信号与系统这门课我前后啃过三遍。第一遍是本科跟着老师划重点考完试脑子里只剩几个公式第二遍是准备考试把奥本海姆那本砖头书从头推到尾推完了还是没搞明白为什么非要在频域里绕一圈第三遍是工作以后做振动信号分析和滤波器参数整定才真正把当年背的那些东西串成了一条线。这篇信号与系统_微总结不是教材目录的缩写版而是我把六大块内容压成几张能随身带的图、几张能直接查的表外加一页能跑通的代码。它解决的是同一个问题概念都看过但一遇到具体题目或者真实数据就不知道从哪儿下手。适合正在上课、正在复习、或者工作里需要临时捡回这门课的人也适合把它当成一份查漏补缺的对照清单——你不用从头读到尾哪个环节虚就从哪一节切进去。1. 信号与系统整体骨架拆解为什么微总结比通读教材更高效1.1 这门课从头到尾只在回答一个问题把教材翻到最后一页再回头看会发现整本书其实只围绕一句话展开给定一个输入信号和一个系统求输出信号。连续时间也好离散时间也好时域分析也好变换域分析也好全都是这一个问题的不同解法。这句话听起来像废话但它的价值在于——当你卡在某个推导里出不来的时候可以退回来问自己我现在到底在求什么我是想求输出的时域波形还是只想判断系统稳不稳定还是只想看某个频率分量被放大了多少目标不同该用的工具完全不同。由此派生出来的核心问题清单其实很短输入信号怎么描述信号分类、基本运算、奇异信号系统怎么描述微分/差分方程、冲激响应、系统函数输入和系统怎么结合卷积结合之后怎么看变换域看完了怎么判断好坏稳定性、因果性、频率响应、失真。这六个问题对应六个模块每一模块都有它不可替代的位置。很多人学得累是因为把六个模块平铺着背没有意识到后面的模块是在给前面的模块换一个更好算的坐标系。我之前带过一个同学他把傅里叶变换的所有性质背得滚瓜烂熟但问他为什么时域卷积等于频域相乘他答不上来。这就是典型的模块割裂。卷积在时域里要算积分遇到稍微复杂一点的信号就非常痛苦而变换到频域以后卷积变成乘法一个逐点相乘就完事了。整个变换域的存在意义就是把难算的运算换成好算的运算。记住这条很多性质就不用死记了。1.2 三条主线时域、频域、复频域真正把课程撑起来的是三条并行的主线我习惯把它们画成三列时域主线关心的是波形本身。信号怎么分解成基本单元冲激、阶跃系统怎么用冲激响应描述输出怎么通过卷积得到。这条线的优点是直观——你能在示波器上看到它缺点是计算量大卷积积分往往没有解析解。频域主线关心的是这个信号里有哪些频率成分各占多少。傅里叶级数处理周期信号傅里叶变换处理非周期信号频率响应描述系统对不同频率的放大衰减和相移。这条线的优点是物理意义清楚滤波器设计、调制解调、频谱分析全靠它缺点是要求信号满足收敛条件像 e^{2t}u(t) 这种增长型信号根本做不了傅里叶变换。复频域主线拉普拉斯变换、Z 变换是频域的扩展版。把变量从纯虚的 jω 推广到复平面上的 s或者从单位圆上的 e^{jΩ} 推广到整个 z 平面收敛问题就解决了代价是丢掉了一部分直觉——极点零点图不如频谱图那么一眼看懂。但换来的是可以直接用代数方法判断稳定性这是频域做不到的。三条线之间的关系可以用一句话概括复频域沿虚轴或单位圆取值就退回成频域频域再加一层周期性延拓就是离散傅里叶变换那一套。理解了这个嵌套关系你再看教材的章节排序就不会觉得突兀了。1.3 微总结的三层压缩法一页图、一张表、一段代码我做微总结用的是三层压缩从抽象到具体逐层落地。第一层是一页结构图。用一张纸画完六个模块的箭头关系信号描述 → 系统描述 → 卷积 → 变换域 → 性能指标。这张图的作用是防迷路任何时候卡住了就回来看一眼自己在哪个格子里。注意这张图要自己手画不要抄别人的手画的过程就是在建立自己的索引。第二层是一张对照表。把三大变换的适用对象、变量、收敛条件、稳定性判据、常用变换对全部列成表格。表格的好处是可以横向比较而横向比较容易暴露理解上的漏洞。比如你可能记不住拉普拉斯变换的收敛域怎么求但只要把右边信号的收敛域在最右极点右侧这条规则写进表格复习时扫一眼就回来了。