数字信号处理课程习题解答精讲 - 门爱东

原创于 2025-08-10 14:44:30 发布 · 468 阅读

本内容遵循CC 4.0 BY-SA版权协议

简介：本书是为北京邮电大学考研复试学生准备的《数字信号处理》课程学习资料，由门爱东编著。它不仅涵盖了数字信号处理的关键概念和理论，还提供了详细的课后习题答案，帮助学生深入理解并掌握信号与系统、Z变换、离散时间傅里叶变换、快速傅里叶变换、滤波器设计、谱分析、信号恢复与去噪等核心知识点。通过这些习题的练习，学生能有效提高理论知识和实际操作能力，为考研复试做好充分准备。
数字信号处理课后题答案门爱东

1. 信号与系统概念及转换

在现代通信和数字信号处理（DSP）的世界里，理解和掌握信号与系统的基础概念至关重要。本章节将详细介绍信号的基本概念、系统的分类与特性，以及信号的时域和频域表示方法。我们还将探讨模拟信号与数字信号之间的转换原理，为读者在后续章节中深入研究Z变换、快速傅里叶变换（FFT）、数字滤波器设计和谱分析等高级主题打下坚实基础。

1.1 信号的基本概念

信号是信息的载体，可以是时间（连续或离散）、空间或其他变量的函数。在DSP中，我们主要关注时间序列信号。根据信号的性质，它们可以被分为确定性信号和随机信号。确定性信号是可预测的，比如正弦波；而随机信号则包含不可预测的成分，例如噪声信号。

1.2 系统的分类与特性

系统是一组将输入信号转换为输出信号的数学运算或物理过程。系统根据其对信号的处理方式可以分为线性系统和非线性系统、时不变系统与时变系统、稳定系统和不稳定系统等。理解系统分类有助于我们选择合适的数学模型来分析系统性能。

1.3 信号的时域与频域表示

信号可以通过时域或频域来表示。时域信号直接反映了信号随时间的变化情况，而频域信号则显示了不同频率分量对信号的贡献。傅里叶变换是实现从时域到频域转换的关键工具，它将复杂的时域信号分解为一系列简谐波的叠加，从而简化了信号分析和处理。

1.4 模拟信号与数字信号的转换原理

模拟信号是连续变化的信号，而数字信号由离散的数值组成。模数转换（A/D转换）和数模转换（D/A转换）是信号处理中的重要过程。A/D转换器将模拟信号转换为数字信号，主要通过采样、量化和编码三个步骤实现。而D/A转换则是将数字信号转换回模拟信号的过程。在这一章的末尾，我们将深入探讨这些转换的原理和实现方法。

2. Z变换与离散时间傅里叶变换（DTFT）

2.1 Z变换的基础理论

2.1.1 Z变换的定义与性质

Z变换是离散时间信号处理领域的一个核心工具，它将一个离散时间信号转换为复频域表示，从而在频域中分析信号特性。Z变换的数学定义可表述为：

[X(z) = \sum_{n=-\infty}^{\infty} x[n]z^{-n}]

其中，(x[n])是时间域中的离散信号，(X(z))是复频域中的表示，(z)是复数变量。(z^{-n})可以看作是信号在复频率(z)下的权重，体现了信号在不同时间点的累积效应。

Z变换的主要性质包括线性、时移、频率尺度变换和卷积定理等。例如，时移性质表明，如果(x[n])的Z变换是(X(z))，那么(x[n-k])的Z变换是(z^{-k}X(z))。这些性质在信号处理和系统分析中非常有用，它们简化了许多复杂问题的求解。

# 示例：使用Python进行Z变换
from sympy import symbols, z变换函数

# 定义符号变量
z = symbols('z')
n = symbols('n', integer=True)
x = symbols('x')

# 定义一个离散时间信号x[n]
x_n = [1, 2, 3, 4, 5]  # 示例信号
X_z = sum(x_n[k]*z**(-k) for k in range(len(x_n)))

X_z

上述代码块演示了如何使用Python的Sympy库来计算离散信号的Z变换。每一项(x[n]z^{-n})被逐个累加，得到(X(z))。

2.1.2 Z变换的逆变换

Z变换的逆变换是将信号从复频域恢复到时域的过程，这是信号处理中非常关键的一个步骤。逆变换的公式为：

[x[n] = \frac{1}{2\pi j}\oint_C X(z)z^{n-1}dz]

其中，(C)是围绕(z=0)的封闭路径。在实际应用中，这种积分运算通常通过查找Z变换表或者使用留数定理等数学技巧来实现。

2.2 离散时间傅里叶变换（DTFT）的引入

2.2.1 DTFT的定义和物理意义

离散时间傅里叶变换（DTFT）是分析离散时间信号频谱的重要工具。DTFT将离散时间信号映射到连续的频域中，其定义为：

[X(e^{j\omega}) = \sum_{n=-\infty}^{\infty} x[n]e^{-j\omega n}]

