痛苦系列 | DSP-01 从连续到离散:DSP基础与采样

文中代码及相关仿真脚本均可在 BlogCode 中获取,本篇代码集中于 DSP/dsp01 目录下。

痛苦系列 DSP 专栏:抛弃死记硬背与纯符号堆砌,从工程中的真实痛点切入,剖析直觉误区,由第一性原理推导数学工具与物理边界,并结合 Python 仿真验证。

前言

关于痛苦系列

从神经科学的角度看,我们大脑中神经元突触建立连接,并不是凭空产生的。它需要经过长时间的电化学反应,利用生物电刺激,将原本微弱的临时连接,固化成稳定的物理连接。再经过一段时间的刻意训练,使其成为思考过程中的短距通道。这是让大脑和思维保持锐化的过程,往往伴随着极度的不适与"痛苦"。

作者按:如果我们不主动去经历这种认知的"痛苦",那么大脑的突触就会遵循能量最低原则,逐渐萎缩。也希望能给读者诸君,提供一点微小的电化学辅助。

关于DSP

笔者这几年从事 DBS(脑深部刺激)/经皮电刺激神经疗法/BCI(脑机接口),离不开信号处理,而这一部分,从书本理论指导到工程实践,依然有巨大鸿沟。

论读书,笔者已比不上正值青年的学生(长期脱离痛苦导致的突触萎缩、技能退化),但求温故而知新。不同于以往的温故系列以求新为目的,本系列在刻意追求痛苦,毕竟在AI时代,已经对亲手写下诸多文字感到疲倦。

正文

本篇博客将聚焦于以下几个方面:

  • 连续与离散的割裂:为什么我们要将世界切片?
  • 奈奎斯特与混叠:如何保证切片后不丢失灵魂?
  • 信号世界的"原子" :从 δ[n] 开始理解系统的本质响应。
  • LTI系统与卷积:过去与现在的叠加效应。

一、 连续与离散的割裂:为什么我们要"切片"?

我们的现实世界是极其丝滑的,是一条在时间轴上无限连续的曲线。你说话时的声压、窗外的温度变化,在任何一个无限短的瞬间,都有一个确切的物理值。这就是连续时间信号。

但计算机是冷酷且容量有限的。它理解不了"无限",只能处理一串串离散的0和1。这就引出了数字信号处理的第一步:采样。

所谓采样,就是以固定的时间间隔(采样周期 T,或者说采样频率 Fs = 1/T),去连续的河流里舀一勺水。原本无限光滑的曲线,被强行降维成了一串离散的数字序列 [x1, x2, x3, ...]。

作者按:有时候妥协不仅是工程的必需,更是认知的必然。无限意味着不可控,离散化就是将不可控的连续域,切割成可计算的数字切片。

二、 奈奎斯特与混叠:防止高频的"伪装"

既然是"舀水",问题就来了:多久舀一次才不会漏掉重要的信息? 这就用到奈奎斯特-香农采样定理了。

为了能从采样后的离散信号中无失真地恢复出原始连续信号,我们需要满足一个极其重要的条件: 即采样频率必须至少是原始信号最高频率分量的两倍。
Fs>2⋅ Fmax F_s > 2 \cdot F_{max} Fs>2⋅Fmax

其中, Fs F_s Fs 代表采样频率, Fmax F_{max} Fmax 则是信号中包含的最高频率成分。 简单来说,你切片的刀必须挥得足够快,至少比信号变化最快的地方还要快一倍。

如果没有满足这个条件会发生什么?会发生混叠。

仿真对比:充足采样 vs 欠采样混叠 上图为充足采样(Fs = 200Hz),完整保留原始波形形态;下图为欠采样(Fs = 50Hz),高频 40Hz 分量被伪装成 10Hz 低频成分。

大家肯定都在电影里见过一种诡异的画面:一辆马车正在飞驰,但马车的车轮看起来却像是缓慢倒转或者干脆静止的。这是因为摄像机的帧率(也就是视觉的采样频率)低于车轮条纹旋转变化的频率。那些高频的真实运动,因为采样不足,被"伪装"成了低频的错觉。

作者按:混叠一旦发生,在数字世界里是无法挽回的。这就像做架构设计,如果最底层的抽象粒度太粗,上层哪怕用尽各种奇技淫巧,也补不回丢失的核心业务逻辑。

三、 信号世界的"原子":δ[n] 与 u[n]

