引言 Introduction
信号 signal:一个或多个自变量的函数,变量中携带者某种信息
系统 system:用来处理信号
信号分为连续时间信号和离散时间信号(只取整数值)
![系统](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
分类:
系统连接:
分析和表示的两个域:
信号与系统 Signals and Systems
连续正弦信号:
x(t)=Acos(ω0t+ϕ)
![连续正弦信号](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
周期性:
x(t)=x(t+T0)
其中 T0=ω02πm,即周期为 ω02π
时间位移 <=> 相位变化:Acos(ω0(t+t0))=Acos(ω0t+ω0t0)
偶函数 - 偶信号,奇函数 - 奇信号
离散正弦信号:
x[n]=Acos(Ω0n+ϕ)
![离散正弦信号](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
“时间”位移 => 相位变化,反过来不行,因为不一定是个整数
也正是这个原因,ω02πm 不一定是个整数,故不一定有周期性,即当且仅当 Ω=N2πm 时,有周期性
连续实指数:
x(t)=Ceat
时间位移 <=> 大小变化
离散实指数:
x[n]=Can
![](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![离散实指数](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
连续复指数:
x(t)=Ceat
其中 C=∣C∣ejθ,a=r+jω0,则写成实部和虚部的形式:
x(t)=∣C∣ertcos(ω0t+θ)+j∣C∣ertsin(ω0t+θ)
![连续复指数](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
离散形式一致
离散单位阶跃函数 unit step:
u[n]={1,n≥00,n<0
![离散单位阶跃函数](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
离散单位脉冲函数 unit impluse:δ[n]
![离散单位脉冲函数](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
两者的关系:
δ[n]=u[n]−u[n−1]
即单位脉冲函数是单位阶跃函数的一阶差分
反过来:
u[n]=m=−∞∑nδ[m]
连续单位阶跃函数:
u(t)={1,t>00,t<0
可以把它看作这个函数的极限:
![](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
连续单位脉冲函数:
δ(t)=dtdu(t)
或者采用上面函数的极限形式:
δ(t)=dtduΔ(t),Δ→0
![连续单位脉冲函数](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
同理,两者的关系是微分-积分:
u(t)=∫−∞tδ(τ)dτ
系统级联 cascade
![系统级联](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
并联 Parallel
![系统并联](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
系统属性:
无记忆性:特定时间点上的输出只和当时输入有关
y(t)@t=t0←x(t)@t=t0
可逆性:
![可逆性](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
如果 B = A 的逆,则 y2=x1
因果性 causality:
- 任何时间的输出只和当前及之前的输入有关
- 系统无法预测未来的输出
- x1(t)→y1(t),x2(t)→y2(t),如果 x1(t)=x2(t),t<t0,则 y1(t)=y2(t),t<t0
稳定性:对于每个有界输入,输出有界
时不变:x(t)→y(t),则 x(t−t0)→y(t−t0)
线性:x1(t)→y1(t),x2(t)→y2(t),则 ax1(t)+bx2(t)→ay1(t)+by2(t)
卷积 Convolution
讨论线性时不变系统:将信号分解成一系列信号的线性组合
![分解成延迟脉冲](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
写成表达式:
x[n]=k=−∞∑+∞x[k]δ[n−k]
如果 δ[n−k]→hk[n],并令 h[n−k]=hk[n],即 h[n] 为系统的单位脉冲响应,则其输出表示为
y[n]=k=−∞∑+∞x[k]h[n−k]
从另一个角度看,根据线性,每一个分量单独作用于系统并求和得到总输出,根据时不变,每个分量单独作用于系统的输出和零时刻作用有一个时移的区别
连续形式相似,分解成一个个小矩形
![](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
x(t)=∫−∞+∞x(τ)δ(t−τ)dτ
输出:
y(t)=∫−∞+∞x(τ)h(t−τ)dτ
本质上使用线性时不变将系统表示成 0 时刻的脉冲信号经过该系统后的响应
离散卷积:
y[n]=x[n]∗h[n]
连续同理
卷积演示:翻转-移动-求和
线性时不变系统的性质 Properties of Linear, Time-invariant Systems
卷积的性质
交换律:
x∗h=h∗x
表示输入和系统可以交换
![卷积交换律](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
结合律:
x∗(h1∗h2)=(x∗h1)∗h2
![卷积结合律](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
两者结合,表示级联中两个系统可以交换先后顺序
分配律:
x∗(h1+h2)=x∗h1+x∗h2
![卷积分配律](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
表示并联可以等效为一个新的系统
无记忆性:
h(t−τ) 只在 t=τ 处非零,即 h(t)=kδ(t)
所以输出 y(t)=kx(t)
可逆性:
y=x∗(h∗hi)=x
则 hi=h−1
稳定性:
k=−∞∑+∞∣h[k]∣<∞
∫−∞+∞∣h[τ]∣dτ<∞
对于线性系统:
零输入响应:
∀t,x(t)=0→∀t,y(t)=0
因果性:
如果 t<t0,x(t)=0,则 t<t0,y(t)=0,即在没有输入之前,系统不会做出响应(初始松弛)
如果加入时不变性质,则:因果性 <=> h(t)=0,t<0
之前定义的 δ(t) 听着就很不严谨,例如对于 rΔ(t)=δΔ(t)∗δΔ(t)=δΔ(t)
![](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
两者的形状不同
并且对于微分器,dtdδ(t)=?
