信号与线性系统翻转课堂笔记7——信号正交与傅里叶级数

信号与线性系统翻转课堂笔记7——信号正交与傅里叶级数

The Flipped Classroom7 of Signals and Linear Systems

对应教材:《信号与线性系统分析(第五版)》高等教育出版社,吴大正著

一、要点

(1,重点)矢量和函数(信号)的正交分解,理解正交分解的特点及其实用价值;
(2)周期信号的傅里叶级数,三角傅里叶级数和指数傅里叶级数及其相互关系;
(3)周期信号的奇偶性与傅里叶级数分量之间关系。

二、问题与解答

1、结合课件中对矢量和信号正交分解特性的解释(独立性、抽取性、非冗余性、完备性),说明与非正交分解相比,对信号进行正交分解有什么好处?信号的正交分解与矢量的正交分解有什么联系和区别?

2、正交信号的概念在通信领域具有非常重要的意义。查阅相关资料,了解通信系统中各种信道复用(频分复用、时分复用、码分复用等)技术的原理,并说明在这些技术中是如何利用信号正交特性来实现信道复用的。

3、用一个区间[-∞,∞]上的不完备正交函数集,对一个周期函数f(t)进行分解。若P_0是f(t)的平均功率,P_Σ是分解所得各分量的平均功率之和,则P_0与P_Σ的大小将具有何种关系(>,<,=,≥,≤)?(分析时请参考帕斯瓦尔定理)。如果函数集是非正交的,能不能确定这样一种关系?为什么?

4、用一个或者多个函数的加权和来近似表达任意的函数f(t),这既可以理解为对f(t)的一种分解,也是数学中的一个逼近问题。其中最关键的就是确定合适的加权系数,以使得加权和与f(t)最为接近,即最佳(最优)逼近。对于何为“最佳”的逼近,需要有一个评价标准,称为“最优准则”。其中,最小均方误差准则(教材式4.1-7)是最常用的一种最优准则,除此之外,也还有很多其他的最优准则。试讨论:①如果采用不同于式4.1-7的最优准则,所得到的最佳加权系数会不会有所不同?②最大误差最小化准则,是另一种比较常用的最优准则,请查阅相关资料,比较该准则与最小均方误差准则的区别,并结合不同的应用背景,讨论这两种准则各自适用的场景。

5、基于教材式(4.1-9),推导求傅里叶系数的公式(4.2-3)、(4.2-4)和求复傅里叶系数的公式(4.2-20),总结两种傅里叶系数之间的关系,比较傅里叶系数和复傅里叶系数的自变量取值范围有何不同。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

6、基于课后习题4.10,讨论信号的奇偶性与其所含谐波分量的特点。
在这里插入图片描述

1、信号的正交分解

结合课件中对矢量和信号正交分解特性的解释(独立性、抽取性、非冗余性、完备性),说明与非正交分解相比,对信号进行正交分解有什么好处?信号的正交分解与矢量的正交分解有什么联系和区别?


独立性:每一个正交基底可以视为具有某种独立属性的基本矢量,而这种属性在其它任意基底上都不具备。
抽取性:求任意矢量与该正交基的内积(正交投影),就可以把矢量中与该正交基底具有相同特性的分量全部抽取出来。
非冗余性:投影到某个正交基底的分量不包含可以投影到其它任意基底的部分(在其它任意基底的投影为0),而只能被它所对应的正交基底所唯一地抽取。
完备性:一个N维矢量在N维空间正交分解后的各分量的总和包含了该矢量的所有信息。
好处:对信号的正交分解是以某个区间内的完备正交函数集作为基底,可以把定义在该区间的任意函数(信号)分解为多个正交分量之和,且分解后的信号能够保留原信号的所有信息,抽取的分量具有相互独立性。
联系:一个连续信号相当于一个无穷维的矢量、分解后的各分量总和都包含了其全部信息,信号分解是函数分解的一种特例。概念相似,由矢量分解可以推广到信号的正交分解。
区别:信号的正交分解用一组完备正交函数集来表示,子函数表示各分量,而矢量正交分解是正交基底表示各分量。抽取性中矢量正交分解中任意矢量与该正交基得到内积,可以把矢量中与该正交基底具有相同特征的分量全部抽取出来,而信号正交分解中的抽取性可以该函数中具有不同属性的分量分别抽取出来,矢量正交分解是分解成垂直的向量,信号的正交分解是分解成几个正交函数。

