信号处理——卷积(convolution)的实现
作者:桂。
时间:2017-03-07 22:33:37
链接:http://www.cnblogs.com/xingshansi/p/6517301.html
前言
信号时域、频域对应关系,及其DFT、FFT等变换内容,在之前的文章1、文章2中已经给出相关的理论推导以及代码实现,本文主要针对信号中常用的卷积进行介绍,内容主要包括:
1)卷积的物理意义;
2)卷积的直接实现;
3)卷积的FFT实现;
4)卷积的无延迟快速实现;
本文为自己的学习总结,内容多有参考他人,相关的参考文献名称最后一并给出。
一、卷积的物理意义
知乎上有一段话,非常经典,此处加以引用:
作者:中微子
链接:https://www.zhihu.com/question/20500497/answer/45708002打个比方,往平静的水面里面扔石头。我们把水面的反应看作是一种冲击响应。水面在t=0时刻石头丢进去的时候会激起高度为h(0)的波纹,但水面不会立马归于平静,随着时间的流逝,波纹幅度会越来越小,在t=1时刻,幅度衰减为h(1), 在t=2时刻,幅度衰减为h(2)……直到一段时间后,水面重复归于平静。
从时间轴上来看,我们只在t=0时刻丢了一块石头,其它时刻并没有做任何事,但在t=1,2….时刻,水面是不平静的,这是因为过去(t=0时刻)的作用一直持续到了现在。
那么,问题来了:
如果我们在t=1时刻也丢入一块石子呢?此时t=0时刻的影响还没有消失(水面还没有恢复平静)新的石子又丢进来了,那么现在激起的波浪有多高呢?答案是当前激起的波浪与t=0时刻残余的影响的叠加。那么t=0时刻对t=1时刻的残余影响有多大呢?
为了便于说明,接下来我们作一下两个假设:
1. 水面对于“单位石块”的响应是固定的
2. 丢一个两倍于的“单位石块”的石块激起的波纹高度是丢一个石块的两倍(即系统满足线性叠加原理)
现在我们来计算每一时刻的波浪有多高:
- t=0时刻:
y(0)=x(0)*h(0);
- t=1时刻:
当前石块引起的影响x(1)*h(0);
t=0时刻石块x(0)引起的残余影响x(0)*h(1);
y(1)=x(1)*h(0)+ x(0)*h(1);
- t=2时刻:
当前石块引起的影响x(2)*h(0);
t=0时刻石块x(0)引起的残余影响x(0)*h(2);
t=1时刻石块x(1)引起的残余影响x(1)*h(1);
y(2)=x(2)*h(0)+ x(1)*h(1)+x(0)*h(2);
……
- t=N时刻:
当前石块引起的影响x(N)*h(0);
t=0时刻石块x(0)引起的残余影响x(0)*h(N);
t=1时刻石块x(1)引起的残余影响x(1)*h(N-1);
y(N)=x(N)*h(0)+ x(N-1)*h(1)+x(N-2)*h(2)+…+x(0)*h(N);
这就是离散卷积的公式了。
二、卷积的直接实现(Direct convolution)
特点:无延迟、运算量大。
对应公式:
$y(n) = h(0)x(n) + h(1)x(n - 1) + ... + h({N_h} - 1)x(n - {N_h} + 1)$
对应结构图:
对应代码(MATLAB同样有内置指令conv):
function output_signal=my_direct_convolution(input_signal,impulse_response)
% Input:
% input_signal: the input signal
% impulse_response: the impulse response
% Output:
% output_signal:the convolution result
N=length(input_signal);%define length of signal
K=length(impulse_response);%define length of impulse response
output_signal=zeros(N+K-1,1);%initializing the output vector
xp=[zeros(K-1,1);input_signal;zeros(K-1,1)];
for i=1:N+K-1
output_signal(i)=xp(i+K-1:-1:i)'*impulse_response;
end
三、卷积的FFT实现
特点:运算量小、需要延迟至少$N_h+N_x$($N_h$为滤波器长度)个数据点的采样时间。
A-卷积与FFT的关系
这里用到一个重要性质:时域卷积等价于各自频域变换相乘。但我们知道,fft或者ifft信号的长度不变,即fft实现的频域相乘,在逆fft(ifft)到时域的结果,实现的是圆卷积,而不是线卷积。
$y(n) = x(n)*h(n)$
对应于频域就是
$Y(k) = X(k) \cdot H(k)$
但$Y(k)、X(k)、H(k)$对应的长度必须一致,且与$y(n)$一致。
为了保持线卷积、圆卷积得到的结果一直,必须在FFT操作之前,适当补零。
举个简单的例子:
x(n) = [2,5,7]; h(n) = [3,4],求二者的线卷积.
分析:线卷积的结果长度应该为:$N_y = N_x + N_h -1$,即3+2-1.
