数学系的数字信号处理:连续信号、滤波器与采样定理

本专栏:数学系的数字信号处理 的前置知识主要有:数学分析(傅立叶级数的部分),泛函分析( L p L^p Lp空间的部分)

连续信号、滤波器与采样定理

我们在数学上粗略地定义信号和滤波器,目的是快速理解相关知识的结构,而不是花费大量的时间在细节上。
本文中的 F \mathscr{F} F 符号均指傅立叶变换,我们也常记 F ( f ) \mathscr{F}(f) F(f) f ^ \hat{f} f^

定义
信号:即把实数域映到复数域的函数 f : R → C f:\mathbb{R}\to\mathbb{C} f:RC,一般是分段连续的

滤波器:把信号映为信号的变换

定义:时不变性
信号 f f f 的时不变算子是如下定义的 f a f_a fa
f a ( t ) = f ( t − a ) , a ∈ R f_a(t)=f(t-a),a\in\mathbb{R} fa(t)=f(ta),aR滤波器 L L L 称为时不变的,若对任意信号 f f f 和实数 a a a,有 L ( f a ) = ( L f ) a L(f_a)=(Lf)_a L(fa)=(Lf)a

定理:线性时不变滤波器的结构
L L L 是分段连续信号 f f f 上的线性时不变滤波器,则存在可积函数 h h h ,使得对任意信号 f f f ,有 L ( f ) = f ∗ h L(f)=f*h L(f)=fh
此时称 h h h 为冲激响应函数,称 h h h 的傅立叶变换 h ~ \tilde{h} h~ 为系统函数

证明思路

引理:(线性时不变滤波器使输入输出同频)
设线性时不变滤波器 L L L t t t 为自变量,则 ∀ λ ∈ R \forall \lambda\in\mathbb{R} λR,存在函数 h h h ,使得
L ( e i λ t ) = 2 π h ~ ( λ ) e i λ t L(e^{i\lambda t})=\sqrt{2\pi}\tilde{h}(\lambda)e^{i\lambda t} L(et)=2π h~(λ)et

引理的证明思路:(不严格)
h λ ( t ) = L ( e i λ t ) h^{\lambda}(t)=L(e^{i\lambda t}) hλ(t)=L(et),由时不变性,
h λ ( t − a ) = L ( e i λ ( t − a ) ) h^{\lambda}(t-a)=L(e^{i\lambda (t-a)}) hλ(ta)=L(e(ta))由线性性 L ( e i λ ( t − a ) ) = e − i λ a h λ ( t ) L(e^{i\lambda (t-a)})=e^{-i\lambda a}h^{\lambda}(t) L(e(ta))=eiλahλ(t) h λ ( t ) = e i λ a h λ ( t − a ) h^{\lambda}(t)=e^{i\lambda a}h^{\lambda}(t-a) hλ(t)=eiλahλ(ta) a = t a=t a=t,得到
h λ ( t ) = e i λ t h λ ( 0 ) h^{\lambda}(t)=e^{i\lambda t}h^{\lambda}(0) hλ(t)=ethλ(0)再取 h ~ \tilde{h} h~,使其满足
h ~ ( λ ) = h λ ( 0 ) 2 π \tilde{h}(\lambda)=\frac{h^{\lambda}(0)}{\sqrt{2\pi}} h~(λ)=2π hλ(0)

