卷积计算
卷积计算(图解法)
(1) n<0
x(m) m 0 4 h(n-m) m n-6 n0
y(n) = x(n) ∗ h(n) = 0
x(m) m
(2)在0≤n≤4区间上
0
4 h(n-m) m
n-6 0 n 4
∴ y(n) = ∑ x(m)h(n − m) = ∑1⋅ a
m=0 n m=0
n
n
n−m
=a
n
m=0
∑a
−m
1− a =a −1 1− a
n
−( n+1)
1− a =1− a
1+n
x(m)
(3)在4<n≤6区间上
m 0 4 h(n-m) m n-6 0
1+n
∴ y(n) = ∑x(m)h(n − m)
m=0
4
= ∑1⋅ a
m=0 n
4
n−m
=a
n
m=0
∑a
n−4
4
−m
4 6 n
1− a a −a =a = −1 1− a 1− a
−(1+4)
x(m) m 0 4 h(n-m) m 0 n-6
7
(4)在6<n≤10区间上
∴ y(n) = =
m=n−6
∑x(m)h(n − m)
=a
n m=n−6 −( 4+1)
n
m=n−6
∑1⋅ a
n
n
n−m
∑a
=
4
−m
6
n
10
=a
a
−( n−6)
−a −1 1− a
a
n−4
−a 1− a
综合以上结果， 可归纳如下： 综合以上结果，y(n)可归纳如下： 可归纳如下
时域卷积和频域卷积转换公式
时域卷积和频域卷积转换公式时域卷积和频域卷积是数字信号处理中常用的两种卷积方法。
它们可以互相转换，以便在不同的领域中进行信号处理。
时域卷积是指在时域中对两个信号进行卷积运算。
假设有两个信号x(t)和h(t)，它们在时域中的卷积运算可以表示为y(t) = x(t) * h(t)。
其中，*表示卷积运算。
卷积运算的计算公式如下：y(t) = ∫[x(τ) * h(t-τ)] dτ这个公式表示了在时域中的卷积运算，其中τ是一个积分变量，用来表示h(t)信号在时间轴上与x(t)信号相互叠加的位置。
频域卷积是指将时域信号转换为频域信号后进行卷积运算。
假设有两个信号X(f)和H(f)，它们在频域中的卷积运算可以表示为Y(f) = X(f) × H(f)。
其中，×表示点乘运算。
频域卷积的计算公式如下：Y(f) = X(f) × H(f)这个公式表示了在频域中的卷积运算。
在频域中进行卷积运算的好处是可以通过快速傅里叶变换（FFT）等算法，提高卷积运算的效率。
将时域卷积转换为频域卷积可以通过傅里叶变换实现。
具体步骤如下：1. 对信号x(t)和h(t)分别进行快速傅里叶变换，得到它们在频域中的表示X(f)和H(f)。
2. 将X(f)和H(f)相乘，得到频域中的卷积结果Y(f)。
3. 对Y(f)进行逆傅里叶变换，得到在时域中的卷积结果y(t)。
将频域卷积转换为时域卷积可以通过逆傅里叶变换实现。
具体步骤如下：1. 对信号X(f)和H(f)分别进行逆傅里叶变换，得到它们在时域中的表示x(t)和h(t)。
2. 将x(t)和h(t)进行卷积运算，得到时域中的卷积结果y(t)。
通过时域卷积和频域卷积的转换，我们可以在不同的领域中选择合适的方法进行信号处理，以满足不同的需求和要求。
在实际应用中，根据具体情况选择合适的卷积方法可以提高计算效率和信号处理的质量。
计算卷积的方法
* 0 -1 1 1 b f 2 (t 1)[ u (t 1) u (t 1)] f1 a[u(t ) u(t 1)] t t j 2 2 2 f 2 f1 f 2 ( ) f1 (t ) du (t ti t j )
i 1 j 1 ti
0.25ab
0
1
2
3
ab t 4
2
0 t 1
f1 f2
=
ab ab t 2 4
1 t 2
2 t 3
ab 2 (3 t 2t ) 4
结语:若f1(t)与f2(t)为有限宽度的脉冲,f1*f2的面积为f1和 f2面 积之积, f1*f2的宽度为f1和 f2宽度之和. Gtk [(t t j ) ti ] 方法二.利用门函数直接计算卷积分
t t 1 t t 1
2 ab 2 [(t 1) u (t 1) t u (t ) 4
(t 3)(t 1)u (t 1) (t 4) u (t 2)]
2
*下式错在哪里？ u (t 1) * [u (t 2) u (t 3)]
0
ti
t tj
ti
u(t t j t i )
t tj
1.将被卷积的两个函数f(t)和 h(t)都表示成单位阶跃u(t)移 位加权之和. p
f (t )
f
i 1
i
(t )u (t ti )......... . 1
h(t )
h
j 1
p
q
j
2 (t )u (t t j )......