第三层是一段可运行的代码。抽象概念最大的问题是没法验证。你说你懂了卷积那就用 Python 把两个信号的卷积算出来和理论解析解对一下你说你懂了混叠那就采样一个 5 Hz 的正弦看它是不是真的变成了 3 Hz。代码是唯一能给你我确实算对了这种确定感的东西。提示三层压缩的顺序不要颠倒。先有结构图再有表格最后才写代码。反过来做的话你会变成在调代码而不是在学课程。2. 核心概念细节解析信号分类、系统性质与卷积这三个地基2.1 信号分类与奇异信号最容易被翻过去的细节信号分类本身不难但分类的用途经常被忽略。能量信号和功率信号的区别直接决定了你能不能用帕塞瓦尔定理去算能量周期信号和非周期信号的区别直接决定了你该用傅里叶级数还是傅里叶变换。分类不是知识点是选工具的依据。具体的判断标准能量有限且非零的是能量信号比如 e^{-at}u(t)a0平均功率有限且非零的是功率信号比如常数、正弦、周期方波。这里有个容易搞错的地方——一个信号不可能既是能量信号又是功率信号但可以两者都不是比如 t u(t)它的能量和功率都发散。真正需要下功夫的是奇异信号也就是单位冲激 δ(t) 和单位阶跃 u(t)。δ(t) 不是一个普通函数它是一个广义函数定义方式是靠它和其他函数作用的结果∫x(t)δ(t-t₀)dt x(t₀)。这个式子叫抽样性质是后面所有推导的起点。δ(t) 有几个必须刻在脑子里的性质。第一是尺度性质δ(at) δ(t)/|a|这个负号取绝对值容易漏我在做题时至少栽过三次。第二是它与阶跃的关系du(t)/dt δ(t)反过来 ∫δ(τ)dτ 从负无穷到 t 就是 u(t)。第三是卷积性质x(t) * δ(t-t₀) x(t-t₀)这条说明了冲激就是卷积的单位元任何信号和冲激卷积都只是把自己平移一下。复习的时候可以把这些性质整理成一张小卡片。因为后面算卷积、算系统响应冲激和阶跃会反复出现性质记错了整道题就全错。2.2 系统性质判断线性、时不变、因果、稳定的实操判法系统性质的判断在所有考试里都是送分题但也是最容易感觉对就写的送命题。我的做法是给每个性质准备一个固定的判定动作不靠感觉。线性的判断动作是先检查零输入是否对应零输出这是必要条件但注意不是充分条件——有一些增量线性系统满足零入零出却非线性比如 y(t) x(t) t 就不满足因为输入为零时输出是 t 不是零。然后检查叠加性设 x₁→y₁、x₂→y₂那么 a x₁ b x₂ 是否等于 a y₁ b y₂。看到输出里有 x 的平方、x 的乘积、或者 x 的常数项基本可以直接判定非线性。时不变的判断动作是把输入整体延迟 t₀看输出是不是也只延迟 t₀函数形状不变。典型的时变系统是 y(t) x(2t)时间尺度变了和 y(t) x(t)cos(t)系数随 t 变以及离散里的 y[n] x[2n]抽取。这两个例子一定要记牢考试出现频率极高。因果的判断动作是看输出 y(t) 或者 y[n] 的表达式里有没有用到未来时刻的输入比如 x(t1)、x[n1]。有就是非因果。要注意的是因果性只跟输入有关跟时间变量 t 本身的正负无关。稳定的判断动作分两种场景。时域里一个线性时不变系统 BIBO 稳定等价于它的冲激响应绝对可积连续或绝对可和离散即 ∫|h(t)|dt ∞。复频域里连续系统看极点是否全部在左半平面实部小于零离散系统看极点是否全部在单位圆内模小于一。这两种判法要能自由切换。下面这张表是我复习时贴在桌前的版本判定项核心定义快速判断技巧常见反例线性叠加性加齐次性看输出里有没有 x 的平方、乘积、常数项y(t)x²(t)、y(t)x(t)1时不变x(t-t₀) 对应 y(t-t₀)看 t 是否以 t-t₀ 之外的形式出现在变量里y(t)x(2t)、y[n]x[2n]因果输出不依赖未来输入找 x(t1)、x[n1] 这类项y[n]x[n1]稳定有界输入必有有界输出连续看 ∫h记忆性是否只依赖当前时刻看有没有 x(t-1)、x[n-1] 这类历史项y[n]x[n]x[n-1]注意稳定性判断有个隐蔽陷阱——增量线性系统比如带直流偏置的系统同样适用极点判据但前提是系统本身要能写成传递函数的形式。