注:这个证明并没有解释结论形式的来源,也未解释满足所要求 h ~ \tilde{h} h~ 的存在性

定理的证明(不严格)
L ( f ) ( t ) = L F − 1 F ( f ) ( t ) = L [ 1 2 π ∫ − ∞ ∞ f ^ ( λ ) e i λ t d λ ] L(f)(t)=L\mathscr{F}^{-1}\mathscr{F}(f)(t)=L[\frac{1}{\sqrt{2\pi}}\int_{-\infty}^{\infty}\hat{f}(\lambda)e^{i\lambda t}\mathrm{d}\lambda] L(f)(t)=LF1F(f)(t)=L[2π 1f^(λ)etdλ]上式通过 Riemann 和近似,可以得到
L ( f ) ( t ) ≈ L [ 1 2 π ∑ j f ^ ( λ j ) e i λ j t Δ λ ] = 1 2 π ∑ j f ^ ( λ j ) L ( e i λ j t ) Δ λ ≈ 1 2 π ∫ − ∞ ∞ f ^ ( λ ) L ( e i λ t ) d λ = 1 2 π ∫ − ∞ ∞ f ^ ( λ ) h ^ ( λ ) e i λ t d λ = 1 2 π ∫ − ∞ ∞ f ∗ h ^ ( λ ) e i λ t d λ = ( f ∗ h ) ( t ) \begin{split} L(f)(t)&\approx L[\frac{1}{\sqrt{2\pi}}\sum\limits_j\hat{f}(\lambda_j)e^{i\lambda_j t}\Delta \lambda]\\ &=\frac{1}{\sqrt{2\pi}}\sum\limits_j\hat{f}(\lambda_j)L(e^{i\lambda_j t})\Delta \lambda\\ &\approx \frac{1}{\sqrt{2\pi}}\int_{-\infty}^{\infty}\hat{f}(\lambda)L(e^{i\lambda t})\mathrm{d}\lambda\\ &=\frac{1}{\sqrt{2\pi}}\int_{-\infty}^{\infty}\hat{f}(\lambda)\hat{h}(\lambda)e^{i\lambda t}\mathrm{d}\lambda\\ &=\frac{1}{\sqrt{2\pi}}\int_{-\infty}^{\infty}\hat{f*h}(\lambda)e^{i\lambda t}\mathrm{d}\lambda\\ &=(f*h)(t) \end{split} L(f)(t)L[2π 1jf^(λj)eiλjtΔλ]=2π 1jf^(λj)L(eiλjt)Δλ2π 1f^(λ)L(et)dλ=2π 1f^(λ)h^(λ)etdλ=2π 1fh^(λ)etdλ=(fh)(t)

定义:因果滤波器
输入信号到达后才有输出信号的滤波器,即
∀ a ∈ R , ∀ t < a , i f : f ( t ) = 0 , t h e n : L f ( t ) = 0 \forall a\in\mathbb{R},\forall t<a,if: f(t)=0,then:Lf(t)=0 aR,t<a,if:f(t)=0,then:Lf(t)=0

定理:因果滤波器的刻画
设线性时不变滤波器 L L L 的冲激响应函数为 h h h,则 L L L 因果当且仅当 h ( t ) = 0 ( t < 0 ) h(t)=0(t<0) h(t)=0(t<0)
(不加证明)

推论:相应于 L L L 的系统函数 h ^ \hat{h} h^ L L L 因果的条件下,可改写为
h ^ ( λ ) = ∫ 0 ∞ 1 2 π h ( t ) e − i λ t d t = L ( h ) ( i λ ) 2 π \hat{h}(\lambda)=\int_0^{\infty}\frac{1}{\sqrt{2\pi}}h(t)e^{-i\lambda t}\mathrm{d}t=\frac{\mathscr{L}(h)(i\lambda)}{\sqrt{2\pi}} h^(λ)=02π 1h(t)etdt=2π L(h)()其中 L \mathscr{L} L 为拉普拉斯变换 L ( f ) ( t ) = ∫ 0 ∞ f ( λ ) e − λ t d λ \mathscr{L}(f)(t)=\int_0^{\infty}f(\lambda)e^{-\lambda t}\mathrm{d}\lambda L(f)(t)=0f(λ)eλtdλ

定义:频率带限信号
即满足存在 Ω > 0 \Omega>0 Ω>0,使得 F ( f ) ( λ ) = 0 ( ∣ λ ∣ > Ω ) \mathscr{F}(f)(\lambda)=0(|\lambda|>\Omega) F(f)(λ)=0(λ>Ω) 的信号 f f f;当 Ω \Omega Ω 是使上述条件成立的最小频率时,称 KaTeX parse error: Undefined control sequence: \Omgea at position 19: …riangleq \frac{\̲O̲m̲g̲e̲a̲}{2\pi} 为自然频率(Nyquist频率), 2 v 2v 2v 称为Nyquist 抽样率

