循环卷积（Circular Convolutions）

最近看论文发现了一个叫循环卷积的东西，这里学习并记录一下，方便以后查阅。

循环卷积（Circular Convolutions）

[循环卷积（Circular Convolutions）](#循环卷积（Circular Convolutions）)
- [1. 什么是循环卷积](#1. 什么是循环卷积)
- [2. 数学定义](#2. 数学定义)
- - 关键点
- [3. 循环卷积与线性卷积的区别](#3. 循环卷积与线性卷积的区别)
- [4. 循环卷积的计算方法](#4. 循环卷积的计算方法)
- - [方法 1：直接时域计算](#方法 1：直接时域计算)
  - [方法 2：使用快速傅里叶变换（FFT）](#方法 2：使用快速傅里叶变换（FFT）)
  - [方法 3：矩阵形式](#方法 3：矩阵形式)
- [5. 实际应用](#5. 实际应用)
- [6. 注意事项](#6. 注意事项)
- [7. 总结](#7. 总结)
时域的循环卷积等价于频域的点乘
- [步骤 1：定义循环卷积和 DFT](#步骤 1：定义循环卷积和 DFT)
- [步骤 2：将循环卷积代入 DFT](#步骤 2：将循环卷积代入 DFT)
- [步骤 3：改变求和顺序](#步骤 3：改变求和顺序)
- [步骤 4：变量替换](#步骤 4：变量替换)
- [步骤 5：识别 DFT](#步骤 5：识别 DFT)
- [步骤 6：结论](#步骤 6：结论)
卷积（Convolution）
- [1. 什么是卷积](#1. 什么是卷积)
- [2. 卷积的数学定义](#2. 卷积的数学定义)
- - [2.1 连续卷积](#2.1 连续卷积)
  - [2.2 离散卷积（线性卷积）](#2.2 离散卷积（线性卷积）)
- [3. 卷积的直观理解](#3. 卷积的直观理解)
- - 示例
- [4. 卷积的物理意义](#4. 卷积的物理意义)
- [5. 卷积的性质](#5. 卷积的性质)
- [6. 卷积的计算方法](#6. 卷积的计算方法)
- - [6.1 时域直接计算](#6.1 时域直接计算)
  - [6.2 频域计算（使用 FFT）](#6.2 频域计算（使用 FFT）)
  - [6.3 滑动窗口法](#6.3 滑动窗口法)
- [7. 卷积的实际应用](#7. 卷积的实际应用)
- [8. 总结](#8. 总结)
参考资料

循环卷积（Circular Convolutions）

1. 什么是循环卷积

循环卷积（Circular Convolution）是信号处理和数学中的一种运算，专门用于处理周期性 或有限长度 的离散信号。与普通的线性卷积（Linear Convolution）不同，循环卷积假设输入信号是周期性的，即信号在有限长度后会重复。这种假设使得循环卷积在某些场景下（如数字信号处理、图像处理和快速傅里叶变换）非常有用。

循环卷积的输出长度与输入信号的长度相同，通常用于长度为 N N N 的离散信号。它的核心思想是将信号"环绕"起来，模拟一个循环的结构（可以想象信号的首尾连接成一个圆环）。

2. 数学定义

假设有两个长度为 N N N 的离散信号 x [ n ] x[n] x[n] 和 h [ n ] h[n] h[n]，它们的循环卷积定义为：

y [ n ] = ( x ⊛ h ) [ n ] = ∑ m = 0 N − 1 x [ m ] h [ ( n − m ) m o d N ] y[n] = (x \circledast h)[n] = \sum_{m=0}^{N-1} x[m] h[(n - m) \mod N] y[n]=(x⊛h)[n]=m=0∑N−1x[m]h[(n−m)modN]

其中：

⊛ \circledast ⊛ 表示循环卷积运算。
n = 0 , 1 , ... , N − 1 n = 0, 1, \dots, N-1 n=0,1,...,N−1 是输出信号的索引。
( n − m ) m o d N (n - m) \mod N (n−m)modN 确保索引是周期性的，即如果索引超出 [ 0 , N − 1 ] [0, N-1] [0,N−1]，它会"绕回"到信号的开头。