2、信号正交与信道复用

正交信号的概念在通信领域具有非常重要的意义。查阅相关资料,了解通信系统中各种信道复用(频分复用、时分复用、码分复用等)技术的原理,并说明在这些技术中是如何利用信号正交特性来实现信道复用的。


频分复用:按照频率的不同来复用多路信号的方法。在频分复用中,信道的带宽被分为若干个相互不重叠的频段,每路信号占用其中一个频段,因而在接受端可以采用适当的带通滤波器将多路信号分开,从而恢复出所需要的信号。
根据信号正交分解特性的独立性、抽取性、非冗余性把不同频率的信号进行分解。
时分复用:利用各信号的抽样值在时间上不相互重叠,来达到在同一信道中传输多路信号的一种方法。时分多路复用以时间作为信号进行正交分割,使各路信号在时间轴上互不重叠。
根据信号正交分解特性独立性、抽取性、非冗余性把时间信号进行分解。
码分复用:用一组包含互相正交的码字的码组携带多路信号。根据信号的正交特性把码字分为相互正交的码组。
根据信号正交分解特性独立性、抽取性、非冗余性把码字信号进行分解。

3、函数正交性&信号分解中功率分析

用一个区间[-∞,∞]上的不完备正交函数集,对一个周期函数f(t)进行分解。若P_0是f(t)的平均功率,P_Σ是分解所得各分量的平均功率之和,则P_0与P_Σ的大小将具有何种关系(>,<,=,≥,≤)?(分析时请参考帕斯瓦尔定理)。如果函数集是非正交的,能不能确定这样一种关系?为什么?


帕斯瓦尔(Parseval)定理:对于完备正交函数集,正交分解前后能量守恒。
在这里插入图片描述

4、信号正交分解与最优准则

用一个或者多个函数的加权和来近似表达任意的函数f(t),这既可以理解为对f(t)的一种分解,也是数学中的一个逼近问题。其中最关键的就是确定合适的加权系数,以使得加权和与f(t)最为接近,即最佳(最优)逼近。对于何为“最佳”的逼近,需要有一个评价标准,称为“最优准则”。其中,最小均方误差准则(教材式4.1-7)是最常用的一种最优准则,除此之外,也还有很多其他的最优准则。试讨论:①如果采用不同于式4.1-7的最优准则,所得到的最佳加权系数会不会有所不同?②最大误差最小化准则,是另一种比较常用的最优准则,请查阅相关资料,比较该准则与最小均方误差准则的区别,并结合不同的应用背景,讨论这两种准则各自适用的场景。


在这里插入图片描述
(1)不会,因为正交基底之间是具有独立性的,每一个正交基底可以视为具有某种独立属性的基本矢量,而这种属性在其它任意基底上都不具备,所以找到最佳加权系数一定相同。
(2)

最小均方误差准则:选择一组时域采样值,采用最小均方误差算法,以使均方误差最小,这一方法注重的是在整个频率区间内,总误差全局最小,但不能保证局部频率点的性能,有些频点可能会有较大的误差。(适合对于整体误差考虑多,不追究各别点的误差的情况)
最大误差最小化准则:通过不同频率范围内实现不同的加权函数,实现在不同频段的加权误差最大值相同,从而实现在最大误差在满足要求的条件下达到最小值(适合点与点之间进行运算,注重波形的情况)。

5、傅里叶系数&复傅里叶系数的推导

基于教材式(4.1-9),推导求傅里叶系数的公式(4.2-3)、(4.2-4)和求复傅里叶系数的公式(4.2-20),总结两种傅里叶系数之间的关系,比较傅里叶系数和复傅里叶系数的自变量取值范围有何不同。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述


在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
傅里叶系数的自变量取值范围:[0,+∞)
复傅里叶系数的自变量取值范围:(-∞,+∞)

6、

基于课后习题4.10,讨论信号的奇偶性与其所含谐波分量的特点。
在这里插入图片描述


在这里插入图片描述
在这里插入图片描述

特点:
在这里插入图片描述

三、反思总结

暂无

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/240320.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

安全、效率、成本:混合云数据库管理的三重挑战!

