この畳み込み計算機でできること
この畳み込み計算機は、2つの有限な数列どうしの「離散畳み込み(discrete convolution)」を計算します。畳み込みは、信号処理や画像のフィルタリング、確率論、多項式の乗算など、さまざまな場面で使われる基本的な演算です。総和の計算を手作業で行う代わりに、2つの数列を入力するだけで、合成された出力数列が瞬時に得られます。
使い方
入力欄は次の2つだけです。
- 1つ目の数列 — 入力信号、または最初の数値群です。カンマ区切りで入力します(例:
1, 2, 3)。 - 2つ目の数列 — 2つ目の信号、カーネル、またはフィルターです。同じくカンマ区切りで入力します(例:
0, 1, 0.5)。
小数や負の数も使用できます。計算機は入力された値をカンマで分割し、前後の空白を取り除いたうえで、それぞれを数値に変換してから計算を行います。
計算式の解説
離散畳み込みは次のように定義されます。
$$(\text{Seq}_1 * \text{Seq}_2)[i] = \sum_{j=\max(0,\,i-m+1)}^{\min(i,\,n-1)} \text{Seq}_1[j]\cdot \text{Seq}_2[i-j]$$
長さ n と m の2つの有限数列に対して、結果はちょうど n + m − 1 個の値になります。各出力値 \(y[i]\) は、両方の数列の範囲内に収まるすべてのインデックスについて、積 \(x[j]\cdot h[i-j]\) を足し合わせたものです。わかりやすく言えば、一方の数列をもう一方の上でスライドさせながら、重なり合う項どうしを掛け合わせ、各ずらし位置でその合計を求めているのです。
計算例
1つ目の数列を 1, 2, 3、2つ目の数列を 0, 1, 0.5 とします。ここでは \(n = 3\)、\(m = 3\) なので、結果は \(3 + 3 - 1 = 5\) 個の値になります。
- $$y[0] = 1\cdot 0 = 0$$
- $$y[1] = 1\cdot 1 + 2\cdot 0 = 1$$
- $$y[2] = 1\cdot 0.5 + 2\cdot 1 + 3\cdot 0 = 2.5$$
- $$y[3] = 2\cdot 0.5 + 3\cdot 1 = 4$$
- $$y[4] = 3\cdot 0.5 = 1.5$$
したがって、出力は 0, 1, 2.5, 4, 1.5 となります。
手で畳み込みを計算する方法
離散線形畳み込みは、長さ \(n\) の有限列 \(x\) と長さ \(m\) の有限列 \(h\) を組み合わせて、単一の出力 \(y = x * h\) を生成する。定義する和は
$$y[i] = \sum_{j} x[j]\,h[i-j], \qquad i = 0,1,\dots,n+m-2$$ここで、列の範囲外のインデックスを持つ項はすべてゼロとして扱われる。以下の手順は標準的な「反転とスライド」方法であり、このカリキュレータが実行するもの(完全な線形畳み込み、切り詰めなし)である。
- 長さに注意する。 最初の列の項数を \(n\)、2番目の項数を \(m\) とします。出力は常に正確に \(n+m-1\) 項を持ちます。この数を最初に確認してください — これは落とされた項に対する最も単純な警備です。
- 両方の列を0からインデックスします。 \(x[0],x[1],\dots,x[n-1]\) および \(h[0],h[1],\dots,h[m-1]\) と記述してください。ゼロベースのインデックスは、シフト演算 \(i-j\) をオフセットなしで機能させます。
- 2番目の列を逆転(反転)します。 \(h\) を逆に書きます: \(h[m-1],\dots,h[1],h[0]\)。反転は、和 \(\sum_j x[j]h[i-j]\) を単純に整列した積の列に変えるものです。
- 反転した列を最初の列の上でスライドさせます。 シフト \(i=0\) から開始します。ここで、反転されたカーネルの最後の要素のみ — つまり、\(h[0]\) — が \(x[0]\) の下にあります。各連続した \(i\) に対して、反転されたカーネルを1つの位置右に移動させます。
