卷积的性质

参考网址:http://www.docin.com/p-1666980521.html
/////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////
1.交换律: f 1 ∗ f 2 = f 2 ∗ f 1 f_1*f_2=f_2*f_1 f1f2=f2f1
在这里插入图片描述
2.分布律: f 1 ∗ [ f 2 + f 3 ] = f 1 ∗ f 2 + f 1 ∗ f 3 f_1*[f_2+f_3]=f_1*f_2+f_1*f_3 f1[f2+f3]=f1f2+f1f3
在这里插入图片描述
3.结合律: [ f 1 ∗ f 2 ] ∗ f 3 = f 1 ∗ [ f 2 ∗ f 3 ] [f_1*f_2]*f_3=f_1*[f_2*f_3] [f1f2]f3=f1[f2f3]
在这里插入图片描述

////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////
4.两函数相卷积后的导数等于两函数之一的导数与另一函数相卷积
d d t [ f 1 ∗ f 2 ] = d f 1 d t ∗ f 2 = f 1 ∗ d f 2 d t \frac{d}{dt}[f_1*f_2]=\frac{df_1}{dt}*f_2=f_1*\frac{df_2}{dt} dtd[f1f2]=dtdf1f2=f1dtdf2

5.量函数相卷积后的积分等于两函数之一的积分与另一函数相卷积
∫ − ∞ t [ f 1 ∗ f 2 ] d t = f 1 ∗ ∫ − ∞ t f 2 ( τ ) \int^t_{-\infty}[f_1*f_2]dt=f_1*\int^t_{-\infty}f_2(\tau) t[f1f2]dt=f1tf2(τ)
推广:
f 1 ∗ f 2 = d f 1 d t ∗ ∫ − ∞ t f 2 ( τ ) = d 2 f 1 d t 2 ∗ ∫ − ∞ t ∫ − ∞ t f 2 ( τ ) f_1*f_2=\frac{df_1}{dt}*\int^t_{-\infty}f_2(\tau)=\frac{d^2f_1}{dt^2}*\int^t_{-\infty}\int^t_{-\infty}f_2(\tau) f1f2=dtdf1tf2(τ)=dt2d2f1ttf2(τ)
注:以上推广在变换简化时常用。

/////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////
6.若: f 1 ∗ f 2 = s ( t ) f_1*f_2=s(t) f1f2=s(t)
则: f 1 ( m ) ( t ) ∗ f 2 ( n ) ( t ) = s ( m + n ) ( t ) f_1^{(m)}(t)*f_2^{(n)}(t)=s^{(m+n)}(t) f1(m)(t)f2(n)(t)=s(m+n)(t)
注:性质6是个很有意思的性质。

///////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////
7.奇异信号的卷积特性
7.1 f ( t ) ∗ δ ( t ) = f ( t ) f ( t ) ∗ δ ( t − t 0 ) = f ( t − t 0 ) f ( t − t 1 ) ∗ δ ( t − t 0 ) = f ( t − t 0 − t 1 ) f(t)*\delta(t)=f(t) \\ f(t)*\delta(t-t_0)=f(t-t_0)\\ f(t-t_1)*\delta(t-t_0)=f(t-t_0-t_1) f(t)δ(t)=f(t)f(t)δ(tt0)=f(tt0)f(tt1)δ(tt0)=f(tt0t1)
在这里插入图片描述
7.2
δ ( t ) ∗ δ ( t ) = δ ( t ) f ( t ) ∗ δ ′ ( t ) = f ′ ( t ) f ( t ) ∗ u ( t ) = ∫ − ∞ t f ( τ ) d τ \delta(t)*\delta(t)=\delta(t)\\ f(t)*\delta^{'}(t)=f^{'}(t)\\ f(t)*u(t)=\int^t_{-\infty}f(\tau)d\tau δ(t)δ(t)=δ(t)f(t)δ(t)=f(t)f(t)u(t)=tf(τ)dτ
推广:
f ( t ) ∗ δ ( k ) ( t ) = f ( k ) ( t ) f ( t ) ∗ δ ( k ) ( t − t 0 ) = f ( k ) ( t − t 0 ) f ( t ) = f ( t ) ∗ δ ′ ( t ) ∗ u ( t ) = f ′ ( t ) ∗ u ( t ) f ( t ) = f ( t ) ∗ δ ′ ′ ( t ) ∗ t u ( t ) = f ′ ′ ( t ) ∗ t u ( t ) f(t)*\delta^{(k)}(t)=f^{(k)}(t)\\ f(t)*\delta^{(k)}(t-t_0)=f^{(k)}(t-t_0)\\ f(t)=f(t)*\delta^{'}(t)*u(t)=f^{'}(t)*u(t)\\ f(t)=f(t)*\delta^{''}(t)*tu(t)=f^{''}(t)*tu(t) f(t)δ(k)(t)=f(k)(t)f(t)δ(k)(tt0)=f(k)(tt0)f(t)=f(t)δ(t)u(t)=f(t)u(t)f(t)=f(t)δ(t)tu(t)=f(t)tu(t)

### 冲激函数的卷积性质及其应用 #### 数学定义 冲激函数 $\delta(t)$ 的卷积性质可以通过其核心特性来理解。当一个函数 $f(t)$ 和冲激函数 $\delta(t-t_0)$ 进行卷积时,结果会将 $f(t)$ 平移到时间轴上的 $t_0$ 处[^1]。具体来说: $$ f(t) * \delta(t-t_0) = f(t-t_0) $$ 这里的卷积操作表示为 $*$ 。这一性质表明,通过与冲激函数卷积,可以实现信号的时间平移。 #### 信号处理中的应用 在信号处理领域,冲激函数的卷积性质被广泛应用于系统分析和设计之中。例如,在线性时不变(LTI)系统的理论框架下,任何一个输入信号都可以看作是由无数个加权并延迟的冲激信号组成[^2]。因此,如果知道了一个 LTI 系统对于单个冲激信号的响应——即冲激响应 $h(t)$,那么就可以利用卷积积分求得该系统对任意复杂输入信号的响应: $$ y(t) = x(t) * h(t) $$ 其中 $y(t)$ 是输出信号,$x(t)$ 是输入信号,而 $h(t)$ 则代表系统的冲激响应[^3]。 ```python import numpy as np from scipy import signal import matplotlib.pyplot as plt # 定义时间范围 t = np.linspace(-1, 5, 500) # 输入信号 input_signal = lambda t: np.exp(-t)*(t>0) # 系统的冲激响应 impulse_response = lambda t: np.sinc(t) # 计算卷积 output_signal = signal.convolve(input_signal(t), impulse_response(t), mode='same')*np.diff(t)[0] plt.plot(t, input_signal(t), label="Input Signal") plt.plot(t, output_signal, label="Output Signal after Convolution", linestyle="--") plt.legend() plt.show() ``` 上述代码展示了如何使用 Python 来模拟两个函数之间的卷积过程,并可视化结果。 #### 总结 综上所述,冲激函数不仅具有独特的数学属性,而且在其基础上构建起来的一系列工具和技术已经深入到了现代工程科学的核心部分。无论是用于解析还是数值方法解决实际问题,都离不开对其深刻的理解和灵活运用。 问题
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