关键点

模运算 ：模运算 m o d N \mod N modN 是循环卷积的核心，它体现了信号的周期性。比如，如果 n − m = − 1 n - m = -1 n−m=−1，则 ( − 1 ) m o d N = N − 1 (-1) \mod N = N-1 (−1)modN=N−1，相当于从信号的末尾绕回到开头。
长度一致 ：输入信号 x [ n ] x[n] x[n] 和 h [ n ] h[n] h[n] 必须长度相同（都为 N N N），输出 y [ n ] y[n] y[n] 的长度也是 N N N。
周期性假设 ：循环卷积假设 x [ n ] x[n] x[n] 和 h [ n ] h[n] h[n] 是周期为 N N N 的信号，即 x [ n + N ] = x [ n ] x[n + N] = x[n] x[n+N]=x[n]。

3. 循环卷积与线性卷积的区别

要理解循环卷积，我们需要先对比一下线性卷积：

线性卷积

线性卷积是两个信号的"滑动叠加"，没有周期性假设。假设 x [ n ] x[n] x[n] 长度为 M M M， h [ n ] h[n] h[n] 长度为 L L L，线性卷积的输出长度为 M + L − 1 M + L - 1 M+L−1，公式为：

y [ n ] = ( x ∗ h ) [ n ] = ∑ m x [ m ] h [ n − m ] y[n] = (x * h)[n] = \sum_{m} x[m] h[n - m] y[n]=(x∗h)[n]=m∑x[m]h[n−m]

其中，求和范围取决于信号的有效索引（通常需要补零来处理边界）。

循环卷积与线性卷积的差异

周期性 ：
- 循环卷积假设信号是周期的，索引超出范围会绕回。
- 线性卷积不假设周期性，信号在边界外通常补零。
输出长度 ：
- 循环卷积的输出长度等于输入长度 N N N。
- 线性卷积的输出长度为 M + L − 1 M + L - 1 M+L−1。
边界处理 ：
- 循环卷积通过模运算处理边界，形成"环状"效果。
- 线性卷积在边界外补零，导致输出更长。
计算场景 ：
- 循环卷积常用于周期信号或通过快速傅里叶变换（FFT）实现的场景。
- 线性卷积更适合非周期信号或直接时域计算。

特殊情况：循环卷积与线性卷积的关系

如果对两个长度为 N N N 的信号进行循环卷积，但通过补零使信号长度足够长（例如，补零到 2 N − 1 2N - 1 2N−1），可以让循环卷积的输出等价于线性卷积。这是因为补零避免了周期性带来的"混叠"效应。

4. 循环卷积的计算方法

循环卷积可以通过以下几种方式计算：

方法 1：直接时域计算

根据定义公式，直接计算：

y [ n ] = ∑ m = 0 N − 1 x [ m ] h [ ( n − m ) m o d N ] y[n] = \sum_{m=0}^{N-1} x[m] h[(n - m) \mod N] y[n]=m=0∑N−1x[m]h[(n−m)modN]

步骤：

对于每个 n = 0 , 1 , ... , N − 1 n = 0, 1, \dots, N-1 n=0,1,...,N−1，计算所有 m = 0 , 1 , ... , N − 1 m = 0, 1, \dots, N-1 m=0,1,...,N−1 的贡献。
使用模运算确定 h h h 的索引。
累加结果。

缺点：计算复杂度为 O ( N 2 ) O(N^2) O(N2)，对长信号效率较低。

示例：

假设 x [ n ] = [ 1 , 2 , 3 , 4 ] x[n] = [1, 2, 3, 4] x[n]=[1,2,3,4]， h [ n ] = [ 1 , 0 , 0 , 0 ] h[n] = [1, 0, 0, 0] h[n]=[1,0,0,0]， N = 4 N = 4 N=4。