遇到不能写成有理分式的系统老老实实回到时域用绝对可积去判。2.3 卷积为什么是整门课的地基卷积是整门课出现频率最高的运算没有之一。它之所以重要是因为它建立了一个极为漂亮的结论线性时不变系统的输出完全由输入和冲激响应决定决定的方式就是卷积。也就是说你只要知道系统对单个冲激的响应 h(t)就能算出它对任意输入的响应不需要重新解微分方程。这个结论的推导思路值得捋一遍任何一个信号都能近似表示成一堆加权、延迟的冲激之和即 x(t) ≈ Σ x(kΔτ)δ(t-kΔτ)Δτ。取极限就是 x(t) ∫x(τ)δ(t-τ)dτ。因为系统是线性的叠加性允许多个输入分别作用再相加因为系统是时不变的冲激延迟了响应也跟着延迟同样多。两边一组合就得到了 y(t) ∫x(τ)h(t-τ)dτ。计算卷积有两套方法。图解法适合理解步骤是四步翻褶、平移、相乘、积分。翻褶是把 h(τ) 关于纵轴翻转成 h(-τ)平移是把 h(-τ) 沿横轴滑到 h(t-τ)然后在两个信号重叠的区间里把乘积积起来。图解法的关键是分段讨论重叠区间随 t 变化所以答案通常是分段函数。很多人栽在分段上漏掉某一段没写。解析法适合做题尤其是两个矩形脉冲卷积这种经典题型。我一般会先画出两个信号的支撑区间确定卷积结果的支撑区间长度等于两个信号长度之和然后逐段确定积分上下限。这里有个非常实用的结论两个宽度分别是 T₁ 和 T₂ 的矩形脉冲卷积结果是梯形或三角形总宽度 T₁T₂平顶宽度是 |T₁-T₂|。这个结论能让你在写出答案之前就预判形状再也不怕算错。离散卷积的公式是 y[n] Σ x[k]h[n-k]本质和连续一样只是积分换成求和。计算时推荐用竖式列表法把 x 和 h 的系数按顺序写成两行逐位相乘再错位相加比翻褶平移快得多也不容易出错。2.4 冲激响应与系统函数从 h(t) 到 H(s) 的桥冲激响应 h(t) 是系统在时域的身份证明系统函数 H(s) 是它在复频域的身份证明两者是一对拉普拉斯变换。这个对应关系是整个课程里最值钱的一条线索时域的卷积 ↔ 复频域的乘积。有了它解微分方程变成了代数运算。具体操作是这样的给定微分方程先两边取拉普拉斯变换假设零初始条件把 d/dt 换成 s、d²/dt² 换成 s²然后整理出 H(s) Y(s)/X(s)。得到的 H(s) 通常是有理分式分母多项式的根就是极点分子多项式的根就是零点。这一套流程必须练到闭着眼都能完成。H(s) 的用处有三个。第一判断稳定性极点实部全为负则稳定。第二求冲激响应做部分分式展开再逐项反变换。第三求频率响应把 s 换成 jω 就得到了系统对不同频率的增益和相移。这三个用途覆盖了大部分考题的类型。冲激响应本身还有几个信号学直觉值得建立h(t) 里含有 δ(t) 项说明系统有直通路径h(t) 是有限时长的说明系统有记忆但记忆有限FIRh(t) 会随时间衰减到零的速度决定了系统对输入变化的响应快慢。这些直觉在后面的滤波器设计里会反复用到。3. 三大变换的对比与选型傅里叶、拉普拉斯、Z 变换该怎么挑3.1 傅里叶变换看频谱的前提是能收敛傅里叶级数处理周期信号把信号拆成一堆谐波之和核心公式是指数形式x(t) Σ Cₙe^{jnω₀t}其中 Cₙ (1/T)∫x(t)e^{-jnω₀t}dt。这个 Cₙ 就是第 n 次谐波的复振幅模代表幅度、辐角代表相位。周期方波的频谱是离散的 sinc 形状这个例子几乎是每本教材的保留节目一定要能自己推一遍。傅里叶变换处理非周期信号可以理解为周期 T 趋于无穷时傅里叶级数的极限频谱从离散变成连续。公式是 X(jω) ∫x(t)e^{-jωt}dt。它成立的前提是狄利克雷条件信号绝对可积、在任何有限区间内只有有限个极值点、只有有限个第一类间断点。前两条一般都能满足卡人的是第一条——绝对可积。