当前位置: 首页 > news >正文

信号与系统学习笔记——信号的分类

目录

一、确定与随机

二、连续与离散

三、周期与非周期

判断是否为周期函数

离散信号的周期

结论

四、能量与功率

定义

结论

五、因果与反因果

六、阶跃函数

定义

性质

七、冲激函数

 定义

重要关系

作用


一、确定与随机

确定信号:可以确定时间函数表示的信号。

随机信号:不可以确定时间函数表示的信号。

二、连续与离散

连续时间信号:连续时间范围内(-∞<t<+∞)有定义的信号,简称连续信号。若其函数值也连续,常称为模拟信号(值域连续)

图2.1 连续信号

离散时间信号:仅在一些离散的瞬间才有定义的信号,简称离散信号。当取值为规定数值时,常称为数字信号(值域不连续)

图2.2 数字信号 

连续信号变为离散信号:(AD转换):如果想让一个连续信号进入计算机,需要让连续信号(模拟信号)变为离散信号(数字信号)。这是我们会用到连续采样的方法。

图2.3 连续信号变为离散信号 

离散信号变为连续信号(DA转换):此法主流有两种表示。第一种是零阶保持法;第二种是分段线性法。

图2.4 零阶保持法 

图2.5 分段线性法 

三、周期与非周期

周期与非周期的概念我们已经非常熟悉了,这里不再过多赘述。

判断是否为周期函数

m个周期函数合成为一个新函数的周期,表示为T=m_{i}T_{i}       (i=1,2,3...)

判断方法:两个周期信号的周期分别为T_{1}T_{2},若T_{1}T_{2}是有理数,则周期信号之和仍然是周期信号,其周期为T_{1}T_{2}的最小公倍数。

例题:判断函数f_{1}(t)=sin2t+cos3t是否为周期函数,若是,周期是多少?

T_{1}\frac{2\pi }{\omega}=\pi

T_{2}\frac{2\pi }{\omega}=\frac{2\pi}{3}

所以f_{1}(t)是周期信号,其周期为2π

拓展:若函数是三个周期函数合成的,怎样判断它是否为周期函数,函数的周期是多少?

假设合成后的函数是周期为T的周期函数,那么可得到:

m_{1}:m_{2}:m_{3}=\frac{T}{T_{1}}:\frac{T}{T_{2}}:\frac{T}{T_{3}}

消去分子T,再乘2π,可得到:

 m_{1}:m_{2}:m_{3}=\frac{2\pi }{T_{1}}:\frac{2\pi}{T_{2}}:\frac{2\pi}{T_{3}}=\omega _{1}:\omega _{2}:\omega _{3}

三个以上周期信号的合成仍适用。

离散信号的周期

f(k)是离散周期信号,N为周期。表示为:f(k)=f(k+mN),m=0,\pm 1,\pm2...

例题:判断正弦序列f(k)=sin(βk)是否为周期信号,若是,确定其周期,式中β为数字角频率,单位:rad。

解:假设f(k)是周期信号,那么可得到:

f(k)=sin(βk)=sin(βk+2mπ),m=0,±1,±2...

      =sin[\beta (k+\frac{2m\pi }{\beta })]

       =sin[\beta (k+mN)]

结论

\frac{2\pi }{\beta }为整数时,正弦序列具有周期N=\frac{2\pi }{\beta }

\frac{2\pi }{\beta }为有理数时,正弦序列仍具有周期性,但周期是N=M\frac{2\pi }{\beta },M取使N为整数的最小整数。

\frac{2\pi }{\beta }为无理数时,正弦序列为非周期序列。

连续正弦信号一定是周期信号,而正弦序列不一定是周期序列;两连续周期信号之和不一定是周期信号,而两周期序列之和一定是周期序列。

四、能量与功率

定义

图4.1 能量的定义 

图3.2 平均功率的定义 

能量有限信号:信号的能量E<∞,简称能量信号,此时平均功率P=0。

功率有限信号:信号的功率P<∞,简称功率信号,此时能量E=∞。

结论

①时限信号(仅在有限时间区间不为零)为能量信号;

②周期信号属于能量信号;

③非周期信号可能是能量信号,也可能是功率信号;

④有些信号既不是能量信号也不是功率信号,比如指数函数f(t)=e^{t}

五、因果与反因果

因果信号:t= 0,f(t)=0的信号(即t0时接入系统的信号),比如阶跃信号。

反因果信号:t\geqslant 0,f(t)=0的信号(除0信号外)。

六、阶跃函数

图6.1 单位阶跃函数 

定义

图6.2 阶跃函数的定义 

性质

①表示分段常量信号;

