单位冲激响应:一个不存在的信号,如何成为系统的完整指纹
引子:给黑箱"敲"一下
假设你面前有一个黑箱。里面可能是一段电路、一根梁、一间音乐厅、一段血管,或者别的什么。你看不见内部,只能从外面送进一个输入,再从外面读出一个输出。
现在的问题是:最少需要做多少次实验,才能完全掌握这个黑箱对任意输入的反应?
如果这个黑箱是线性的、且不随时间变化,答案会显得相当不合常理:一次。
更不合常理的是,这一次实验所用的输入,是一个在任何示波器上都画不出来、在物理世界里也根本造不出来的信号——单位冲激 $\delta(t)$。
一个"不存在"的信号,激发出的响应,却能完整地锁定系统对一切真实输入的行为。这件事乍看像魔术。这篇文章想把这个魔术拆开:$\delta(t)$ 究竟是什么、为什么"一次测量"在逻辑上是够的、冲激响应 $h(t)$ 里到底藏着系统的哪些秘密、以及动手时应该怎么把它算出来。
我不打算把它写成教材的复述。教材告诉你"$y(t)=x(t)*h(t)$",这没错,但它通常不回答一个更根本的问题:为什么偏偏是 $\delta$?换成别的信号不行吗?
一、先把 $\delta(t)$ 说清楚:它不是函数
1.1 教材那个"无穷高、面积为一"的图,是一句善意的谎言
几乎所有教材都用这张图介绍冲激:一个宽度为零、高度为无穷大、面积为 1 的"箭头"。这个图很有用,因为它让你一眼就记住了三件事——发生在 $t=0$、总面积为 1、其他地方为零。
但如果你认真追究一步,就会发现它自相矛盾。
任何一个普通的实值函数 $f(t)$,如果它在某点取有限值,那么它在那一点的积分贡献为零;如果它取无穷大,那它就不是实数了,更谈不上"积分等于 1"。不存在这样的函数:在一点无穷高、其他处处处为零、而积分恰好为 1。积分是"面积",一个点的宽度是零,无论多高,面积都是零。
所以"$\delta(t)$ 是这样一个函数"这句话,严格来说是错的。它是一句比喻,用来让你建立直觉,不是定义。
1.2 真正的定义:它做什么,而不是它是什么
$\delta(t)$ 的唯一定义,来自它对别的函数所做的动作:
$$\int_{-\infty}^{+\infty} x(t)\,\delta(t-t_0)\,\mathrm{d}t = x(t_0)$$这条式子叫筛选性质(sifting property)。它的意思是:把 $\delta(t-t_0)$ 和一个连续函数 $x(t)$ 相乘再积分,得到的结果是 $x(t)$ 在 $t_0$ 处的取值——$\delta$ 像一个筛子,从整个函数里"筛"出了单点上的那个数。
注意这个定义的巧妙之处:它从头到尾没有要求你回答"$\delta(0)$ 等于多少"。它只规定 $\delta$ 与测试函数作用后的结果。这在数学上叫广义函数(或分布)。用泛函的语言说,$\delta$ 是一个线性泛函:
$$\delta[x] = x(0)$$它不是"一个在某点很高的东西",而是"在某点取值这个动作本身"。
这个视角转换看起来抽象,但它有非常实际的好处:从此你不必再纠结"无穷大到底多大",只要记住 $\delta$ 的唯一功能是把函数在一点的值抽出来。所有的运算规则都可以从这条性质推出来。
比如,由筛选性质立即可得几条常用规则:
- 抽样:$x(t)\delta(t-t_0) = x(t_0)\delta(t-t_0)$
- 对称:$\delta(-t) = \delta(t)$
- 尺度:$\delta(at) = \dfrac{1}{|a|}\delta(t)$
最后一条特别值得留意。它说明 $\delta$ 并不"守恒":把时间轴压缩 $a$ 倍,冲激的"强度"要除以 $|a|$。这条式子在信号与系统里出现频率很高,也是后面"用窄脉冲近似冲激"时误差分析的起点。
1.3 弱极限:把 $\delta$ 想成"一族越来越窄的函数"
