z逆变换的计算为下面的复数闭合曲线积分:

$x[n] = \displaystyle{\frac{1}{2\pi j}}\oint_{C}X(z)z^{n-1}dz$

式中$C$表示的是收敛域内的一条闭合曲线。该积分表达式可以利用复数变量理论下的柯西积分定理推导得到。不过本门课程用不上这条式子,因为在离散LTI系统分析中所遇到的典型序列和z变换,有如下更简单的z逆变换求解办法。

观察法(查表)

下面是一个常见序列的z变换表格,通过查表可以由z变换所得的函数反过来求得原序列

Sequence Transform Region of convergence
1. $\delta[n]$ $1$ for all $z$
2. $u[n]$ $\frac{1}{1-z^{-1}}$ $|z|>1$
3. $-u[-n-1]$ $\frac{1}{1-z^{-1}}$ $|z|<1$
4. $\delta[n-m]$ $z^{-m}$ $z\neq\left\{\begin{matrix}0 &,& m>0 \\ \infty &,&m<0\end{matrix}\right.$
5. $a^nu[n]$ $\frac{1}{1-az^{-1}}$ $|z|>a$
6. $-a^nu[-n-1]$ $\frac{1}{1-az^{-1}}$ $|z|<a$
7. $na^nu[n]$ $\frac{az^{-1}}{(1-az^{-1})^2}$ $|z|>a$
8. $-na^nu[-n-1]$ $\frac{az^{-1}}{(1-az^{-1})^2}$ $|z|<a$
9. $cos(\omega_0n)u[n]$ $\frac{1-cos(\omega_0)z^{-1}}{1-2cos(\omega_0)z^{-1}+z^{-2}}$ $|z|>1$
10. $sin(\omega_0n)u[n]$ $\frac{sin(\omega_0)z^{-1}}{1-2cos(\omega_0)z^{-1}+z^{-2}}$ $|z|>1$
11. $r^ncos(\omega_0n)u[n]$ $\frac{1-rcos(\omega_0)z^{-1}}{1-2rcos(\omega_0)z^{-1}+r^2z^{-2}}$ $|z|>r$
12. $r^nsin(\omega_0n)u[n]$ $\frac{rsin(\omega_0)z^{-1}}{1-2rcos(\omega_0)z^{-1}+r^2z^{-2}}$ $|z|>r$
13. $\left\{\begin{matrix}a^n ,& 0\leqslant n\leqslant N-1\\0 ,& else\end{matrix}\right .$ $\frac{1-a^Nz^{-N}}{1-az^{-1}}$ $|z|>0$

部分分式展开法

不过也经常出现输入序列为组合序列的情况,这种序列的z变换就是它的组成序列的z变换的线性组合。

如果某个输入序列是这些典型序列的线性组合,那么这个输入序列的z变换就能表示成各个典型序列的z变换之和

$x_1[n]+x_2[n]+x_3[n]+\cdot\cdot\cdot\stackrel{\mathcal{Z}}{\longleftrightarrow}X_1(z)+X_2(z)+X_3(z)+\cdot\cdot\cdot$

分式展开法

观察上面的表格可以发现大多数典型序列的z变换都是分数形式,因此这些z变换的组合可以假设为

$\displaystyle{X(z) = \frac{b_0}{a_0}\frac{\prod_{k=1}^{M}(1-c_kz^{-1})}{\prod_{k=1}^{N}(1-d_kz^{-1})}}$

其中$c_k$是$X(z)$的非零值零点,$d_k$是$X(z)$的非零值极点。分母是各个典型序列的分母的乘积,把各个典型序列的z变换(分数)相加就能得到上面的式子。

$M<N$

若$M<N$,并且极点都是一阶(即没有相同的极点,即没有相同的$d_k$)的,那么$X(z)$就能表示为

$X(z) = \displaystyle{\sum_{k=1}^{N}\frac{A_k}{1-d_kz^{-1}}}$

此时,等式两边乘以$(1-d_kz^{-1})$,并取$z$等于其中的某个极点$z=d_k$,可以消去等式右边除了$A_k$之外所有的项

$(1-d_kz^{-1})X(z)|_{z=d_k} = A_k$

按照这种计算方式可以得到所有的$A_k$,然后通过查表即可得到各个和式所对应的序列。

$M\geqslant N$

若$M\geqslant N$则可以用长除法,分子除以分母以使得分式的$M<N$,然后就可以按照上述方法继续求解

$X(z) = \displaystyle{ \sum_{r=0}^{M-N}B_rz^{-r} +\sum_{k=1}^{N}\frac{A_k}{1-d_kz^{-1}}}$