②表示信号的作用区间;

③积分\int_{-oo}^{t}\varepsilon (\tau )d\tau =t\varepsilon (t)

七、冲激函数

图7.1 几种函数图形 

 定义

冲激函数是奇异函数,它是对强度极大,作用时间极短的物理量的理想化模型,由狄拉克提出 。

 图7.2 冲激函数的函数

理解:高度无穷大,宽度无穷小,面积为1的对称窄脉冲

图7.3 

图7.3中间的Pn(t)叫“门函数”

重要关系

\delta (t)=\frac{d\varepsilon (t)}{dt}

\varepsilon (t)=\int_{-oo}^{t}\delta (\tau )d\tau

作用

冲激函数可以描述间断点的导数

图7.4 

相关文章:

信号与系统学习笔记——信号的分类

目录 一、确定与随机 二、连续与离散 三、周期与非周期 判断是否为周期函数 离散信号的周期 结论 四、能量与功率 定义 结论 五、因果与反因果 六、阶跃函数 定义 性质 七、冲激函数 定义 重要关系 作用 一、确定与随机 确定信号&#xff1a;可以确定时间函数…...

PyTorch深度学习实战(39)——小样本学习

PyTorch深度学习实战&#xff08;39&#xff09;——小样本学习 0. 前言1. 小样本学习简介2. 孪生网络2.1 模型分析2.2 数据集分析2.3 构建孪生网络 3. 原型网络3. 关系网络小结系列链接 0. 前言 小样本学习 (Few-shot Learning) 旨在解决在训练集中只有很少样本的情况下进行分…...

论文阅读——Vision Transformer with Deformable Attention

Vision Transformer with Deformable Attention 多头自注意力公式化为&#xff1a; 第l层transformer模块公式化为&#xff1a; 在Transformer模型中简单地实现DCN是一个non-trivial的问题。在DCN中&#xff0c;特征图上的每个元素都单独学习其偏移&#xff0c;其中HWC特征图上…...

AJAX概念和axios使用、URL、请求方法和数据提交、HTTP协议、接口、form-serialize插件

AJAX概念和axios使用 AJAX概念 AJAX就是使用XMLHttpRequest对象与服务器通信&#xff0c;它可以使用JSON、XML、HTML和text文本等格式发送和接收数据&#xff0c;AJAX最吸引人的就是它的异步特性&#xff0c;也就是说它可以在不重新刷新页面的情况下与服务器通信&#xff0c;…...

【R语言基础操作】

&#x1f349;CSDN小墨&晓末:https://blog.csdn.net/jd1813346972 个人介绍: 研一&#xff5c;统计学&#xff5c;干货分享          擅长Python、Matlab、R等主流编程软件          累计十余项国家级比赛奖项&#xff0c;参与研究经费10w、40w级横向 文…...

sqlite 常见命令 表结构

在 SQLite 中&#xff0c;将表结构保存为 SQL 具有一定的便捷性和重要性&#xff0c;原因如下 便捷性&#xff1a; 备份和恢复&#xff1a;将表结构保存为 SQL 可以方便地进行备份。如果需要还原或迁移数据库&#xff0c;只需执行保存的 SQL 脚本&#xff0c;就可以重新创建表…...

基于深度学习的车辆检测技术

基于深度学习的车辆检测技术是现代智能交通系统的重要组成部分&#xff0c;它利用计算机视觉和机器学习算法&#xff0c;特别是深度学习模型&#xff0c;来识别和定位图像或视频中的车辆。这项技术广泛应用于自动驾驶、交通监控、违章抓拍等多个领域。 深度学习车辆检测技术的…...

MyBatis 之三:配置文件详解和 Mapper 接口方式

配置文件 MyBatis 的配置文件是 XML 格式的&#xff0c;它定义了 MyBatis 运行时的核心行为和设置。默认的配置文件名称为 mybatis-config.xml&#xff0c;该文件用于配置数据库连接、事务管理器、数据源、类型别名、映射器&#xff08;mapper 文件&#xff09;以及其他全局属性…...