定理:Shannon-Whittaker抽样定理
F ( f ) \mathscr{F}(f) F(f) 分段光滑且连续,且信号 f f f 带限 Ω \Omega Ω,则 f f f 可由可数个点确定,即
f ( t ) = ∑ j = − ∞ ∞ f ( t j ) sin ⁡ [ Ω ( t − t j ) ] Ω ( t − t j ) f(t)=\sum\limits_{j=-\infty}^{\infty}f(t_j)\frac{\sin{[\Omega(t-t_j)]}}{\Omega(t-t_j)} f(t)=j=f(tj)Ω(ttj)sin[Ω(ttj)]其中 t j = j π Ω , j = 0 , ± 1 , ± 2 , … t_j=\frac{j\pi}{\Omega},j=0,\pm 1,\pm 2,\dots tj=Ω,j=0,±1,±2,

证明
先将 f ^ ( λ ) \hat{f}(\lambda) f^(λ) [ − π , π ] [-\pi,\pi] [π,π] 上展为傅立叶级数,则
f ^ ( λ ) = ∑ k = − ∞ ∞ c k e i π k λ Ω \hat{f}(\lambda)=\sum\limits_{k=-\infty}^{\infty}c_ke^{i\pi k\frac{\lambda}{\Omega}} f^(λ)=k=ckeiπkΩλ其中
c k = 1 2 Ω ∫ − Ω Ω f ^ ( λ ) e − i π k λ Ω d λ = 2 π 2 Ω 1 2 π ∫ − ∞ ∞ f ^ ( λ ) e − i π k λ Ω d λ = 2 π 2 Ω f ( − k π Ω ) \begin{split} c_k&=\frac{1}{2\Omega}\int_{-\Omega}^{\Omega}\hat{f}(\lambda)e^{-i\pi k\frac{\lambda}{\Omega}}\mathrm{d}\lambda\\ &=\frac{\sqrt{2\pi}}{2\Omega}\frac{1}{\sqrt{2\pi}}\int_{-\infty}^{\infty}\hat{f}(\lambda)e^{-i\pi k\frac{\lambda}{\Omega}}\mathrm{d}\lambda\\ &=\frac{\sqrt{2\pi}}{2\Omega}f(-\frac{k\pi}{\Omega}) \end{split} ck=1ΩΩf^(λ)eiπkΩλdλ=2π 2π 1f^(λ)eiπkΩλdλ=2π f(Ω)
f ( t ) = 1 2 π ∫ − ∞ ∞ f ^ ( λ ) e i λ t d λ = ∫ − Ω Ω ∑ k = − ∞ ∞ f ( t j ) 2 Ω e i λ ( t − t j ) d λ = ∑ k = − ∞ ∞ f ( t j ) 2 Ω ∫ − Ω Ω e i λ ( t − t j ) d λ = ∑ j = − ∞ ∞ f ( t j ) sin ⁡ [ Ω ( t − t j ) ] Ω ( t − t j ) \begin{split} f(t)&=\frac{1}{\sqrt{2\pi}}\int_{-\infty}^{\infty}\hat{f}(\lambda)e^{i\lambda t}\mathrm{d}\lambda\\ &=\int_{-\Omega}^{\Omega}\sum\limits_{k=-\infty}^{\infty}\frac{f(t_j)}{2\Omega}e^{i\lambda(t-t_j)}\mathrm{d}\lambda\\ &=\sum\limits_{k=-\infty}^{\infty}\frac{f(t_j)}{2\Omega}\int_{-\Omega}^{\Omega}e^{i\lambda(t-t_j)}\mathrm{d}\lambda\\ &=\sum\limits_{j=-\infty}^{\infty}f(t_j)\frac{\sin{[\Omega(t-t_j)]}}{\Omega(t-t_j)} \end{split} f(t)=2π 1f^(λ)etdλ=ΩΩk=f(tj)e(ttj)dλ=k=f(tj)ΩΩe(ttj)dλ=j=f(tj)Ω(ttj)sin[Ω(ttj)]

