01 离散时间信号的时域表示

离散时间信号的时域表示

??在连续时间系统中,我们表示用\(x(t)\)来表示一个信号,其中\(t\)的取值是连续的,在离散时间系统中,我们\(x[n]\)这个序列来表示一个信号,其中\(n\)的取值只能为整数,对于非整数的n,\(x[n]\)没有定义而不是取值为0

一个序列可写为
\[
x[n] = \{..., 0.95, -0.2,\mathop{2.17}\limits_{\uparrow},1.1,0.2,...\}
\]
其中用箭头表示\(x[0]?\)出现的位置。

??离散数字信号从哪里来?离散时间信号的来源主要是两个,第一个直接来源于数据,比如每个月的股市数据就是一个很好的例子,而另一个来源就是对模拟信号进行抽样,然后对抽样过后得到的数字信号进行数字信号处理,然后通过数模转换器转换为模拟信号,从而达到我们的目的。

上图便为对连续信号的抽样

离散时间信号的长度

??离散时间可以分为有限长序列和无限长序列,有限长序列就是只在限定的时间段内才有值:
\[
N_1\leq n\leq N_2?
\]
那么该有限长序列的长度\(N\)为\(N = N_2-N_1+1\)

无限长序列可分为三类:

右边序列

即,若对于\(x[n] = 0,\quad n<N_1\),那么称\(x[n]\)为右边序列,特别的,如果\(N_1\geq0\),那么称\(x[n]\)为因果序列。

??当\(n< 2=N_1?\)时,\(x[n]=0?\),所以这是一个右边序列,并且\(N_1\geq0?\),所以这是一个因果序列。

左边序列

即当\(x[n] = 0,x>N_2\),那么\(x[n]\)称为左边序列,当\(N_2\leq0\),称\(x[n]\)为反因果序列。

??对于\(n>2=N_2,x[n]=0?\),所以这是一个左边序列,而\(N_2>0?\),所以这不是一个反因果序列。

双边序列

一般的双边序列在正的\(n\)和负的\(n\)都有值。

离散时间信号的强度

??离散时间信号的强度由其范数给出,范数的定义如下:
\[
\Vert x\Vert_p=(\sum_{n=-\infty}^{\infty})^{1/p}
\]
其中\(p\)是正整数,最常用的是?\(p=1,2,\infty\)。

??由上面的定义可知,\(L_\infty\)的范数是\(\{x[n]\}\)的最大值的峰值,即
\[
\Vert x\Vert_\infty = |x|_{max}
\]

原文地址:https://www.cnblogs.com/LastKnight/p/10957850.html

时间: 2024-10-09 03:54:36

01 离散时间信号的时域表示的相关文章

故障轴承声学信号的时域处理方法

滚动轴承故障声学信号的检测与处理方法一直以来是个热点研究方向,已经有几十年的研究历史,相应的研究论文数以千计.大体上,可以分为两类处理方法,第一类是对采集到的声学信号直接在时域进行处理,第二类是频域处理方法,当然还有一些处理方法属于时频结合. 本文对常见的时域处理方法做一个总结.由于我收集到文献资料并不完整,所以这个总结也只是介绍一些传统的方法.由于本人水平有限,近些年比较流行的声发射(AE)技术及其相关的时域处理方法在本文中并没有涉及. 时域处理方法 在时间域分析和判断轴承声学信号称为轴承故障

填坑——浅谈“离散时间信号的傅里叶变换”

之前学习计算机视觉,虽然敲了不少代码,但一直没弄懂傅里叶变换以及图像滤波背后的数学含义,只能对着现成的公式照葫芦画瓢,让我内心觉得深深的不安.好在通过这段时间在华为的实习,恶补了一下数字信号处理相关的基础知识,总算是把这方面的坑给填上了.以下为这几天的学习成果,也就是我自己对傅里叶变换的理解. 一.离散时间信号 要弄懂离散时间信号的傅里叶变换,首先要弄清楚什么是信号,而什么又是离散时间信号.(虽然感觉像是废话,可作为一个软件工程的童鞋我一开始对这些东西真的没概念啊T_T) 所谓信号,其实就是包含