有了数字序列,我们该如何用数学去描述和分析它?这时候我们需要找到信号世界的"原子"。

第一个原子是单位脉冲序列 δ[n] : 它只在 n = 0 时等于 1,其他时刻全为 0。这就像一根极其纯粹的探针。

为什么它如此重要? 因为任何极其复杂的离散序列,都可以被硬核地拆解。 它们都能表示为单位脉冲序列在不同时间点上的平移与加权组合。
xn= ∑k=−∞∞ xkδn−kxn = \sum_{k=-\infty}^{\infty} xk \deltan-k xn=k=−∞∑∞xkδn−k

在物理意义上,这意味着任何波形都能看作是无数根不同高度的脉冲探针依次排列。 例如,有一个序列的值依次为 2, 4, 2。 我们可以将其拆解表述为:在第 0 秒高度为 2,在第 1 秒高度为 4,在第 2 秒高度为 2。
xn=2δn+4δn−1+2δn−2xn = 2\deltan + 4\deltan-1 + 2\deltan-2 xn=2δn+4δn−1+2δn−2

第二个原子是单位阶跃序列 u[n] :在 n >= 0 时全为 1,之前全为 0。 它其实就是 δ[n] 的累加结果。

作者按:当我们将复杂的庞然大物,拆解为最基础的标准单元后,接下来的系统处理就可以"力大砖飞"。

四、 系统的过滤与卷积和:过去与现在的纠缠

有了信号原子,接下来就是处理信号的"容器"------系统 。 在DSP的世界里,我们极度偏爱一种特定类型的系统:线性时不变系统(LTI,Linear Time-Invariant)。

  • 线性 :系统满足叠加性与齐次性。 你输入两份努力,就得到两份收获。 不同输入信号混合后的输出,等于它们单独输出的混合。 T a⋅x1n+b⋅x2n =a⋅T x1n +b⋅T x2n T{a \cdot x_1n + b \cdot x_2n} = a \cdot T{x_1n} + b \cdot T{x_2n} Ta⋅x1n+b⋅x2n=a⋅Tx1n+b⋅Tx2n
  • 时不变:系统的特性不随时间改变。
  • 因果性:输出只取决于当前和过去的输入,无法预知未来。
  • 稳定性:有界的输入必产生有界的输出。

一旦确定一个系统是 LTI 系统,我们就迎来了 DSP 领域最伟大的核心公式:卷积和 (Convolution)。

假设系统的单位脉冲响应 是 hnhn hn。

也就是说,如果你往系统里扔一个最单纯的单位脉冲 δn\deltan δn,它吐出来的反馈波形就是 hnhn hn。

那么,当你输入任意复杂的信号 xnxn xn 时。 系统的输出 ynyn yn 将是输入信号与系统脉冲响应的卷积。
yn=xn∗hn= ∑k=−∞∞ xkhn−kyn = xn * hn = \sum_{k=-\infty}^{\infty} xk hn-k yn=xn∗hn=k=−∞∑∞xkhn−k

作者按:初学者接触卷积很头疼,越往后越头疼。我在图书馆借阅了几本相关书籍,作者会专注于给出公式、公式证明、计算过程,而工程应用,更注重是什么、为什么用、怎么用。我们应当理解,一个系统,不仅仅只有当前的输入,还有过去所有历史输入所产生的"余音"在这个时刻的干涉与叠加

让我们暂时忘却四步法 :翻转 -> 平移 -> 逐点相乘 -> 求和。这个方法太机械化了,我喜欢用空谷回声来具象化这个过程:

想象你站在一个宽度大约340米的山谷中(声音在空气中往返一次恰好约1秒)。你作为信号源,每秒钟大喊一声"号子"(输入序列 x[n])。而你的耳朵,就是接收系统。

如果你只在第0秒喊了一声(也就是输入了一个单位脉冲 δ[n],假设响度为1),你会听到什么?

