卷积计算器

卷积计算器

热门 AI Skill PRO

输入计算

数学公式

(序列1∗序列2)[i]=∑j=max⁡(0,i−m+1)min⁡(i,n−1)序列1[j]·序列2[i−j]({{\text{序列}_1}} * {{\text{序列}_2}})[i] = \sum_{j=\max(0,\,i-m+1)}^{\min(i,\,n-1)} {{\text{序列}_1}}[j]\cdot {{\text{序列}_2}}[i-j]
使用统计

广告

结果

卷积结果:
4, 13, 28, 27, 18
第一个序列 1,2,3
第二个序列 4,5,6

报告本页错误

卷积计算器能做什么

这款卷积计算器可以计算两个有限数列的离散卷积(discrete convolution)。卷积是信号处理、图像滤波、概率论以及多项式乘法中的核心运算。有了它,你不必再一项一项地手算求和——只需输入两个序列,工具便会立即返回合并后的输出序列。

如何使用

只需填写两个输入框:

  • 第一个序列——你的输入信号或第一组数字,用英文逗号分隔(例如 1, 2, 3)。
  • 第二个序列——你的第二个信号、卷积核或滤波器,同样用逗号分隔(例如 0, 1, 0.5)。

支持小数和负数。计算器会按逗号拆分每一项、去除多余空格,并在计算前将每一项转换为数值。

公式解析

离散卷积的定义如下:

$$(\text{Seq}_1 * \text{Seq}_2)[i] = \sum_{j=\max(0,\,i-m+1)}^{\min(i,\,n-1)} \text{Seq}_1[j]\cdot \text{Seq}_2[i-j]$$

对于长度分别为 \(n\) 和 \(m\) 的两个有限序列,结果恰好包含 \(n + m - 1\) 个数值。每个输出值 \(y[i]\) 都是所有乘积 \(x[j]\cdot h[i-j]\) 之和(前提是下标都落在各自序列的有效范围内)。通俗地说,这个工具会让一个序列在另一个序列上不断滑动,对重叠的项相乘,并在每次平移时把它们加起来。

广告
离散卷积示意图:将两个序列翻转并滑动重叠,生成一个输出序列
卷积将一个序列翻转后沿另一个序列滑动,在每次移位时对重叠部分的乘积求和。

实例演示

设第一个序列为 1, 2, 3,第二个序列为 0, 1, 0.5。此时 \(n = 3\)、\(m = 3\),因此结果共有 \(3 + 3 - 1 = 5\) 个数值:

  • \(y[0] = 1\cdot 0 = 0\)
  • \(y[1] = 1\cdot 1 + 2\cdot 0 = 1\)
  • \(y[2] = 1\cdot 0.5 + 2\cdot 1 + 3\cdot 0 = 2.5\)
  • \(y[3] = 2\cdot 0.5 + 3\cdot 1 = 4\)
  • \(y[4] = 3\cdot 0.5 = 1.5\)

所以输出结果为 0, 1, 2.5, 4, 1.5。

三幅杆状图,分别显示输入序列、第二个序列以及更长的卷积输出结果
输出比任一输入都长,长度为 \(n + m - 1\)。

如何手工计算卷积

离散线性卷积将两个有限序列,\(x\)(长度为\(n\))和\(h\)(长度为\(m\)),组合成单个输出\(y = x * h\)。定义和为

$$y[i] = \sum_{j} x[j]\,h[i-j], \qquad i = 0,1,\dots,n+m-2$$

其中任何索引超出序列范围的项都被视为零。下面的程序是标准的"翻转和滑动"方法,这是该计算器执行的方法(完全线性卷积,无截断)。

  1. 注意长度。设\(n\)为第一个序列中的项数,\(m\)为第二个序列中的项数。输出始终恰好有\(n+m-1\)项。首先检查这个数字——这是防止项目丢失的最简单保护。
  2. 将两个序列从0开始索引。写出\(x[0],x[1],\dots,x[n-1]\)和\(h[0],h[1],\dots,h[m-1]\)。从零开始的索引使移位算术\(i-j\)无需偏移即可工作。
  3. 反向(翻转)第二个序列。反向写出\(h\):\(h[m-1],\dots,h[1],h[0]\)。翻转是将和\(\sum_j x[j]h[i-j]\)转变为简单对齐的乘积列的操作。
  4. 在第一个序列上滑动翻转的序列。从移位\(i=0\)开始,其中翻转内核的最后一个元素——即\(h[0]\)——位于\(x[0]\)下方。对于每个连续的\(i\),将翻转的内核向右移动一个位置。
  5. 乘以对齐的对并求和。在每个移位处,将每个垂直对齐的对相乘并相加这些乘积。该单个数字是\(y[i]\)。
  6. 将超出范围的索引视为零。翻转内核悬挂在任一端的地方,缺失的值为零(零填充),因此这些乘积不贡献任何值。等价地,将和限制为\(\max(0,\,i-m+1) \le j \le \min(i,\,n-1)\)。
  7. 记录\(y[i]\),其中\(i = 0,1,\dots,n+m-2\)。当翻转内核已经完全通过右端时停止;最后一个非零移位是\(i=n+m-2\)。

滑动对齐布局

对于\(n=3\)和\(m=2\)——序列\(x=[x_0,x_1,x_2]\)和\(h=[h_0,h_1]\)——翻转的内核\([h_1,h_0]\)如下所示滑动。输出有\(3+2-1=4\)项。