所以这边从操作的角度定义 δ(t):
x(t)∗δ(t)=x(t)
考虑之前说的微分器:
![](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
uk(t)=u1(t)∗u1(t)∗…
x(t)∗uk(t)=dtdkx(t)
其中 u0(t)=δ(t)
从积分器的角度来讲同样成立:
![](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
u−1(t)=u(t)
用微分和差分方程表示系统 Systems Represented by Differential and Difference Equations
N 阶常系数线性微分方程:
k=0∑Nakdtkdky(t)=k=0∑Mbkdtkdkx(t)
N 阶常系数线性差分方程:
k=0∑Naky[n−k]=k=0∑Mbkx[n−k]
对于微分方程,齐次解:
k=0∑Nakdtkdkyh(t)=0
形式为:yh(t)=Aest
代入得到条件:∑k=0Naksk=0
而结果 yh(t)=A1es1t+A2es2t+…+ANesNt
注意到一个条件解不出系数,所以需要 N 个附加条件:t=t0 处 y(t),dtdy(t),…,dtN−1dN−1y(t)
线性系统:附加条件 = 0
因果的线性时不变系统:初始松弛
对于差分方程,同理,但是猜测的齐次解的形式为 Azn
但其不同在于系统的明确的输入-输出关系,即可以写成递归形式:
y[n]=a01(k=0∑Mbkx[n−k]−k=1∑Naky[n−k])
对于差分方程 y[n]=x[n]+ay[n−1],可以用框图表示
![](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
推广到更一般的情况:
![](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
可以注意到整个系统分成了左右两个线性定常系统,这两个系统的顺序可以交换,注意到中间的延迟器功能重合了,可以合并,故得到:
![](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
这种做法减小了硬件消耗
连续时间傅里叶级数 Continuous-Time Fourier Series
之前的做法是把输入分解成单位脉冲,这次的做法是分解为复指数的线性组合,即其中 ϕk(t)=eskt
基本构建模块有两个属性:
这里考虑的是纯虚数的情况:
- 连续:sk=jωk,ϕk(t)=ejωkt
- 离散:∣zk∣=1,ϕ[n]=eiΩkn
本征函数 eigenfunction 响应的形式与输入完全一致,只相差了一个复合因子,这个因子叫本征值
ejωkt→H(ωk)ejωkt
周期信号:傅里叶级数
非周期信号:傅里叶变换
先考虑傅里叶级数:
ejkω0t→kT0=kω02π 当 k 变化时,相当于谐波相关 harmonically-related 复指数
傅里叶级数也有展开成正弦和余弦的形式,这里使用复指数的形式是因为其同时处理了正频率和负频率的情况
傅里叶级数综合方程(即从复指数中构建 x(t)):
x(t)=k=−∞∑+∞akejkω0t
分析方程:
ak=T01∫Tx(t)e−jkω0tdt
信号除了在不连续点以外,每个点都有正确值
对于非周期信号
- 通过周期性复制这个非周期信号,构建一个周期信号
- 傅里叶级数得出结论
- 最后令周期趋向于无穷
![](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
即:
x~(t)=x(t),∣t∣<2T0
T0→∞,x~(t)→x(t)
最后得出傅里叶变换的综合方程:
x(t)=2π1∫−∞+∞X(ω)ejωtdω
分析方程:
X(ω)=∫−∞+∞x(t)e−jωtdt
其中 X(ω) 是 T0ak 的包络线,ak 是这个包络函数的样本
故傅里叶级数只是对这些样本的一些采样,当周期无限大时,采样数量无限多,就成了傅里叶变换
傅里叶变换对:
x(t)↔FX(ω)
![傅里叶变换输入信号](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![傅里叶变换幅度图](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![傅里叶变换相位图](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
波特图:
- 20log10∣X(ω)∣ 单位是 dB
- X(ω) 的幅角
![波特图幅度](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![波特图幅角](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
用傅里叶变换表示傅里叶级数:
如果 x~(t) 是周期的,x(t) 为其中的一个周期,则傅里叶级数系数 = T01×x(t) 的傅里叶变换
