📶 24-信号处理 · 00 信号与系统基础¶
关键词:信号、LTI 系统、卷积、脉冲响应 面向算法 / 语音 / 音频方向秋招的第一课:把「信号」和「系统」用数学语言说清楚,卷积怎么算是全文主线。
本节要解决的问题¶
| # | 问题 | 对应内容 |
|---|---|---|
| 1 | 什么是信号?连续/离散怎么分? | §1 核心概念 |
| 2 | LTI 系统为什么是信号处理的"基本盘"? | §2 深入原理 |
| 3 | 卷积 y = x*h 到底怎么逐点算? | §3 手算 ✍️ |
| 4 | 怎么用 numpy 验证手算? | §4 代码实战 |
故事引入¶
你对着手机说了一句"你好",麦克风把声波变成电压、ADC 以 16kHz 采成一串数字。这串数字就是离散信号;手机里的降噪、回声消除、ASR 前端,全是围绕它做系统运算。整章就是"数字从哪来、怎么被加工"。
开始讨论信号的分类之前,先看一段真实的信号。下图是人体心电活动(ECG)的原始记录,每个 QRS 波群对应一次心跳。它提醒我们:真实信号既不是纯净的正弦、也不是理想的脉冲——有基线漂移、有肌电噪声、有心率变化,而这些"不干净"恰恰是后续所有处理(滤波、频谱、特征提取)的起点。

怎么读:横轴是时间,纵轴是心电电位。可以看到周期性的 P-QRS-T 复合波——这就是"准周期非平稳信号"的典型样本,与本课讲的连续/离散、确定性/随机信号分类一一对应。
📚 图源:Jia Y et al. (2024) Preprocessing and Denoising Techniques for Electrocardiography and Magnetocardiography: A Review, Bioengineering 11(11):1109(开放获取,CC-BY 4.0)图 1。
核心概念¶
(a) 信号的两大维度:连续/离散 × 时间/取值¶
| 连续时间 | 离散时间 | | --- | --- | --- | | 连续取值 | 模拟信号 x(t) | 采样后的数字信号 x[n] | | 离散取值 | 量化(ADC) | 数字信号处理 DSP |
连续指自变量(时间)连续;离散指 n 只在整数上有定义。本章所有手算都在离散域。
(b) 系统的两大性质:线性 + 时不变¶
- 线性:$$T\{ax_1+bx_2\}=aT\{x_1\}+bT\{x_2\}$$
- 时不变:输入平移 k,输出同样平移 k:$y[n-k]=T\{x[n-k]\}$
同时满足 = LTI(线性时不变)系统——信号处理 90% 的公式都建立在 LTI 上。
深入原理:LTI 系统与卷积¶
脉冲响应 $h[n]$:输入单位冲激 $\delta[n]$ 时系统的输出。
LTI 系统的核心定理:输出 = 输入与脉冲响应的卷积
$$y[n]=\sum_{k=-\infty}^{\infty}x[k]\,h[n-k]=(x*h)[n]$$
直觉:把输入 $x$ 拆成无数个单位冲激 $\delta[n-k]$(每个幅度 $x[k]$),每个冲激经过系统变成 $x[k]h[n-k]$,全部叠加就是输出。卷积的三个等价做法:翻褶(fold)、移位(shift)、相乘相加(multiply-add)。
✍️ 手算卷积:x=[1,2,3],h=[1,1]¶
设定:输入 $x=[1,2,3]$,系统脉冲响应 $h=[1,1]$(两拍平均器)。
逐点展开($y[n]=\sum_k x[k]h[n-k]$):
$$\begin{aligned} y[0]&=x[0]h[0]=1\times1=\mathbf{1}\\ y[1]&=x[1]h[0]+x[0]h[1]=2+1=\mathbf{3}\\ y[2]&=x[2]h[0]+x[1]h[1]=3+2=\mathbf{5}\\ y[3]&=x[2]h[1]=3\end{aligned}$$
结果:$y=[1,3,5,3]$,长度 $L_x+L_h-1=3+2-1=4$。
手算收获:
- 输出长度 = 输入长度 + 滤波器长度 − 1——卷积会"拉长"信号,滤波后长度变化是常见考点
- 每个 $y[n]$ 是"输入与翻褶后的 $h$ 对齐相乘再求和":$y[1]$ 用了 $x[1]h[0]$ 和 $x[0]h[1]$ 两项,越往中间项越多
- 交换律 $x*h=h*x$、结合律、分配律是 LTI 三大性质:串联系统 $h_1*h_2$、并联 $h_1+h_2$(§面试考点)
- 如果 $h=[1,1]$ 是"两拍平均",那 $y$ 就是平滑后的 $x$——卷积即滤波,这就是 §04 滤波器的伏笔
# ---- §3.1 验证:numpy 复算卷积 ----
import numpy as np
x = np.array([1.0, 2.0, 3.0])
h = np.array([1.0, 1.0])
y = np.convolve(x, h)
print('y = x * h =', y.tolist(), ',长度 =', len(y))
assert y.tolist() == [1.0, 3.0, 5.0, 3.0] and len(y) == 4
print('\n✓ 与手算一致')
y = x * h = [1.0, 3.0, 5.0, 3.0] ,长度 = 4 ✓ 与手算一致
代码实战:自己写一遍卷积¶
下面不用 np.convolve,手写双循环复现定义,再与 numpy 对照——数字与你上面手算的 $[1,3,5,3]$ 完全一致。
# ---- 手写卷积双循环 ----
def my_convolve(x, h):
L = len(x) + len(h) - 1
y = np.zeros(L)
for n in range(L):
for k in range(len(x)):
if 0 <= n - k < len(h):
y[n] += x[k] * h[n - k]
return y
x = np.array([1.0, 2.0, 3.0])
h = np.array([1.0, 1.0])
print('手写卷积:', my_convolve(x, h).tolist())
print('np.convolve:', np.convolve(x, h).tolist())
assert np.allclose(my_convolve(x, h), np.convolve(x, h))
print('✓ 与 numpy 一致')
手写卷积: [1.0, 3.0, 5.0, 3.0] np.convolve: [1.0, 3.0, 5.0, 3.0] ✓ 与 numpy 一致
面试考点¶
Q1:卷积和相关的区别?
相关(correlation)不翻褶 $h$:$r[n]=\sum_k x[k]h[n+k]$。卷积用于系统响应,相关用于相似度匹配(模板匹配/互相关对齐)。
Q2:两个 LTI 系统串联/并联的等效脉冲响应?
串联 = 卷积 $h_1*h_2$(顺序可交换);并联 = 相加 $h_1+h_2$。
Q3:卷积的时间复杂度?
直接 $O(L_xL_h)$;用 FFT 加速到 $O(N\log N)$($N\ge L_x+L_h-1$)——这是 §01 的动机。
小结与下一章预告¶
- 信号分连续/离散;LTI = 线性 + 时不变
- LTI 输出 = 输入与脉冲响应卷积;$y=[1,3,5,3]$ 手算见证全过程
- 下一章:把信号从时域变到频域——DFT/FFT,卷积在频域将变成乘法
✅ 自测清单¶
- 能说出线性、时不变各自的含义并举例
- 能手算两个短序列的卷积(长度 Lx+Lh-1)
- 知道串联=卷积、并联=相加
- 能说出直接卷积与 FFT 卷积的复杂度对比