计算 y [ 0 ] y[0] y[0]：

y [ 0 ] = ∑ m = 0 3 x [ m ] h [ ( 0 − m ) m o d 4 ] = x [ 0 ] h [ 0 ] + x [ 1 ] h [ − 1 m o d 4 ] + x [ 2 ] h [ − 2 m o d 4 ] + x [ 3 ] h [ − 3 m o d 4 ] = 1 ⋅ 1 + 2 ⋅ 0 + 3 ⋅ 0 + 4 ⋅ 0 = 1 y[0] = \sum_{m=0}^{3} x[m] h[(0 - m) \mod 4] \\ = x[0]h[0] + x[1]h[-1 \mod 4] + x[2]h[-2 \mod 4] + x[3]h[-3 \mod 4] \\ = 1 \cdot 1 + 2 \cdot 0 + 3 \cdot 0 + 4 \cdot 0 = 1 y[0]=m=0∑3x[m]h[(0−m)mod4]=x[0]h[0]+x[1]h[−1mod4]+x[2]h[−2mod4]+x[3]h[−3mod4]=1⋅1+2⋅0+3⋅0+4⋅0=1

类似地计算 y [ 1 ] , y [ 2 ] , y [ 3 ] y[1], y[2], y[3] y[1],y[2],y[3]，得到 y [ n ] = [ 1 , 2 , 3 , 4 ] y[n] = [1, 2, 3, 4] y[n]=[1,2,3,4]。

方法 2：使用快速傅里叶变换（FFT）

循环卷积可以通过频域高效计算，利用卷积定理：

时域的循环卷积等价于频域的点乘。
具体步骤：
1. 对 x [ n ] x[n] x[n] 和 h [ n ] h[n] h[n] 进行 N N N 点 DFT（离散傅里叶变换），得到 X [ k ] X[k] X[k] 和 H [ k ] H[k] H[k]。
2. 计算频域点乘： Y [ k ] = X [ k ] ⋅ H [ k ] Y[k] = X[k] \cdot H[k] Y[k]=X[k]⋅H[k]。
3. 对 Y [ k ] Y[k] Y[k] 进行 IDFT（逆离散傅里叶变换），得到时域的 y [ n ] y[n] y[n]。

公式：
y [ n ] = IDFT ( DFT ( x [ n ] ) ⋅ DFT ( h [ n ] ) ) y[n] = \text{IDFT}(\text{DFT}(x[n]) \cdot \text{DFT}(h[n])) y[n]=IDFT(DFT(x[n])⋅DFT(h[n]))

优点：使用 FFT，计算复杂度降为 O ( N log ⁡ N ) O(N \log N) O(NlogN)，适合长信号。

方法 3：矩阵形式

循环卷积可以用矩阵表示， h [ n ] h[n] h[n] 形成一个循环矩阵。例如，对于 N = 3 N = 3 N=3， h [ n ] = [ h 0 , h 1 , h 2 ] h[n] = [h_0, h_1, h_2] h[n]=[h0,h1,h2]，矩阵为：

H = [ h 0 h 2 h 1 h 1 h 0 h 2 h 2 h 1 h 0 ] H = \begin{bmatrix} h_0 & h_2 & h_1 \\ h_1 & h_0 & h_2 \\ h_2 & h_1 & h_0 \end{bmatrix} H= h0h1h2h2h0h1h1h2h0

则：
y = H ⋅ x y = H \cdot x y=H⋅x

这种方法直观，但计算复杂度仍为 O ( N 2 ) O(N^2) O(N2)，实际中较少使用。

5. 实际应用

循环卷积在多个领域有广泛应用，尤其是在数字信号处理（DSP）和相关技术中：

数字滤波 ：
- 循环卷积用于实现周期信号的滤波。例如，FIR滤波器可以通过循环卷积实现。
快速卷积 ：
- 使用 FFT 实现循环卷积可以加速线性卷积的计算（通过补零）。
图像处理 ：
- 在图像处理中，循环卷积用于周期性边界条件的滤波操作，如平滑或边缘检测。
通信系统 ：
- 在 OFDM（正交频分复用）系统中，循环卷积用于处理循环前缀，消除符号间干扰。
音频信号处理 ：
- 循环卷积用于实现混响、均衡器等效果。
周期性信号分析 ：
- 循环卷积适合分析周期性信号，如在周期图谱分析中。

6. 注意事项

补零问题 ：如果需要模拟线性卷积，必须补零到至少 M + L − 1 M + L - 1 M+L−1，否则循环卷积会引入混叠。
信号长度：输入信号长度必须一致，否则需要截断或补零对齐。
数值精度：使用 FFT 计算时，浮点运算可能引入微小误差。