- 整列したペアを乗算して合計します。 各シフトで、垂直に整列したすべてのペアを乗算し、積を追加します。その単一の数値は \(y[i]\) です。
- 範囲外のインデックスをゼロとして扱います。 反転されたカーネルがどちらかの端から外れている場合、欠けている値はゼロ(ゼロパディング)です。したがって、これらの積は寄与しません。同等に、和を \(\max(0,\,i-m+1) \le j \le \min(i,\,n-1)\) に制限します。
- \(i = 0,1,\dots,n+m-2\) に対して \(y[i]\) を記録します。 反転されたカーネルが右端から完全に外れたときに停止します。最後のゼロ以外のシフトは \(i=n+m-2\) です。
スライド整列レイアウト
\(n=3\) および \(m=2\) の場合 — 列 \(x=[x_0,x_1,x_2]\) および \(h=[h_0,h_1]\) — 反転されたカーネル \([h_1,h_0]\) は次のようにスライドします。出力は \(3+2-1=4\) 項を持ちます。
| シフト \(i\) | \(x_0\) の下に整列 | \(x_1\) の下に整列 | \(x_2\) の下に整列 | \(y[i]\) に入る積 |
|---|---|---|---|---|
| 0 | \(h_0\) | — | — | \(y[0]=x_0h_0\) |
| 1 | \(h_1\) | \(h_0\) | — | \(y[1]=x_0h_1+x_1h_0\) |
| 2 | — | \(h_1\) | \(h_0\) | \(y[2]=x_1h_1+x_2h_0\) |
| 3 | — | — | \(h_1\) | \(y[3]=x_2h_1\) |
パターンに注意してください:すべての積で、2つのインデックスは \(i\) に加算されます。それが全体のルールです — \(y[i]\) は \(j+k=i\) を持つすべての \(x[j]h[k]\) の合計です。
多項式乗法の観点
インデックスが追加されるため、畳み込みは多項式の乗算と係数の収集と同じです。各列をダミー変数 \(z\) の多項式に関連付けます:
$$X(z)=x_0+x_1z+x_2z^2, \qquad H(z)=h_0+h_1z$$その後
$$X(z)H(z)=x_0h_0+(x_0h_1+x_1h_0)z+(x_1h_1+x_2h_0)z^2+x_2h_1z^3$$その係数は正確に \(y[0],y[1],y[2],y[3]\) です。次数 \((n-1)\) の多項式に次数 \((m-1)\) の多項式を乗じると、次数 \(n+m-2\)、つまり \(n+m-1\) 係数が得られます — 同じ長さのルールです。これは手計算をチェックする便利な方法です:通常の代数で多項式を乗算し、係数リストを比較してください。
主要な用語と記号
| 用語 | 意味 |
|---|---|
| 畳み込み \(x * h\) | 2つの列を組み合わせて、インデックスが \(i\) に加算されるすべての積を合計する演算 \(y[i]=\sum_j x[j]\,h[i-j]\)。アスタリスク \(y = x * h\) で記述されます。 |
| 列/信号 \(x[n]\) | 整数 \(n\) でインデックス付けされた数値の順序付きリスト — 測定のサンプル、データシリーズ、または係数のセット。ここでインデックスは \(n=0\) から始まります。 |
| カーネル/フィルタ/インパルス応答 \(h[n]\) | 同じ2番目の列に対する3つの名前。「カーネル」または「フィルタ」は隣接するサンプルに適用される重みを強調します。「インパルス応答」はシステムビューです — \(h\) は、線形時間不変システムが単一の単位インパルスを入力されたときに生成する出力です。 |
