卷积与冲击响应：从傅里叶变换看通信系统的数学本质

学通信原理的人迟早都会撞上这么一句话线性时不变系统的输出等于输入信号与系统冲击响应的卷积。我当年第一次看到这个结论的时候脑子是完全懵的——卷积到底是什么为什么非要“卷”冲击响应又是哪来的凭什么它跟傅里叶变换扯在一起后来反复推公式、画波形、写程序才慢慢把这几块拼图串成一条线。这篇文章算是我自己的入坑笔记专门聊聊在傅里叶变换的背景下“与冲击响应做卷积”这件事到底在干什么。适合正在啃通信原理、信号与系统或者已经工作但基础没打牢的人。1. 为什么通信人总在“做卷积”1.1 卷积不是数学家的玩具很多人被卷积吓到是因为数学课把它讲得太抽象又是翻转又是平移又是积分不知道在算什么。其实卷积描述的是一个很日常的机制系统对一次“猛拍”会产生后续反应而连续输入的响应就是所有“猛拍”反应的叠加。举个例子。你在平静水面上拍了一下水面出现一圈波纹再拍一下第二圈波纹会叠在第一圈上面。如果这个水面系统是线性的最后水面形状等于所有拍击单独产生波纹的叠加。这里每一个拍击相当于一个输入脉冲波纹的扩散样子相当于系统的冲击响应最后看到的复杂水面就是输入序列和响应波形“卷积”出来的。线性时不变系统LTI在通信里无处不在因为大部分电路、信道、滤波器在小信号条件下都能近似看成 LTI。而 LTI 系统的核心结论只有一个只要知道冲击响应就能算出任何输入的输出。1.2 冲击响应到底在描述什么单位冲激信号 δ(t) 是所有信号的“基本积木”。任何一个信号 x(t) 都可以看成无限多个、不同位置、不同强度的冲激叠加。这个想法有点像把连续过程拆成一个个极窄的小脉冲最后让脉冲宽度趋近于 0。系统对单位冲激的响应记为 h(t)就是冲击响应。它回答一个问题当输入在某一刻“戳”了系统一下这个系统是怎么“回味”这一下的如果系统没有记忆h(t) 本身就是一个冲激输出等于输入如果系统有电容、电感、多径反射h(t) 就会拖出一条尾巴。比如 RC 低通滤波器的冲击响应是一条指数衰减曲线意思是系统会记住过去的输入但记忆逐渐变淡。一个带通滤波器的冲击响应可能是振荡衰减波形意味着输入一个尖峰之后系统会“嗡嗡”振荡一阵子。这样理解卷积就变成了“记忆叠加”。通信系统里设计师们天天在讲带宽、均衡、码间干扰其实都是在处理系统的“记忆长度”和“记忆形状”。冲击响应就是系统记忆的指纹。1.3 从输入输出关系看卷积的物理意义LTI 系统的输出公式长这样y(t) ∫ x(τ) h(t - τ) dτ很多人第一次看到这个式子会问为什么里面是 h(t - τ)而不是 h(τ)因为 t 时刻的输出要汇总所有在之前某一时刻 τ 到达的输入。一个发生在 τ 时刻的输入 x(τ)到 t 时刻已经经历了 t - τ 的时间它对当前输出的贡献是 x(τ) 乘以“系统在 t - τ 之后还记得多少”也就是 h(t - τ)。把所有过去的 τ 都加一遍就是积分。如果你把 τ 看成输入发生时刻t - τ 就是从现在往回看的时间差。所以卷积的“翻转”不是数学游戏而是在追溯历史。因果系统里未来输入不能影响现在所以 h(t - τ) 在 τ t 时为 0等价于 h 在负时间轴没有值。首次学卷积时我建议别死记“翻转、平移”而是记成“老化权重”输入越早t - τ 越大系统对它的记忆越模糊。阶跃输入经过 RC 低通为什么是指数上升因为每一刻都在给电容充电而前面充的电又同时在通过电阻泄放。把这个过程写成卷积整个公式的每一项就都有了画面感。2. 傅里叶变换与卷积定理把卷积变成乘法2.1 时域卷积对应频域相乘卷积公式在时域写起来很吓人但把它换到频域一切都清爽了。如果 x(t) 对应频谱 X(jω)h(t) 对应频谱 H(jω)那么x(t) * h(t) 的频谱 X(jω) · H(jω)也就是说时域的卷积运算在频域变成了简单的乘法。为什么会有这么巧的性质因为复指数信号 e^{jωt} 是 LTI 系统的特征函数。系统输入一个复指数输出还是同一个频率的复指数只是幅度被 |H(jω)| 缩放、相位被 arg H(jω) 移动。