绝对值可积这个条件看起来宽松实际上很多信号不满足。常数信号不满足阶跃信号不满足正弦信号不满足增长型指数 e^{at}u(t)a0更不满足。教材的处理办法是允许变换式里出现冲激函数比如 u(t) 的傅里叶变换是 1/(jω) πδ(ω)那个 δ(ω) 就是专门用来兜底的。考试里遇到这类信号的傅里叶变换记得有这个处理方式。傅里叶变换的性质里最常用的有六条我用一张表整理性质时域频域时移x(t-t₀)X(jω)e^{-jωt₀}频移x(t)e^{jω₀t}X(j(ω-ω₀))尺度x(at)(1/卷积x(t)*h(t)X(jω)H(jω)乘积x(t)h(t)(1/2π)X(jω)*H(jω)微分dx/dtjωX(jω)尺度性质里那个 1/|a| 和绝对值也是高频扣分点。时域压缩对应频域展宽这条物理意义要想清楚一个脉冲越窄它占的频带就越宽这是后面采样定理和时频不确定性的基础。常用变换对也整理成一张表时域 x(t)频域 X(jω)δ(t)112πδ(ω)u(t)1/(jω) πδ(ω)e^{-at}u(t), a01/(ajω)宽度为 τ 的矩形脉冲τ·Sa(ωτ/2)Sa(Wt)(π/W)·rect(ω/2W)这张表要背而且要做到正着用、反着用都熟。3.2 拉普拉斯变换稳定性判据藏在 ROC 里拉普拉斯变换把变量从 jω 推广到 s σ jω公式是 X(s) ∫x(t)e^{-st}dt。推广带来的直接好处是只要 σ 取得足够大e^{-σt} 就能把增长型信号压下去所以像 e^{at}u(t) 这种信号在拉普拉斯域里也能处理。代价是多了一个必须交代的东西——收敛域 ROC。同一个 X(s) 表达式配上不同的收敛域对应的是完全不同的时域信号。这是拉普拉斯变换最容易被忽视、也最容易出题的地方。ROC 的规则要记牢它是 s 平面上平行于虚轴的带状区域对右边信号tt₀ 时为零ROC 在最右极点的右侧对左边信号tt₀ 时为零ROC 在最左极点的左侧对双边信号ROC 是两极之间的带状对有限长信号ROC 是整个 s 平面可能要排除 s0 或 s∞。稳定性和因果性的关系可以用一句话锁死因果系统要求 ROC 在最右极点右侧稳定系统要求 ROC 包含虚轴两者同时满足等价于所有极点都在左半平面。这句话我在复习时写在了每一页笔记的页脚考场上遇到判断稳定性的题直接数极点实部的符号就行。常用变换对我列一下时域 x(t)X(s)收敛域δ(t)1全平面u(t)1/sRe{s}0e^{-at}u(t)1/(sa)Re{s}-at·u(t)1/s²Re{s}0cos(ω₀t)u(t)s/(s²ω₀²)Re{s}0sin(ω₀t)u(t)ω₀/(s²ω₀²)Re{s}03.3 Z 变换与单位圆离散系统的对应关系Z 变换是拉普拉斯变换在离散域的对应物公式是 X(z) Σ x[n]z^{-n}其中 z re^{jΩ}。坐标系的对应关系要建立起来s 平面上的虚轴对应 z 平面上的单位圆s 左半平面对应单位圆内部s 右半平面对应单位圆外部。这个映射关系搞清楚了连续系统的所有结论都能平移过来。离散系统的稳定性判据就一句话所有极点在单位圆内。因果系统的 ROC 在最外层极点的外侧稳定系统的 ROC 包含单位圆两者结合就是极点模长全小于一。常用的 Z 变换对时域 x[n]X(z)收敛域δ[n]1全 z 平面u[n]1/(1-z⁻¹)aⁿu[n]1/(1-az⁻¹)-aⁿu[-n-1]1/(1-az⁻¹)注意中间两行表达式完全一样收敛域不同对应的时域信号一个是右边序列一个是左边序列。这就是 ROC 重要性的最好证明。差分方程的求解套路和微分方程完全平行两边做 Z 变换用移位性质y[n-1] 对应 z⁻¹Y(z) 加上初始条件项整理出 H(z) Y(z)/X(z)然后部分分式展开、查表反变换。练熟这套流程离散系统的题目就没什么难度了。3.4 一张表把三大变换摆在一起看学到这里最有价值的一件事是把三大变换横向摆在一起对比。