| インデックス \(n\) (または \(i\))およびシフト変数 \(j\) | \(i\) は計算される出力位置にラベルを付けます。\(j\) は重複する位置を超える内部合計変数です。和の内側では、\(x\) は \(j\) で読まれ、\(h\) は \(i-j\) で読まれます。 |
| サポートと出力長 | サポートは、列がゼロ以外の値を持つインデックスの範囲です。\(x\) が \(n\) 項を持ち、\(h\) が \(m\) を持つ場合、出力はインデックス \(0\) から \(n+m-2\) を占めます — 正確に \(n+m-1\) 値です。 |
| ゼロパディング | 列の定義された範囲外のすべてのインデックスをゼロとして扱うこと。これにより、特別なケースなしにすべての \(j\) に対して和を記述できます。また、出力の両端での振幅削減値を説明します。 |
| 線形対循環畳み込み | 線形畳み込みはゼロパディングされ、\(n+m-1\) 値を生成します。循環畳み込みは端をラップラウンドし、\(\max(n,m)\) 値のみを生成し、DFT/FFT乗算から自然に発生します。このカリキュレータは「フル」モードで線形畳み込みを計算します — 何も、デフォルトでは一部のソフトウェアライブラリが返す短い「同じ」または「有効な」出力には切り詰められません。 |
| 可換 | \(x * h = h * x\)。2つの入力列をスワップすると、同じ出力が得られるため、どちらを信号と呼び、どちらをカーネルと呼ぶかは問題になりません。 |
| 結合法則 | \((x * h_1) * h_2 = x * (h_1 * h_2)\)。直列に適用された2つのフィルタは、それらの畳み込みに等しい単一のフィルタに置き換えることができます。 |
| 分配法則 | \(x * (h_1 + h_2) = x * h_1 + x * h_2\)。並列フィルタは追加されます。 |
| LTIシステム | 線形時間不変システム:入力をスケーリングおよび追加すると、出力をスケーリングおよび追加し、入力を遅延させると、出力を遅延させます。このようなすべてのシステムはインパルス応答によって完全に記述され、その出力は入力と \(h\) の畳み込みです。 |
| 移動平均/スムージングフィルタ | \(k\) 個の等しい重み \(1/k\) のカーネル、例えば \(h = [0.5, 0.5]\) または \(h = [1/3, 1/3, 1/3]\)。それで畳み込むと、各サンプルをその隣人と平均化し、急速な変動を抑制します。最初と最後の少数の出力値は、ゼロパディングで汚染されたエッジ過渡現象です。 |
| 離散対連続畳み込み | 離散形式は合計です。連続形式は積分です: \((x * h)(t) = \int_{-\infty}^{\infty} x(\tau)\,h(t-\tau)\,d\tau\)。このツールは離散(サンプル)のケースを処理します。 |
| 多項式係数乗法 | \(X(z)=\sum_j x[j]z^j\) および \(H(z)=\sum_k h[k]z^k\) の場合、\(X(z)H(z)\) の係数は正確に \(x * h\) です。整数の長乗法は、繰り上がりと同じ考え方です。 |
| 独立した確率変数の合計 | \(X\) および \(Y\) が独立で整数値の場合、\(Z = X+Y\) の確率質量関数はそれらのPMFの畳み込みです: \(P(Z=k)=\sum_j P(X=j)\,P(Y=k-j)\)。たとえば、\([1/6,\dots,1/6]\) をそれ自体で畳み込むと、2つの公正な6面体サイコロの合計の分布が得られます。 |
よくある質問
出力される数列の長さはどれくらいですか? 常に、1つ目の数列の長さと2つ目の数列の長さを足して1を引いた値(\(n + m - 1\))になります。
2つの数列を入れ替えると結果は変わりますか? 変わりません。畳み込みは交換法則が成り立つため、2つの入力を入れ替えても同じ結果が得られます。
多項式の乗算にも使えますか? はい。それぞれの数列を多項式の係数とみなせば、畳み込みの出力はその積の係数になります。信号処理だけでなく、代数の計算にも便利なショートカットです。