而其傅里叶变换被定义为脉冲串:X~(ω)=∑k=−∞+∞2πakδ(ω−kω0)
傅里叶变换的对称性:共轭对称:即 x(t) 是实数,则 X(−ω)=X∗(ω)
时域的线性缩放比例到了频域,就是该缩放比例的倒数,即
x(at)↔F∣a∣1X(aω)
观察到两个方程非常相似,即有对偶关系:
若
x(t)↔FX(ω)
则
X(t)↔F2πx(−ω)
帕萨瓦尔关系 Parseval's relationship:时间函数的能量和其傅里叶变换的能量是比例关系,即
∫−∞+∞∣x(t)2∣dt=2π1∫−∞+∞∣X(ω)2∣dω
对于周期函数,一个周期即有代表性,故
T01∫T0∣x~(t)2∣dt=k=−∞∑+∞∣ak∣2
时间平移:时间平移对应频域的相位的线性变化
x(t−t0)↔Fe−jωt0X(ω)
微分:
dtdx(t)↔FjωX(ω)
积分:
∫−∞tx(τ)dτ↔Fjω1X(ω)+πX(0)δ(ω)
线性:
ax1(t)+bx2(t)↔FaX1(ω)+bX2(ω)
卷积:
h(t)∗x(t)↔FH(ω)X(ω)
![卷积特性](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
卷积特性的解释:如果将信号分解成一系列复指数,当信号通过线性时不变系统时,这些复指数分别得到频率响应的修正,即用频率响应乘以构成输入的复指数的振幅,其总和即将输出分解成复指数的形式
滤波 filter:对一个信号中的频率成分修正
理想滤波器:只允许一个频率范围的频率通过
![理想低频滤波器](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
之前提到的微分器也可以作为滤波器,放大高频,减弱低频
![微分器滤波](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
和卷积特性对偶的是调制特性:
s(t)p(t)↔F2π1[S(ω)∗P(ω)]
用傅里叶变换解线性常系数微分方程:
- 两边作傅里叶变换
- 得出 y(t) 的傅里叶变换 Y(ω),X(ω) 前的系数就是 H(ω)
- 两边作傅里叶逆变换,主要靠记忆傅里叶变换的结论
离散时间傅里叶级数 Discrete-Time Fourier Series
注意到 ejkΩ0n=ej(k+N)Ω0n,即有周期性,故离散时间傅里叶级数的综合方程:
x[n]=k=<N>∑akejkΩ0n
分析方程:
ak=N1n=<N>∑x[n]e−jkΩ0n
即离散形式和连续形式的傅里叶级数 x[n] 和 ejkΩ0n 对 n 都有周期性,但是只有离散形式在 k 上 ak 和 ejkΩ0n 有周期性
使用和之前一样的方法,容易得到离散时间傅里叶变换:
x[n]=2π1∫2πX(Ω)ejΩndΩ
X(Ω)=n=−∞∑+∞x[n]e−jΩn
注意到包络函数也是有周期性的
连续时间和离散时间傅里叶变换的不同点:
- 离散的在时域中是离散的,但在频域中是连续的
- 离散时间信号,随着改变频率,一旦覆盖了 2π 的频率区间,就看到了所有结果,即其频域有周期性
离散时间傅里叶变换和连续时间的有相同的
- 对称性
- 时间移动
- 频率移动
- 线性
- 帕萨瓦尔关系
- 卷积
对于滤波,因为复指数有对称性,故低频在 −π 到 π 之间
同样可以用于解差分方程,其中一阶差分方程 y[n]−ay[n−1]=x[n] 是一个滤波方程,若 0<a<1,则放大低频;若 −1<a<0,则放大高频
调制:区别在于卷积积分只需要计算一个周期
x1[n]x2[n]↔F2π1∫2πX1(θ)X2(Ω−θ)dθ
特殊的调制信号:x1[n]=(−1)n=ejπn,其作用相当于将其他信号的频谱平移 π,即低频高频互换
总结一下:
|
连续 |
离散 |
傅里叶级数 |
$x(t) = \sum_{k=-∞}^{+∞} a_k e^{jkω_0 t}$ $a_k = \frac{1}{T_0} \int_T x(t) e^{-jkω_0t} \mathrm{d}t$ |
$x[n] = \sum_{k=} a_k e^{jk(\frac{2π}{N})n}$ $a_k = \frac{1}{N} \sum_{n=} x[n] e^{-jk(\frac{2π}{N})n}$ |
傅里叶变换 |
$x(t) = \frac{1}{2π} \int_{-∞}^{+∞} X(ω) e^{jω t} \mathrm{d} ω$ $X(ω) = \int_{-∞}^{+∞} x(t) e^{-jω t} \mathrm{d} t$ |
$x[n] = \frac{1}{2π} \int_{2π} X(Ω) e^{jΩ n} \mathrm{d} Ω$ $X(Ω) = \sum_{n=-∞}^{+∞} x[n] e^{-j Ω n}$ |
连续傅里叶级数和离散傅里叶变换没有对偶性,但是彼此有对偶性
滤波 Filtering
![理想滤波器1](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![带通滤波器](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