  • 第0秒 :你听到自己最原始的喊声,响度为 1(即 h[0] = 1)。
  • 第1秒 :声音从山壁反弹回来,经过衰减,你听到第一声回声,响度变成了 0.5(即 h[1] = 0.5)。
  • 第2秒 :回声在两侧山壁再次反弹,你听到第二声回声,响度衰减为 0.25(即 h[2] = 0.25)。
  • 第3秒 :回声消散,响度为 0(即 h[3] = 0)。

这串回声的衰减规律 h[n] = {1, 0.5, 0.25, 0},完美表征了这个山谷的声学特性,这就是系统的单位脉冲响应。

现在,为了给自己打气,你开始每秒连续喊号子 。那么在第2秒时,你的耳朵(系统输出 y[2])究竟听到了什么混响?

  • 你正在喊第3个号子(当前输入 x[2] 的原声,对应 x[2] * h[0])
  • 1秒前喊的那个号子,刚好形成第1次反弹回声传到耳朵(过去输入 x[1] 的一次回声,对应 x[1] * h[1])
  • 2秒前喊的第1个号子,刚好形成第2次反弹回声传到耳朵(更早输入 x[0] 的二次回声,对应 x[0] * h[2])

所以,你在第 2 秒听到的所有声音的叠加结果如下:
y2=x2⋅h0+x1⋅h1+x0⋅h2y2 = x2 \cdot h0 + x1 \cdot h1 + x0 \cdot h2 y2=x2⋅h0+x1⋅h1+x0⋅h2

这就是将当前原声与所有历史回声进行加和。

把这个推导泛化到任意时刻 n,这正是极其优美的卷积公式。

仿真对比:空谷回声与脉冲卷积合成 图 1 为输入序列(喊号子脉冲);图 2 为山谷单位脉冲响应(衰减特性);图 3 为卷积合成输出(耳朵听到的原声与历史回声叠加)。

当我们理解之后,在工程上都是运用函数库来完成卷积工作。

python 复制代码
import numpy as np

def demo_convolution():
    # 输入信号
    x = np.array([2, 4, 2])
    # 系统的单位脉冲响应
    h = np.array([1, 0.5])
    
    # 调库,计算卷积
    y = np.convolve(x, h)
    
    print(f"输入 x: {x}")
    print(f"系统 h: {h}")
    print(f"输出 y: {y}")

if __name__ == '__main__':
    demo_convolution()

注:上述Demo仅做演示使用。在实际商用的实时DSP系统中,如果数据流无限长,我们不能直接使用全量的 np.convolve,而是要考虑 Overlap-Add 或 Overlap-Save 算法,否则会导致内存爆炸。

五、 尾声:在痛苦中进化

这一篇是开胃小菜,让我们适应写作和阅读的痛苦。今天 Gimini 告诉我一段很有趣的话,分享给读者诸君:

我们常常会在宏大的架构设计中迷失,却忘了最底层的数据流究竟是如何被切割、被离散、被卷积的。保持这种对底层的敬畏与痛苦的思考,也许就是我们作为工程师对抗内卷与时间流逝的唯一方式。


附录:本篇可运行验证代码

本篇涉及的全部仿真代码均已开源在代码仓库中:DSP/dsp01/pain_series_01_demo.py。

bash 复制代码
# 依赖安装
pip install numpy matplotlib scipy

# 运行本篇仿真实验
python DSP/dsp01/pain_series_01_demo.py
相关推荐
码事漫谈11 小时前
以后人人都可以成为导演
后端
Resean022311 小时前
Spring 源码分析(二)配置类的解析与扫描
java·后端·spring
一只爱撸猫的程序猿11 小时前
五周、两个开源仓库、九次拦截之后:AI 时代程序员缺的到底是什么
人工智能·后端·开源
_祝你今天愉快11 小时前
Android 高级绘制:[四] Canvas-实际案例操作
android
三少爷的鞋12 小时前
Android 工程师的技术信仰崩塌史
android
北城笑笑13 小时前
Vue 110 ,若依SSE流式接口限次空500排查与解决
前端·javascript·vue.js·后端·vue
ServBay13 小时前
Local harness 将退役,VS Code 本地开发要不要搬到云端?
后端·ai编程·visual studio code
ashiho14 小时前
【LeetCode hot 100】3. 无重复字符的最长子串 (三种解法)
java·数据结构·后端·算法·leetcode·滑动窗口
AirDroid_cn14 小时前
Android 15 权限回溯:已授予的麦克风权限如何批量回收?
android
张一凡9315 小时前
你的 AGENTS.md,真的管到模型写代码了吗?
前端·后端·agent