7. 总结

循环卷积是一种针对周期性离散信号的卷积运算，通过模运算实现信号的"环绕"效果。它的核心特点是输出长度与输入相同，计算可以通过时域直接求和或频域 FFT 高效实现。与线性卷积相比，循环卷积更适合周期性信号处理，广泛应用于数字信号处理、图像处理和通信系统等领域。

时域的循环卷积等价于频域的点乘

通过离散傅里叶变换（DFT）来计算循环卷积，并证明了卷积定理 在循环卷积中的应用：即时域的循环卷积等价于频域的点乘。

步骤 1：定义循环卷积和 DFT

首先，循环卷积 y [ n ] y[n] y[n] 定义为：

y [ n ] = ( x ⊛ h ) [ n ] = ∑ m = 0 N − 1 x [ m ] h [ ( n − m ) m o d N ] y[n] = (x \circledast h)[n] = \sum_{m=0}^{N-1} x[m] h[(n - m) \mod N] y[n]=(x⊛h)[n]=m=0∑N−1x[m]h[(n−m)modN]

其中 ( n − m ) m o d N (n - m) \mod N (n−m)modN 体现了循环卷积的周期性。

DFT 的定义为：对于长度 N N N 的信号 y [ n ] y[n] y[n]，其 DFT Y [ k ] Y[k] Y[k] 为：

Y [ k ] = ∑ n = 0 N − 1 y [ n ] ⋅ e − i 2 π k n / N , k = 0 , 1 , ... , N − 1 Y[k] = \sum_{n=0}^{N-1} y[n] \cdot e^{-i 2\pi kn / N}, \quad k = 0, 1, \dots, N-1 Y[k]=n=0∑N−1y[n]⋅e−i2πkn/N,k=0,1,...,N−1

目标是计算 Y [ k ] Y[k] Y[k]，即 y [ n ] y[n] y[n] 的 DFT。

步骤 2：将循环卷积代入 DFT

将 y [ n ] y[n] y[n] 的表达式代入 DFT 公式：

Y [ k ] = ∑ n = 0 N − 1 y [ n ] ⋅ e − i 2 π k n / N Y[k] = \sum_{n=0}^{N-1} y[n] \cdot e^{-i 2\pi kn / N} Y[k]=n=0∑N−1y[n]⋅e−i2πkn/N

Y [ k ] = ∑ n = 0 N − 1 ( ∑ m = 0 N − 1 x [ m ] h [ ( n − m ) m o d N ] ) ⋅ e − i 2 π k n / N Y[k] = \sum_{n=0}^{N-1} \left( \sum_{m=0}^{N-1} x[m] h[(n - m) \mod N] \right) \cdot e^{-i 2\pi kn / N} Y[k]=n=0∑N−1(m=0∑N−1x[m]h[(n−m)modN])⋅e−i2πkn/N

这个公式直接将循环卷积的定义代入了 DFT，表示 y [ n ] y[n] y[n] 是 x [ m ] x[m] x[m] 和 h [ ( n − m ) m o d N ] h[(n - m) \mod N] h[(n−m)modN] 的加权和。

步骤 3：改变求和顺序

由于求和是线性的，可以交换 n n n 和 m m m 的求和顺序：

Y [ k ] = ∑ m = 0 N − 1 x [ m ] ∑ n = 0 N − 1 h [ ( n − m ) m o d N ] ⋅ e − i 2 π k n / N Y[k] = \sum_{m=0}^{N-1} x[m] \sum_{n=0}^{N-1} h[(n - m) \mod N] \cdot e^{-i 2\pi kn / N} Y[k]=m=0∑N−1x[m]n=0∑N−1h[(n−m)modN]⋅e−i2πkn/N

这里， x [ m ] x[m] x[m] 不依赖于 n n n，所以可以提到 ∑ n \sum_{n} ∑n 的外面。公式变成了一个双重求和：外层对 m m m 求和，内层对 n n n 求和。

步骤 4：变量替换

为了简化内层求和，引入变量替换 r = ( n − m ) m o d N r = (n - m) \mod N r=(n−m)modN。这意味着：

当 n = 0 , 1 , ... , N − 1 n = 0, 1, \dots, N-1 n=0,1,...,N−1，对于固定的 m m m， r = ( n − m ) m o d N r = (n - m) \mod N r=(n−m)modN 也会遍历 0 , 1 , ... , N − 1 0, 1, \dots, N-1 0,1,...,N−1。
同时， n = ( r + m ) m o d N n = (r + m) \mod N n=(r+m)modN。