如果你还是想要一个能画出来的图像,可以这样想:取一族普通函数,让它们越来越窄、越来越高、面积始终为 1:
$$\delta_\varepsilon(t) = \frac{1}{\varepsilon}\,\mathrm{rect}\!\left(\frac{t}{\varepsilon}\right)$$这是一个宽 $\varepsilon$、高 $1/\varepsilon$、面积为 1 的矩形脉冲。当 $\varepsilon \to 0$ 时,对任何连续函数 $x(t)$ 都有
$$\lim_{\varepsilon\to 0}\int_{-\infty}^{+\infty} x(t)\,\delta_\varepsilon(t)\,\mathrm{d}t = x(0)$$也就是说,它们"作用在测试函数上"的效果趋于 $\delta$。这种收敛叫弱收敛(或分布意义下的收敛)。
关键区别在这里:$\delta_\varepsilon(t)$ 的逐点极限不存在(在 $t=0$ 处趋于无穷,其他地方恒为 0 且是"错误"的零),但弱极限存在,就是 $\delta$。
这个区分不是数学家的洁癖,它有直接的工程后果:物理世界能造出 $\delta_\varepsilon$,造不出 $\delta$。 所有号称"测量冲激响应"的实验,测到的都是某个 $\delta_\varepsilon$ 的响应,只是 $\varepsilon$ 足够小而已。这一点,第八章还会回来算误差。
1.4 $\delta$ 的同伴:冲激偶 $\delta'(t)$
$\delta$ 有一个必然会出现的伴随者。既然 $\delta$ 可以求导(在广义函数意义下),那 $\delta'(t)$ 是什么?
由分部积分(边界项因测试函数在无穷远处消失而为零):
$$\int_{-\infty}^{+\infty} x(t)\,\delta'(t)\,\mathrm{d}t = -x'(0)$$$\delta'$ 叫冲激偶(doublet),它的作用是把函数在原点处的导数(带负号)筛出来。图像上它是"一个正冲激紧跟一个负冲激",像一对方向相反的箭头。
为什么必须提它?因为微分器的冲激响应就是 $\delta'(t)$。一个对输入求导的系统,$y=x'$,把它作用在 $\delta$ 上,得到 $\delta'$。而一旦系统里出现了"输入的导数"这一项(比如 $y'+2y = f'+3f$),$h(t)$ 里就会出现 $\delta$ 甚至 $\delta'$。这一点是很多人算错冲激响应的根源,第四章会专门处理。
1.5 三种身份,一张表
| 视角 | 表述 | 优点 | 局限 |
|---|---|---|---|
| 图示视角 | 宽 0、高 $\infty$、面积 1 的箭头 | 直观、便于记忆 | 数学上不成立,无法严格运算 |
| 筛选视角 | $\int x(t)\delta(t-t_0)\mathrm{d}t = x(t_0)$ | 严谨、可直接推导所有规则 | 需要一点抽象思维 |
| 弱极限视角 | $\delta_\varepsilon$ 当 $\varepsilon\to0$ 的弱极限 | 连接物理可实现性,可做误差分析 | 容易误以为"逐点收敛" |
三种视角说的是同一个东西。做计算时用第二种,建立直觉时用第一种,考虑工程可实现性时用第三种。
二、为什么"一个响应"等于"全部响应"
这一章是整篇文章的骨架。结论只有一句:对 LTI 系统,知道 $h(t)$ 就知道一切。 但我想把这句话的每一步都摊开,因为"为什么成立"比"成立"重要得多。
2.1 第一步:把任意信号拆成冲激的堆叠
对任意信号 $x(t)$,有恒等式
