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 x=[x0,x1,…,xn−1]x=[x_0,x_1,\ldots,x_{n-1}],有限冲激响应为 h=[h0,h1,…,hm−1]h=[h_0,h_1,\ldots,h_{m-1}]。完整线性卷积产生长度 n+m−1n+m-1 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 (n+m−1)×n(n+m-1)\times n 的矩阵 HH,使整个卷积写成:

y=Hxy=Hx

这里的 xx 是输入向量,yy 是输出向量,而 HH 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。

有限长度卷积转为Toeplitz矩阵乘法

Toeplitz 结构如何形成

以 h=[1,−1,2]h=[1,-1,2]、长度为 4 的输入为例,对应的卷积矩阵为:

H=[1000−11002−11002−11002−10002]H=\begin{bmatrix}1&0&0&0\\-1&1&0&0\\2&-1&1&0\\0&2&-1&1\\0&0&2&-1\\0&0&0&2\end{bmatrix}

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 kk 行与 xx 的内积恰好计算卷积输出 yky_k。

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 n+m−1n+m-1;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。

python
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

text
[[ 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 y=Hxy=Hx 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。

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

用卷积矩阵表示离散线性系统

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