注:此定理中的级数一致收敛,但收敛速度很慢

定义:分辨率
f ∈ L 2 ( R ) f\in L^2(\mathbb{R}) fL2(R),则 f f f a ∈ R a\in\mathbb{R} aR 处的分辨率定义为
Δ a f = ∫ − ∞ ∞ ( t − a ) 2 ∣ f ( t ) ∣ 2 d t ∫ − ∞ ∞ ∣ f ( t ) ∣ 2 d t \Delta_af=\frac{\int_{-\infty}^{\infty}(t-a)^2|f(t)|^2\mathrm{d}t}{\int_{-\infty}^{\infty}|f(t)|^2\mathrm{d}t} Δaf=f(t)2dt(ta)2f(t)2dt

性质
f f f 的图像越集中在 t = a t=a t=a 处,则 Δ a f \Delta_af Δaf 越小

定理:不确定性原理
f ∈ L 2 ( R ) , f ( ∞ ) = 0 f\in L^2(\mathbb{R}),f(\infty)=0 fL2(R),f()=0,则对任意 a , α ∈ R a,\alpha\in\mathbb{R} a,αR,有 Δ a f Δ α f ^ ≥ 1 4 \Delta_af\Delta_{\alpha}\hat{f}\geq \frac{1}{4} ΔafΔαf^41

证明
可以验证
{ ( d d t − i α ) ( t − a ) } f − { ( t − a ) ( d d t − i α ) } f = f \{(\frac{\mathrm{d}}{\mathrm{d}t}-i\alpha)(t-a)\}f-\{(t-a)(\frac{\mathrm{d}}{\mathrm{d}t}-i\alpha)\}f=f {(dtdiα)(ta)}f{(ta)(dtdiα)}f=f不失一般性,设 ∣ ∣ f ∣ ∣ = 1 ||f||=1 ∣∣f∣∣=1
∣ ∣ f ∣ ∣ = < ( d d t − i α ) ( t − a ) f , f ( t ) > − < ( t − a ) ( d d t − i α ) f , f ( t ) > = < ( t − a ) f ( t ) , ( − d d t + i α ) f > − < ( d d t − i α ) f , ( t − a ) f ( t ) > = 1 \begin{split} ||f||&=<(\frac{\mathrm{d}}{\mathrm{d}t}-i\alpha)(t-a)f,f(t)>-<(t-a)(\frac{\mathrm{d}}{\mathrm{d}t}-i\alpha)f,f(t)>\\ &=<(t-a)f(t),(-\frac{\mathrm{d}}{\mathrm{d}t}+i\alpha)f>-<(\frac{\mathrm{d}}{\mathrm{d}t}-i\alpha)f,(t-a)f(t)>\\ &=1 \end{split} ∣∣f∣∣=<(dtdiα)(ta)f,f(t)><(ta)(dtdiα)f,f(t)>=<(ta)f(t),(dtd+iα)f><(dtdiα)f,(ta)f(t)>=1结合三角不等式,Schwarz不等式,有
1 ≤ 2 ∣ ∣ ( d d t − i α ) f ∣ ∣ ⋅ ∣ ∣ ( t − a ) f ( t ) ∣ ∣ = 2 ∣ ∣ ( λ − a ) f ^ ( λ ) ∣ ∣ ⋅ ∣ ∣ ( t − a ) f ( t ) ∣ ∣ = 2 Δ a f Δ α f ^ \begin{split} 1&\leq 2||(\frac{\mathrm{d}}{\mathrm{d}t}-i\alpha)f||\cdot ||(t-a)f(t)||\\ &=2||(\lambda-a)\hat{f}(\lambda)||\cdot||(t-a)f(t)||\\ &=2\sqrt{\Delta_af\Delta_{\alpha}\hat{f}} \end{split} 12∣∣(dtdiα)f∣∣∣∣(ta)f(t)∣∣=2∣∣(λa)f^(λ)∣∣∣∣(ta)f(t)∣∣=2ΔafΔαf^

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/770532.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

React 抽屉显示和隐藏

<div className{styles.content}><div className{styles.left} ref{leftRef}><div className{styles.drawer} onClick{drawerChange}>我是抽屉开关</div><div>我是左边内容</div></div><div className{styles.right} ref{rightRe…

6.使用个人用户登录域控的成员服务器,如何防止个人用户账号的用户策略生效?

