第 2 章 · LTI 系统与卷积：一个函数刻画一个系统

LTI 系统的全部行为浓缩在一个函数里：冲激响应 $h(t)$。输入与 $h$ 卷积得到输出——时域的总方法。这一章把卷积算清楚、性质用熟练，并建立"因果性与稳定性 ⟺ $h$ 的性质"的对应。

卷积：分解成冲激的叠加

任意信号 = 冲激的加权和（$\delta$ 的筛分反用）：$x(t) = \int x(\tau)\delta(t-\tau)d\tau$；每个冲激通过系统变成 $h$，叠加得

离散版 $y[n] = \sum_k x[k]h[n-k]$。手算卷积的肌肉训练：翻转、平移、相乘、积分（或列表法）。性质四件套：交换律、结合律（级联 = $h$ 相卷）、分配律（并联 = $h$ 相加）、与 $\delta$ 卷积不变。

因果与稳定的时域判据

证明一行（绝对值放缩），意义重大：系统的两大资格认证变成对 $h$ 的一次积分检查。理想低通滤波器（矩形 $h$）不因果、理想延迟是唯一完美保形系统——"理想"的代价清单在这里开出。

LTI 系统组的结构

级联 $h = h_1 * h_2$、并联 $h = h_1 + h_2$、反馈（下一章微分方程）——复杂系统由简单单元拼装；单位冲激响应是系统的"身份证"：同一 $h$ 不同实现（电路/算法）物理等价。特征函数视角再确认：$e^{j\omega t}$ 输入输出只差复数增益 $H(j\omega) = \int h(t)e^{-j\omega t}dt$——这个增益函数就是频率响应，第 3-4 章的主角提前亮相。

老师的提醒

• 手算卷积时先画 $h(t-\tau)$ 随 $t$ 的滑动图，重叠区间写清楚再积分——直接代公式最容易丢边界。
• 记住两张速查卡：$h$ 因果 ⟺ 单边；$h$ 绝对可积 ⟺ 稳定。判断系统性质先看 $h$。

自检

• 手算 $x(t) = u(t) - u(t-2)$ 与 $h(t) = e^{-t}u(t)$ 的卷积。
• 级联系统的 $h$ 与稳定性传递规则？
• 为什么 $e^{j\omega t}$ 的增益是 $h$ 的傅里叶变换？

更深一层：卷积是"记忆的叠加"

卷积 $y(t) = \int x(\tau)h(t-\tau)d\tau$ 的物理读法值得单独品味：输出 = 输入的每一个"脉冲"留下的响应的叠加——$h(t-\tau)$ 是"$\tau$ 时刻的冲激在 $t$ 时刻的残影"，卷积把所有残影累加。这就是为什么卷积也叫"记忆的叠加"——系统的记忆（$h$ 的形状）决定了输入的每个瞬间被"记住"多久。滑动平均滤波器（$h$ 是矩形）= 短记忆均匀遗忘、指数滤波器（$h$ 是指数）= 长记忆指数遗忘——两个最常见的 $h$ 就是两种"记忆性格"。

因果性与稳定性的时域判据（$h(t) = 0$ for $t<0$ 因果、$\int|h|dt < \infty$ 稳定）把系统的两大资格认证变成对 $h$ 的一次积分检查——"看 $h$ 就知道系统能不能用"。

推导细读：卷积计算的"翻转-平移"手艺

手算卷积的肌肉训练值得走一遍：$x(\tau)$ 不动、$h(t-\tau)$ 翻转平移、重叠区间逐段积分——翻转-平移-相乘-积分四步。最易错的边界处理：重叠区间的上下限（哪段时间重叠就积哪段）。离散版 $y[n] = \sum_k x[k]h[n-k]$ 用列表法（竖式乘法的竖排版）最快最不易错。卷积的性质四件套（交换律、结合律=级联 $h_1*h_2$、分配律=并联 $h_1+h_2$、与 $\delta$ 卷积不变）是系统代数化简的全部工具。

在真实世界里：卷积的"产业密度"

卷积的产业密度清单：音频（混响 = 声音卷积房间冲激响应）、图像（模糊/锐化 = 图像卷积核）、通信（信道均衡 = 逆卷积/解卷积）、雷达（匹配滤波 = 与发射波形卷积）、机器学习（CNN 的卷积层 = 同一操作的离散版）。卷积是信号处理、图像处理、机器学习的共同母语——学会它，三个领域的教材都能互相当参考书读。

专题深入：LTI 系统的"卷积三定律"完整版

第二章是全书的引擎室，值得把卷积的每个角落照亮：图解法三步（翻转 h(-τ)、平移 h(t - τ)、逐点乘加——手算积分的标准工艺）；含奇异函数的卷积（与 δ(t) 卷积不变、与 δ'(t) 卷积求导——"δ 函数是卷积的单位元"：$\delta(t) * x(t) = x(t)$；u(t) * x(t) = 积分——"冲激串"滤波器组的基础积木）；周期卷积与循环卷积（DFT 下的卷积是循环的——"频域乘法给循环卷积、时域零填充得线性卷积"是 FFT 快速卷积的正确姿势：补零到 N ≥ L + M - 1）；系统互联的卷积代数（反馈系统的 h = h1/(1 - h1h2) 在变换域才好算——时域卷积方程解反馈要靠变换）。离散卷积的边界处理（valid/same/full 三种模式——深度学习框架里的 padding 语义就是从这里来的）；卷积的计算复杂度（直接 $O(N^2)$ → FFT 法 $O(N\log N)$——"大卷积必用 FFT"是信号处理的成本定律，长回声混响、相关峰搜索全部如此）。

推导细读：特征函数与"变换域的合法性"完整版

第二章的隐藏主线：复指数是 LTI 的特征函数——$e^{st} * h(t) = H(s)e^{st}$，其中 $H(s) = \int h(t)e^{-st}dt$ 就是拉普拉斯/傅里叶变换的定义本身（"变换 = 系统对该基函数的响应"——变换域分析不是数学技巧，而是特征分解的物理）。由此推出整个方法论：任意信号按 $e^{st}$ 展开（傅里叶级数/变换 = 选虚轴上的 s、拉普拉斯 = 全平面）、系统作用 = 每个分量乘 H——"时域微分方程 → 频域代数方程"的降维打击有了第一性解释。离散版本：$z^n$ 是特征函数、H(z) 是系统函数。这条线索解释了为什么三个变换共享全部定理（时移、频移、卷积、Parseval——都是"特征函数基"的性质）。教学结论：学好第二章，后面三章（级数/傅里叶/拉氏/Z）都是同一件事在不同基上的重演——这是 Oppenheim 全书最值得带走的一句话。

工程案例细节：系统级联与"黑盒建模"工程版

第二章的工程出口：多级系统的带宽预算（级联系统等效带宽 ~ 1/√(Σ(1/Bi²))——示波器探头 + 电缆 + 放大器的总带宽计算；测量系统带宽必须高于信号带宽才不"变胖"）；均衡器设计（信道 h_c 已知 ⟹ 均衡 h_eq ≈ 1/h_c——通信均衡器的逆卷积思想；最小相位保证逆系统因果稳定）；音频链路的延迟预算（卷积混响的延迟、buffer 大小的选择（低延迟小 buffer vs 高效率大 buffer）——卷积实现方式（直接/频域分块）决定延迟）；传感器建模（热电偶一阶响应 + 电缆分布参数——"测不到的快变化是传感器 h(t) 低通掉的"）。卷积章的职业价值：它教会工程师"级联 = 卷积 + 带宽打折"的系统直觉。