卷积公式

卷积公式

卷积概念

卷积(Convolution)是通过两个函数f(t)和g(t)生成第三个函数的一种数学算子,表征函数f(t)与g(t)经过翻转和平移的重叠部分的面积。

f(t) g(t) 的卷积公式为:

f(t)g(t)=t0f(u)g(tu)du(1)

f(t) g(t) 的拉普拉斯变换结果为:
{F(s)=0estf(t)dtG(s)=0estg(t)dt(2)

卷积公式与拉普拉斯变换结果的关系为:
F(s)G(s)=0est(f(t)g(t))dt(3)

公式(3)对卷积的傅里叶变换同样适用。


卷积示例

示例1:f(t)与1的卷积

f(t)1=t0f(u)du(4)

示例2: t2 t 的卷积

t2t=t0u2(tu)du=[13u3t14u4]|t0=112t4(5)

此外, t2 t 的拉式变换为:
{F(s)=L(t2)=2!s3G(s)=L(t)=1!s2(6)

所以:
{F(s)G(s)=2s5L1(F(s)G(s))=112t4(7)

示例2验证了公式(3)的正确性。

[知乎:卷积的物理意义]

### 卷积公式的推导过程 #### 一、离散卷积公式 对于两个离散序列 \( f[n] \) 和 \( g[n] \),它们的卷积定义为: \[ (f * g)[n] = \sum_{k=-\infty}^{\infty} f[k]g[n-k] \tag{1} \] 这里的关键在于理解卷积的本质——它表示的是一个信号通过另一个信号后的线性叠加效果。具体来说,\( g[n-k] \) 是将 \( g[n] \) 反转并平移 \( k \) 步的结果。 当我们将这一概念应用到实际场景中时,通常会假设输入信号和支持函数都是有限长度的。此时,可以通过截断无限求和来近似计算[^1]。 --- #### 二、连续卷积公式 在连续情况下,离散求和被替换为积分操作。设 \( f(x) \) 和 \( h(x) \) 是两个连续函数,则其卷积可写作: \[ (f * h)(t) = \int_{-\infty}^\infty f(\tau)h(t-\tau)d\tau \tag{2} \] 此表达式的核心思想与离散版本一致:即将其中一个函数反转后再沿时间轴滑动,并在此过程中不断累积两者的乘积贡献[^2]。 特别地,在概率论领域内,若随机变量 \( X \sim f_X(x) \), \( Y \sim f_Y(y) \),则新随机变量 \( Z = X + Y \) 的密度函数可通过如下方式获得: \[ f_Z(z) = \int_{-\infty}^\infty f_X(x)f_Y(z-x) dx \tag{3} \] 这实际上是上述通用形式的一个特例[^3]。 --- #### 三、图卷积中的卷积公式 针对图结构数据设计的卷积运算有所不同。传统意义上的空间域卷积难以直接应用于不规则网格状拓扑关系之上;为此人们提出了基于谱理论的方法来进行处理。 给定拉普拉斯算子矩阵 \( L=D-A \),其中 \( D \) 表示度数对角阵而 \( A \) 则记录邻接信息。经过标准化变换后得到归一化的形式 \( \tilde{L}=I-D^{-1/2}AD^{-1/2} \) 。进一步利用切比雪夫多项式展开技术降低频域滤波器参数数量从而提升效率: 原始GCN层更新法则可以表述成这样一种模式: \[ H^{(l+1)}=\sigma (\hat{D}^{-1/2}\hat{A}\hat{D}^{-1/2}H^{(l)}W^{(l)})+\textbf{b} \tag{4} \] 此处涉及到了节点特征向量集合 \( H^{(l)}=[h_1,...,h_N]\in R^{N\times d_l} \); 权重张量 \( W^{(l)}\in R^{d_l\times d_{l+1}}\) ; 偏置项 **b**; 非线性激活函数 σ() 等要素共同作用完成逐层次迭代优化任务目标[^4]. --- #### 四、总结说明 综上所述,无论是经典的时空维度下还是新兴的数据驱动型框架里头,“卷积”都扮演着极其重要的角色。前者侧重于刻画局部相互影响机制,后者更多关注全局关联特性挖掘工作当中去。 ```python import numpy as np from scipy import signal def discrete_convolution(f, g): """ 计算离散卷积 """ return signal.convolve(f, g) # 示例调用 if __name__ == "__main__": f = np.array([1, 2, 3]) g = np.array([0, 1, 0.5]) result = discrete_convolution(f, g) print(result) ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值