de r (t ) *g dt
卷积的几种计算方法以及程序实现FFT算法
e ( t 1) )u(t 2)
Made by 霏烟似雨
数字信号处理
ht 1
e
t 2
u (t ) u (t 2)
e t 1
e t u (t )
O
t
波形
O
2
t
2. 今有一输油管道，长 12 米，请用数字信号处理的方法探测管道内部的损伤，管道的损伤可能为焊 缝，腐蚀。叙述你的探测原理，方法与结果。 （不是很清楚） 探测原理：因为输油管道不是很长，可以考虑设计滤波器器通过信号测量来测试管道的损伤，当有 焊缝时，所接受的信号会有所损失，当管道式腐蚀时，由于管壁变得不再是平滑的时候，信号的频率 就会有所改变。
rk r ( k N / 2)
，则后半段的 DFT 值表达式：
X 1[
N N / 2 1 N / 2 1 r ( k ) N N rk k ] x1[r ]WN / 22 x1[r ]WN ， k ] X 2 [k ] （ k=0,1, … ,N/2-1 ） / 2 X 1[ k ] ，同样， X 2 [ 2 2 r 0 r 0
d it L Ri t et dt
t
t 2
u(t ) u(
i(t )
L 1H
2) 冲激响应为 h(t ) e u(t ) 3)
i(t ) e( ) h(t ) d
程序： function test x = rand(1 , 2 .^ 13) ; tic X1 = fft(x) ; toc tic X2 = dit2(x) ; toc tic X3 = dif2(x) ; toc tic X4 = real_fft(x) ; toc max(abs(X1 - X2)) max(abs(X1 - X3)) max(abs(X1 - X4)) return ; function X = dit2(x) N = length(x) ; if N == 1 X=x; else X1 = dit2(x(1:2:(N-1))) ; X2 = dit2(x(2:2:N)) ; W = exp(-1i * 2 * pi / N * (0:(N/2-1))) ; X = [X1 + W .* X2 , X1 - W .* X2] ; end return ;
传统卷积公式
传统卷积公式
传统卷积公式（也称为一维离散卷积公式）是用于计算离散信号之间的卷积操作的数学公式。
给定两个离散信号 $f[n]$ 和
$g[n]$，它们的卷积结果 $y[n]$ 可以通过以下公式计算：$$
y[n] = \sum_{k=-\infty}^{\infty} f[k] \cdot g[n-k]
$$
其中，$n$ 是卷积结果的索引，$f[k]$ 和 $g[n-k]$ 分别是信号$f[n]$ 和 $g[n]$ 在索引 $k$ 和 $n-k$ 处的取值。
在计算过程中，$k$ 的取值范围为负无穷到正无穷，但对于离散信号而言，只
有有限个元素是非零的，因此实际计算只需要对存在的元素进行求和。
卷积操作模拟了两个信号之间的相互影响，常用于信号处理、图像处理和机器学习等领域。
卷积计算原理
卷积计算原理
卷积计算是一种用于图像处理和信号处理的数学运算方法，它通过在输入信号上滑动一个若干大小的滤波器（也称为卷积核或卷积矩阵），将输入信号和滤波器进行相乘并求和的方式来计算输出信号的每个元素。
具体来说，给定一个2维的输入信号矩阵（也可以是3维的，如RGB图像），以及一个2维的滤波器矩阵，卷积计算过程可以分为以下几个步骤：
1. 输入信号矩阵与滤波器矩阵进行点乘：
- 卷积操作中，通常使用滤波器的矩阵来表示卷积核
