相关、卷积（线性卷积、圆周卷积、三者的等价）

本文链接：https://blog.csdn.net/qq_44431690/article/details/138397748

本文详细介绍了线性卷积和圆周卷积的概念，包括图解分析、矩阵相乘实现及频域点乘实现。讨论了两者之间的等价性，并阐述了卷积定理在时域和频域的应用。提供了实例来展示不同方法的卷积计算过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

【 1. 相关】

相关性 表示一个信号平移 $\tau$ 或m 之后与另一个信号或者与原信号本身的相似程度。
相关函数是关于平移量的一个函数，被积分变量是时间 t。
复数信号在做相关的时候，其中一个信号要取共轭 ，Matlab 内置相关函数 xcorr(a,b) 是对第2个信号 b 取共轭 。

1.1 自相关

自相关 (函数) ：一个信号平移 $\tau$ 或 m 之后与原信号的相似程度/相关性。
不发生延迟（即 $\tau=0$ 或 $m = 0$ ）时，信号的自相关值达到最大。
$连续自相关：R_{xx}(\tau)=\int_{-\infty}^{+\infty}x(t)x^*(t-\tau)dt$
$离散自相关：R_{xx}(m)=\sum_{n=-\infty}^{+\infty}x(n)x^*(n-m)$

1.2 互相关

互相关 (函数) ：一个信号平移 $\tau$ 或m 之后与另一个信号的相似程度/相关性。
互相关是有顺序的 ，即 $R_{xy}(m)\neq R_{yx}(m)$ 或 $R_{xy}(\tau)\neq R_{yx}(\tau)$ 。
$连续互相关：R_{xy}(\tau)=\int_{-\infty}^{+\infty}x(t)y^*(t-\tau)dt$
$离散互相关：R_{xy}(m)=\sum_{n=-\infty}^{+\infty}x(n)y^*(n-m)$

1.3 相关的实现

Matlab 内置相关函数 xcorr

xcorr(x,x) % 信号x的自相关
xcorr(x,y) % 信号x和信号y的互相关

实例
求 a 和 b 的互相关。

if 1
    a =  [4+3i 5+4i 6+5i 7+6i];
    b =  [1+2i 2+3i 3+4i 4+5i];
    xcorr(a,b)
    sum(a.*conj(b))    
    sum(a.*conj([0    1+2i 2+3i 3+4i]))
    sum(a.*conj([0    0    1+2i 2+3i]))
    sum(a.*conj([0    0    0    1+2i]))
end

在这里插入图片描述

【 2. 卷积】

2.1 线性卷积

线性卷积 是关于时间 t 的一个函数，被积分变量是延时量 $\tau$ 。
线性卷积具有对称性 ： $f (n) * g (n) = g (n) * f (n)$ 。
连续线性卷积
$连续线性卷积：f(t)*g(t)=\int_{-\infty}^{+\infty}f(\tau)g(t-\tau)d\tau$
离散线性卷积
f(n) 的长度为 P，g(n) 的长度为 Q，则 线性卷积 $f (n) * g (n)$ 结果的长度 L=P+Q-1 。
$离散线性卷积：f(n)*g(n)=\sum\limits_{k=0}^{L-1}f(k)g(n-k)=\sum\limits_{k=0}^{L-1}g(k)f(n-k)=g(n)*f(n)$

2.1.1 图解分析

假设 f(n) 和 g(n) 如下图所示：
f(n)=[3,1,4,5]，n=0,1,2,3
g(n)=[1,2,3]，n=0,1,2
将 g(n) 和 h(n) 变换坐标为 g(k) 和 f(k)。 g(k) 翻转为 g(-k)，再向右滑动 n 变为 g(-(k-n))=g(n-k)，然后将对应相同位置的 g(n-k) 和 f(k) 相乘，最后将所有的乘积结果求和得到卷积结果 $g (n) * f (n)$ 。
y(0)=1x3+2x0+3x0=3
y(1)=1x1+2x3+3x0=7
y(2)=1x4+2x1+3x3=15
y(3)=1x5+2x4+3x1=16
y(4)=1x0+2x5+3x4=22
y(5)=1x0+2x0+3x5=15

2.1.2 矩阵相乘实现线性卷积

假设求信号 R（长度为P）和信号 G（长度为Q）的线性卷积，则将两个信号都尾补零到长度 L（L=P+Q-1），然后按照如下矩阵相乘的方式进行线性卷积的运算。

$\begin{Bmatrix}r_1&0&0&\cdots&0\\ r_2&r_1&0&\cdots&0\\ r_3&r_2&r_1&\cdots&0\\ \vdots&\vdots&\vdots&\vdots&\vdots\\ r_L&r_{L-1}&\cdots& r_2&r_1\end{Bmatrix}\times \begin{Bmatrix} h_1\\h_2\\h_3\\\vdots\\h_L \end{Bmatrix}$