离散情况一致,只是有周期性
理想低频滤波器脉冲响应是 xsinx 的形式,注意到其不具有因果性,即向负无穷和正无穷无限延伸,故在实践中无法制造
![理想低频滤波器脉冲响应](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
当受到阶跃信号的激励,会得到一个振荡曲线,这是不想看到的
![理想低频滤波器阶跃信号响应](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
所以使用非理想滤波器:
![非理想滤波器](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
一个简单的 RC 振荡电路就是一个非理想滤波器:
![RC电路](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
微分方程:RCdtdvc(t)+vc(t)=vs(t)
得到电容和电阻两端的电压:
![电阻输出](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![电容输出](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
离散情况有移动平均滤波器:
三点移动平均:
y[n]=31(x[n−1]+x[n]+x[n+1])
更一般的是加权移动平均:
y[n]=k=−N∑Mbkx[n−k]
递归滤波器:输出值不仅取决于输入,也取决于之前的输出
k=0∑Naky[n−k]=k=0∑Mbkx[n−k]
连续时间调制 Continuous-Time Modulation
调制 modulation:用一个信号来改变另一个信号的参数
例如,对于正弦信号,参数有振幅,频率,相位
![正弦调幅](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![正弦调频](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
调幅:时域的相乘与频域的卷积相关
![调幅](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
指数载波:c(t)=ej(ωct+θc)
其频域为:
![指数载波](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
因此与原有信号卷积相当于平移原来的信号:
![原信号](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![调制后的信号](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
解调,即平移回去的方法是乘 e−j(ωct+θc)
生成复指数载波的方法是使用欧拉公式将正交的两个正弦信号组合:
![复指数载波](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
使用理想低频滤波器滤高频的方法:先将信号平移,滤波,再平移回去
![低频滤波器滤高频](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
正弦载波:c(t)=cos(ωct+θc)=21ej(ωct+θc)+21e−j(ωct+θc)
![指数载波](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
其作用在频率上相当于将原信号移动到两个地方:
![正弦载波调制后的信号](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
解调的方法是再次乘以相同的正弦信号,并滤波:
![正弦载波解调](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
移动频率的原因:
- 便于在某种介质中传播
- 不同信号在同一信道中同时传播
频分复用 frequency division multiplexing:将不同信号调制到不同频率的载波上,最终产生一个频带更宽的信号,其同时囊括了所有信号的信息
![频分复用](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
解调时先多路解调,提取想要的信道,然后解调还原信号
![频分复用解调](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
以上所有的调幅都是同步的,即发射器和接收器的相位 θc 必须一致,否则解调出的信号振幅上有变化 cos(θc−ϕc)x(t),该比例系数会造成一些后果:
异步解调:想要还原的是信号的包络线:
![异步解调](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
解调的电路如下:
![异步解调电路](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
