写在前面的话:写这篇文章的时候是为了给那些学过信号与系统的同学们更深入的理解,所以默认像频率响应、拉普拉斯变换、系统传递函数、零点和极点读者都是已知的。
信号与系统中最关键的莫过于拉普拉斯变换以及由拉普拉斯变换引出的系统零点极点的分析。学过信号与系统的同学们对零点极点最深的影响恐怕就是通过极点位置来判断系统的稳定性。此外,对于基于常系数线性微分方程的系统,通过拉普拉斯变换可以轻松地获得系统的传递函数。基于系统的传递函数,我们可以进一步计算出系统的频率响应。
对于一个系统的传递函数 H(s) ,我们总能将其写成两个多项式之商的形式:
为了计算极点和零点,通常会将其写作如下的形式:
在获得系统的传递函数后,我们只需令 s=j\omega 就可以获得系统的频率响应,将(2)式中的s进行替换可得:
进一步地,我们可以获得系统的幅度频率响应和相位频率响应:
但是这个计算过程还是略显复杂。我们知道基于系统的传递函数可以很轻易地计算出系统的零点和极点,而进一步根据零极点对频响特性的影响,可以通过零极点来得到系统的频率响应。课本上给出了详尽的推导和计算过程,这里我们介绍一种更简洁的方法来基于零极点得到系统频率响应的大致曲线。
在数字信号处理中我们学到过极点主要影响频率响应的峰值,极点愈靠近单位圆,峰值愈尖锐,零点主要影响频率特性的谷值,零点愈靠近单位圆,谷值愈深,但是仅凭这样一种定性的描述还不足让我们通过零点极点来获得系统的频率响应曲线。接下来我来介绍一种由MIT教授提出的基于拐点频率的方法。
所谓拐点频率,即在系统的幅度频率相应中,频响曲线并不是单调变化的,而是会有递增到递减的变化,从递增到递减变化的点就称为是拐点频率。如果我们能够通过零点和极点确定系统的拐点频率以及拐点频率前后频率的变化趋势,就可以获得幅度频率响应的大致曲线。以图1中的零极点图为例进行分析,拐点频率即为虚轴( j\omega )上到原点距离等于零点、极点到远点的距离的点对应的频率值,图中三个极点和两个零点一共对应四个拐点频率,分别是0rad/s,0.1rad/s,1.414rad/s和5rad/s。每一个零极点在幅度频率响应上对应 \pm20dB/decade 的变化,因此对于一对共轭的零极点,会在幅度频率相应上对应 \pm40dB 的变化,在前面提到过,极点主要影响频率响应的峰值,零点主要影响频率特性的谷值,因此零点往后应该是递增的变化,即
因此,对于图一中的信号,系统的幅度频率响应从零开始以 20dB/decade的速度递增直到0.1rad/s,此时出现了一个极点,极点与零点相互作用抵消,系统的幅度频率响应维持不变直到1rad/s,之后三个极点与一个零点抵消,表现为两个极点,因此系统的幅度频率响应以 -40dB/decade的速度递减直到5rad/s,在这之后三个极点与两个零点抵消,表现为一个极点,因此系统的幅度频率响应以 -20dB/decade的速度递减。
由图2可以看出,我们通过这一方法绘制出的幅度频响变化曲线与实际变化曲线基本一致。通过这一方法,在得到系统的零极点图后,就可以直接画出系统的幅度频响曲线草图用于定性分析而不必通过复杂计算来得到。
要理解这些变换,首先需要理解什么是数学变换!如果不理解什么是数学变换的概念,那么其他的概念我觉得也没有理解。
数学上的变换是指数学函数从原向量空间变换为自身向量空间,或另一个向量空间,或对于集合X到其自身(比如线性变换)或从X到另一个集合Y的可逆函数。比如:
数学中还有很多数学变换,其本质都可以看成是将函数f(x)利用变换因子进行的一种数学映射,其变换结果其函数的自变量有可能还是原来的几何空间,或许会变成其他的向量空间,比如傅立叶变换就从时域变换为频域。
而傅立叶变换与拉普拉斯变换本质上都是对连续函数的一种积分变换,那么什么是积分变换呢?