- 输入信号矩阵的每个元素与滤波器矩阵相乘，得到一个对应位置的乘积结果矩阵
2. 对乘积结果矩阵进行求和：
- 对乘积结果矩阵的所有元素进行求和，得到一个标量值
3. 将求和结果放置在输出信号矩阵的对应位置：
- 输出信号矩阵的每个元素都对应一个滤波器矩阵在输入信号上的一个滑动窗口位置
- 将第2步的求和结果放置在输出信号矩阵对应位置，即该滑动窗口中心位置对应的输出信号元素的值
4. 重复上述步骤，直到覆盖完输入信号矩阵的所有位置：
- 在输入信号矩阵上滑动滤波器矩阵，计算输出信号矩阵的所有元素
这就是卷积计算的基本原理，通过滑动滤波器在输入信号上，将输入信号的局部信息与滤波器矩阵进行卷积操作，获得对应位置的输出信号元素。
卷积计算在图像处理与信号处理中有着广泛的应用，如图像滤波、边缘检测、特征提取等。
卷积计算过程和步骤
卷积计算过程和步骤
卷积（Convolution）是一种在信号处理和图像处理中广泛应用的数学运算。
卷积计算过程主要包括以下步骤：
确定卷积核（kernel）：卷积核是一个函数或数组，表示卷积操作中要应用的滤波器。
在信号处理中，卷积核可以用来表示滤波器、小波变换等；在图像处理中，卷积核可以表示模糊、边缘检测、滤波等操作。
确定输入信号（或图像）：输入信号可以是数字信号、模拟信号或图像信号。
在卷积操作中，输入信号通常是二维数组或一维数组。
确定步长（stride）：步长是卷积操作中每次移动的距离。
步长可以是正数、负数或零，通常用来控制输出信号的尺寸和分辨率。
初始化输出信号：在卷积操作开始时，需要初始化一个与输入信号尺寸相同的输出信号数组。
输出信号的每个元素表示对应位置的卷积结果。
卷积计算：卷积计算是通过将卷积核在输入信号上滑动，逐点与输入信号相乘并求和来实现的。
在每一步中，将卷积核与输入信号在当前位置进行点积，并将结果累加到输出信号的对应位置。
更新输出信号：卷积计算完成后，输出信号将包含卷积的结果。
根据需求，可以使用步长对输出信号进行更新，以调整输出信号的尺寸和分辨率。
终止条件：卷积操作的终止条件通常包括输出信号的尺寸、卷积核的位置以及计算时间等。
当满足终止条件时，卷积操作将停止。
总之，卷积计算过程主要包括确定卷积核、输入信号、步长，初始化输出信号，进行卷积计算，更新输出信号以及终止条件等步骤。
通过卷积操作，可以实现信号和图像的滤波、边缘检测、去噪等多种处理功能。
第二章卷积图解计算
计算 f (t) = f1(t) ∗ f2 (t) = ∫−∞ f1(τ ) f2 (t −τ )dτ
( ff1τt)) 1(
() ff22(τt)
1 1 2 2
步骤
∞
将f2 (τ )反 得f2 (− ) 折 τ
f2 (−τ)
1 2
1 1
0 0
1 1
t
f1(τ )
0 τ 0
1 1
2 2
1Байду номын сангаас
0
1 +t −3
−1+ t
τ
−1+ t
f2 (t −τ )
1 2
0
τ
平移
第二章第1讲
1
例
1
计算 f (t) = f1(t) ∗ f2 (t) = ∫−∞ f1(τ ) f2 (t −τ )dτ
当 −1+ t < 0 即 t < 1 时： f 2 (t −τ ) 和 f1 (τ ) 没有公共的重叠部分， 1 2 故卷积 f (t) = f1 (t) ∗ f2 (t) = 0 t 0 1 2 3
1 1 1× dτ = (4 − t) −3+t 2 2
1
即为重叠部分的面积。 当 −3+t ≥1 即 t ≥ 4 时： f 2 (t −τ ) 和 f1 (τ ) 没有公共的重叠部分， 故卷积 f (t) = f1 (t) ∗ f2 (t) = 0
