查看“︁卷积”︁的源代码

{| class="wikitable" style="float: right; width: 320px; margin-left: 1em; font-size: 90%; border: 1px solid #a2a9b1;"
|+ style="font-weight: bold; font-size: 1.2em; padding: 5px;" | 卷积 (Convolution)
|-
! style="background-color: #f2f2f2; width: 30%;" | 符号
| <math>*</math>
|-
! style="background-color: #f2f2f2;" | 核心思想
| 信号的加权叠加
|-
! style="background-color: #f2f2f2;" | 关键定理
| 卷积定理（时域卷积 = 频域相乘）
|-
! style="background-color: #f2f2f2;" | 对应领域
| 信号滤波、系统响应、图像处理
|}

'''卷积'''是一种数学算子，通过两个函数生成第三个函数。在[[线性时不变系统]]（LTI）中，卷积描述了输入信号与系统单位脉冲响应之间的相互作用，是计算系统输出的最基本方法。

== 数学定义 ==

=== 1. 连续卷积 ===
对于连续时间信号 <math>x(t)</math> 和系统脉冲响应 <math>h(t)</math>，其卷积定义为：
:<math>y(t) = (x * h)(t) = \int_{-\infty}^{\infty} x(\tau) h(t - \tau) d\tau</math>

=== 2. 离散卷积 ===
在数字信号处理（如您在 DSP 中处理采样数据）中，使用离散形式：
:<math>y[n] = \sum_{k=-\infty}^{\infty} x[k] h[n - k]</math>

== 卷积的物理意义：翻转、平移、叠加 ==

为了直观理解卷积的过程，可以将其拆解为四个步骤：
# '''翻转 (Flip)：''' 将系统响应 <math>h(\tau)</math> 相对于垂直轴翻转，变为 <math>h(-\tau)</math>。
# '''平移 (Shift)：''' 将翻转后的函数在时间轴上平移 <math>t</math> 个单位。
# '''相乘 (Multiply)：''' 将信号 <math>x(\tau)</math> 与平移后的 <math>h(t-\tau)</math> 在每个瞬时点相乘。
# '''积分/求和 (Sum)：''' 计算乘积曲线下的面积，得到该时刻 <math>t</math> 的输出值。

'''简单来说：''' 卷积描述了信号的“过去”如何持续影响“现在”的输出。

== 卷积定理：EMC 工程的捷径 ==

卷积在时域中计算非常复杂，但在频域中表现得极其简单。这是信号处理中最著名的定理：
* '''时域中的卷积等于频域中的乘法。'''
* '''数学表达：''' <math>\mathcal{F}\{x(t) * h(t)\} = X(f) \cdot H(f)</math>

=== 工程应用价值： ===
在设计[[滤波器]]时，我们不需要在时域里做复杂的积分运算。我们只需：
1. 获取干扰信号的频谱 <math>X(f)</math>（通过 [[FFT]]）。
2. 乘以滤波器的频率响应 <math>H(f)</math>。
3. 得到输出信号的频谱，从而直观判断滤波效果。

== 在 EMC 与控制中的应用 ==

* '''瞬态分析：''' 当电路受到一个尖峰干扰（类似单位脉冲）时，输出的波形形状实际上就是系统的脉冲响应 <math>h(t)</math>。
* '''数字滤波实现：''' FIR 滤波器的计算本质上就是输入序列与系数序列（Tap Weights）的卷积。
* '''测量去卷积：''' 如果已知测量仪器的响应特性，可以通过逆运算（去卷积）从实测数据中恢复出更真实的原始干扰波形。

== 参见 ==
* [[线性时不变系统]]
* [[傅里叶变换]]
* [[数字滤波器]]
* [[信号处理 目录]]

[[Category:信号处理]]
[[Category:数学工具]]