将 n n n 用 r r r 表示后，内层求和变为：

∑ n = 0 N − 1 h [ ( n − m ) m o d N ] ⋅ e − i 2 π k n / N \sum_{n=0}^{N-1} h[(n - m) \mod N] \cdot e^{-i 2\pi kn / N} n=0∑N−1h[(n−m)modN]⋅e−i2πkn/N

注意到 ( n − m ) m o d N = r (n - m) \mod N = r (n−m)modN=r，并且 n = ( r + m ) m o d N n = (r + m) \mod N n=(r+m)modN。代入 n = r + m n = r + m n=r+m（这里为了简化，我们考虑模运算的周期性，实际计算中 r r r 的范围已经覆盖了所有可能值），指数项变为：

e − i 2 π k ( r + m ) / N = e − i 2 π k r / N ⋅ e − i 2 π k m / N e^{-i 2\pi k (r + m) / N} = e^{-i 2\pi kr / N} \cdot e^{-i 2\pi km / N} e−i2πk(r+m)/N=e−i2πkr/N⋅e−i2πkm/N

因此，公式变为：

Y [ k ] = ∑ m = 0 N − 1 x [ m ] ⋅ e − i 2 π k m / N ∑ r = 0 N − 1 h [ r ] ⋅ e − i 2 π k r / N Y[k] = \sum_{m=0}^{N-1} x[m] \cdot e^{-i 2\pi km / N} \sum_{r=0}^{N-1} h[r] \cdot e^{-i 2\pi kr / N} Y[k]=m=0∑N−1x[m]⋅e−i2πkm/Nr=0∑N−1h[r]⋅e−i2πkr/N

步骤 5：识别 DFT

观察到：

内层求和 ∑ r = 0 N − 1 h [ r ] ⋅ e − i 2 π k r / N \sum_{r=0}^{N-1} h[r] \cdot e^{-i 2\pi kr / N} ∑r=0N−1h[r]⋅e−i2πkr/N 正是 h [ n ] h[n] h[n] 的 DFT，即 H [ k ] H[k] H[k]。
外层求和 ∑ m = 0 N − 1 x [ m ] ⋅ e − i 2 π k m / N \sum_{m=0}^{N-1} x[m] \cdot e^{-i 2\pi km / N} ∑m=0N−1x[m]⋅e−i2πkm/N 正是 x [ n ] x[n] x[n] 的 DFT，即 X [ k ] X[k] X[k]。

因此：

Y [ k ] = ( ∑ m = 0 N − 1 x [ m ] ⋅ e − i 2 π k m / N ) ⋅ ( ∑ r = 0 N − 1 h [ r ] ⋅ e − i 2 π k r / N ) Y[k] = \left( \sum_{m=0}^{N-1} x[m] \cdot e^{-i 2\pi km / N} \right) \cdot \left( \sum_{r=0}^{N-1} h[r] \cdot e^{-i 2\pi kr / N} \right) Y[k]=(m=0∑N−1x[m]⋅e−i2πkm/N)⋅(r=0∑N−1h[r]⋅e−i2πkr/N)

Y [ k ] = X [ k ] ⋅ H [ k ] Y[k] = X[k] \cdot H[k] Y[k]=X[k]⋅H[k]

步骤 6：结论

通过上述推导，我们证明了：

Y [ k ] = X [ k ] ⋅ H [ k ] Y[k] = X[k] \cdot H[k] Y[k]=X[k]⋅H[k]

即，循环卷积 y [ n ] = ( x ⊛ h ) [ n ] y[n] = (x \circledast h)[n] y[n]=(x⊛h)[n] 的 DFT 是 X [ k ] X[k] X[k] 和 H [ k ] H[k] H[k] 的逐点乘积。这正是卷积定理在循环卷积中的体现。