第二章第1讲 3
f 2 (t −τ ) f1(τ)
4
f (t)
∞
f 2 (t −τ ) f1(τ)
1
−3 + t −1+ t 0
1
1d卷积的计算公式
1d卷积的计算公式
1D卷积的计算公式如下：
对于输入信号 x 和卷积核 w 来说，卷积运算可以表示为以下公式：
y[n] = (x * w)[n] = Σ x[m] * w[n-m]
其中，n 表示输出信号的索引，m 表示输入信号的索引，Σ 表示求和函数。
这个公式表示卷积操作是将输入信号的每个采样值与卷积核对应权值进行相乘，然后相加得到输出信号的采样值。
这个过程通过卷积核滑动窗口的方式进行，每次滑动到一个新的位置，即将卷积核权值与输入信号当前位置之前的采样值进行相乘累加得到输出信号当前位置的采样值。
注意：在卷积操作中，输入信号和卷积核的长度可能不一致，因此需要进行补零或截断等预处理。
另外，卷积核的权值可以由参数学习得到，也可以是手动设计的固定权值。
计算卷积的方法
详细描述了系统传递函数的计算过程，包括系统传递 函数的定义、系统函数的表示、系统传递函数的计算 步骤以及计算实例。
详细描述
系统传递函数是描述线性时不变系统动态特性的数学模 型，可以通过系统的输入输出关系来计算。具体来说， 假设有一个线性时不变系统，其输入为x(t)，输出为y(t)， 系统的传递函数可以通过以下步骤得到：首先根据系统 的输入输出关系列出微分方程，然后通过拉普拉斯变换 求解微分方程，得到传递函数H(s)。
04
卷积的特性
时移性
总结词
卷积的结果可以通过将其中一个信号进 行时间平移来获得。
VS
详细描述
卷积运算具有时移性，即当一个信号在时 间上平移时，其与另一个信号的卷积结果 也会相应地发生平移。这种特性在信号处 理和控制系统等领域中非常重要，因为它 允许我们通过改变输入信号的时间位置来 控制输出信号的时间响应。
滤波器
滤波器
卷积在信号处理中常常用于实现滤波器功能。通过设计特定 的滤波器系数（相当于冲激响应），可以对输入信号进行滤 波处理，提取出需要的信号成分或者抑制不需要的噪声干扰 。
IIR滤波器和FIR滤波器
在数字信号处理中，滤波器可以分为无限冲激响应（IIR）滤波 器和有限冲激响应（FIR）滤波器。IIR滤波器具有反馈结构，可 以实现对信号的递归处理；而FIR滤波器没有反馈结构，只能实 现线性相位响应。
计算卷积的方法
• 卷积的定义 • 卷积的物理意义 • 计算卷积的方法 • 卷积的特性 • 卷积的计算实例
01
卷积的定义
数学定义
数学上，卷积是一种二元运算，表示为 *。 对于两个函数 f 和 g，它们的卷积定义为
(f * g)[n] = sum_{k=-infty}^{+infty} f[k] g[n-k])
信号处理卷积运算公式
信号处理卷积运算公式一、离散信号卷积运算公式。
1. 定义。
- 设离散序列x(n)和h(n)，它们的卷积y(n)定义为：y(n)=∑_m = -∞^∞x(m)h(n - m)- 从物理意义上理解，卷积可以看作是一个序列x(n)对另一个序列h(n)的加权求和过程。
例如，在离散线性时不变系统中，如果x(n)是输入序列，h(n)是系统的单位脉冲响应，那么y(n)就是系统的输出序列。
2. 计算示例。
- 设x(n)={1,2,3}（n = 0,1,2时分别取这些值，其他n值时x(n)=0），h(n)={2,1}（n = 0,1时分别取这些值，其他n值时h(n)=0）。
- 计算y(0)：- 根据卷积公式y(0)=∑_m = -∞^∞x(m)h(0 - m)=x(0)h(0)=1×2 = 2。