重复极点

如果$X(z)$有多重极点在$z=d_i$,阶数为$s$(在该极点上有$s$个重复极点),而且$M\geqslant N$,那么有

$X(z) = \displaystyle{ \sum_{r=0}^{M-N}B_rz^{-r} +\sum_{k=1,k\neq i}^{N}\frac{A_k}{1-d_kz^{-1}}+\sum_{m=1}^s\frac{C_m}{(1-d_iz^{-1})^m}}$

其中$C_m$由如下式求得

$\displaystyle{C_m = \frac{1}{(s-m)!(-d_i)^{s-m}}}\left\{ \frac{d^{s-m}}{d\omega^{s-m}}[(1-d_i\omega)^sX(\omega^{-1})]\right \}_{\omega=d_i^{-1}}$

例子

考虑有一序列$x[n]$,其z变换为

$X(z) = \frac{1+2z^{-1}+z^{-2}}{1-\frac{3}{2}z^{-1}+\frac{1}{2}z^{-2}}=\frac{(1+z^{-1})^2}{\left(1-\frac{1}{2}z^{-1} \right )(1-z^{-1})}\qquad |z|>1$

右下图为$X(z)$的零-极点图

  • 根据收敛域可知序列$x[n]$为一个右边序列
  • 观察$X(z)$可发现其两个极点都是一阶的
  • 因为$X(z)$的分子分母都是二次的,即$M=N=2$

因此$X(z)$可表示为

$X(z) = B_0+\frac{A_1}{1-\frac{1}{2}z^{-1}}+\frac{A_2}{1-z^{-1}}$

其中常数$B_0$能用长除法求得

$\begin{align*}
& &2\\
&{\frac{1}{2}z^{-2}-\frac{3}{2}z^{-1}+1} &\overline{\left )z^{-2}+2z^{-1}+1\right.}\\
& &\underline{z^{-2}-3z^{-1}+2}\\
& &5z^{-1}-1
\end{align*}$

余项为一次项,即$M<N$,因此$X(z)$可以写成

$X(z) = 2+\frac{-1+5z^{-1}}{\left(1-\frac{1}{2}z^{-1} \right )(1-z^{-1})}$

接下来求系数$A_1$以及$A_2$

$\begin{align*}
A_1 &= \left[\left(2+\frac{-1+5z^{-1}}{\left(1-\frac{1}{2}z^{-1} \right )(1-z^{-1})} \right )\left(1-\frac{1}{2}z^{-1} \right ) \right ]_{z=1/2} = -9\\
A_2 &= \left[\left(2+\frac{-1+5z^{-1}}{\left(1-\frac{1}{2}z^{-1} \right )(1-z^{-1})} \right )\left(1-z^{-1} \right ) \right ]_{z=1} = 8
\end{align*}$

因此

$X(z) = 2-\frac{9}{1-\frac{1}{2}z^{-1}}+\frac{8}{1-z^{-1}}$

查表可得

$x[n] = 2\delta[n]-9\left( \frac{1}{2} \right)^nu[n]+8u[n]$

幂级数展开法

如果$X(z)$由如下幂级数的形式给出时

$X(z) = \cdot\cdot\cdot+x[-2]z^{2}+x[-1]z^{1}+x[0]+x[1]z^{-1}+x[2]z^{-2}$

如果该多项式长度有限,我们就能得到该序列的所有的值。

如果该多项式无限长,我们可以观察该多项式是否能表示成如下形式

$X(z) = \displaystyle{ \sum_{n=-\infty}^{\infty}f(n)z^{-n} }$

如果能转换成这种形式,就可以得到序列$x[n] = f(n)$

[离散时间信号处理学习笔记] 8. z逆变换的更多相关文章

  1. [离散时间信号处理学习笔记] 10. z变换与LTI系统

    我们前面讨论了z变换,其实也是为了利用z变换分析LTI系统. 利用z变换得到LTI系统的单位脉冲响应 对于用差分方程描述的LTI系统而言,z变换将十分有用.有如下形式的差分方程: $\displays ...

  2. [离散时间信号处理学习笔记] 9. z变换性质

    z变换描述 $x[n] \stackrel{\mathcal{Z}}{\longleftrightarrow}X(z) ,\quad ROC=R_x$ 序列$x[n]$经过z变换后得到复变函数$X(z ...