我用的表格是这样的维度傅里叶变换拉普拉斯变换Z 变换适用对象连续时间连续时间离散时间变换变量jω只在虚轴s σ jω全平面z re^{jΩ}全平面收敛条件绝对可积收敛域内收敛域内稳定判据不涉及极点全在左半平面极点全在单位圆内处理增长信号不能能能与卷积的关系乘积乘积乘积物理意义频谱复频域含暂态信息复频域离散对应这张表的价值在于当你拿到一道题先看信号是连续还是离散再看是不是增长型再看要不要判断稳定性三步就能锁定该用哪个变换。我见过太多人在该用拉普拉斯的地方硬套傅里叶然后卡在收敛上出不来。4. 用 Python 把抽象概念跑成看得见的图完整实操流程4.1 环境准备与基础信号生成先把环境搭起来。我一般用 conda 建一个独立环境避免和系统里的包打架conda create -n sigsys python3.11 -y conda activate sigsys pip install numpy scipy matplotlib代码里统一用 numpy 处理数组scipy 负责信号处理相关的函数matplotlib 负责画图。中文显示需要额外设置字体否则标题会变成方框import numpy as np import matplotlib.pyplot as plt plt.rcParams[font.sans-serif] [SimHei] plt.rcParams[axes.unicode_minus] False基础信号的生成封装成函数后面反复调用def u(t): 单位阶跃注意用 而不是 避免 t0 处歧义 return (t 0).astype(float) def rect(t, width1.0): 中心在原点、给定宽度的矩形脉冲 return ((np.abs(t) width / 2)).astype(float) def sa(x): 采样函数 sin(x)/xx0 处取极限 1 return np.where(np.abs(x) 1e-12, 1.0, np.sin(x) / np.where(np.abs(x) 1e-12, 1.0, x))时间轴的采样率要足够高。这里有个经验值如果信号最高频率是 f_max时间步长取 dt ≤ 1/(20·f_max)画出来的波形才够光滑。我在一开始做的时候用了 dt 0.01 去画 50 Hz 的正弦结果画出来是一团锯齿调了半天才发现是采样不够。提示sa(x) 在 x 趋近于零时要单独处理。直接用 np.sin(x)/x 会在 x0 处产生 NaN 警告画图时会断线。4.2 卷积的两种实现与误差对比卷积我用两种方法实现直接数值积分和 FFT。直接法的代码如下import numpy as np t np.linspace(-2, 5, 2000) dt t[1] - t[0] x np.exp(-1.0 * t) * u(t) # 输入衰减指数 h np.sin(2 * np.pi * t) * u(t) * (t 1.5) # 冲激响应限时正弦 y_direct np.convolve(x, h) * dt # 乘 dt 才是积分近似 ty np.arange(len(y_direct)) * dt 2 * t[0] # 卷积结果的时间轴这里有两个必须注意的点。第一np.convolve做的是求和不是积分所以要乘上时间步长 dt 才是积分的近似值否则结果的量纲和幅值都不对。第二卷积结果时间轴的起点是两个信号起点之和长度是 N₁N₂-1很多人画图时直接在原来的时间轴上画结果整个波形错位。FFT 法的实现N len(x) len(h) - 1 Nfft int(2 ** np.ceil(np.log2(N))) # 补零到 2 的幂速度更快 X np.fft.fft(x, Nfft) H np.fft.fft(h, Nfft) y_fft np.fft.ifft(X * H)[:N].real print(两种方法最大偏差:, np.max(np.abs(y_direct - y_fft)))正常情况下偏差应该在 1e-12 量级如果偏差很大八成是补零长度不够。