移位\(i\) 与\(x_0\)对齐 与\(x_1\)对齐 与\(x_2\)对齐 进入\(y[i]\)的乘积
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 — — \(h_1\) \(y[3]=x_2h_1\)

注意这个模式:在每个乘积中,两个索引相加等于\(i\)。这就是整个规则——\(y[i]\)是所有满足\(j+k=i\)的\(x[j]h[k]\)的和。

多项式乘法视角

因为索引相加,卷积与乘以多项式并收集系数相同。将每个序列与虚拟变量\(z\)中的多项式关联:

$$X(z)=x_0+x_1z+x_2z^2, \qquad H(z)=h_0+h_1z$$

然后

$$X(z)H(z)=x_0h_0+(x_0h_1+x_1h_0)z+(x_1h_1+x_2h_0)z^2+x_2h_1z^3$$

其系数恰好是\(y[0],y[1],y[2],y[3]\)。度数为\((n-1)\)的多项式乘以度数为\((m-1)\)的多项式的度数为\(n+m-2\),即\(n+m-1\)个系数——相同的长度规则。这是检查手工计算的便利方法:用普通代数乘以多项式,并比较系数列表。

广告

关键术语和符号

术语 含义
卷积\(x * h\) 将两个序列组合的操作\(y[i]=\sum_j x[j]\,h[i-j]\),通过求和所有索引相加等于\(i\)的所有乘积。用星号表示,\(y = x * h\)。
序列/信号\(x[n]\) 由整数\(n\)索引的有序数字列表——测量的样本、数据系列或一组系数。此处索引从\(n=0\)开始。
内核/滤波器/脉冲响应\(h[n]\) 同一第二个序列的三个名称。"内核"或"滤波器"强调应用于相邻样本的权重;"脉冲响应"是系统视角——\(h\)是线性时不变系统在输入单个单位脉冲时产生的输出。
索引\(n\)(或\(i\))和移位变量\(j\) \(i\)标记正在计算的输出位置;\(j\)是在重叠位置上运行的内部求和变量。在和内,\(x\)在\(j\)处读取,\(h\)在\(i-j\)处读取。
支撑和输出长度 支撑是序列非零的索引范围。如果\(x\)有\(n\)项,\(h\)有\(m\)项,输出占据索引\(0\)到\(n+m-2\)——恰好\(n+m-1\)个值。
零填充 将序列定义范围之外的每个索引视为零。这允许将和写在所有\(j\)上而无需特殊情况;它也解释了输出两端的幅度减小的值。
线性与圆形卷积 线性卷积对端点进行零填充,产生\(n+m-1\)个值。圆形卷积将端点环绕,仅产生\(\max(n,m)\)个值,自然地从DFT/FFT乘法中产生。该计算器以"全"模式计算线性卷积——没有截断为某些软件库默认返回的较短"相同"或"有效"输出。
可交换的 \(x * h = h * x\)。交换两个输入序列给出相同的输出,所以您调用哪个信号和哪个内核都没有关系。
结合的 \((x * h_1) * h_2 = x * (h_1 * h_2)\)。串联应用的两个滤波器可以被等于它们卷积的单个滤波器替换。
分配的 \(x * (h_1 + h_2) = x * h_1 + x * h_2\)。并联的滤波器相加。
LTI系统 线性时不变系统:缩放和添加输入会缩放和添加输出,延迟输入仅延迟输出。每个这样的系统完全由其脉冲响应描述,其输出是输入与\(h\)的卷积。
移动平均/平滑滤波器 一个\(k\)个等权重\(1/k\)的内核,例如\(h = [0.5, 0.5]\)或\(h = [1/3, 1/3, 1/3]\)。与它进行卷积会将每个样本与其邻居平均,抑制快速波动;前几个和最后几个输出值是受零填充污染的边缘瞬变。
离散与连续卷积 离散形式求和;连续形式积分:\((x * h)(t) = \int_{-\infty}^{\infty} x(\tau)\,h(t-\tau)\,d\tau\)。该工具处理离散(采样)情况。
多项式系数乘法 如果\(X(z)=\sum_j x[j]z^j\)和\(H(z)=\sum_k h[k]z^k\),则\(X(z)H(z)\)的系数恰好是\(x * h\)。整数的长乘法是相同的思想,带有进位。
独立随机变量的和 如果\(X\)和\(Y\)是独立的且整数值的,则\(Z = X+Y\)的概率质量函数是它们的PMF的卷积:\(P(Z=k)=\sum_j P(X=j)\,P(Y=k-j)\)。例如,将\([1/6,\dots,1/6]\)与自身进行卷积,给出两个公平六面骰子总数的分布。

常见问题

输出序列有多长?始终等于第一个序列的长度加上第二个序列的长度再减一(\(n + m - 1\))。

两个序列的先后顺序会影响结果吗?不会。卷积满足交换律,因此交换两个输入得到的结果序列完全相同。

可以用它来做多项式乘法吗?可以。如果把每个序列看作一个多项式的系数,那么卷积的输出就是它们乘积的系数——这不仅适用于信号处理,也是代数运算中的一个实用捷径。

最后更新:

数学和统计热门计算器

查看全部数学和统计计算器