- 计算y(1)：- y(1)=∑_m = -∞^∞x(m)h(1 - m)=x(0)h(1)+x(1)h(0)=1×1+2×2 = 1 + 4=5。
- 计算y(2)：- y(2)=∑_m = -∞^∞x(m)h(2 - m)=x(0)h(2)+x(1)h(1)+x(2)h(0)=1×0+2×1+3×2=0 + 2+6 = 8。
二、连续信号卷积运算公式。
1. 定义。
- 设连续时间信号x(t)和h(t)，它们的卷积y(t)定义为：y(t)=∫_-∞^∞x(τ)h(t-τ)dτ- 同样，在连续线性时不变系统中，如果x(t)是输入信号，h(t)是系统的冲激响应，那么y(t)就是系统的输出信号。
2. 计算示例。
- 设x(t)=e^-tu(t)（u(t)是单位阶跃函数），h(t)=u(t)。
- 计算y(t)：- 当t<0时，因为x(τ)h(t - τ)=e^-τu(τ)u(t-τ)，对于t<0，u(t-τ)=0当τ，所以y(t)=0。
- 当t≥slant0时：- y(t)=∫_-∞^∞x(τ)h(t-τ)dτ=∫_0^te^-τ×1dτ=1 - e^-t。
计算卷积的方法
.某复合系统如图所示 ,两个子系统的冲激响应 分别为 h1 (t ) u (t ), h2 (t ) u (t 1) u (t 2) 1. 求该系统的冲激响应 h(t). 2. 当系统的输入 f(t) ' (t )时,求该复合系统的零状态 响应y zs (t ).
f(t)
tj0tj1f1f21快速定限表若参与卷积的两个函数fst和flt都是只有一个定义段它们的时限长度分别为ts和tl并且tstl长函数flt的左右时限分别为ll和rl而短函数fst的的左右时限分别为lsrs并规定积分号内括号统一只表示即只反转时限长的函数
*计算卷积的方法
1.用图解法计算卷积
分段时限
2.用函数式计算卷积 3.利用性质计算卷积
b
* 0 -1 1 1 b f 2 (t 1)[ u (t 1) u (t 1)] f1 a[u(t ) u(t 1)] t t j 2 2 2 f 2 f1 f 2 ( ) f1 (t ) du (t ti t j )
i 1 j 1 ti
t
b
0
f2(t)
解:1. t 0
0
2
t-2 0 1 t a t-2 0 1
重合面积为零:f1(t)*f2(t)=0
2.if 0 t 1
f1 f 2 f1 ( ) f 2 (t )d
0 t-2 1
t
3.if 1 t 2
1
b ab a (t )d (t ) 2 0 2 4
e(t )
h2 (t )
h1 (t )
h3 (t )
r (t )
给出空间域中两个函数卷积的计算公式
给出空间域中两个函数卷积的计算公式
在空间域中，两个函数的卷积计算公式可以表示为以下形式：
设两个函数为 f(x) 和 g(x)，它们的卷积函数为 h(x)。
则 h(x) 的计算公式如下：h(x) = ∫f(t) * g(x-t) dt，
其中，* 表示乘法运算，∫ 表示对自变量 t 进行积分。
在这个公式中，f(t) 是第一个函数在 t 处的取值，g(x-t) 是第二个函数在自变量(x-t) 处的取值。
公式中对 t 进行积分，表示对第一个函数的取值在整个定义域上进行扫描。
计算过程中，通过对不同 t 处的取值进行加权求和，得到 h(x) 在每个 x 处的取值。
这一过程可以看作是将函数 f(x) 在空间域上平移，并与函数 g(x) 按照重叠部分进行逐点相乘，然后对所有相乘结果进行求和得到 h(x)。
函数的卷积在信号处理、图像处理以及数学等领域有广泛应用。
它可以用于平滑信号、提取有效特征、图像滤波等操作。
