
使用 卷积 计算 互相关函数 :
r_{xy}(m) = x^*(-m) * y(m)4、使用 卷积 计算 自相关函数
使用 卷积 计算 自相关函数 :
r_{x}(m) = x^*(-m) * x(m)