&#xff08;1&#xff09;需求&#xff1a; &#xff08;2&#xff09;实战配置步骤 第一步:创建新的策略-并编辑策略 第二步&#xff1a;将策略应用到服务器处在OU 第三步&#xff1a;测试 &#xff08;1&#xff09;需求&#xff1a; 比如域控&#xff0c;或者加入域的…

【iOS ARKit】3D文字

首先&#xff0c;3D场景中渲染的任何虚拟元素都必须具有网格&#xff08;顶点及顶点间的拓扑关系&#xff09;&#xff0c;没有网格的元素无法利用GPU 进行渲染&#xff0c;因此&#xff0c;在3D 场景申渲染 3D文字时&#xff0c;文字也必须具有网格。在计算机系统中&#xff0…

springboot实现热搜后端elk

需求描述&#xff1a;热搜方式的分词查询。 数据环境&#xff1a;mysql中存在已爬数据表名t_bj(id,titile,content,publishtime)&#xff0c;使用logstash同步到es中&#xff0c;springboot连接es实现rest接口给前端页面。 springboot dom文件&#xff1a; <dependency>…

Ruoyi若依框架下载流程详细解读(SpringBoot-Vue)

图解&#xff1a; 前端设计&#xff1a; 前端设计一个link文字连接或者按钮&#xff08;ElementUI&#xff09;Element - The worlds most popular Vue UI framework 前端请求设计&#xff1a; import request from /utils/request //下载示例模型定义语言的JSON export const…

零售商品计划新篇章:智能管理系统的挑战与机遇

在零售企业管理中&#xff0c;商品计划管理在零售企业运营中占据核心地位。面对日益激烈的市场竞争和消费者需求的多样化&#xff0c;零售企业在商品计划管理方面面临着诸多挑战和需求。以下针对这些挑战和需求的分析&#xff0c;以及对一套智能商品计划管理系统应具备的功能和…

基于SpringBoot IP黑白名单的实现2

业务场景 IP黑白名单是网络安全管理中常见的策略工具&#xff0c;用于控制网络访问权限&#xff0c;根据业务场景的不同&#xff0c;其应用范围广泛&#xff0c;以下是一些典型业务场景&#xff1a; 服务器安全防护&#xff1a; 黑名单&#xff1a;可以用来阻止已知的恶意IP地…

每日一练:LeeCode-200、岛屿数量【DFS递归+BFS队列】

给你一个由 1&#xff08;陆地&#xff09;和 0&#xff08;水&#xff09;组成的的二维网格&#xff0c;请你计算网格中岛屿的数量。 岛屿总是被水包围&#xff0c;并且每座岛屿只能由水平方向和/或竖直方向上相邻的陆地连接形成。 此外&#xff0c;你可以假设该网格的四条边…

特种兵旅游-扬州、南京Citywalk

一、扬州 Day01 西安咸阳机场->扬州泰州机场&#xff08;扬州地界但是离泰州也嘎嘎近&#xff09;->大运河博物馆&#xff08;需要提前预约&#xff01;&#xff09;&#xff08;超级震撼&#xff09; Day02 瘦西湖&#xff08;门票有点贵&#xff0c;但是蛮值得&#x…

【微服务】Eureka(服务注册,服务发现)

文章目录 1.基本介绍1.学前说明2.当前架构分析1.示意图2.问题分析 3.引出Eureka1.项目架构分析2.上图解读 2.创建单机版的Eureka1.创建 e-commerce-eureka-server-9001 子模块2.检查父子pom.xml1.子 pom.xml2.父 pom.xml 3.pom.xml 引入依赖4.application.yml 配置eureka服务5.…