$$x(t) = \int_{-\infty}^{+\infty} x(\tau)\,\delta(t-\tau)\,\mathrm{d}t$$(把 $\delta(t-\tau)$ 的筛选性质用在 $\tau$ 上,右边立刻还原为 $x(t)$。)
这个式子常被当成"数学技巧"背下来,其实它就是积分的定义式本身。回想定积分怎么定义的:把 $x(t)$ 切成无数个宽度为 $\mathrm{d}\tau$ 的窄条,第 $\tau$ 个窄条的高度是 $x(\tau)$、宽度是 $\mathrm{d}\tau$,它的面积是 $x(\tau)\mathrm{d}\tau$。
现在换一个说法:这条窄条可以看作一个"面积等于 $x(\tau)\mathrm{d}\tau$、位置在 $\tau$、宽度趋于零"的东西——那正是一个强度为 $x(\tau)\mathrm{d}\tau$ 的冲激:
$$\text{第 }\tau\text{ 个窄条} \;\approx\; \big[x(\tau)\,\mathrm{d}\tau\big]\cdot\delta(t-\tau)$$把所有这些冲激加起来(积分),就重建了 $x(t)$。所以"信号可以分解为冲激的叠加"不是一条需要证明的定理,而是"积分"这个操作本身的物理含义。
这一步之后,问题就被改写了:不再问"系统对 $x(t)$ 如何反应",而问"系统对每一个冲激如何反应,然后把这些反应加起来"。
2.2 第二步:线性 + 时不变,把问题压成一个函数
记系统的算子为 $T$,即 $y = T[x]$。定义
$$h(t) \;:=\; T\big[\delta(t)\big] \quad(\text{零状态})$$这就是单位冲激响应。注意括号里那句"零状态"——它要求系统在 $t=0$ 之前是"干净"的,没有任何残余能量。这个前提不是可有可无的修饰,它是 $h(t)$ 之所以只由系统本身决定的原因。
现在用两条假设:
时不变性:输入延迟 $\tau$,输出也延迟 $\tau$,形状不变。所以
$$T\big[\delta(t-\tau)\big] = h(t-\tau)$$线性:叠加原理。输入的线性组合,输出是同样系数的线性组合。再配合"强度为 $x(\tau)\mathrm{d}\tau$ 的冲激,响应也按比例缩放",得到
$$T\big[x(\tau)\mathrm{d}\tau\cdot\delta(t-\tau)\big] = x(\tau)\,h(t-\tau)\,\mathrm{d}\tau$$把所有的 $\tau$ 加起来:
$$y(t) = \int_{-\infty}^{+\infty} x(\tau)\,h(t-\tau)\,\mathrm{d}\tau \;=\; x(t)*h(t)$$这就是卷积。整个推导只用了两件事:时不变、线性。没有用到系统的阶数、结构、元件类型。这就是为什么 $h(t)$ 如此强大:它是"线性 + 时不变"这两个假设的全部产物。
2.3 一个常被跳过的漏洞
上面推导里,“把 $T$ 移进积分号"这一步,其实是有条件的。
严格地说,$x(t)=\int x(\tau)\delta(t-\tau)\mathrm{d}\tau$ 是一个积分,它等于一列黎曼和的极限。要让
$$T\left[\lim_{n\to\infty}\sum_k x(\tau_k)\delta(t-\tau_k)\Delta\tau\right] = \lim_{n\to\infty}\sum_k x(\tau_k)h(t-\tau_k)\Delta\tau$$成立,需要 $T$ 把收敛的输入序列映射成收敛的输出序列——也就是 $T$ 具有某种连续性(有界性)。对 BIBO 稳定的系统,这一点自动满足(因为 $|T[x]|\le \int|h||x|$,输入一致有界则输出一致有界)。对不稳定的系统(比如理想积分器),这一步需要放到广义函数的意义下重新解释。
