高等数学 / 系统课时
用卷积矩阵表示离散线性系统
用卷积矩阵表示离散线性系统
离散卷积看起来像逐位置滑动、相乘再求和,但只要输入和冲激响应长度有限,就能把整个过程一次写成矩阵乘法。这样既能看清卷积的线性结构,也能把滤波问题直接连接到线性方程、最小二乘和矩阵分解。
学习目标
- 根据有限冲激响应构造卷积对应的 Toeplitz 矩阵
- 验证矩阵乘法与一维离散卷积得到相同结果
- 从矩阵视角理解离散线性时不变系统的输入、系统与输出关系
从卷积到矩阵乘法
设输入序列为 ,有限冲激响应为 。完整线性卷积产生长度 的输出,通常逐点写成加权和。
如果把每个输出位置所使用的系数排成一行,就能得到一个 的矩阵 ,使整个卷积写成:
这里的 是输入向量, 是输出向量,而 完整描述系统。矩阵每向下一行,冲激响应系数整体向右平移一格,因此各条对角线上的元素保持不变,这正是 Toeplitz 结构。

Toeplitz 结构如何形成
以 、长度为 4 的输入为例,对应的卷积矩阵为:
第一列就是冲激响应补零后的结果。之后每一列都把前一列向下移动一个位置,因此矩阵具有固定的对角线模式。乘以输入向量时,第 行与 的内积恰好计算卷积输出 。
边界处理会改变矩阵尺寸。这里使用的是完整卷积,所以输出长度为 ;如果只保留与输入等长的部分,或者只保留完全重叠的位置,就相当于从完整卷积矩阵中选择不同的行。
用代码验证矩阵结果
下面显式构造卷积矩阵,再与 NumPy 的直接卷积结果比较。这个示例采用完整卷积,不包含循环边界条件。
import numpy as np
x = np.array([1, 2, 3, 4])
h = np.array([1, -1, 2])
# 每一列都是冲激响应在输出轴上的一次平移。
H = np.zeros((len(x) + len(h) - 1, len(x)), dtype=int)
for j in range(len(x)):
H[j:j + len(h), j] = h
y_matrix = H @ x
y_convolution = np.convolve(x, h, mode="full")
print(H)
print("matrix:", y_matrix.tolist())
print("convolve:", y_convolution.tolist())预期输出
[[ 1 0 0 0]
[-1 1 0 0]
[ 2 -1 1 0]
[ 0 2 -1 1]
[ 0 0 2 -1]
[ 0 0 0 2]]
matrix: [1, 1, 3, 5, 2, 8]
convolve: [1, 1, 3, 5, 2, 8]两个输出完全一致,说明这次有限卷积就是同一个线性映射的两种写法:一种按滑动窗口计算,另一种显式形成矩阵后执行乘法。
线性系统视角
把卷积写成 后,信号处理中的许多任务都转化成标准线性代数问题。已知系统和输入求输出就是矩阵乘法;已知输入与输出估计冲激响应,可以形成线性方程或最小二乘问题;已知系统与输出反推输入,则涉及逆问题、条件数和正则化。
显式构造 Toeplitz 矩阵的代价可能很高,因此实际大型滤波通常直接执行卷积,甚至借助 FFT 加速。矩阵形式的价值主要在于暴露结构:卷积不是另一套独立运算,而是一个具有平移重复模式的线性算子。