Signals and Systems Second Edition-Alan V. Oppenheim,Alan S. Willsky,S. Hamid Nawab

1.1连续时间和离散时间信号

连续时间信号$x(t)$.

离散时间信号$x[n]$.

在$t_{1} \leq t \leq t_{2}$内的总能量对于一个连续时间信号$x(t)$定义为$\int_{t_{1}}^{t_{2}}\left | x(t) \right |^{2}dt$.

其中$\left | x(t) \right |$记为$x$(可能为复数)的模.

将其除以区间长度$t_{2}-t_{1}$就得到在该区间内的平均功率.

在$n_{1} \leq n \leq n_{2}$内的总能量对于一个连续时间信号$x[n]$定义为$\sum_{n=n_{1}}^{n_{2}}\left | x[n] \right |^{2}$.

将其除以区间内的点数$n_{2}-n_{1}+1$就得到在该区间内的平均功率.

在无穷区间内的功率和能量

在连续时间情况下$E_{\infty }\triangleq \lim_{T\rightarrow \infty }\int_{-T}^{T}\left | x(t) \right |^2dt = \int_{-\infty}^{\infty }\left | x(t) \right |^2dt$.

在离散时间情况下$E_{\infty }\triangleq \lim_{N\rightarrow \infty }\sum_{n=-N }^{+N}\left | x[n] \right |^2 = \sum_{N=-\infty }^{+\infty }\left | x[n] \right |^2$.

无穷区间内的平均功率

连续时间情况下$P_{\infty }\triangleq \lim_{T\rightarrow \infty } \frac{1}{2T}\int_{-T}^{T}\left | x(t) \right |^2dt$.

离散时间情况下的$P_{\infty }\triangleq \lim_{N\rightarrow \infty }\frac{1}{2N+1}\sum_{n=-N }^{+N}\left | x[n] \right |^2$.

  1)信号具有有限总能量$E_{\infty }< \infty $,平均功率必须为零$P_{\infty }=0$.

  2)平均功率有限$P_{\infty }> 0$,就必然有$E_{\infty }=\infty $.

  3)$P_{\infty }$和$E_{\infty }$都不是有限的.

1.2自变量的变换

时移 time shift

时间反转 time reversal

时间尺度变换 tmie scaling

$x(\alpha t+\beta )$

周期信号

周期 periodic

$x(t)=x(x+mT)$

$x[n]=x[n+mN]$

基波周期:使上式成立的最小正值$T_{0}$ fundamental period

非周期 aperiodic

偶(even)信号

$x(-t)=x(t)$

$x[-n]=x[n]$

奇(odd)信号

$x(-t)=-x(t)$

$x[-n]=-x[n]$

任何信号都能分解为一个偶信号与一个奇信号之和

$Ev\left \{  x(t) \right \}=\frac{1}{2}[x(t)+x(-t)]$

$Od\left \{  x(t) \right \}=\frac{1}{2}[x(t)-x(-t)]$

$Ev\left \{  x(t) \right \}$和$Od\left \{  x(t) \right \}$分别称为$x(t)$的偶部(even part)和奇部(odd part).

时间: 2024-08-11 10:14:41

Signals and Systems Second Edition-Alan V. Oppenheim,Alan S. Willsky,S. Hamid Nawab的相关文章

&lt;&lt;Signals and systems&gt;&gt; Chapter 1 学习笔记

<<Signals and systems>> Chapter 1 下决心要啃完这本信号与系统! 这个人的名字我在键盘上敲了N次... Alan V. alppenhiem 两大信号类别: 离散信号以及连续信号 左右两边分别时是典型的连续周期信号和离散周期信号的表现形式. 注意信号函数的奇偶性 Even : x( -t) = x(t) Odd  : x(- t) = - x(t)               下图上面单位阶跃函数(unit step function)的离散形式,下

【Signals and Systems】 SYLLABUS

Signals and Systems MIT online Signals and Systems Description 6.003 covers the fundamentals of signal and system analysis, focusing on representations of discrete-time and continuous-time signals (singularity functions, complex exponentials and geom

Signals and Systems

2D.3D离散信号 注意采样(sampling)与量化(quatalization)的作用:模拟信号->数字信号 以下是一系列常用的信号: 1.冲击函数:(2d的信号可以分解:) 2.阶跃函数:(同样可以分解) 3.指数函数:(周期性) 注意欧拉方程: 指数函数的周期性质: 4.1维.2维离散cosine函数: 2维系统的性质(线性时不变?) 1.线性系统: 2.时不变系统: 3.线性时不变系统(LSI): 离散卷积 1.理论 下面这个例子很有用: 2.在图像处理中的应用举例 低通滤波:(平滑)

图像处理与计算机视觉基础,经典以及最近发展

*************************************************************************************************************** 在这里,我特别声明:本文章的源作者是   杨晓冬  (个人邮箱:[email protected]).原文的链接是 http://www.iask.sina.com.cn/u/2252291285/ish.版权归 杨晓冬 朋友所有. 我非常感谢原作者辛勤地编写本文章,并愿意共

图像处理与计算机视觉基础,经典以及最近发展--转载

*************************************************************************************************************** 在这里,我特别声明:本文章的源作者是   杨晓冬  (个人邮箱:[email protected]).原文的链接是http://www.iask.sina.com.cn/u/2252291285/ish.版权归 杨晓冬 朋友所有. 我非常感谢原作者辛勤地编写本文章,并愿意共享

DSP开发资源总结,经典书籍,论坛

OMAP4开发资源总结: 一.TI OMAP4官网介绍: http://www.ti.com.cn/general/cn/docs/wtbu/wtbuproductcontent.tsp?templateId=6123&navigationId=12843&contentId=53243 二.OMAPpedia.org,This site has information on various projects in the communityaround OMAP platforms ht

Random Processes

对于信号处理来说,有一类信号是非常重要的,这类信号就是随机信号(random signal),也被称为随机过程(random processes/stochastic processes).在各种书籍当中,似乎随机过程(random processes)这种称呼更为常见,因此我们下面也称之为随机过程.本文学习思路如下: 了解随机过程及其相关的基本概念 提出WSS,WSS process是信号处理当中最重要的一种随机过程 为了方便进行随机过程的分析,我们引入了ergodicity,假设一个随机过程

随机过程的线性预测

与前面学习过的线性预测一样,随机过程的线性预测是用随机过程某一个采样点上的随机变量的值来预测另外一个采样点上的随机变量的值. 设想有一个离散时间的随机过程$x[n]$,并且已经得到位于采样点$n_0$上的值,现在需要我们去预测采样点$n_0+m$上的值,我们所预测的值用$\hat{x}[n_0+m]$来表示.我们采用的是线性预测器,因此可以假设这两个点之间有如下关系: $\hat{x}[n_0+m] = ax[n_0]+b$ 我们所需要做的就是通过选择合适的系数$a,b$来使得预测值更加准确.一

Modeling Filters and Whitening Filters

Colored and White Process White Process White Process,又称为White Noise(白噪声),其中white来源于白光,寓意着PSD的平坦分布,white noise指的就是在PSD上具有平坦分布(常数)的随机过程.PSD是auto-correlation的傅里叶变换,PSD上为常数意味着auto-correlation是一个位于零点上的脉冲函数. 回顾auto-correlation的定义: $R_{xx}(\tau) = E\Big\{x