FFT 做卷积的必要条件是补零长度不小于 N₁N₂-1否则会发生循环卷积混叠结果尾部会绕回到头部形成一个看起来很像但完全错误的波形。这个坑我在做音频处理的时候踩过一次排查了整整一个下午。实测下来2000 点的信号直接卷积耗时约 4 毫秒FFT 法耗时约 0.3 毫秒。点数越多差距越明显超过一万点以后 FFT 的优势是指数级的。4.3 频率响应与极点零点图的绘制频率响应和极点零点图是判断系统特性的两把钥匙。以二阶低通 H(s) 1/(s²s1) 为例b [1.0] # 分子系数从高次到低次 a [1.0, 1.0, 1.0] # 分母 s^2 s 1 w np.logspace(-1, 2, 1000) s 1j * w H np.polyval(b, s) / np.polyval(a, s) mag_db 20 * np.log10(np.abs(H)) phase np.unwrap(np.angle(H)) zeros np.roots(b) poles np.roots(a) print(极点:, poles) # [-0.50.866j, -0.5-0.866j]算出来的极点实部是 -0.5小于零说明系统稳定。这和我们手工分析的结果一致。画极点零点图的时候极点用叉号、零点用圆圈虚轴单独画一条线一眼就能看出极点在左还是在右。fig, ax plt.subplots(1, 2, figsize(12, 4)) ax[0].semilogx(w, mag_db) ax[0].set_xlabel(频率 (rad/s)) ax[0].set_ylabel(幅度 (dB)) ax[0].grid(True, whichboth, alpha0.3) ax[1].scatter(poles.real, poles.imag, markerx, s80, label极点) ax[1].scatter(zeros.real, zeros.imag, markero, s80, label零点) ax[1].axvline(0, colork, linewidth0.8) ax[1].set_xlabel(实部) ax[1].set_ylabel(虚部) ax[1].legend()离散系统换成 scipy 的 freqzfrom scipy import signal b [1.0] # 分子 a [1.0, -0.9] # 分母 1 - 0.9 z^-1 w, H signal.freqz(b, a, worN1024) poles_d np.roots(a) print(离散系统极点模长:, np.abs(poles_d)) # [0.9]小于 1稳定极点模长 0.9在单位圆内稳定。如果改成 a [1.0, -1.05]极点模长 1.05系统就不稳定了频响曲线会在某个频率上出现尖锐的峰值。注意画极点零点图时不要忘了单位圆。离散系统的稳定边界是单位圆不是虚轴。这个错误我在第一次做离散系统作业的时候犯过对着虚轴看了半天没看出问题。4.4 采样定理与混叠的动手验证采样定理说采样频率必须大于信号最高频率的两倍否则会发生混叠。这个结论背起来容易理解起来难。用代码跑一遍就清楚了fs 8.0 # 采样频率 8 Hz f0 5.0 # 信号频率 5 Hz t np.arange(0, 1.0, 1 / fs) x np.cos(2 * np.pi * f0 * t) # 混叠后的表观频率 f_alias abs(f0 - round(f0 / fs) * fs) # |5 - 1*8| 3 Hz print(表观频率:, f_alias) # 3.0采样率 8 Hz 小于信号频率 5 Hz 的两倍10 Hz所以发生混叠。