卷积（Convolution）

1. 什么是卷积

卷积是一种数学运算，用于描述两个函数（或信号）之间的"混合"或"叠加"效应。在信号处理、图像处理、概率论等领域，卷积是非常核心的操作。它的本质是通过一个函数（通常称为"核"或"滤波器"）对另一个函数进行加权平均，生成一个新的函数。

卷积用极简的数学形式漂亮的描述了一个动态过程。

卷积有两种主要形式：

连续卷积：用于连续时间信号（如模拟信号）。
离散卷积：用于离散时间信号（如数字信号）。

此外，根据信号的周期性假设，还分为：

线性卷积：不假设信号周期性，边界外补零。
循环卷积：假设信号周期性，索引超出范围会"环绕"。

2. 卷积的数学定义

2.1 连续卷积

对于两个连续函数 f ( t ) f(t) f(t) 和 g ( t ) g(t) g(t)，它们的卷积定义为：

( f ∗ g ) ( t ) = ∫ − ∞ ∞ f ( τ ) g ( t − τ ) d τ (f * g)(t) = \int_{-\infty}^{\infty} f(\tau) g(t - \tau) d\tau (f∗g)(t)=∫−∞∞f(τ)g(t−τ)dτ

其中：

∗ * ∗ 表示卷积运算。
τ \tau τ 是积分变量，表示时间偏移。
g ( t − τ ) g(t - \tau) g(t−τ) 是 g ( t ) g(t) g(t) 的时间反转和位移版本。

2.2 离散卷积（线性卷积）

对于两个离散信号 x [ n ] x[n] x[n] 和 h [ n ] h[n] h[n]，它们的线性卷积定义为：

y [ n ] = ( x ∗ h ) [ n ] = ∑ m = − ∞ ∞ x [ m ] h [ n − m ] y[n] = (x * h)[n] = \sum_{m=-\infty}^{\infty} x[m] h[n - m] y[n]=(x∗h)[n]=m=−∞∑∞x[m]h[n−m]

在实际中，信号通常是有限长度的：

假设 x [ n ] x[n] x[n] 长度为 M M M， h [ n ] h[n] h[n] 长度为 L L L，则：
- x [ n ] x[n] x[n] 在 n = 0 , 1 , ... , M − 1 n = 0, 1, \dots, M-1 n=0,1,...,M−1 有值，其余为 0。
- h [ n ] h[n] h[n] 在 n = 0 , 1 , ... , L − 1 n = 0, 1, \dots, L-1 n=0,1,...,L−1 有值，其余为 0。
此时，求和范围可以简化为有效部分：
y [ n ] = ∑ m = 0 M − 1 x [ m ] h [ n − m ] y[n] = \sum_{m=0}^{M-1} x[m] h[n - m] y[n]=m=0∑M−1x[m]h[n−m]
输出 y [ n ] y[n] y[n] 的长度为 M + L − 1 M + L - 1 M+L−1，因为 n − m n - m n−m 的有效范围使得 n n n 从 0 到 M + L − 2 M + L - 2 M+L−2。

3. 卷积的直观理解

卷积的计算过程可以看作一种"滑动窗口"操作：

反转：将一个信号（例如 h [ n ] h[n] h[n]）进行时间反转，得到 h [ − m ] h[-m] h[−m]。
位移：将反转后的信号 h [ − m ] h[-m] h[−m] 滑动到位置 n n n，变成 h [ n − m ] h[n - m] h[n−m]。
乘积并求和 ：在每个位置 n n n，将 x [ m ] x[m] x[m] 和 h [ n − m ] h[n - m] h[n−m] 逐点相乘，然后对所有 m m m 求和，得到 y [ n ] y[n] y[n]。

形象化理解：

想象 x [ n ] x[n] x[n] 是一个输入信号， h [ n ] h[n] h[n] 是一个"滤波器"或"系统响应"。
卷积的过程是：用 h [ n ] h[n] h[n] 的反转版本去"扫描" x [ n ] x[n] x[n]，在每个位置计算加权和，生成输出信号 y [ n ] y[n] y[n]。

示例

假设 x [ n ] = [ 1 , 2 , 3 ] x[n] = [1, 2, 3] x[n]=[1,2,3]， h [ n ] = [ 1 , 1 ] h[n] = [1, 1] h[n]=[1,1]，我们计算线性卷积：

x [ n ] x[n] x[n] 长度 M = 3 M = 3 M=3， h [ n ] h[n] h[n] 长度 L = 2 L = 2 L=2。
输出长度为 M + L − 1 = 4 M + L - 1 = 4 M+L−1=4。

