线性卷积计算器

线性卷积计算器

增长中 AI Skill PRO

输入计算

数学公式

y[n]=∑kx[k]·h[n−k]y[n] = \sum_{k} {x[k]} \cdot {h[n-k]}
使用统计

广告

结果

线性卷积
4, 13, 28, 27, 18
第一个序列 1,2,3
第二个序列 4,5,6
最大值 28
最小值 4

报告本页错误

这个计算器有什么用

线性卷积计算器用于对两个离散序列执行离散线性卷积运算。卷积是数字信号处理(DSP)中的核心运算之一:当你已知一个线性时不变(LTI)系统的输入信号和单位冲激响应时,就可以用卷积求出系统的输出。只需输入两组数字序列,工具会立即返回完整的卷积结果序列,并同时给出其中的最大值和最小值。

使用方法

只需要填写两个输入框:

  • 第一个序列——你的输入信号 x,用逗号分隔的数字,例如 1, 2, 3。
  • 第二个序列——你的第二个信号 h(通常是冲激响应),例如 0, 1, 0.5。

小数和负数都支持。每个数值会自动去除首尾空格后解析为数字,因此空格多少都不影响结果。

计算公式

离散线性卷积的定义为:

$$y[n] = \sum_{k} x[k] \cdot h[n-k]$$

在具体实现中,计算器采用直接的双重循环:将第一个序列的每个元素与第二个序列的每个元素相乘,并把每个乘积 \(x[i]\cdot h[j]\) 累加到输出位置 \(i + j\) 上。最终得到的结果序列长度为 len(x) + len(h) − 1。

广告
两个离散序列线性卷积的翻转滑动可视化
线性卷积将一个序列翻转并沿另一个序列滑动,对重叠部分的乘积求和。

实例演算

设 \(x = [1, 2, 3]\),\(h = [1, 1]\)。则输出长度为 \(3 + 2 - 1 = 4\)。

  • \(y[0] = 1\cdot 1 = 1\)
  • \(y[1] = 1\cdot 1 + 2\cdot 1 = 3\)
  • \(y[2] = 2\cdot 1 + 3\cdot 1 = 5\)
  • \(y[3] = 3\cdot 1 = 3\)

因此卷积结果为 [1, 3, 5, 3],其中最大值为 5,最小值为 1。

以沿对角线求和的乘法网格计算的卷积
每个输出值是乘法网格中沿对角线的元素乘积之和。

卷积中的关键术语

术语 含义
离散序列 \(x[n]\) 由整数 \(n\) 索引的有序数字列表,通常是信号的样本。您作为逗号分隔值输入的项是 \(x[0],x[1],x[2],\dots\)
脉冲响应 \(h[n]\) 当系统输入为单个单位脉冲时系统产生的输出。对于线性时不变系统,它完全表征该系统:任何输入的响应都是该输入与 \(h[n]\) 的卷积。
线性时不变系统 线性时不变:缩放和添加输入会缩放和添加输出(线性性),延迟输入只会延迟输出(时不变性)。卷积准确描述了线性时不变系统类。
单位脉冲 \(\delta[n]\) 在 \(n=0\) 处等于1、在其他地方等于0的序列。它是卷积的单位元素:\(x[n]*\delta[n]=x[n]\)。
核/滤波器抽头 当有限序列 \(h\) 用作滤波器时的常见名称。每个单独的系数 \(h[k]\) 是一个"抽头";长度为5的核是一个5抽头滤波器。
卷积和 \(y[n]=\sum_{k} x[k]\,h[n-k]\) — 对于每个输出索引 \(n\),将每个输入样本乘以核值,该核值的索引使得 \(k+(n-k)=n\),然后将乘积相加。
支撑/长度 序列非零的索引集合。对于长度为 \(N\) 和 \(M\) 的有限序列,卷积的支撑长度为 \(N+M-1\)。
索引 \(n\) 和移位 \(n-k\) \(n\) 是输出位置;\(k\) 遍历输入样本。写 \(h[n-k]\) 表示核被时间反转(翻转)并滑动到位置 \(n\) — 这是卷积的"翻转和滑动"图像。
线性卷积与圆形卷积 线性卷积(本计算器)增长到长度 \(N+M-1\)。圆形卷积将序列视为周期为 \(L=\max(N,M)\) 的周期序列,并将溢出回绕到起始位置,给出长度为 \(L\) 的结果;它对应于两个离散傅里叶变换的元素乘积。
互相关 \(r[n]=\sum_k x[k]\,h[k+n]\) — 相同的滑动求和运算但没有翻转。\(x\) 与 \(h\) 的互相关等于 \(x\) 与时间反转 \(h\) 的卷积;当 \(h\) 对称时两者一致。
交换律 \(x*h=h*x\):交换这两个条目给出相同的输出序列。
结合律 \((x*h_1)*h_2=x*(h_1*h_2)\):级联滤波器可以合并为一个等效核。
分配律 \(x*(h_1+h_2)=x*h_1+x*h_2\):并联分支相加,这是分解滤波器的基础。
零填充 向序列附加零。零不改变线性卷积的非零值,但将两个序列都填充到长度 \(\ge N+M-1\) 会使圆形(基于离散傅里叶变换的)卷积等于线性卷积。
广告

