数字信号处理]线性时变系统的 LTI "输入 "和 "输出 "之间的关系 ( 线性卷积计算案例 2 | 计算卷积 )
文章目录
- 一、线性卷积计算 案例二
一、线性卷积计算 案例二
给定如下两个序列 :
x ( n ) = { 3 , 4 , 5 } [ − 2 , 0 ] x(n) = \{ 3 , 4, 5 \}_{[-2,0]} x(n)={3,4,5}[−2,0]
h ( n ) = { 1 , 2 , 3 , 5 } [ 3 , 6 ] h(n) = \{ 1 , 2 , 3 , 5\}_{[3,6]} h(n)={1,2,3,5}[3,6]
求 y ( n ) = x ( n ) ∗ h ( n ) y(n) = x(n) * h(n) y(n)=x(n)∗h(n) ;
计算过程如下 :
最终计算的输出结果 :
y ( n ) = { 3 , 10 , 22 , 34 , 31 , 20 } [ 1 , 6 ] y(n) = \{ 3, 10, 22, 34 , 31 , 20 \}_{[1, 6]} y(n)={3,10,22,34,31,20}[1,6]
区间计算 :
其中的 [ 1 , 6 ] [1, 6] [1,6] 区间 , h ( n ) h(n) h(n) 的区间 [ − 2 , 0 ] [-2, 0] [−2,0] 和 x ( n ) x(n) x(n) 的区间 [ 3 , 6 ] [3, 6] [3,6] , 相加得来的 :
[ − 2 + 3 , 0 + 6 ] [-2 + 3 , 0 + 6] [−2+3,0+6]
最终得到区间 :
[ 1 , 6 ] [1, 6] [1,6]
推荐阅读
-
计算机 毕业设计 Python 深度学习 房价预测 房源可视化 房源爬虫 二手房可视化 二手房爬虫 递归决策树模型 机器学习 深度学习 大数据 毕业设计
-
JS、数组]平面数组的基本用法
-
在前向传播和定向传播阶段,Dropout 为什么能防止过度拟合,Dropout 和 BN 有什么区别?
-
TensorFlow 的基本概念和使用场景
-
桥接模式的解释和代码实现
-
STM32 I2C 通信协议详解
-
vue 通过元素用户界面的 el-date-picker 报告页眉时间,其中包括开始时间和结束时间
-
[C 语言教程] [嵌入式程序设计] (I) 简介和先决条件 (II) 嵌入式程序设计基础 (III) 硬件基础 (IV) 硬件寄存器操作
-
C++ 中的抽象类和抽象方法
-
Spring Boot:中小型医院网站开发的新趋势