积分变换通过积分将一个函数从其原始函数空间映射到另一个函数空间,其中原始函数的某些属性可能比原始函数空间更容易表征和操作。 通常可以使用逆变换将变换后的函数映射回到原始函数空间,这样的变换是可逆变换。
通常积分变换,假定对于函数为自变量t的函数f(t),都类似具有以下的范式:
函数f(t)是该变换的输入,(Tf)(u)为变换的输出,因此积分变换一般也称为一种特定的数学运算符。而函数K(t,u)称为积分核函数(kernel function)。
这里有一个概念,对称核函数,是什么意思呢?就是将函数K的两个自变量交换位置仍然相等:
有的变换可逆,这是什么概念呢?就是变换后通过逆变换,还能还原!
观察正变换与逆变换,会发现:
在谈傅立叶变换之前,先谈谈傅立叶级数,会更容易理解傅立叶变换。在数学中,傅里叶级数(Fourier series)是把类似波的函数表示成简单正弦波的方式。更正式地说法是,它能将任何周期性函数或周期信号分解成一个(可能由无穷个元素组成的)简单振荡函数的集合,即正弦函数和余弦函数(或者,等价地使用复指数),从数学的定义来看,是这样地:
设x(t)是一周期信号,其周期为T。若f(t)在一个周期的能量是有限的,有即
则,可以将f(t)展开为傅立叶级数。怎么展呢?计算如下:
而傅立叶级数的系数由下式计算:
对于f(t),利用欧拉公式还可以写成正弦函数与余弦函数的和,这里就不写了。欧拉公式如下:
公式中的k表示第k次谐波,这是个什么概念呢?不容易理解,看下对于一个方波的前4次谐波合成动图就比较好理解了。这里的合成的概念是时域上的叠加的概念,图片来源wikipedia
从上图可以直观看出,周期性方波,可以看成多次谐波的线性叠加,其幅度谱图,是一根根离散的谱线,且幅度值越来越低,从这个角度可以看出高次谐波的分量,占比越来越小。其谱线的位置为:
应用:这里可以联想到我们的电子系统中的时钟信号,做硬件的朋友或有经验,在做EMC的辐射测试时,发现电路板在某些频点超标,有经验的同学会很快定位到辐射源。其实这里就是因为周期性的时钟信号,从频率的角度可以看成是其基频的多次谐波的线性叠加,而某个谐波分量在电路线路尺寸满足辐射条件时,就从电路板上脱逸而出,变为电磁波能量向空间传播。所以反向去查该频率的基频就能很快定位到辐射源,从而解决问题。
说到傅立叶级数是周期性信号可以用傅立叶级数展开,那么是不是任一周期性信号都可以进行傅立叶级数展开呢?答案是否定的,必须满足著名的“狄利克雷(Dirichlet)条件”:
前面说了傅立叶级数,接下来在看傅立叶变换。傅立叶变换之所以称为傅立叶变换,是由于1822年,法国数学家傅立叶(J.Fourier) 在研究热传导理论时首次证明了将周期函数展开为傅立叶级数的理论,并进而不断发展成为一个有力的分析工具。
假定周期性信号T逐渐变大,则谱线间间隔将逐渐变小,如果外推周期T无限放大,变成无穷大,则信号或者函数就变成非周期信号或函数了,此时谱线就变成连续的了,而非一根一根离散的谱线!那么傅立叶变换正是这种一般性的数学定义:
对于连续时间信号f(t),若f(t)在时间维度上可积分,(实际上并不一定是时间t维度,这里可以是任意维度,只需在对应维度空间可积分即可),即:
那么,x(t)的傅立叶变换存在,且其计算式为:
前文说傅立叶变换本质上也是一种连续函数的积分变换,那么从上面公式,可以看出傅立叶变换的核函数为:
其核函数的两个自变量为t,\omega ,对于\omega一般称为角速度,是表征频率空间的。
上面这两个公式是啥意思呢?在度量空间可积可以理解成其在度量空间能量有限,也即对其自变量积分(相当于求面积)是一个确定值,那么这样的函数或者信号就可以进行傅立叶变换展开,展开得到的F(j\omega)就变成是频域的函数了,如果对频率\omega将函数值绘制出曲线就是我们所说的频谱图,而其反变换就比较好理解了,如果我们知道一个信号或者函数谱密度函数F(j\omega),就可以对应还原出其时域的函数,也能绘制出时域的波形图。
傅立叶变换公式,从理解的角度,可以看成无限多无穷小的能量之和,而傅立叶级数也是各谐波分量的加和,所不同的是,前者相对于频率变量是连续的,而后者相对于频率则是离散的!