【PyTorch】基础学习:一文详细介绍 torch.load() 的用法和应用

【PyTorch】基础学习&#xff1a;一文详细介绍 torch.load() 的用法和应用 &#x1f308; 个人主页&#xff1a;高斯小哥 &#x1f525; 高质量专栏&#xff1a;Matplotlib之旅&#xff1a;零基础精通数据可视化、Python基础【高质量合集】、PyTorch零基础入门教程&#x1f44…...

事务、并发、锁机制的实现

配置全局事务 DATABASES {default: {ENGINE: django.db.backends.mysql,NAME: mydb,USER:root,PASSWORD:pass,HOST:127.0.0.1,PORT:3306,ATOMIC_REQUESTS: True, # 全局开启事务&#xff0c;绑定的是http请求响应整个过程# (non_atomic_requests可局部实现不让事务控制)} } …...

PC-DARTS: PARTIAL CHANNEL CONNECTIONS FOR MEMORY-EFFICIENT ARCHITECTURE SEARCH

PC-DARTS&#xff1a;用于内存高效架构搜索的部分通道连接 论文链接&#xff1a;https://arxiv.org/abs/1907.05737 项目链接&#xff1a;https://github.com/yuhuixu1993/PC-DARTS ABSTRACT 可微分体系结构搜索(DARTS)在寻找有效的网络体系结构方面提供了一种快速的解决方案…...

git的下载与安装

下载 首先&#xff0c;打开您的浏览器&#xff0c;并输入Git的官方网站地址 点击图标进行下载 下载页面会列出不同操作系统和平台的Git安装包。根据您的操作系统&#xff08;Windows、macOS、Linux等&#xff09;和位数&#xff08;32位或64位&#xff09;&#xff0c;选择适…...

windows文档格式转换的实用工具

大家好,我是爱编程的喵喵。双985硕士毕业,现担任全栈工程师一职,热衷于将数据思维应用到工作与生活中。从事机器学习以及相关的前后端开发工作。曾在阿里云、科大讯飞、CCF等比赛获得多次Top名次。现为CSDN博客专家、人工智能领域优质创作者。喜欢通过博客创作的方式对所学的…...

四级缓存实现

CommandLineRunner接口的run方法 什么是多级缓存? 多级缓存就是充分利用请求处理的每个环节,分别添加缓存,减轻Server端的压力,提升服务性能。 一级缓存:1.CDN:内容分发网络 二级缓存:2.NGINX+Lua脚本+OpenResty服务器 负载均衡反向代理【静态和转发】 三级缓存:J…...

程序员如何规划职业赛道?

在快速发展的信息技术时代&#xff0c;程序员作为数字世界的构建者&#xff0c;面临着前所未有的职业选择和发展机会。选择合适的职业赛道&#xff0c;不仅关乎个人职业发展的高度和速度&#xff0c;更影响着个人职业生涯的满意度和幸福感。本文将从自我评估与兴趣探索、市场需…...

蓝桥杯day3刷题日记--P9240 冶炼金属

P9240 [蓝桥杯 2023 省 B] 冶炼金属 经典二分&#xff0c;先在第一组中找到最小值&#xff0c;在利用最小值限制范围寻找最大值 #include <iostream> #include <algorithm> using namespace std; int n,kk; int m[10001],num[10001]; int maxs,mins;bool check1…...

Mybatis-xml映射文件与动态SQL

xml映射文件 动态SQL <where><if test"name!null">name like concat(%,#{name},%)</if><if test"username!null">and username#{username}</if></where> <!-- collection&#xff1a;遍历的集合--> <!-- …...

MySQL_数据库图形化界面软件_00000_00001

目录 NavicatSQLyogDBeaverMySQL Workbench可能出现的问题 Navicat 官网地址&#xff1a; 英文&#xff1a;https://www.navicat.com 中文&#xff1a;https://www.navicat.com.cn SQLyog 官网地址&#xff1a; 英文&#xff1a;https://webyog.com DBeaver 官网地址&…...

流媒体学习之路(WebRTC)——FEC逻辑分析(6)

流媒体学习之路(WebRTC)——FEC逻辑分析&#xff08;6&#xff09; —— 我正在的github给大家开发一个用于做实验的项目 —— github.com/qw225967/Bifrost目标&#xff1a;可以让大家熟悉各类Qos能力、带宽估计能力&#xff0c;提供每个环节关键参数调节接口并实现一个json全…...

command failed: npm install --loglevel error --legacy-peer-deps

在使用vue create xxx创建vue3项目的时候报错。 解决方法&#xff0c;之前使用的https://registry.npm.taobao.org 证书过期更换镜像地址即可 操作如下&#xff1a; 1.cd &#xff5e;2.执行rm .npmrc3. sudo npm install -g cnpm --registryhttp://registry.npmmirror.com…...