方法1:直接卷积
y(n) = x(n)*h(n),对应结果(会乘法运算的都能做卷积):
方法2:圆卷积
因为利用FFT操作,对应圆卷积,且x、h长度需要一致,这里我们先取长度为3,看看效果,长度不足3的补零。
从结果看,结果为{34,23,41},与结果不一致,可以看到28对应的位置有数值,因此至少取$N_x +N_h$个长度,再来看看结果:
此时已经得出了真实的结果,结论就是:做FFT实现卷积,每一个序列长度补零延长到$N_x +N_h$,则圆卷积与线卷积等价,即FFT运算便可以实现卷积的功能。
B-卷积的FFT代码实现
给出对应的代码:
function output_signal=my_fft_convolution(input_signal,impulse_response)
% Input:
% input_signal: the input signal
% impulse_response: the impulse response
% Output:
% output_signal:the convolution result
siglen=length(input_signal);%define the length of signal
implen=length(impulse_response);%define the length of the impulse response
P=siglen+implen-1;%define P
P2=pow2(nextpow2(P));% Find smallest power of 2 that is > P
%%Utilize the code in .pdf
output_signal= real(ifft(fft(input_signal,P2).*fft(impulse_response,P2))); % we need to take the real part to avoid any
% Floating point errors making the output complex
output_signal(P+1:end)=[];%modify the length
给一张直接卷积与FFT卷积的框图:
四、卷积的分段实现
特点:相比于直接卷积,运算量小;相比于FFT实现,延迟量小($2N_h$,假设数据长度大于滤波器长度)。
A-重叠相加法
主要思想:
假设每一段长度$N_x$,滤波器长度$N_h$,则每一段线卷积的长度为$N_x+N_h-1$,而每一段长度为$N_x$,故每次移动$N_x$,从而每次的结果后段的$N_h-1$个点重叠相加。核心是利用线卷积的思想,如前文所示,线卷积也可借助FFT快速实现。
对应代码:
function output_signal=my_fast_convolution_add(input_signal,impulse_response)
% Input:
% input_signal: the input signal
% impulse_response: the impulse response
% Output:
% output_signal:the convolution result
siglen=length(input_signal);%define the length of signal
implen=length(impulse_response);%define the length of the impulse response
Nfra=ceil(siglen/implen);%number of frames
%Initialize the output signal
output_signal=zeros(implen*(Nfra+1),1);
%Add zeros
xp=reshape([input_signal;zeros(Nfra*implen-siglen,1)],...
implen,Nfra);
h=kron(impulse_response,ones(1,Nfra));
%Multiply the ffts together and calculate the ifft
P=pow2(nextpow2(2*implen));%Find smallest power of 2 that is > 2*implen
out_mat=real(ifft(fft(xp,P).*fft(h,P)));
%Overlapping the output blocks and summing
for i=0:Nfra-1
ni=i*implen+1:i*implen+P;
output_signal(ni)=output_signal(ni)+out_mat(:,i+1);
end
%Modify the length
output_signal(siglen+implen:end)=[];
B-重叠保留法
主要思想:
滤波器长度$N_h$,每一段卷积的长度为$2N_h-1$,核心是利用圆卷积的思想,对应频域就是FFT相乘。
举例:
已知$x(n) = n+1,0 \le n \ge 9 $,$h(n) =$ {1,0,-1},求卷积结果。
直接实现:
$x(n)*h(n) =$ {1 2 2 2 2 2 2 2 2 2 -9 -10} .
重叠相加:
已知$N_h = 3$,长度L最小值为$2N_h-1 = 5$.将$x(n)$分段,得
$x_1(n) =$ {1 2 3 4 5},$x_2(n) =$ {6 7 8 9 10},
将每段与$h(n)$卷积:
$y_1 =$ {1 2 2 2 2 -4 -5 },
$y_2 =$ {6 7 2 2 2 -9 -10 },
重叠$N_h-1 = 2$个点,的
$y =$ {1 2 2 2 2 2 2 2 2 2 -9 -10}
重叠保留:
同样的计算方法,长度最小为5,起始保留$N_h -1 =2$个点,起始补零。
$x_1 =$ {0 0 1 2 3};$x_2 =$ {2 3 4 5 6};
$x_3 =$ {5 6 7 8 9};$x_4 =$ {8 9 10 0 0};
分别与$h(n)$做圆周卷积:
$y_1 =$ {-2 -3 1 2 2};$y_2 =$ {-3 -3 2 2 2};
$y_1 =$ {-3 -3 2 2 2};$y_1 =$ {8 9 2 -9 -10};
丢弃每段最前面的$N_h -1 = 2$个点,为什么这么丢弃,参考前文线卷积与圆卷积的对应关系分析。
$y =$ { 1 2 2 2 2 2 2 2 2 2 -9 -10}.
三种方式完全等价。
这一方法也可以解决输入、输出数据量不匹配的问题:
假设x长度为16,h长度为16,则起始保留Nh-1 = 15个点,起始补零。圆卷积借助FFT实现。重叠相加法也可以实现该功能。
五、卷积的Without Input-output delay实现
特点:无延迟、运算量小。
该方法主要针对滤波器进行分层。
具体可以参考文章:《Efficient convolution without Input-Output Delay》.