计算 y [ n ] y[n] y[n]：
y [ n ] = ∑ m = 0 2 x [ m ] h [ n − m ] y[n] = \sum_{m=0}^{2} x[m] h[n - m] y[n]=m=0∑2x[m]h[n−m]

n = 0 n = 0 n=0：
y [ 0 ] = x [ 0 ] h [ 0 ] + x [ 1 ] h [ − 1 ] + x [ 2 ] h [ − 2 ] = 1 ⋅ 1 + 2 ⋅ 0 + 3 ⋅ 0 = 1 y[0] = x[0]h[0] + x[1]h[-1] + x[2]h[-2] = 1 \cdot 1 + 2 \cdot 0 + 3 \cdot 0 = 1 y[0]=x[0]h[0]+x[1]h[−1]+x[2]h[−2]=1⋅1+2⋅0+3⋅0=1
n = 1 n = 1 n=1：
y [ 1 ] = x [ 0 ] h [ 1 ] + x [ 1 ] h [ 0 ] + x [ 2 ] h [ − 1 ] = 1 ⋅ 1 + 2 ⋅ 1 + 3 ⋅ 0 = 1 + 2 = 3 y[1] = x[0]h[1] + x[1]h[0] + x[2]h[-1] = 1 \cdot 1 + 2 \cdot 1 + 3 \cdot 0 = 1 + 2 = 3 y[1]=x[0]h[1]+x[1]h[0]+x[2]h[−1]=1⋅1+2⋅1+3⋅0=1+2=3
n = 2 n = 2 n=2：
y [ 2 ] = x [ 0 ] h [ 2 ] + x [ 1 ] h [ 1 ] + x [ 2 ] h [ 0 ] = 1 ⋅ 0 + 2 ⋅ 1 + 3 ⋅ 1 = 0 + 2 + 3 = 5 y[2] = x[0]h[2] + x[1]h[1] + x[2]h[0] = 1 \cdot 0 + 2 \cdot 1 + 3 \cdot 1 = 0 + 2 + 3 = 5 y[2]=x[0]h[2]+x[1]h[1]+x[2]h[0]=1⋅0+2⋅1+3⋅1=0+2+3=5
n = 3 n = 3 n=3：
y [ 3 ] = x [ 0 ] h [ 3 ] + x [ 1 ] h [ 2 ] + x [ 2 ] h [ 1 ] = 1 ⋅ 0 + 2 ⋅ 0 + 3 ⋅ 1 = 0 + 0 + 3 = 3 y[3] = x[0]h[3] + x[1]h[2] + x[2]h[1] = 1 \cdot 0 + 2 \cdot 0 + 3 \cdot 1 = 0 + 0 + 3 = 3 y[3]=x[0]h[3]+x[1]h[2]+x[2]h[1]=1⋅0+2⋅0+3⋅1=0+0+3=3

所以， y [ n ] = [ 1 , 3 , 5 , 3 ] y[n] = [1, 3, 5, 3] y[n]=[1,3,5,3]。

4. 卷积的物理意义

卷积在物理和工程中有重要的意义：

系统响应：
- 在线性时不变（LTI）系统中，输入信号 x [ n ] x[n] x[n] 通过系统 h [ n ] h[n] h[n]（系统的冲激响应）生成输出 y [ n ] y[n] y[n]。
- 卷积描述了输入如何被系统"过滤"或"变换"。
- 例如：音频信号通过扬声器，输入信号 x [ n ] x[n] x[n] 和扬声器的冲激响应 h [ n ] h[n] h[n] 卷积后得到输出。
加权平均：
- 卷积可以看作一种加权平均， h [ n ] h[n] h[n] 决定了每个输入点的权重。
- 例如：平滑滤波器（如均值滤波器）通过卷积去除信号中的噪声。
信号混合：
- 卷积描述了两个信号的"叠加"效应，例如在概率论中，两个独立随机变量的概率密度函数的卷积给出了和的概率密度。

