卷积运算和卷积定理

卷积运算是信号处理、图像处理和深度学习中的核心概念，用于表示两个函数之间的相互作用。它将一个函数通过滑动窗口的方式与另一个函数结合，产生一个新的函数，反映两者的重叠程度。

连续信号的卷积：给定两个连续函数 f(t) 和 g(t) ，它们的卷积定义为：

其中：
- t 是输出信号的时间变量。
- $\tau$ 是中间变量，用于计算 f 和 g 的重叠。
离散信号的卷积：给定两个离散序列 f[n] 和 g[n] ，它们的卷积定义为：
$(f * g)[n] = \sum_{k=-\infty}^{+\infty} f[k] \cdot g[n-k]$
在实际计算中，信号长度通常有限，求和区间取有限范围。

卷积可以理解为：

卷积定理揭示了卷积运算在时域和频域之间的重要关系，是信号处理和傅里叶分析的重要理论。

卷积定理说明：两个信号在时域中的卷积等价于它们在频域中的乘积。

连续信号的卷积定理：如果 F(ω) 和 G(ω) 分别是 f(t) 和 g(t) 的傅里叶变换，则有：
$\mathcal{F}\{f(t) * g(t)\} = F(\omega) \cdot G(\omega)$
即，时域卷积对应于频域相乘。
离散信号的卷积定理：如果 F[k] 和 G[k] 分别是 f[n] 和 g[n] 的离散傅里叶变换（DFT），则：
$\text{DFT}\{f[n] * g[n]\} = F[k] \cdot G[k]DFT$
同样，时域卷积等价于频域相乘。

卷积定理的逆向形式： 两个信号在频域中的卷积等价于它们在时域中的乘积：

$\mathcal{F}^{-1}\{F(\omega) * G(\omega)\} = f(t) \cdot g(t)$

给定两个序列：

$f[n] = [1, 2, 3], \quad g[n] = [0, 1, 0.5]$

计算它们的离散卷积：

$(f * g)[n] = \sum_{k=-\infty}^{+\infty} f[k] \cdot g[n-k]$

手动计算结果：

最终结果：

(f * g) = [0, 1, 2.5,4, 1.5]

使用numpy库计算卷积：

import numpy as np

# 定义两个信号
f = np.array([1, 2, 3])
g = np.array([0, 1, 0.5])

# 计算卷积
result = np.convolve(f, g, mode='full')
print("卷积结果:", result)