音频开发 / 系统课时

从冲激响应读懂系统特性

从冲激响应读懂系统特性

这一课用一个最小实验把三个概念连起来:向线性时不变系统输入单位冲激,得到冲激响应 h[n]h[n];任意输入都可与它卷积得到输出;再对 h[n]h[n] 做频域变换,就能直接观察系统对各频率的增益与抑制。

学习目标

  • 能说明为什么单位冲激的系统输出就是冲激响应
  • 能用冲激响应连接时域卷积与频率响应
  • 能通过 FFT 检查一个已知 FIR 的低频保留与高频抑制特性

单位冲激像一次系统探针

离散单位冲激记作 δ[n]\delta[n]:在 n=0n=0 时取 1,其余位置取 0。对线性时不变系统输入 δ[n]\delta[n],输出定义为冲激响应 h[n]h[n]。

这件事重要的原因不是“冲激很特殊”,而是任意离散信号都可以看成许多移位、缩放后的冲激之和。在线性和时不变两个条件成立时,系统对这些冲激的响应也可以按同样方式缩放、移位并相加,于是得到卷积关系:

y[n]=x[n]∗h[n]y[n]=x[n]*h[n]

因此,只要知道 h[n]h[n],就等于知道了这个 LTI 系统对任意输入的完整时域行为。

冲激响应连接时域卷积与频率响应

用代码确认冲激响应

下面用三抽头 FIR h=[0.25,0.5,0.25]h=[0.25,0.5,0.25] 做实验。因为 FIR 本身就是以这些抽头为冲激响应,所以把单位冲激送入卷积后,前几个输出应该逐项复现这组系数。

python
import numpy as np

h = np.array([0.25, 0.50, 0.25])

impulse = np.zeros(8)
impulse[0] = 1.0

response = np.convolve(impulse, h, mode="full")[:len(impulse)]

# 再做一次 FFT,观察直流与奈奎斯特频率处的幅度。
H = np.fft.rfft(h, n=16)

print("response:", response)
print("DC magnitude:", f"{abs(H[0]):.3f}")
print("Nyquist magnitude:", f"{abs(H[-1]):.3f}")

预期输出:

text
response: [0.25 0.5  0.25 0.   0.   0.   0.   0.  ]
DC magnitude: 1.000
Nyquist magnitude: 0.000

第一行说明单位冲激确实把滤波器的冲激响应“读”了出来。直流幅度为 1,是因为系数之和等于 1;奈奎斯特处幅度为 0,则说明这个简单 FIR 会把最高可表示频率完全抵消。

从 h[n] 到 H(e^jω)

冲激响应描述系统在时间上的作用方式,频率响应描述系统对不同频率分量的复增益。两者不是两套独立知识,而是同一个系统的两种观察方式:

H(ejω)=∑n=−∞∞h[n]e−jωnH(e^{j\omega})=\sum_{n=-\infty}^{\infty} h[n]e^{-j\omega n}

工程里通常不会手算无限和,而是对有限长度冲激响应做 FFT,得到离散采样的频率响应。abs(H) 表示幅度响应,angle(H) 表示相位响应。零填充到更长 FFT 点数只会让频率曲线采样更密,不会凭空提高滤波器本身的频率选择能力。

对于房间或扬声器测量,记录到的冲激响应通常比三抽头 FIR 长得多,但分析路径完全一致:先获得时域 h[n]h[n],再通过 FFT 查看共振、衰减和频带起伏;如果把音频与这个 h[n]h[n] 卷积,就能模拟相应系统的时域效果。

这个关系成立需要什么前提

“知道冲激响应就知道系统”依赖 LTI 前提。若系统会随时间改变,今天测得的 h[n]h[n] 可能不能描述几秒后的行为;若系统是非线性的,例如削波器或强压缩器,不同输入幅度下的响应不能仅靠一次冲激响应完整预测。

在滤波器分析中,冲激响应是最值得保留的一份“系统指纹”:它既能直接参与卷积,也能通过 FFT 转成频率响应。遇到一个陌生线性滤波模块时,先用冲激测试观察 h[n]h[n],再看它的频谱,通常能最快建立对系统行为的完整判断。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

从冲激响应读懂系统特性

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通