当然,本文限定讨论时域信号是因为我们电子系统中的应用最为普遍的就是一个时域信号,当然推而广之,其他的多维度信号也能利用上面定义进行推广,同样在多维空间信号也非常有应用价值,比如2维图像处理等等。
故而,两者的物理含义不同,且其量纲也是不同的,F(jk\omega)代表周期信号的第k次谐波幅度的大小,而F(j\omega)则是频谱密度的概念。所以答案是这两者从本质上不是一个概念,傅立叶级数是周期信号的另一种时域的表达方式,也就是正交级数,它是不同的频率的波形的时域叠加。而傅立叶变换则是完全的频域分析,傅里叶级数适用于对周期性现象做数学上的分析,傅里叶变换可以看作傅里叶级数的极限形式,也可以看作是对周期现象进行数学上的分析,同时也适用于非周期性现象的分析。傅里叶级数适用于对周期性现象做数学上的分析,傅里叶变换可以看作傅里叶级数的极限形式,也可以看作是对周期现象进行数学上的分析,同时也适用于非周期性现象的分析。
1814年法国数学家Pierre-Simon Laplace在研究概率论中给出了拉普拉斯的可靠数学依据,从而发展成拉普拉斯变换理论。对于函数f(t)我们知道其傅立叶变换为:
那么如果对于函数f(t)e^{-\sigma}其傅立叶变换为(这里描述单边拉普拉斯变换):
从前文我们知道,拉普拉斯本质上也是一种积分变换,那么上面公式,将e^{-st}看成积分变换的核函数,则其变换核函数为:
上面引入的因子e^{-\sigma},对于函数f(t)e^{-\sigma}函数将变得更容易收敛,傅立叶变换的绝对可积分的限制条件也就更容易满足了。拉普拉斯变换存在的条件为:
所以傅立叶变换与拉普拉斯变换的联系就比较容易联系了。
Z变换本质上是拉普拉斯变换的离散形式。也称为Fisher-Z变换。对于连续信号进行抽样变换就得到了原函数的离散序列:
其中T为采样周期,\delta_T(t)信号与系统中称为冲激抽样。其实说人话,就是将连续信号,按等间隔理想的转为抽取离散序列样本。看下图就明白了,在电子系统中常用AD转换器进行实现。
对上式进行拉普拉斯变换:
该公式利用冲激函数的抽样特性,可简化为:
引入z=e^{sT},引入新的自变量Z,则上面的公式就变成这样了:
这就是Z变换了,从上面的过程描述就知道Z变换与拉普拉斯变换的关系了。因此两者的联系也就是Z变换是拉布拉斯变换的离散形式。
那么Z变换的意义在于什么呢?在数字信号处理以及数字控制系统中,Z变换提供了数学基础。利用Z变换很快就能将一个传递函数描述成差分方程形式,这就为编程实现提供了数学依据,比如一个数字滤波器知道其Z变换形式,写代码就是分分钟的事情了,同样知道一个控制算法的Z变换形式,同样编代码也是水到渠成的事情。
其实网上有很多备考经验,其中最重要的就是对于考试的准备,基本日本的情报学是不需要日语成绩的,但是需要英语成绩。所以有一个好的英语成绩是比较重要的。另外就是要明确自己的目标校,虽然是同一个情报学,但是在不同的学校其实考察的科目都是不一样的。所以最好明确自己的目标校。
另外我觉得现在最重要的是需要看应该如何准备请报考修士,所以推荐你参考这篇文章!
情报理工入学考试指南 - 思齐-草莓大福的文章 - 知乎