5. 卷积的性质

卷积有以下重要性质：

交换律 ：
f ∗ g = g ∗ f f * g = g * f f∗g=g∗f

即 ( x ∗ h ) [ n ] = ( h ∗ x ) [ n ] (x * h)[n] = (h * x)[n] (x∗h)[n]=(h∗x)[n]。这意味着 h [ n − m ] h[n - m] h[n−m] 可以看作 x [ n − m ] x[n - m] x[n−m]。
结合律 ：
( f ∗ g ) ∗ h = f ∗ ( g ∗ h ) (f * g) * h = f * (g * h) (f∗g)∗h=f∗(g∗h)

卷积可以按任意顺序分组计算。
分配律 ：
f ∗ ( g + h ) = ( f ∗ g ) + ( f ∗ h ) f * (g + h) = (f * g) + (f * h) f∗(g+h)=(f∗g)+(f∗h)

卷积对加法具有分配性。
频域性质（卷积定理）：
- 时域的卷积对应于频域的乘积：
  DFT ( x ∗ h ) = DFT ( x ) ⋅ DFT ( h ) \text{DFT}(x * h) = \text{DFT}(x) \cdot \text{DFT}(h) DFT(x∗h)=DFT(x)⋅DFT(h)
- 对于线性卷积，需要补零以避免混叠（之前已讨论）。

6. 卷积的计算方法

卷积可以通过以下方式计算：

6.1 时域直接计算

直接使用定义公式：
y [ n ] = ∑ m x [ m ] h [ n − m ] y[n] = \sum_{m} x[m] h[n - m] y[n]=m∑x[m]h[n−m]

复杂度 ：对于长度 M M M 和 L L L 的信号，复杂度为 O ( M ⋅ L ) O(M \cdot L) O(M⋅L)。
适用场景：短信号或需要直观理解时。

6.2 频域计算（使用 FFT）

根据卷积定理：

补零 x [ n ] x[n] x[n] 和 h [ n ] h[n] h[n] 到长度 N ≥ M + L − 1 N \geq M + L - 1 N≥M+L−1。
计算 X [ k ] = DFT ( x [ n ] ) X[k] = \text{DFT}(x[n]) X[k]=DFT(x[n])， H [ k ] = DFT ( h [ n ] ) H[k] = \text{DFT}(h[n]) H[k]=DFT(h[n])。
频域点乘： Y [ k ] = X [ k ] ⋅ H [ k ] Y[k] = X[k] \cdot H[k] Y[k]=X[k]⋅H[k]。
逆 DFT： y [ n ] = IDFT ( Y [ k ] ) y[n] = \text{IDFT}(Y[k]) y[n]=IDFT(Y[k])。

复杂度 ：使用 FFT，复杂度为 O ( N log ⁡ N ) O(N \log N) O(NlogN)，通常比直接计算快。
适用场景：长信号。

6.3 滑动窗口法

手动计算时，可以用滑动窗口的方式，直观但效率较低。

7. 卷积的实际应用

卷积在多个领域有广泛应用：

信号处理 ：
- 滤波：用卷积实现低通、高通滤波器（如平滑信号、去除噪声）。
- 混响：音频信号通过卷积添加混响效果。
图像处理 ：
- 边缘检测：用卷积核（如 Sobel 核）检测图像边缘。
- 模糊：用高斯核进行卷积，实现图像模糊。
通信系统 ：
- 通道效应：信号通过通信信道时，信道的冲激响应与输入信号卷积。
- OFDM：使用循环卷积处理循环前缀。
概率论 ：
- 两个独立随机变量的和的概率密度是它们概率密度的卷积。
机器学习 ：
- 卷积神经网络（CNN）：卷积操作用于特征提取，捕捉图像的空间结构。

8. 总结

卷积是一种描述两个函数"混合"的数学运算，在时域表现为滑动加权平均，在频域表现为点乘（卷积定理）。它在信号处理、图像处理、通信系统等领域有广泛应用。线性卷积适用于非周期信号，而循环卷积适用于周期信号，两者通过补零可以互相转换。计算卷积可以直接在时域进行，也可以通过 FFT 在频域高效实现。

参考资料

【卷积】直观形象的实例，10分钟彻底搞懂

【卷积神经网络】8分钟搞懂CNN，动画讲解喜闻乐见