随着业务需求的不断演变&#xff0c;数据在多云平台之间流动&#xff0c;给数据库管控带来了新的层次和复杂性。这给数据库管控带来了前所未有的挑战。企业可能面临着一系列问题&#xff0c;包括安全性挑战、管理复杂性、性能与效率问题、成本控制难题、缺乏统一的管理视图以及…

php反序列化漏洞原理、利用方法、危害

文章目录 PHP反序列化漏洞1. 什么是PHP反序列化漏洞&#xff1f;2. PHP反序列化如何工作&#xff1f;3. PHP反序列化漏洞是如何利用的&#xff1f;4. PHP反序列化漏洞的危害是什么&#xff1f;5. 如何防止PHP反序列化漏洞&#xff1f;6. PHP反序列化漏洞示例常见例子利用方法PH…

elementUI CDN引入本地文件报错,刷新页面报错

报错原因&#xff1a;vue.config.js的externals 配置中有外部cdn引入配置&#xff0c;而当前场景我的element是直接下载放在本地的&#xff0c;这时就需要将配置注释或者删除 webpack 中的 externals 配置项用于指定在打包时需要排除掉的模块&#xff0c;这些模块会被视为外部依…

Rust中peekable的使用

在 Rust 中&#xff0c;从迭代器中获取&#xff08;也就是“消费”&#xff09;一个元素时&#xff0c;每次调用 next 方法都会“消费”迭代器的一个元素&#xff0c;这意味着此元素被从迭代器中移除并返回给调用者&#xff0c; 一旦一个元素被消费&#xff0c;它就不能再次从同…

maven下载jar包失败

配置国内镜像 设置国内的仓库,比如: <!--阿里仓库--><mirror><id>alimaven</id><name>aliyun maven</name><url>https://maven.aliyun.com/repository/public/</url><mirrorOf>central</mirrorOf></mirror>…

医学实验室检验科LIS信息系统源码

实验室信息管理是专为医院检验科设计的一套实验室信息管理系统&#xff0c;能将实验仪器与计算机组成网络&#xff0c;使病人样品登录、实验数据存取、报告审核、打印分发&#xff0c;实验数据统计分析等繁杂的操作过程实现了智能化、自动化和规范化管理。 实验室管理系统功能介…

nuxt打包占用磁盘IO

目录 前言排除过程 前言 jenkins运行打包&#xff0c;总是要卡一段时间&#xff0c;磁盘IO很高。我手动执行后的确发现了这个问题&#xff0c;如下图所示。 排除过程 我的方案很原始&#xff0c;利用git恢复到以前的版本&#xff0c;抽检&#xff0c;搞了差不多两个小时&am…

vue中添加change的js事件并根据下拉框内容动态改变另一个组件中的数据(亲测有效)

vue中添加change的js事件并根据下拉框内容动态改变另一个组件中的数据 话不多说看我怎么完成的&#xff0c;以我当前实现的例子演示 我想根据班级下拉框来动态改变报名费内容 具体步骤如下&#xff1a; 1.首先给下拉框的组件加一个change change“changeFeiByclass” 2.在met…

关于Triple DES(3DES)对称加密算法

一、引言 在网络安全领域&#xff0c;对称加密算法作为一种常见的加密手段&#xff0c;被广泛应用于保障数据传输的保密性和完整性。其中&#xff0c;DES&#xff08;Data Encryption Standard&#xff09;算法作为一种经典的对称加密算法&#xff0c;由IBM于1970年代开发&…

mac上使用 Downie 下载网页视频

在今天的数字时代&#xff0c;视频内容在互联网上的传播变得更加普遍和便捷。然而&#xff0c;有时我们可能希望将网页上的视频保存在本地&#xff0c;以便离线观看或与他人分享。Downie 是一款强大而简便的工具&#xff0c;专门设计用于下载网页上的视频内容。本文将介绍 Down…