  3. [离散时间信号处理学习笔记] 7. z变换

    z变换及其收敛域 回顾前面的文章,序列$x[n]$的傅里叶变换(实际上是DTFT,由于本书把它叫做序列的傅里叶变换,因此这里以及后面的文章也统一称DTFT为傅里叶变换)被定义为 $X(e^{j\ome ...

  4. [离散时间信号处理学习笔记] 3. 一些基本的LTI系统

    首先我们需要先对离散时间系统进行概念上的回顾: $y[n] = T\{ x[n] \}$ 上面的式子表征了离散时间系统,也就是把输入序列$x[n]$,映射称为$y[n]$的输出序列. 不过上述式子也可 ...

  5. BZOJ 2038: [2009国家集训队]小Z的袜子(hose)【莫队算法裸题&&学习笔记】

    2038: [2009国家集训队]小Z的袜子(hose) Time Limit: 20 Sec  Memory Limit: 259 MBSubmit: 9894  Solved: 4561[Subm ...

  6. Spring Boot学习笔记2——基本使用之最佳实践[z]

    前言 在上一篇文章Spring Boot 学习笔记1——初体验之3分钟启动你的Web应用已经对Spring Boot的基本体系与基本使用进行了学习,本文主要目的是更加进一步的来说明对于Spring B ...

  7. OpenCV学习笔记5

    OpenCV学习笔记5 图像变换 傅里叶变换 这里可以先学习一下卷积分,了解清除卷积的过程和实际意义,在看这一章节的内容. 原理: 傅里叶变换经常被用来分析不同滤波器的频率特性.我们可以使用 2D 离 ...

  8. 机器学习实战(Machine Learning in Action)学习笔记————09.利用PCA简化数据

    机器学习实战(Machine Learning in Action)学习笔记————09.利用PCA简化数据 关键字:PCA.主成分分析.降维作者:米仓山下时间:2018-11-15机器学习实战(Ma ...

  9. V-rep学习笔记:Reflexxes Motion Library 3

    路径规划 VS 轨迹规划 轨迹规划的目的是将输入的简单任务描述变为详细的运动轨迹描述.注意轨迹和路径的区别:Trajectory refers to a time history of positio ...

随机推荐

  1. java 日志框架总结

    在项目开发过程中,我们可以通过 debug 查找问题.而在线上环境我们查找问题只能通过打印日志的方式查找问题.因此对于一个项目而言,日志记录是一个非常重要的问题.因此,如何选择一个合适的日志记录框架也 ...

  2. .Net Core 在 Linux-Centos上的部署实战教程(二)

    上篇我们说了 如何在Linux上部署.net core  但是有心的同学会发现你关闭掉终端网站就不能访问了,这个原因是因为直接 dotnet GetConfigFile.dll --server.ur ...

  3. layui轮播中箭头不起作用问题

    layui轮播中箭头不起作用问题 layui轮播插件在使用中发现箭头不起作用其他都合适,是什么原因造成的呢?发现单独提出layui中的demo是合适的,通过仔细慢慢的寻找,发现layui.use('c ...

  4. 数据库(mysql)基本使用命令大全

    1.查看数据库及表属性: 1)查看所有数据库 SHOW DATABASES; 2)选择使用的数据库 USE <DATABASE_NAME> 3)查看当前数据库下面的表 SHOW TABLE ...

  5. 小程序wxRequest封装

    //const host = 'http://114.215.00.00:8005';// 测试地址 const host = 'https://xx.xxxxxxxx.net'; // 正式地址 c ...

  6. Acceleration for ML 论文导读

    Energy efficient parallel neuromorphic architectures with approximate arithmetic on FPGA Motivation ...

  7. Continued Fractions CodeForces - 305B (java+高精 / 数学)

    A continued fraction of height n is a fraction of form . You are given two rational numbers, one is ...

  8. Python IO模型

    这篇博客是本人借鉴一些大神的博客并结合自己的学习过程写下的. 事件驱动模型 事件驱动模型是一种编程范式,这里程序的执行流由外部事件来决定.它的特点是包含一个事件循环,当外部事件发生时,不断从队列里取出 ...

  9. jconsole & jvisualvm远程监视websphere服务器JVM的配置案

    jconsole是JDK里自带的一个工具,可以监测Java程序运行时所有对象的申请.释放等动作,将内存管理的所有信息进行统计.分析.可视化.我们可以根据这些信息判断程序是否有内存泄漏问题. 使用jco ...

  10. 结对项目3-功能增强型带基本函数计算java计算器

    -----------------------------------------------------实验报告------------------------------------------- ...