这里，(X(e^{j\omega}))是信号(x[n])的DTFT表示，(\omega)是归一化频率变量。DTFT揭示了信号中不同频率成分的分布情况，并且允许我们分析和处理信号的频率特性。

DTFT在信号处理中有广泛的应用，如在信号滤波、频谱分析和信号压缩等领域的应用中起到关键作用。

graph LR
    A[离散时间信号x[n]] -->|Z变换| B(Z域表示X(z))
    B -->|逆变换| A
    B -->|z→e^jω| C(DTFT X(e^jω))
    C -->|逆DTFT| B

2.2.2 Z变换与DTFT的关系

Z变换和DTFT之间存在密切的关系。实际上，DTFT可以看作是Z变换在单位圆上的特殊情况。当(z = e^{j\omega})时，Z变换退化为DTFT。这种关系意味着，Z变换可以提供DTFT的所有信息，以及更多的频率域信息。

由于DTFT实际上是在复平面上的单位圆上进行的，它是一个无限长的序列。这与Z变换不同，Z变换考虑了信号的因果性，而DTFT则提供了信号完整频率响应的信息。

2.3 Z变换与DTFT的应用实例

2.3.1 信号处理中的应用

在信号处理中，Z变换和DTFT被用来分析系统的稳定性和频率响应，以及设计各种滤波器。例如，通过Z变换可以得到系统函数(H(z))，进而分析系统的稳定性、频率选择性和其他性能指标。

# 使用Python进行Z变换及其应用的一个简单实例
from sympy import symbols, z变换函数, exp

# 定义符号变量
z = symbols('z')
n = symbols('n', integer=True)
h = symbols('h')

# 定义一个理想低通滤波器的冲击响应
h_n = [1 if abs(n) < 5 else 0 for n in range(-10, 11)]

# 计算H(z)
H_z = sum(h[n]*z**(-n) for n in range(-10, 11))

# 通过Z变换得到的系统函数H(z)
H_z

该代码块通过定义一个理想低通滤波器的冲击响应，并使用Z变换计算了系统的系统函数(H(z))。这是对系统进行深入分析的第一步。

2.3.2 系统分析中的应用

在系统分析中，Z变换和DTFT提供了强大的工具来分析线性时不变（LTI）系统。通过Z变换，我们能够推导系统对不同输入信号的响应，并且能够评估系统的稳定性和因果性。例如，系统是否稳定可以通过判断(H(z))在单位圆内是否有极点来确定。

| 序号 | 系统特性       | Z变换中的特征 |
|------|----------------|---------------|
| 1    | 稳定性         | 极点全部在单位圆内部 |
| 2    | 因果性         | 极点全部在\(z\)平面上的右半部分 |
| 3    | 系统的频率响应 | \(H(e^{j\omega})\)的幅度和相位 |

通过上表所示，我们可以看出Z变换在系统分析中的一些关键特性。这可以帮助工程师在设计阶段预测和调整系统的性能。

本章节探讨了Z变换和DTFT的基础理论以及它们在信号处理和系统分析中的应用。下一章节将继续深入探讨快速傅里叶变换（FFT）算法，这是进一步提高频域分析效率的关键技术。

3. 快速傅里叶变换（FFT）算法

3.1 FFT算法的原理与特点

3.1.1 FFT与DFT的关系

快速傅里叶变换（FFT）是一种高效计算离散傅里叶变换（DFT）及其逆变换的算法。DFT是一种将时域信号转换为频域信号的方法，广泛应用于信号处理领域。然而，直接计算DFT需要的复杂数量级为N^2，对于大数据量的信号处理而言非常耗时。FFT算法的提出，将这一复杂度降低到了NlogN，大大提高了计算效率。

为了理解FFT算法如何实现这一突破，需要先回顾DFT的基本定义。对于一个长度为N的复数序列x[n]，其DFT定义为：

[ X[k] = \sum_{n=0}^{N-1} x[n] \cdot e^{-j \frac{2\pi}{N} kn}, \quad k=0,1,…,N-1 ]

其中，(j)表示虚数单位。FFT算法的创新之处在于利用了DFT的周期性和对称性，通过对原始信号进行适当的重排和组合计算，分而治之，从而实现快速计算。

3.1.2 FFT算法的数学推导

FFT算法的推导基于将DFT分解为更小的DFTs，进而递归地应用相同的分解策略。例如，将N点DFT分解为两个N/2点的DFTs，然后再分解，直至分解到长度为2的DFTs。这种方法通常被称为分治算法。