既然任意信号都能用傅里叶逆变换写成不同频率复指数的叠加那么系统输出就是每个频率分量分别被 H(jω) 加权后重新叠起来。这个定理是信号与系统的“命根子”。滤波器分析就是最典型应用低通滤波器的 H(jω) 像一扇窗高频分量过窗后被削弱时域波形自然变平滑。如果不用频域乘法直接在时域做卷积积分设计滤波器的过程会变成一场灾难。2.2 对偶性时域相乘对应频域卷积卷积定理不是单向的它还有一个镜像版本如果两个信号在时域相乘那么它们的频谱在频域要做卷积。y(t) x(t) · s(t) 对应 Y(jω) (1/2π) X(jω) * S(jω)这个性质直接解释了调制。载波 s(t) cos(ω₀t) 的频谱在 ±ω₀ 处有两个冲激。x(t) 的频谱和这两个冲激做卷积相当于把自己的频谱复制到 ±ω₀ 附近。这正是频谱搬移也就是调幅、上变频、下变频的本质。混频器为什么是非线性或时变器件因为只有通过乘法才能在频域实现“卷积搬移”。线性时不变系统只会对频率分量加权不会产生新的频率分量所以光靠 LTI 系统是做不了调制的。我实际工作里一个傅里叶变换对就够用做滤波时用“时域卷积等于频域相乘”做调制解调时用“时域相乘等于频域卷积”。对偶性帮我把要记的内容减少了一半。2.3 从频谱角度看滤波的本质既然滤波在频域是乘法那设计滤波器就是在设计 H(jω) 的形状。低通、高通、带通、带阻都是对某种频率窗口的塑造。但这里藏着一个通信课程里反复强调的代价频域越陡时域冲击响应越“不安分”。理想低通滤波器在频域是矩形门反变换到时间域是 sinc 函数也就是无限长、非因果、带振荡尾巴的 h(t)。把这样的 h(t) 用于实时系统物理上实现不了只能截断、加窗。一旦截断频域就会产生过渡带和波纹这就是吉布斯现象。反过来如果先用时域限定 FIR 滤波器的抽头数那频域就不可能做到完美矩形。所以工程实践中滤波器的设计永远在“频域陡峭”和“时域短促”之间折中。想清楚这一点再看 OFDM 的循环前缀、均衡器的抽头系数、脉冲成形的滚降系数就会发现那些看起来复杂的参数本质都是在平衡卷积结果在某一个域的过度反应。3. 与冲击响应做卷积的实操理解3.1 冲激函数的筛选性质是地基冲激函数和任意信号卷积有一个很舒服的性质x(t) * δ(t) x(t)x(t) * δ(t - t₀) x(t - t₀)这说明冲激是卷积的“单位元”跟它卷积信号原封不动只是搬个家。这个性质看起来简单却是很多系统简化的工具。比如在一个信号链路上如果某处传递函数可以近似成纯延时 δ(t - τ)那么信号经过它就是平移幅度不变相位平移 τ。级联系统的冲击响应也靠卷积两个 LTI 系统串联等效冲击响应 h₁(t) * h₂(t)并联则是 h₁(t) h₂(t)。我当年画系统框图时总弄混级联公式后来想通“串起来就是先过一道响应再过一道响应整体记忆是嵌套叠加”才牢牢记住。实际测冲击响应也有讲究理想冲激不可能无限高只能用一个足够窄的脉冲去近似。这个脉冲宽度必须远小于系统的最小时间常数否则测出来的是被输入脉冲自身宽度展宽后的响应会产生误差。3.2 离散卷积四步走翻转、平移、相乘、求和连续卷积看着头疼可以先从离散卷积入手。离散 LTI 系统输出是y[n] Σ x[k] · h[n - k]计算过程概括成四步翻转、平移、相乘、求和。比如 x [1, 2, 3]h [2, 0.5]。用手算一遍n计算过程y[n]01×2211×0.5 2×24.522×0.5 3×2733×0.51.5所以输出是 [2, 4.5, 7, 1.5]长度为 3 2 - 1 4。这个长度规则很重要两个有限长序列做线性卷积结果长度等于两者长度之和减一。看起来简单的例子包含了所有核心问题。你会看到在 n1 时h 已经不是原来的顺序而是“反转后偏置”到对应位置。为什么必须反转因为系统响应只取决于“当前时刻与过去某输入的间隔”而不是输入发生的绝对时刻。如果不反转算出来的就是相关不是卷积。3.3 用矩形脉冲和 RC 低通做一次完整的卷积实验理论看十遍不如手推一遍。RC 低通滤波器是通信原理里最常用的直觉模型它的冲击响应是h(t) (1/RC) · e^(-t/RC) · u(t)输入 x(t) 是一个宽度 T、幅度 A 的矩形脉冲。