卷积运算是线性运算，具有可分离性和结合律等性质，使得它在数字计算中具有较高的效率和灵活性。
通过理解并应用以上给出的空间域中两个函数卷积的计算公式，可以更好地解决相关问题，提高信号处理和图像处理的有效性与准确性。
卷积的计算方法
卷积的计算方法
卷积是一种在信号处理和图像处理中广泛使用的操作。
它被用于将两个函数组合成一个新的函数，其中一个函数经过翻转、平移和乘法等运算，最终得出的结果是两个函数的积的积分。
卷积的计算方法有两种：直接计算和快速傅里叶变换(Fast Fourier Transform, FFT)。
在直接计算方法中，需要对每一对分量进行乘法和积分，这种方法的计算复杂度为O(n^2)。
而在使用FFT方法时，可以将卷积操作转化
为频域下的乘法操作，从而可以大大降低计算复杂度，达到O(nlogn)的级别。
因此，FFT方法是卷积计算中最常用的一种方法。
- 1 -。
卷积形状变化计算
卷积形状变化计算卷积的形状变化计算主要涉及到卷积的算法和步骤。
卷积运算是一种线性运算，广泛应用于图像处理、信号处理和机器学习中。
在图像处理中，卷积运算通常用于图像滤波、图像增强、特征提取等任务。
在进行卷积运算时，需要考虑输入图像的大小、卷积核的大小、步长（stride）和填充（padding）等因素。
卷积计算公式为：N = (W - F + 2P) / S + 1，其中N表示输出大小，W表示输入大小，F表示卷积核大小，P表示填充值的大小，S表示步长大小。
卷积运算的步骤如下：1. 对输入图像和卷积核进行离散化处理，变为离散信号。
2. 对卷积核进行翻转（即中心对称），然后将其在输入图像上滑动，每次滑动一个像素位置。
3. 将卷积核与输入图像对应位置的元素相乘，并将所有相乘结果相加，得到一个输出值。
4. 将卷积核在输入图像上滑动完所有位置后，得到输出图像。
在进行卷积运算时，输出图像的大小会受到卷积核大小、步长和填充等因素的影响。
具体地，输出图像的大小可以通过上述卷积计算公式得到。
如果希望输出图像与输入图像大小相同，可以通过设置适当的填充值来实现。
除了图像处理领域，卷积运算在机器学习中也有广泛应用，特别是在卷积神经网络（Convolutional Neural Networks，简称CNN）中。
在CNN中，卷积核也称为过滤器（filter），通过不断学习和训练，可以提取输入数据的特征，从而实现图像分类、目标检测等任务。
总之，卷积运算是一种重要的线性运算，广泛应用于图像处理、信号处理和机器学习中。
在进行卷积运算时，需要考虑输入数据的大小、卷积核的大小、步长和填充等因素，并通过卷积计算公式得到输出数据的大小。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
卷积计算
实验二卷积计算及定理
一、授课目的
利用卷积方法观察分析信号、系统的频谱特性
二、授课内容
1、卷积计算
在MATLAB 中，提供了卷积函数conv，即y=conv(x,h)，调用十分方便。
n=1:50; % 定义序列的长度是50
hb=zeros(1,50); % 注意：MATLAB 中数组下标从1 开始
hb(1)=1; hb(2)=2.5; hb(3)=2.5; hb(4)=1;
close all;
subplot(3,1,1);stem(hb);title('系统hb[n]');
m=1:50; % 定义序列的长度
T=0.001; % 定义序列的采样率
A=444.128; %设置信号有关的参数
a=50*sqrt(2.0)*pi;
w0=50*sqrt(2.0)*pi;