其差不多得到了包络线:
![](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
所以一个解决方法是调制信号 x(t) 不呈现负极性,即加上一个常数:y(t)=[A+x(t)]cosωct
当 A 较大时,更平缓,容易追踪;较小时则不容易
![](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
但问题在于载波不是信号的信息承载部分,载波增加,传播效率降低
因此存在取舍,要具体问题具体分析:
- 传播效率低,能耗大,但是解调器结构简单
- 解调器结构复杂,但是传播简单
注意到在正弦调制时得到的两半信号有重复的部分,可以滤掉两边各一半信号,即单边带通讯 single-sideband
![单边带通讯](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
这里面也有取舍,即提高了效率,但是调制器变复杂了
离散时间调制 Discrete-Time Modulation
离散情况的指数载波和正弦载波和连续时间的一样,只是频率多了周期性
脉冲序列:将原始信号中提取出一个序列
![脉冲幅度调制](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
脉冲的间隔即脉冲的频率:
![](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
调制后的信号在这些位置被复制:
![](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
故只要脉冲序列的频率大于 x[t] 的最大频率,则三角形不会重合,直接低频滤波即得到原始信号
时分复用:把不同信号置于互不重叠的时间段中:
![时分复用](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
注意到时间宽度无关,所以理论上可以取无限小,传递无数的信号,但是会受到噪声的影响
而取极限后就成为了一个脉冲序列
如果 Ωm>Ωs−Ωm,则会重叠在一起,无法还原,叫做混叠 aliasing
![混叠](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
以上的过程叫采样 sample,产生的脉冲序列就是原始连续时间信号的取样值序列
采样定理:已知时间函数的等间隔采样,且时间函数的带宽有限,若采样函数的频率与带宽相比能符合要求,则原始时间函数能通过低通滤波器进行还原
这启示我们连续时间信号可以用离散时间信号表示,即其连接了连续和离散时间信号
采样 Sampling
注意到在输入频率加大的过程中,采样后“还原”的输出频率先增大后减小,但是输出的信号的采样和输入信号的采样始终相同
一般情况下都希望避免混叠,但是有时也很有用,如当想要观察的事物因为某种原因看不到时,可以采样和混叠把这些事物用较低频率表示,如频闪
插值 Interpolation
重构:采样后的信号的对频域滤波
从时域的角度来看,有 xp(t)=∑n=−∞+∞x(nT)δ(t−nT) 和 xr(t)=xp(t)∗h(t),故重构信号就是位移过的脉冲响应的线性组合,即
xr(t)=n=−∞∑+∞x(nT)h(t−nT)
零阶保持器 zero order hold:求插值的方法是保持样本值直到下一个采样时刻,即
![零阶保持器](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
线性插值或一阶保持器:用直线连接两个样本
![线性插值](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
三种插值函数的频域如下图:
![插值频域](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
连续信号的离散化处理:
第一步:连续/离散转换:将连续时间信号转化为脉冲信号(通过采样),将脉冲序列转化为离散时间序列(重新标号)
![连续/离散转换](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
第一阶段:从频域上,有 Xp(ω)=2π1[Xc(ω)∗P(ω)] 和 P(ω)=T2π∑k=−∞+∞δ(ω−kT2π),得到采样后的傅里叶变换是移位后的原始信号的傅里叶变换:
Xp(ω)=T1k=−∞∑+∞Xc(ω−kT2π)
第二阶段:
Xp(ω)=n=−∞∑+∞xc(nT)e−jωnT
X(Ω)=∑+∞x[n]ejΩn
对比一下可以得到 X(Ω)=Xp(Ω/T)
故整个过程在时域上是采样并重标号,在频域上是复制并缩放至周期为 2π
![连续-离散转换](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
连续时间信号的离散化处理 Discrete-Time Processing of Continuous-Time Signals