一个常用的FFT算法是Cooley-Tukey算法，它适用于长度为2的幂次的DFT计算。该算法的关键思想是将原始序列进行“位反转”（bit-reversal）重排，然后将DFT分解为两部分：一部分处理偶数索引点，另一部分处理奇数索引点。通过这种方式，将一个N点DFT问题分解为两个N/2点DFT问题，以此类推，直至分解为N个长度为1的DFT问题，这些长度为1的DFT可以直接得到结果。

由于FFT算法通常需要实现为计算机程序，因此在讲述具体实现时，还需要关注算法的具体步骤、计算流程以及如何优化这些步骤以提高计算速度。

3.2 FFT算法的实现与优化

3.2.1 基本FFT算法实现

基本FFT算法的实现可以分为几个步骤。首先，创建原始信号的位反转排列。然后，对位反转排列后的信号应用蝶形运算。蝶形运算指的是将序列中的一些元素相加减，以得到新的元素，这是FFT算法的核心部分。这些步骤重复应用，直到所有的DFT系数都被计算出来。

在编程实现中，通常会使用递归或迭代的方式来进行FFT的计算。下面是使用Python语言实现FFT算法的一个简化示例：

import numpy as np

def fft(x):
    N = len(x)
    if N <= 1: return x
    even = fft(x[0::2])
    odd = fft(x[1::2])
    T = [np.exp(-2j * np.pi * k / N) * odd[k] for k in range(N // 2)]
    return [even[k] + T[k] for k in range(N // 2)] + [even[k] - T[k] for k in range(N // 2)]

# 示例输入
x = np.random.random(16)
print(fft(x))

该代码段利用了Python的列表切片功能来实现信号的分段，并递归地计算每个部分的FFT。这种方法非常直观，适合于理解FFT算法的核心思想。

3.2.2 FFT算法的优化技术

虽然基本FFT算法在计算上已经比DFT有了巨大进步，但是仍然存在进一步优化的空间。这些优化方法包括：

内存访问模式优化 ：减少因内存访问导致的延迟，例如通过使用缓存友好的数据访问模式。
循环展开 ：减少循环控制的开销，特别是对于低层的硬件优化。
多线程和并行计算 ：利用现代多核处理器进行并行计算，将FFT任务分布到多个处理核心上。
算法变种 ：根据具体应用选择或设计适合的FFT算法变种，例如适用于实时信号处理的固定点FFT算法等。

优化的细节将直接影响FFT算法的执行效率和适用性。在某些情况下，对特定硬件和应用场景的优化可以带来显著的性能提升。

3.3 FFT算法在信号处理中的应用

3.3.1 谱分析

FFT算法在谱分析中的应用十分广泛，它允许我们对信号进行快速的频域分析。在频域中，可以观察到信号的频率成分、振幅和相位信息，这些信息对于信号的特征提取和信号质量分析至关重要。

3.3.2 信号压缩与编码

FFT算法还可以用于信号压缩和编码。通过FFT转换到频域，可以在不损失太多信号质量的前提下，去除一些高频的、能量较小的成分，从而实现信号压缩。同时，这种方法也广泛应用于数字音频和图像的编码标准中，如MP3和JPEG。

在实际应用中，FFT算法与各种信号处理技术相结合，为工程师和科研人员提供了强大的分析和处理工具，从而推动了通信、雷达、音频和视频处理等领域的技术发展。

4. 数字滤波器设计方法

4.1 数字滤波器的基础知识

数字滤波器是数字信号处理中的核心，负责对信号进行频率选择性处理。理解数字滤波器的基础知识，对于设计高效、可靠的信号处理系统至关重要。

4.1.1 数字滤波器的分类

数字滤波器主要分为有限冲击响应（FIR）滤波器和无限冲击响应（IIR）滤波器两大类。

FIR滤波器 ：FIR滤波器具有固定的冲击响应时间，其输出仅依赖于当前和过去的输入值。由于FIR滤波器是因果系统且稳定，它在实际应用中非常受欢迎。FIR滤波器的设计通常采用窗函数法和频率采样法。
IIR滤波器 ：与FIR滤波器不同，IIR滤波器的冲击响应无限延续。这种滤波器通常由一个非递归部分（FIR）和一个递归部分组成，因此它们可以实现更高的选择性，同时使用较少的计算资源。然而，IIR滤波器可能存在稳定性问题，其设计通常较为复杂。

4.1.2 滤波器的性能指标

在设计数字滤波器时，以下性能指标至关重要：

幅度响应 ：滤波器对不同频率成分的放大或衰减能力。
相位响应 ：滤波器对信号相位的影响。
群延迟 ：不同频率成分通过滤波器时的延迟。
过渡带宽度 ：通带到阻带之间的过渡区宽度。
纹波和衰减 ：在通带和阻带中允许的最大幅度波动。