输出 y(t) x(t) * h(t)可以分段算0 t T 时输出从 0 开始按指数上升y(t) A(1 - e^(-t/RC))t T 时输入已经结束电容开始放电y(t) A(e^(T/RC) - 1) · e^(-t/RC)这两个式子的物理含义非常清楚输入方波的边沿含有大量高频成分RC 低通把高频衰减掉所以输出边沿被削圆前后不再陡峭。如果把一个方波序列看成数字码流RC 的低通效果就是码间干扰的来源之一每个码元会拖出指数尾巴叠加到后面的码元上。带宽不够眼图就会闭合。我当时把这几段积分自己手推之后突然理解了“时域卷积、频域相乘”不是两个孤立的知识点而是同一件事的两面。你可以先用频域 H(jω) 判断系统对某些频率的态度再用时域卷积算出具体的波形。滤波器设计、信道均衡、脉冲成型全都是在这个框架里做文章。4. 通信系统里的典型场景4.1 匹配滤波器卷积的完美应用匹配滤波器是通信原理里让很多同学惊呼“原来卷积还能这么用”的地方。它的任务很简单在高斯白噪声背景下接收一个已知信号 s(t)希望在采样时刻输出信噪比最大。结论是接收滤波器冲击响应应该取h(t) s(T - t)也就是说把已知信号在时间上反转再平移到 T。此时滤波器输出 y(t) s(t) * s(T - t)本质上是信号 s(t) 的自相关。在 t T 时刻自相关达到峰值而噪声由于与信号不相关无法同步累积因此输出信噪比最大。这里会有个经典困惑匹配滤波器到底是卷积还是相关从运算形式看它确实是卷积但因为冲击响应做了反转卷积的结果变成了相关。这就是“卷积”和“相关”互相转化的典型例子。实际工程里匹配滤波常用相关器结构实现接收本地模板与输入信号做滑动相关效果一样。理解了这一点雷达、扩频通信、解调器里的“相关接收”都能很快打通。4.2 多径信道与卷积模型无线信道也可以用冲击响应来建模。一个两个路径的信道可以写成c(t) α₁δ(t - τ₁) α₂δ(t - τ₂)接收信号就是发射信号与信道冲击响应的卷积再加噪声r(t) s(t) * c(t) n(t)每个路径代表一条传播路径α 是幅度增益τ 是时延。如果 τ₂ - τ₁ 和符号周期可比时延扩展就会让一个符号的能量散到相邻符号时刻形成码间干扰。从频域看信道传输函数 C(jω) 在某些频率深陷某些频率平稳这就是频率选择性衰落。通信系统的均衡器做的事情本质上是估计出 c(t)再设计一个与之卷积后接近 δ(t) 的逆系统把多径的“延长记忆”抵消掉。把信道看成一条冲击响应曲线很多现象就都能归位了。为什么加训练序列为了估信道冲激响应。为什么用导频为了跟踪信道随时间的缓慢变化。OFDM 为什么要插入循环前缀因为要处理“线性卷积对块信号造成的边界破坏”。所有这些问题最后都会回到冲击响应和卷积。4.3 OFDM 与循环卷积离散傅里叶变换的卷积定理OFDM 是现在无线通信物理层的核心它的数学基础也离不开卷积定理但用的是离散傅里叶变换DFT的版本。对 DFT 来说频域乘法对应的是时域的圆周卷积不是线性卷积。普通信道造成的线性卷积会破坏 OFDM 符号块边界导致子载波之间的正交性丢失。解决办法是在每个符号前加循环前缀CP。只要 CP 长度大于信道冲击响应的长度符号内部的线性卷积就能近似看成循环卷积。于是接收端做 DFT 后每个子载波上的接收值可以简化为Y(k) H(k) · X(k) 噪声其中 H(k) 是信道冲击响应的 DFT。这个式子简洁得不可思议多径信道在 OFDM 里变成了每个子载波上的一个复增益均衡只需要在每个子载波上除以 H(k)。很多人学到 OFDM 这一章突然卡住回头看才发现问题不是 OFDM 多难而是 DFT 的圆周卷积和线性卷积没有分清。5. 常见误区、避坑经验和工具推荐5.1 卷积与相关别用混了卷积会翻转一个序列相关不会。两者的公式长得很像但物理动机完全不同卷积描述系统响应相关描述信号相似度。匹配滤波器里一个精心设计的翻转把卷积“伪装”成了相关但其他场景别乱套。