![用离散的方式处理连续信号的过程](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
为了避免混叠,通常在前面加入一个抗混叠滤波器来限制带宽
![抗混叠滤波器](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
如果中间的处理函数是一个数字滤波器,其滤波带宽是固定的,可以通过控制采样频率来改变整个系统滤掉的频率
离散时间采样 Discrete-Time Sampling
与连续时间采样一致
抽取 decimation:将采样后的离散信号中的 0 剔除出去
![抽取](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
降采样 down sampling:改变采样率
重建就是一个插入 0 的过程
采样率转换:采样时的周期为 T1,重建时假设的采样周期是 T2,若 T2=23T1,则先升采样 2:1,再降采样 1:3
类似的,频域上也可进行采样,过程类似
在傅里叶变换中选择 ejωt 做基的原因是它是特征函数,但还有一个特征函数是 est,其中 s=σ+jω
故拉普拉斯变换为:
X(s)=∫−∞+∞x(t)e−stdt
变换对组:
x(t)↔LX(s)
对比拉普拉斯变换和傅里叶变换的积分表达式
以拉普拉斯变换解释傅里叶变换:当 s=jω 时,两者相等,即:
X(jω)=F(x(t))=X(ω)
但是可以发现两边记号并不相等,在傅里叶变换的记号中,既是 ω 的函数,也是 jω 的函数,所以改变傅里叶变换的记法就合上了 F(x(t))=X(jω)
以傅里叶变换解释拉普拉斯变换:相当于傅里叶变换乘以一个衰减的函数 e−σt
X(s)=F(x(t)e−σt)
所以当 F 不收敛时,L 可能收敛
根据傅里叶变换的收敛性,可以得到拉普拉斯变换:
e−atu(t)↔Ls+a1,Re{s}>−a
−e−atu(−t)↔Ls+a1,Re{s}<−a
两者的区别在于收敛域不同
X(s)=(s+1)(s+2)2s+3,Re{s}>−1
可以画出其极点、零点和收敛域:
![](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
更一般的,对于 X(s)=D(s)N(s)
- N(s)=0,X(s) 的零点 zero
- D(s)=0,X(s) 的极点 pole
X(s) 的收敛域由 s 平面中平行于 jω 轴的条纹组成
F(x(t)) 收敛 <=> 收敛域包括 s 平面上的 jω 轴
收敛域一定是一个连通域
- 对于有限长度的信号,收敛域是整个 s 平面
- 右侧时间函数,Re{s}=σo 在收敛域内,则所有 Re{s}>σo 在收敛域内
- 左侧则是小于
- x(t) 是左侧函数且 X(s) 有理,则收敛域在最左边的极点的左侧
- x(t) 两侧且存在一个点位于收敛域内,则收敛域是 s 平面的一条
连续时间二阶系统 Continuous-Time Second-Order Systems
如果一个系统是稳定且因果的,则所有的极点都在 s 平面的左半部分
拉普拉斯变换也可以应用于线性常系数微分方程,但一个方程只能得到代数表达式,还需要通过系统的信息,如稳定性、因果性等确定收敛域
二阶系统:
H(s)=s2+sζωns+ωn2ωn2=(s−c1)(s−c2)ωn2
其中当 ζ>=1 时,
c1=−ζωn+ωnζ2−1
c1=−ζωn−ωnζ2−1
对于 ζ<1,
c1=c2∗=−ζωn+jωn1−ζ2
在频域图像中,当点沿着 jω 轴移动时,∣H(S)∣ 会出现谐振 resonance 现象:
![谐振](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
两个极点离实轴越近,谐振越明显;离虚轴越近,谐振越窄
![谐振频域](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![谐振时域](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
与连续时间类似,在离散时间上,还有一个特征函数 Zn,故 z 变换:
X(z)=n=−∞∑+∞x[n]z−n
其中 z=rejΩ
因此当 r=1 时,z 变换和傅里叶变换相同,即
X(ejΩ)=F(x[n])
当然,这次又要改变记号了:F(x[n])=X(ejΩ)
反过来的关系就是:
X(z)=F(x[n]r−n)
同样,z 变换也要关注收敛域:
anu[n]↔Z1−az−11,∣z∣>∣a∣
−anu[−n−1]↔Z1−az−11,∣z∣<∣a∣
傅里叶变换对于 z 平面上的一个单位圆:
![z平面](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
类似于之前的,收敛域会呈现为连在一起的圆环
同样能观察到谐振,只是有了周期性:
![z变换谐振](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
连续时间滤波器到离散时间滤波器的映射 Mapping Continuous-Time Filters to Discrete-Time Filters