4.2 数字滤波器的设计方法

4.2.1 有限冲击响应（FIR）滤波器设计

FIR滤波器设计过程涉及选择合适的滤波器类型和参数，以满足特定的应用需求。常见的设计方法包括窗函数法和频率采样法。

窗函数法 ：该方法通过选择一个窗函数和理想的滤波器响应来构造实际的滤波器系数。窗函数（如汉宁窗、汉明窗）会减少理想滤波器设计中的边缘效应。

% MATLAB代码示例：使用汉宁窗设计一个低通FIR滤波器
N = 50; % 滤波器阶数
fc = 0.3; % 截止频率
n = 0:N; % 时域采样点
h = (sin(2*pi*fc*(n-(N/2)))) ./ (pi*(n-(N/2))); % 理想低通滤波器冲激响应
w = hann(N+1)'; % 汉宁窗
h = h .* w; % 应用窗函数

频率采样法 ：该方法基于频率采样点的值来直接计算滤波器系数，特别适用于自定义滤波器响应。

4.2.2 无限冲击响应（IIR）滤波器设计

IIR滤波器设计通常更为复杂，因为它们涉及到反馈结构。设计IIR滤波器时，可以使用模拟原型法和双线性变换法。

模拟原型法 ：设计时首先创建一个模拟滤波器原型，然后通过频率变换转换为数字滤波器。
双线性变换法 ：该方法通过将s平面映射到z平面，以获取数字滤波器的系数。

% MATLAB代码示例：使用双线性变换法设计一个低通IIR滤波器
N = 4; % 滤波器阶数
fc = 0.3; % 截止频率
[b, a] = butter(N, fc, 'low'); % 巴特沃斯滤波器设计

4.3 数字滤波器的实现与应用

4.3.1 滤波器的结构与实现

数字滤波器可以通过不同的结构实现，包括直接型、级联型、并联型和频率采样型。每种结构都有其优缺点，适合不同的应用。

直接型结构 ：直接型结构简单直观，直接实现滤波器差分方程。
级联型结构 ：级联型结构将滤波器分解为多个二阶节，便于实现高阶滤波器。

4.3.2 滤波器在系统中的应用实例

数字滤波器广泛应用于信号增强、噪声抑制、信号检测等领域。

信号增强 ：通过滤波器去除噪声，增强信号中感兴趣的成分。
噪声抑制 ：设计带阻或高通滤波器，去除特定频率范围内的噪声。

滤波器设计是一个多学科交叉的领域，涉及信号处理、系统理论、数值方法等。理解滤波器设计的不同方法、性能指标及其实际应用，对于开发高质量的数字信号处理系统至关重要。

5. 谱分析：功率谱密度（PSD）与自相关函数

5.1 功率谱密度（PSD）的理论基础

5.1.1 PSD的定义和计算

功率谱密度（Power Spectral Density, PSD）是信号处理领域中描述随机信号功率分布特性的重要工具。它提供了一个信号在频域内每个频率成分上的功率分布情况。换句话说，PSD告诉我们信号能量是如何随频率变化的。

对于离散时间信号x[n]，其功率谱密度可以通过对其自相关函数Rxx[m]进行傅里叶变换得到。数学上表示为：

[ PSD(f) = \sum_{m=-\infty}^{\infty} R_{xx}[m] e^{-j2\pi fm} ]

其中，( R_{xx}[m] )是信号的自相关函数，( f )是频率。

在实际计算中，对于一个长度为N的信号序列，我们通常使用快速傅里叶变换（FFT）来获得其功率谱密度的估计值。例如，假设x[n]为一个N点的信号序列，我们可以按照以下步骤计算PSD：

计算信号x[n]的自相关序列 ( R_{xx}[m] )，( m = 0, 1, …, N-1 )。
应用FFT算法到 ( R_{xx}[m] ) 以获得 ( PSD(f) ) 的估计值。

代码示例（假设Python语言）:

import numpy as np
from scipy.fftpack import fft

# 假设x是获取的信号数据序列
x = np.array([...])

# 计算自相关的长度为N的一维序列
N = len(x)
Rxx = np.correlate(x, x, mode='full')[-N:]

# 计算PSD估计值，只取正频率部分
PSD = np.abs(fft(Rxx))**2 / N

# 绘制频谱图
import matplotlib.pyplot as plt
frequencies = np.fft.fftfreq(N, d=1)[:N//2]  # 取正频率部分
plt.plot(frequencies, PSD[:N//2])
plt.title("Power Spectral Density")
plt.xlabel("Frequency")
plt.ylabel("Power/Frequency")
plt.show()