我用 Python 做过一个简单验证import numpy as np x np.array([1, 2, 3]) h np.array([2, 0.5]) print(np.convolve(x, h)) # [2. 4.5 7. 1.5] print(np.correlate(x, h, modefull)) # [0.5 2. 6.5 6. ]同样是 [1,2,3] 和 [2,0.5]卷积和相关结果完全不是一个数列。如果做信号检测时想用相关峰值判断时延结果顺序和卷积不一样很容易出错。我的习惯是需要描述“输入经过系统”就用卷积需要找“波形是否相似”就用相关。5.2 线性卷积与圆周卷积的补零坑用 FFT 快速计算卷积是一个经典技巧但有个巨坑DFT 乘法对应圆周卷积不是线性卷积。如果不做补零计算结果会把尾部“环绕”到头部产生严重错误。举个例子import numpy as np x np.array([1., 2., 3.]) h np.array([2., 0.5]) # 错误示范不补零用 3 点 DFT X np.fft.fft(x) H np.fft.fft(h) y_wrong np.real(np.fft.ifft(X * H)) # [3.5 4.5 7. ] # 正确做法至少补零到 len(x)len(h)-1 N len(x) len(h) - 1 X_pad np.fft.fft(x, N) H_pad np.fft.fft(h, N) y_right np.real(np.fft.ifft(X_pad * H_pad)) # [2. 4.5 7. 1.5]错误计算里第一个值变成了 3.5而不是线性卷积的 2这就是圆周卷积让尾部 1.5 绕回开头导致的。做 OFDM、滤波器组、快速卷积时一定要记得线性卷积需要补零到长度 ≥ N M - 1否则结果只在中间部分可信。5.3 用 Python 做一次卷积可视化理论推导看完更推荐亲手画一张图。下面这段代码生成 RC 低通冲击响应并和矩形脉冲做卷积import numpy as np import matplotlib.pyplot as plt fs 1000 # 采样率 1kHz t np.arange(0, 0.05, 1/fs) RC 0.005 # 5ms 时间常数 h np.exp(-t / RC) / RC h[t 0] 0 x np.zeros_like(t) x[(t 0.001) (t 0.011)] 1.0 # 10ms 矩形脉冲 y np.convolve(x, h) * (1/fs) # 卷积后乘 dt ty np.arange(len(y)) / fs plt.plot(t, x, labelinput) plt.plot(ty, y, labeloutput) plt.xlabel(time (s)) plt.ylabel(amplitude) plt.legend()注意计算连续卷积离散化时数值卷积結果要乘一个 dt 才会和连续公式对上。这个细节很多人忽略结果波形形状一样、幅值差了几十倍。通过画图你能直接看到矩形脉冲边沿被指数响应磨圆这就是“与冲击响应做卷积”最直观的样子。6. 最后谈点个人体会6.1 一个我用到现在的分析方法工作这些年我遇到一个 LTI 系统总是习惯把三样东西摆在一起看时域冲击响应 h(t)频域响应 H(jω)以及“这个模块到底在和谁做卷积”。这个三角关系能快速消灭混乱。看匹配滤波器先写 h(t)再想频域匹配看多径信道先写 c(t)再想均衡逆滤波看 OFDM先写 CP 长度约束再想圆周卷积和频域相乘。每当我觉得哪个概念飘基本都是因为我只背了其中一个域的公式没有把另外两个域追着看一遍。6.2 对刚入坑的人说几句实在话别急着背卷积公式先用手算一个离散卷积再用程序验证一次最后到通信系统里找它的影子。冲击响应、卷积、傅里叶变换这三个概念不是孤立的知识点它们共同构成通信原理的地基。地基没打牢时后面看均衡、滤波、调制全都在飘。如果你现在正被“与冲击响应做卷积”这一关拦住别灰心几乎每个人都在这里栽过跟头。熬过去之后你会发现很多复杂系统突然从一团公式变成一张清晰的网。