【数据结构刷题专题】—— 二叉树

二叉树 二叉树刷题框架 二叉树的定义&#xff1a; struct TreeNode {int val;TreeNode* left;TreeNode* right;TreeNode(int x) : val(x), left(NULL), right(NULL); };1 二叉树的遍历方式 【1】前序遍历 class Solution { public:void traversal(TreeNode* node, vector&…

CI/CD 搭建jenkins基础测试环境构建项目(一)

Jenkins是一个开源的持续集成工具&#xff0c;可以帮助开发团队自动化构建、测试和部署他们的软件项目。通过Jenkins&#xff0c;开发团队可以实现快速、高效地交付软件&#xff0c;并及时发现和解决问题&#xff0c;从而提高团队的生产力和软件质量。持续集成/持续交付&#x…

后端常问面经之操作系统

请简要描述线程与进程的关系,区别及优缺点&#xff1f; 本质区别&#xff1a;进程是操作系统资源分配的基本单位&#xff0c;而线程是任务调度和执行的基本单位 在开销方面&#xff1a;每个进程都有独立的代码和数据空间&#xff08;程序上下文&#xff09;&#xff0c;程序之…

计算机网络面试题二

1.什么是计算机网络拓扑结构&#xff1f;计算机网络拓扑结构有哪五种基本形式&#xff1f; 计算机网络的拓扑结构是指网络中各个结点之间相互连接的几何形式。计算机网络拓扑结构的基本形式有&#xff1a;总线型网络、环形网络、星形网络、树形网络、网状网络。 2.什么是协议…

【【嵌入式开发 Linux 常用命令系列 1.4 -- grep -Ev 反向搜索】

文章目录 grep 的反向搜索 grep 的反向搜索 如果想从文件 a 中过滤掉包含字符串 “dash” 或 “tom” 的行&#xff0c;并将剩余的行写入到文件 b&#xff0c;可以使用 grep 命令配合正则表达式。使用 grep 的 -E 选项允许你指定一个扩展的正则表达式&#xff0c;而 -v 选项使…

C# 中Linq并行查询AsParallel 方法与Stopwatch类的理解与使用

AsParallel 是 C# 中的一个方法&#xff0c;它属于 System.Linq 命名空间下的 ParallelEnumerable 类。这个方法用于启用查询的并行执行。当你对一个数据集合执行 LINQ 查询时&#xff0c;通常这些查询是按顺序执行的。但是&#xff0c;当你调用 AsParallel 方法后&#xff0c;…

sql中添加数据的命令

SQL&#xff0c;全称是结构化查询语言&#xff08;Structured Query Language&#xff09;&#xff0c;是一种特殊目的的编程语言&#xff0c;主要用于数据库查询和程序设计。它允许用户存取数据、查询、更新和管理关系数据库系统。SQL是高级的非过程化编程语言&#xff0c;允许…

详解多模态 AI

2022 年 11 月&#xff0c;OpenAI 推出了 ChatGPT。它只用了几天时间就以其前所未有的能力席卷了世界。生成式人工智能革命已经开始&#xff0c;每个人都在问同一个问题&#xff1a;下一步是什么&#xff1f; 当时&#xff0c;ChatGPT 和许多其他由大型语言模型 &#xff08;L…

Acer宏碁暗影骑士擎AN515-58笔记本电脑工厂模式原厂Win11系统ISO镜像安装包下载

宏基AN515-58原装出厂OEM预装Windows11系统工厂包&#xff0c;恢复出厂时开箱状态一模一样&#xff0c;带恢复还原功能 链接&#xff1a;https://pan.baidu.com/s/1iCVSYtList-hPqbyTyaRqQ?pwdt2gw 提取码&#xff1a;t2gw 宏基原装系统自带所有驱动、NITROSENSE风扇键盘灯…

4.2 循环语句loop,等差数列求和

汇编语言 1. 循环语句loop loop指令的格式是&#xff1a;loop 标号&#xff0c;CPU执行loop指令的时候&#xff0c;要进行两部操作 cx cx - 1;判断cx中的值&#xff0c;不为0则转至标号处执行程序&#xff0c;如果为0则向下执行 循环使用loop来实现&#xff0c;循环次数存…