多维时序 | MATLAB实现SSA-CNN-SVM麻雀算法优化卷积神经网络-支持向量机多变量时间序列预测

多维时序 | MATLAB实现SSA-CNN-SVM麻雀算法优化卷积神经网络-支持向量机多变量时间序列预测 目录 多维时序 | MATLAB实现SSA-CNN-SVM麻雀算法优化卷积神经网络-支持向量机多变量时间序列预测预测效果基本介绍模型描述程序设计参考资料 预测效果 基本介绍 多维时序 | MATLAB实现…

【智慧办公】如何让智能会议室的电子标签实现远程、批量更新信息?东胜物联网硬件网关让解决方案更具竞争力

近年来&#xff0c;为了减少办公耗能、节能环保、降本增效&#xff0c;越来越多的企业开始从传统的办公模式转向智慧办公。 以智能会议室为例&#xff0c;会议是企业业务中不可或缺的一部分&#xff0c;但在传统办公模式下&#xff0c;一来会议前行政人员需要提前准备会议材料…

多相机系统通用视觉 SLAM 框架的设计与评估

Design and Evaluation of a Generic Visual SLAM Framework for Multi-Camera Systems PDF https://arxiv.org/abs/2210.07315 Code https://github.com/neufieldrobotics/MultiCamSLAM Data https://tinyurl.com/mwfkrj8k 程序设置 主要目标是开发一个与摄像头系统配置无关…

极智项目 | 实战Pytorch戴口罩检测

欢迎关注我的公众号 [极智视界]&#xff0c;获取我的更多项目分享 大家好&#xff0c;我是极智视界&#xff0c;本文来介绍 实战 Pytorch 戴口罩检测项目。 本文介绍的 实战 Pytorch 戴口罩检测项目&#xff0c;提供完整的可以一键执行的项目工程源码&#xff0c;获取方式有两…

Diary26-Vue综合案例1-书籍购物车

Vue综合案例1-书籍购物车 案例要求: 代码&#xff1a; <!DOCTYPE html> <html lang"en"> <head><meta charset"UTF-8"><meta http-equiv"X-UA-Compatible" content"IEedge"><meta name"viewpor…

网络爬虫之多任务数据采集(多线程、多进程、协程)

进程&#xff1a;是操作系统中资源分配的基本单位 线程&#xff1a;使用进程分配的资源处理具体任务 一个进程中可以有多个线程&#xff1a;进程相当于一个公司&#xff0c;线程就是公司里面的员工。 一 多线程 多线程都是关于功能的并发执行。而异步编程是关于函数之间的非…

C语言——最古老的树

归纳编程学习的感悟&#xff0c; 记录奋斗路上的点滴&#xff0c; 希望能帮到一样刻苦的你&#xff01; 如有不足欢迎指正&#xff01; 共同学习交流&#xff01; &#x1f30e;欢迎各位→点赞 &#x1f44d; 收藏⭐ 留言​&#x1f4dd; 缺乏明确的目标&#xff0c;一生将庸庸…

drf知识--02

APIView执行流程分析 源码分析&#xff1a; # 1 在路由中&#xff1a;path(books/, views.BookView.as_view()),请求来了 # 2 先看 as_view()---->APIView的 as_view---》as_view执行结果跟之前一样&#xff0c;去除了csrf认证classmethoddef as_view(cls, **initkwargs):vi…

C# WPF上位机开发(文件对话框和目录对话框)

【 声明&#xff1a;版权所有&#xff0c;欢迎转载&#xff0c;请勿用于商业用途。 联系信箱&#xff1a;feixiaoxing 163.com】 一个上位机软件在处理数据的时候&#xff0c;除了配置文件、数据文件之外&#xff0c;一般还需要使用选择对话框进行文件和目录的选取。如果不这样…

20231222给NanoPC-T4(RK3399)开发板的适配原厂Android10的挖掘机方案并跑通AP6398SV

20231222给NanoPC-T4(RK3399)开发板的适配原厂Android10的挖掘机方案并跑通AP6398SV 1、简略步骤&#xff1a;rootrootrootroot-X99-Turbo:~/3TB/3399-android10$ cat Rockchip_Android10.0_SDK_Release.tar.gz0* > Rockchip_Android10.0_SDK_Release.tar.gz rootrootrootro…