MATLAB信号与系统分析(二)&mdash;&mdash;离散时间信号与系统的时域分析

一.离散信号的表示 1.一个离散信号需要用两个向量来表示: (1)离散信号的幅值 (2)离散信号的位置信息 2.用MATLAB实现离散信号的可视化 (1)不能利用符号运算来表示 (2)绘制离散信号一般采用stem命令. (3)x(n)--stem(n,x) 3.一个demo: clear all; x=[-1,2,3,3,5,-4]; n=[-2,-1,0,1,2,3]; figure(1) stem(n,x),axis([-2.5,3.5,-4.5,5.5]) 二.一些常用的离散信号 1.单位

Python科学计算(二)——正弦信号的时域波形与频谱图

Python科学计算(二)-- 正弦信号的时域波形与频域波形生成.计算与显示 # -*- coding: utf-8 -*- import numpy as np import matplotlib.pyplot as pl import matplotlib import math import random row = 4 col = 4 N = 500 fs = 5 n = [2*math.pi*fs*t/N for t in range(N)] axis_x = np.linspace(

[离散时间信号处理学习笔记] 12. 连续时间信号的离散时间处理以及离散时间信号的连续时间处理

连续时间信号与离散时间信号之间的关系 下表为各符号的解释 Symbol FT DTFT Info $x_c(t)$ $X_c(j\Omega)$ - 连续时间信号 $x[n]$ - $X(e^{j\omega})$ 离散时间信号 $s(t)$ $S(j\Omega)$ - 周期脉冲函数.即采样函数 $x_s(t)$ $X_s(j\Omega)$ - 信号周期采样的数学表示 $\Omega_N$ - - 奈奎斯特频率,也就是带限信号的受限频率 $\Omega_s$ - - 采样频率 $T$ - -

离散时间信号与系统:4

12.系统 系统就是变换(Transformations,在线性代数中表示运动的一种描述) 将一个离散时域信号x映射到一个离散时域信号y.例如:磁共振成像系统. 其中,offset翻译成:补偿系统么? Decimate翻译成抽样系统么? 总结: 系统通过对信息的操作将一个信号变换为(transform)另一个信号. 只考虑: 将无限信号x变换为无限信号y. 将长度为N的信号x变换为长度为N的信号y. 12. 线性系统 两个性质: 缩放性和可加性. 注意:两个性质都是系统输出y随着系统输入x的变化

离散时间信号采样

1. 脉冲串采样 由采样过程形成的新序列,在采样周期N的整数倍点上就等于原序列,而在采样点之间都是零.原序列.采样信号和新序列的时域波形如下: 从上图中可以看出,x[n].p[n].xp[n]之间的关系可表示为: xp[n]=x[n]·p[n].于是,这三者之间的频域关系可表示为卷积. 从上图可以看出卷积的搬移效果,发生混叠的分界点在ωs=2ωM. 2. 抽取 抽取可看做连续时间信号上将采样率减小N倍的效果,因此可直接据此得出抽取后的频谱形态,如下图中的xd所示. 3. 内插 什么也不说了,直接

数字信号处理----离散时间信号

数字信号是模拟信号抽样而来的,也叫做序列x(n),值是在各时间点的抽样值. x(n)=xa(t)|t=nT = xa(nT),     n = ....,-2,-1,0,1,2,.... T为两个时间样本之间的间隔或抽样周期,抽样间隔T的倒数,记为抽样率FT,FT=1/T. 信号可能是源源不断传输的,也可能是截取的一段,所以可分为有限长序列和无限长序列. 若左右两边都无限长,称作双边序列,若是一边无限长,称作左序列或又序列. 序列的基本运算 积运算w[n] = x[n] * y[n]    ,对

学习笔记(信号与系统)

学习笔记(信号与系统) 来源:网络 第一章 信号和系统 信号的概念.描述和分类 信号的基本运算 典型信号 系统的概念和分类 1.常常把来自外界的各种报道统称为消息: 信息是消息中有意义的内容: 信号是反映信息的各种物理量,是系统直接进行加工.变换以实现通信的对象. 信号是信息的表现形式,信息是信号的具体内容:信号是信息的载体,通过信号传递信息. 2.系统(system):是指若干相互关联的事物组合而成具有特定功能的整体. 3.信号的描述--数学描述,波形描述. 信号的分类: 1)确定信号(规则信