解释您的卷积序列

输出索引的含义。计算器报告 \(y[0],y[1],y[2],\dots\),假设两个输入都从索引0开始。如果您的序列实际上从其他位置开始,第一个输出样本位于两个起始索引的和处:如果 \(x\) 从 \(n_x\) 开始,\(h\) 从 \(n_h\) 开始,那么 \(y\) 从 \(n_x+n_h\) 开始。例如,以 \(-1\) 为中心的核与从0开始的信号卷积会产生一个输出,其第一个样本属于 \(n=-1\),所以您必须在针对时间绘制打印列表之前将其左移一个位置。

长度和展宽。输出长度始终为

$$\operatorname{len}(y)=\operatorname{len}(x)+\operatorname{len}(h)-1$$

所以信号展宽 \(\operatorname{len}(h)-1\) 个额外样本。这些额外样本显示为启动瞬态(前 \(\operatorname{len}(h)-1\) 个输出,其中核仅部分重叠数据)和末尾的衰落。在实时滤波中,这些边缘样本通常被丢弃或单独处理,因为它们是从不完整重叠而非完整核计算得出的。

求和检查。确认结果的一个快速方法是输出的总和等于输入总和的乘积:

$$\sum_n y[n]=\left(\sum_n x[n]\right)\left(\sum_n h[n]\right)$$

对于 \(x=[1,2,3]\) 和 \(h=[1,1]\),输出是 [1, 3, 5, 3],其和为 \(1+3+5+3=12\),匹配 \(6\times 2=12\)。如果您的总和不匹配,则索引已被丢弃或符号被错误处理。

核的和告诉您什么。如果 \(\sum_n h[n]=1\),该操作保留信号的总体水平和平均值 — 这是平滑或低通核(如 \([0.5,0.5]\) 或 \([1/3,1/3,1/3]\))的特征。如果 \(\sum_n h[n]=0\),输入的常数部分被消除,只有变化幸存:\(h=[1,-1]\) 是一阶差分(高通)核,在任何常数段上输出零,在边缘处产生尖峰。求和大于1的核应用净增益;小于1但非零应用净衰减。

峰值幅度。报告的最大值和最小值给出滤波信号的最大正负偏离 — 用于发现定点实现中的溢出或削波。每个输出样本都遵守

$$|y[n]|\le\left(\sum_k |x[k]|\right)\max_k |h[k]|$$

这是一个安全的最坏情况界。一个更紧密且同样标准的界是 \(\max_n|y[n]|\le \max_n |x[n]|\cdot\sum_k|h[k]|\);量 \(\sum_k|h[k]|\) 是滤波器对最坏情况有界输入的增益。

脉冲行为。与 \(\delta[n]=[1]\) 卷积返回输入不变,与移位脉冲卷积 — \([0,0,1]\),即 \(\delta[n-2]\) — 返回精确复制延迟2个样本。这使脉冲成为方便的健全性测试:如果核应该是中性的,将单个1馈入应该重现核本身,因为 \(\delta[n]*h[n]=h[n]\)。

这些性质是关于离散线性卷积的通用数学事实,不与任何国家标准或软件包相关联。如果您将结果与基于离散傅里叶变换的例程比较,请记住它计算圆形卷积,除非两个序列都被零填充到至少 \(\operatorname{len}(x)+\operatorname{len}(h)-1\)。

常见问题

结果序列有多长?结果长度始终等于两个输入序列长度之和减一。例如一个 4 元素序列与一个 3 元素序列做卷积,会得到 6 个数值。

两个序列的顺序会影响结果吗?不会。卷积满足交换律,因此交换第一个和第二个序列,得到的输出序列完全相同。

卷积和互相关是一回事吗?不是。卷积在滑动之前会先把其中一个序列翻转(即 \(h[n - k]\) 这一项),而互相关不翻转。除非其中一个序列是对称的,否则两者结果不同。

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