- 稳定性 <=> 收敛域包括单位圆
- 因果性 <=> 收敛域在最外边的极点之外
z 变换的性质:
- 线性
- 时移:x[n−n0]=zn0X(z)
- 卷积
连续时间滤波器到离散时间滤波器的映射的要求:
- Hc(s)→Hd(z)
- hc(t)→hd[n]
- jω 轴 -> 单位圆
- 稳定 -> 稳定
考虑最简单的:后向差分:
dtdy(t)→Ty[n]−y[n−1]
则有 sY(s)→T1−z−1Y(z),得到 s=T1−z−1
前向差分同理
![后向差分](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
注意到虚轴并没有很好地映射到单位圆上
脉冲响应不变法:
hd[n]=hc(nT)
Hd(ejΩ)=T1k=−∞∑+∞Hc[j(TΩ−T2πk)]
s=sk 处的极点 => z=eskT 处的极点
系数 Ak 保留
巴特沃斯滤波器 Butterworth Filters
巴特沃斯滤波器:
∣B(jω)∣2=1+(jω/jωc)2N1
![巴特沃斯滤波器](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
B(s)B(−s) 的极点为 s=(−1)2N1jωc
![巴特沃斯滤波器极点](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
因为滤波器是稳定的,故 B(s) 的极点在左半边
要设计的离散时间滤波器的规格:
- 采样频率为 10kHz
- 20log10∣Hc(jω)∣≥−1,ω=2π⋅1kHz
- 20log10∣Hc(jω)∣≤−15,ω=2π⋅1.5kHz
使用脉冲响应不变法:
- 10kHz→2π
- 1kHz→0.2π
- 1.5kHz→0.3π
故有
- 20log10∣Hd(ejΩ)∣≥−1,Ω=0.2π
- 20log10∣Hd(ejΩ)∣≤−15,Ω=0.3π
这里选择 T=1 ,其实 T 可以随便选
- 20log10∣B(j0.2π)∣≥−1
- 20log10∣B(j0.3π)∣≤−15
代入后解得 N=5.88,ωc=0.7047,这里为了减小混叠的影响,选择准确的通带,稍微超出阻带,故向上取整,N=6,ωc=0.703
双线性变换法:
Hc(s)→Hd(z)
s=T21+z−11−z−1
z=1−(T/2)s1+(T/2)s
核心思想是将微分方程转化为积分方程,然后使用梯形近似
对于单位圆,即 z=ejΩ,有
s=T2jtan2Ω=jω
ω=T2tan2Ω
![双线性变换](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
这是非线性映射(即越远离原点,移动速度越快),所以会有非线性失真
反馈 Feedback
平衡小车:
![平衡小车](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
可以考虑引入反馈:
![反馈平衡小车](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
对于连续情况,可以将反馈信号转化为离散信号,用离散系统(计算机)处理,再变换回连续
![连续反馈系统](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
同样的系统也可以视为离散的:
![离散反馈系统](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
研究一个反馈系统:
![反馈系统](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
得到
Q(s)=X(s)Y(s)=1+G(s)H(s)H(s)
离散时间同理
放大器设计:
![放大器设计](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
如果 ∣kH(jω)∣>>1,则 Q(jω)=k1
**逆系统:**求 P(s) 的逆系统
![逆系统](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
如果 kP(s)>>1,则 Q(s)=P(s)1
稳定不稳定的系统:
![稳定不稳定的系统](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
1+G(s)H(s)=0
故稳定性 <=> si 的实部 <0
有的反馈可能会使原来稳定的系统变得不稳定,例如一些正反馈
反馈举例:倒立摆 Feedback Example: The Inverted Pendulum
尝试比例反馈:
a(t)=K1θ(t)
发现不可行
再尝试微分反馈:
a(t)=K2dtdθ(t)
发现也不可行
两者结合,终于可行了
Anything you study is not really to cover a subject, but to uncover the subject.