x=A*exp(-a*m*T).*sin(w0*m*T); %pi 是MATLAB 定义的π，信号乘可采用“.* ”subplot(3,1,2);stem(x);title('输入信号x[n]');
y=conv(x,hb);
subplot(3,1,3);stem(y);title('输出信号y[n]');
2、卷积定律验证
(1)
n=1:50; % 定义序列的长度是50
hb=zeros(1,50); % 注意：MATLAB 中数组下标从1 开始
hb(1)=1; hb(2)=2.5; hb(3)=2.5; hb(4)=1;
m=1:50; % 定义序列的长度
T=0.001; % 定义序列的采样率
A=444.128; %设置信号有关的参数
a=50*sqrt(2.0)*pi;
w0=50*sqrt(2.0)*pi;
x=A*exp(-a*m*T).*sin(w0*m*T); %pi 是MATLAB 定义的π，信号乘可采用“.* ”
y=conv(x,hb);
k=-25:25;
X=x*(exp(-j*pi/12.5)).^(n'*k);
magX=abs(X); % 绘制x(n) 的幅度谱
subplot(3,2,1);stem(magX);title('入信号的幅度谱');
angX=angle(X); % 绘制x(n) 的相位谱
subplot(3,2,2);stem(angX) ; title ('输入信号的相位谱')
Hb=hb*(exp(-j*pi/12.5)).^(n'*k);
magHb=abs(Hb); % 绘制hb(n) 的幅度谱
subplot(3,2,3);stem(magHb);title('系统响应的幅度谱');
angHb=angle(Hb); % 绘制hb(n) 的相位谱
subplot(3,2,4);stem(angHb) ; title ('系统响应的相位谱') ;
n=1:99; k=1:99;
Y=y*(exp(-j*pi/12.5)).^(n'*k);
magY=abs(Y); % 绘制y(n) 的幅度谱
subplot(3,2,5);stem(magY);title('输出信号的幅度谱');
angY=angle(Y); % 绘制y(n) 的相位谱subplot(3,2,6);stem(angY) ; title ('输出信号的相位谱')
(2)
n=1:50; % 定义序列的长度是50
hb=zeros(1,50); % 注意：MATLAB 中数组下标从1 开始
hb(1)=1; hb(2)=2.5; hb(3)=2.5; hb(4)=1;
m=1:50; % 定义序列的长度
T=0.001; % 定义序列的采样率
A=444.128; %设置信号有关的参数
a=50*sqrt(2.0)*pi;
w0=50*sqrt(2.0)*pi;
x=A*exp(-a*m*T).*sin(w0*m*T); %pi 是MATLAB 定义的π，信号乘可采用“.* ”
y=conv(x,hb);
k=-25:25;
X=x*(exp(-j*pi/12.5)).^(n'*k);
Hb=hb*(exp(-j*pi/12.5)).^(n'*k);
n=1:99; k=1:99;
Y=y*(exp(-j*pi/12.5)).^(n'*k);
XHb=X.*Hb;
Subplot(2,1,1);stem(abs(XHb));title('x(n)的幅度谱与hb(n)幅度谱相乘');
Subplot(2,1,2);stem(abs(Y));title('y(n)的幅度谱');。