下面给出一个自己制作的gif示意图,之前的图片没有了,pdf截图有大有小,拼凑起来凑合看吧,这个图描写了该算法的步骤。
参考:
郑君里:《信号与系统》第二版
信号处理——卷积(convolution)的实现的更多相关文章
- 最容易理解的对卷积(convolution)的解释
啰嗦开场白 读本科期间,信号与系统里面经常讲到卷积(convolution),自动控制原理里面也会经常有提到卷积.硕士期间又学了线性系统理论与数字信号处理,里面也是各种大把大把卷积的概念.至于最近大火 ...
- 什么是卷积convolution
定义 卷积是两个变量在某范围内相乘后求和的结果.如果卷积的变量是序列x(n)和h(n),则卷积的结果 , 其中星号*表示卷积. 当时序n=0时,序列h(-i)是h(i)的时序i取反的结果:时序取反使得 ...
- matlab中卷积convolution与filter用法
转自:https://blog.csdn.net/dkcgx/article/details/46652021 转自:https://blog.csdn.net/Reborn_Lee/article/ ...
- 向量的卷积(convolution)运算
一.向量的卷积运算 给定两个n维向量α=(a0, a1, ..., an-1)T,β=(b0, b1, ..., bn-1)T,则α与β的卷积运算定义为: α*β=(c0, c1, ..., c2n- ...
- 对卷积(convolution)的理解
参考文章 https://www.jianshu.com/p/daaaeb718aed https://blog.csdn.net/bitcarmanlee/article/details/54729 ...
- 卷积 convolution
这东西大学学过,然后我忘记了,后来就只记得这个名字了. https://zh.wikipedia.org/wiki/%E5%8D%B7%E7%A7%AF http://www.guokr.com/po ...
- 从图(Graph)到图卷积(Graph Convolution):漫谈图神经网络模型 (二)
本文属于图神经网络的系列文章,文章目录如下: 从图(Graph)到图卷积(Graph Convolution):漫谈图神经网络模型 (一) 从图(Graph)到图卷积(Graph Convolutio ...
- Deep Learning模型之:CNN卷积神经网络(一)深度解析CNN
http://m.blog.csdn.net/blog/wu010555688/24487301 本文整理了网上几位大牛的博客,详细地讲解了CNN的基础结构与核心思想,欢迎交流. [1]Deep le ...
- 彻底理解数字图像处理中的卷积-以Sobel算子为例
彻底理解数字图像处理中的卷积-以Sobel算子为例 作者:FreeBlues 修订记录 2016.08.04 初稿完成 概述 卷积在信号处理领域有极其广泛的应用, 也有严格的物理和数学定义. 本文只讨 ...
随机推荐
- 使用webpack打包css和js
1.安装webpack. npm install webpack -g 2.创建一个文件夹app. 3.新建文件test.js. require("!style-loader!css-loa ...
- Oracle中碰到的函数和关键字收集
一.时间处理函数 trunc(sysdate) 返回日期 to_date() to_char(sysdate,'yyyy-mm-dd hh24:mi:ss') to_number() 转为数字 二.字 ...
- (转载)提高mysql千万级大数据SQL查询优化30条经验(Mysql索引优化注意)
1.对查询进行优化,应尽量避免全表扫描,首先应考虑在 where 及 order by 涉及的列上建立索引. 2.应尽量避免在 where 子句中对字段进行 null 值判断,否则将导致引擎放弃使用索 ...
- 关于JS面向对象中原型和原型链以及他们之间的关系及this的详解
一:原型和原型对象: 1.函数的原型prototype:函数才有prototype,prototype是一个对象,指向了当前构造函数的引用地址. 2.函数的原型对象__proto__:所有对象都有__ ...
- 使用Maven管理Oracle驱动包
由于Oracle授权问题,Maven3不提供Oracle JDBC driver,为了在Maven项目中应用Oracle JDBC driver,必须手动添加到本地仓库. 手动添加到本地仓库需要本地有 ...
- 腾讯IVWEB团队:前端 fetch 通信
欢迎大家关注腾讯云技术社区-博客园官方主页,我们将持续在博客园为大家推荐技术精品文章哦~ 作者:villainthr 文章摘自: 前端小吉米 随着前端异步的发展, XHR 这种耦合方式的书写不利于前端 ...
- c# 对加密的MP4文件进行解密
using System; using System.Collections.Generic; using System.ComponentModel; using System.Data; usin ...
- iOS 比较版本号大小的方法
比较iOS版本号大小 eg:3.2.0和3.1.0 或者 3.2.0和3.2比较 返回bool值变量YES or NO -(BOOL)compareVesionWithServerVersion:(N ...
- Python yield用法
yield 官方称是一种生成器,每每遇到这样包含这个关键字的代码,往往有些难读.def testyield(count): for x in xrange(count): print "te ...
- 读阿里巴巴Java开发手册v1.2.0之工程结构有感【架构篇】
首先,把昨天那俩条sql语句的优化原因给大家补充一下,第一条效率极低,第二条优化后的,sql语句截图如下: 经过几个高手的评论和个人的分析: 第一条sql语句查询很慢是因为它首先使用了in关键字查询, ...