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。
$$Fs>2\cdot \; Fmax\; F\_s\; >\; 2\; \backslash cdot\; F\_\{max\}$$ 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。
$$x$$n= ∑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。
$$x$$n=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。 $T\; a\cdot x1$n+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 $h$nhn hn。

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

那么，当你输入任意复杂的信号 $x$nxn xn 时。 系统的输出 $y$nyn yn 将是输入信号与系统脉冲响应的卷积。
$$y$$n=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：
$$y$$2=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。

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。

# 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