Appium+python自动化(十六)- ADB命令

简介 Android 调试桥(adb)是多种用途的工具&#xff0c;该工具可以帮助你你管理设备或模拟器 的状态。 adb ( Android Debug Bridge)是一个通用命令行工具&#xff0c;其允许您与模拟器实例或连接的 Android 设备进行通信。它可为各种设备操作提供便利&#xff0c;如安装和调试…...

python报错No module named ‘tensorflow.keras‘

是由于不同版本的tensorflow下的keras所在的路径不同&#xff0c;结合所安装的tensorflow的目录结构修改from语句即可。 原语句&#xff1a; from tensorflow.keras.layers import Conv1D, MaxPooling1D, LSTM, Dense 修改后&#xff1a; from tensorflow.python.keras.lay…...

LINUX 69 FTP 客服管理系统 man 5 /etc/vsftpd/vsftpd.conf

FTP 客服管理系统 实现kefu123登录&#xff0c;不允许匿名访问&#xff0c;kefu只能访问/data/kefu目录&#xff0c;不能查看其他目录 创建账号密码 useradd kefu echo 123|passwd -stdin kefu [rootcode caozx26420]# echo 123|passwd --stdin kefu 更改用户 kefu 的密码…...

push [特殊字符] present

push &#x1f19a; present 前言present和dismiss特点代码演示 push和pop特点代码演示 前言 在 iOS 开发中&#xff0c;push 和 present 是两种不同的视图控制器切换方式&#xff0c;它们有着显著的区别。 present和dismiss 特点 在当前控制器上方新建视图层级需要手动调用…...

【Nginx】使用 Nginx+Lua 实现基于 IP 的访问频率限制

使用 NginxLua 实现基于 IP 的访问频率限制 在高并发场景下&#xff0c;限制某个 IP 的访问频率是非常重要的&#xff0c;可以有效防止恶意攻击或错误配置导致的服务宕机。以下是一个详细的实现方案&#xff0c;使用 Nginx 和 Lua 脚本结合 Redis 来实现基于 IP 的访问频率限制…...

MySQL:分区的基本使用

目录 一、什么是分区二、有什么作用三、分类四、创建分区五、删除分区 一、什么是分区 MySQL 分区&#xff08;Partitioning&#xff09;是一种将单张表的数据逻辑上拆分成多个物理部分的技术。这些物理部分&#xff08;分区&#xff09;可以独立存储、管理和优化&#xff0c;…...

深度剖析 DeepSeek 开源模型部署与应用:策略、权衡与未来走向

在人工智能技术呈指数级发展的当下&#xff0c;大模型已然成为推动各行业变革的核心驱动力。DeepSeek 开源模型以其卓越的性能和灵活的开源特性&#xff0c;吸引了众多企业与开发者的目光。如何高效且合理地部署与运用 DeepSeek 模型&#xff0c;成为释放其巨大潜力的关键所在&…...

高考志愿填报管理系统---开发介绍

高考志愿填报管理系统是一款专为教育机构、学校和教师设计的学生信息管理和志愿填报辅助平台。系统基于Django框架开发&#xff0c;采用现代化的Web技术&#xff0c;为教育工作者提供高效、安全、便捷的学生管理解决方案。 ## &#x1f4cb; 系统概述 ### &#x1f3af; 系统定…...

​​企业大模型服务合规指南:深度解析备案与登记制度​​

伴随AI技术的爆炸式发展&#xff0c;尤其是大模型&#xff08;LLM&#xff09;在各行各业的深度应用和整合&#xff0c;企业利用AI技术提升效率、创新服务的步伐不断加快。无论是像DeepSeek这样的前沿技术提供者&#xff0c;还是积极拥抱AI转型的传统企业&#xff0c;在面向公众…...

StarRocks 全面向量化执行引擎深度解析

StarRocks 全面向量化执行引擎深度解析 StarRocks 的向量化执行引擎是其高性能的核心设计&#xff0c;相比传统行式处理引擎&#xff08;如MySQL&#xff09;&#xff0c;性能可提升 5-10倍。以下是分层拆解&#xff1a; 1. 向量化 vs 传统行式处理 维度行式处理向量化处理数…...