采样后的点看起来像是 3 Hz 的正弦这就是混叠频率。你可以画图验证把 5 Hz 的密集正弦和 3 Hz 的稀疏正弦画在同一张图上采样点会完全落在 3 Hz 的曲线上。有意思的是混叠并不总是坏的。带通采样就是反过来利用这个特性对一个中心频率很高的窄带信号用远低于两倍中心频率的采样率去采只要采样率满足带宽的两倍仍然能无失真恢复。通信系统里大量使用这种技巧。实测下来验证混叠最直观的做法是做一段chirp信号的频谱。让频率从低扫到高采样率固定然后在频谱图上观察高频部分是不是折返回来了。折返点就是 fs/2也就是奈奎斯特频率。5. 常见问题与排查技巧实录5.1 概念类高频困惑速查表学这门课的人卡住的地方高度重合。我把最常被问到的整理成一张表遇到问题直接对号入座困惑根源正确理解为什么时域卷积等于频域相乘把变换当技巧而不是当坐标系变换是换坐标系卷积在频域天然是乘积ROC 到底有什么用只记表达式不记收敛域同一个式子配不同 ROC 是完全不同的信号为什么稳定要看极点没把时域绝对可积和复频域联系起来极点位置决定 h(t) 的衰减速度傅里叶变换和拉普拉斯差在哪不清楚收敛条件的差异拉普拉斯允许 σ 调节能压住增长信号卷积结果为什么是分段函数图解法分段没讨论全重叠区间随 t 变必须逐段写离散和连续公式长得一样直接类比没有验证积分换求和极点边界换单位圆这张表的用法不是背是自查。哪一行你看着觉得嗯好像不太确定那一行对应的知识点就是你的漏洞。5.2 代码与数值计算类问题排查用代码做信号仿真报错和异常结果基本集中在几类卷积结果幅值不对。八成是忘了乘时间步长 dt。连续卷积是积分np.convolve 做的是求和两者差一个 dt 因子。我在第一次算的时候结果比预期大了 100 倍就是因为 dt0.01 没乘。FFT 卷积结果尾部异常。检查补零长度是否达到了 N₁N₂-1。不够的话会发生循环卷积混叠结果会在尾部出现不该有的值。频响曲线在采样率一半处突然下降。这不是系统特性是数值计算的问题。离散频率响应的有效范围是 0 到 fs/2超过这个范围的点是镜像的没有物理意义。极点零点图看不到极点的虚部差异。检查一下坐标轴比例。如果实部和虚部数量级差很多图形会被压扁。中文显示成方框。加上 font.sans-serif 设置并且确认系统里装了这个字体。波形看起来是一团锯齿。采样率不够把 dt 减小或者用 np.linspace 增加点数。排查的顺序我一般是先检查时间轴和步长再检查数组长度再看补零最后才怀疑公式。绝大多数问题出在前两步。5.3 三阶段复习节奏与应试技巧最后说说复习节奏。我的微总结不是一次做完的是分三轮压缩出来的。第一轮是理解轮目标是能把每个结论的来龙去脉讲出来。这一轮不追求快一道卷积题可以花两个小时手推一遍推完了再写代码验证。这一轮结束时你应该能凭空写出卷积公式并解释每一项的含义。第二轮是结构化轮把知识整理成表格和结构图。这一轮的重点是横向比较把三大变换、四类系统性质、各种变换对放在一起看。这一轮结束时你手里应该有几张能贴在墙上的纸。第三轮是压缩轮目标是能把整门课在半小时内讲一遍。这一轮做的是删减把所有的推导过程去掉只留下结论和判据。这一轮结束时你剩下来的东西就是这篇微总结。应试上有几个具体技巧值得说一下。遇到判断稳定性的题先求极点别看冲激响应遇到求卷积的题先画支撑区间确定结果长度再动笔遇到傅里叶变换的题先扫一眼常用变换对表能查表的绝不动手推遇到离散系统的题先看极点模长判断稳定性再算其他。这些顺序看起来是小事但在考场上能省下大量时间。我个人的体会是这门课真正难的地方从来不是数学而是不知道什么时候该用哪个工具。所以后来我给自己定了一条规矩每学完一个模块就写一句话总结它解决什么问题。这句话写出来以后工具和问题就对上了题目自然也就不会做错方向。这个习惯到现在做实际工程项目还在用——看频响曲线的时候知道自己在看什么设计滤波器的时候知道该调哪个参数比记住一百个公式管用得多。