教材几乎都跳过这一步,因为对绝大多数工程系统它不构成问题。但知道这个漏洞存在很重要:卷积定理真正的假设是"线性 + 时不变 + 算子有界”,而不是只有前两条。 当你遇到不稳定的系统时,某些"理所当然"的结论会失效。
2.4 更本质的看法:$h(t)$ 是算子的"积分核"
抛开推导,从算子论的角度看,结论非常干净:
LTI 算子 = 卷积算子 = 由一个核 $h(t)$ 完全确定的积分变换。
给定 $h$,$T$ 唯一确定;给定 $T$,$h = T[\delta]$ 唯一确定。二者是一一对应的。所以"研究 LTI 系统"和"研究它的冲激响应"是同一件事,只是换了一套语言。
这个"核"的概念还可以再往深处推一层:设系统由微分方程 $P(D)y = Q(D)f$ 描述($D=\mathrm{d}/\mathrm{d}t$,$P,Q$ 是多项式)。那么 $h(t)$ 满足
$$P(D)\,h = Q(D)\,\delta$$当 $Q\equiv 1$ 时,$h$ 就是微分算子 $P(D)$ 的基本解,也就是数学物理里的格林函数。于是"解微分方程"这件事,被翻译成了"与格林函数做卷积"。这不是类比,是同一件事的两种写法:
$$y = P(D)^{-1}Q(D)f = h * f$$理解了这一层,你就能明白为什么拉普拉斯变换法求 $h(t)$ 那么顺:$H(s)=Q(s)/P(s)$,无非是把"算子求逆"这个动作,用代数除法完成了。
2.5 一个能把很多事一次说清的类比:矩阵
如果你熟悉线性代数,下面这个对照会让一大堆积压的疑问瞬间通畅。
| 有限维(矩阵) | 连续时间(LTI) |
|---|---|
| 向量 $\mathbf{x}$ | 信号 $x(t)$ |
| 矩阵 $A$ | 算子 $T$ |
| $\mathbf{y}=A\mathbf{x}$ | $y=T[x]$ |
| $A$ 的第一列 | $h(t)$($t=0$ 那一列) |
| 求和 $\sum_k A_{nk}x_k$ | 积分 $\int h(t-\tau)x(\tau)\mathrm{d}\tau$ |
| $A$ 是 Toeplitz 矩阵(每条对角线为常数) | $T$ 是时不变的 |
| 矩阵乘法 $AB$ | 卷积 $h_A*h_B$ |
| 单位矩阵 $I$ | $\delta(t)$ |
| 求逆 $A^{-1}$ | 逆系统的 $h_{\text{inv}}$,满足 $h*h_{\text{inv}}=\delta$ |
这里最值得盯住的是"单位矩阵 $\leftrightarrow \delta(t)$“这一行。单位矩阵的作用是"原样返回”,$\delta$ 的作用也是"原样返回"(因为 $x*\delta=x$)。卷积意义下的"单位元"就是 $\delta$。所以在卷积代数里,$\delta$ 扮演的角色和数字 1、矩阵 $I$ 完全同构。
这条类比还能顺手解释一个常让人困惑的事实:为什么级联系统的总冲激响应是各自冲激响应的卷积,而且顺序可以交换? 因为在矩阵语言里它就是 $AB$,而虽然矩阵乘法一般不交换,但 Toeplitz 结构的矩阵(对应 LTI)恰好构成交换族——所以卷积可交换,级联顺序无关。这背后是"所有 LTI 算子互相都可交换"这一条深刻性质。
三、$h(t)$ 到底长什么样
理论说完了,来看形状。读冲激响应,本质上是在读系统的"性格":它反应快不快、余音长不长、会不会振荡、会不会突然跳变。
3.1 三个"退化"例子,先把直觉立住
(1)无记忆放大器:$y(t)=Kx(t)$。
$$h(t) = K\,\delta(t)$$冲激进去,冲激出来,只是被放大了 $K$ 倍。响应只在这一瞬间存在,没有任何"余音"——这正是"无记忆"的含义:系统不保留过去的任何信息。$h(t)$ 的"长度"就是系统的记忆长度。
(2)纯延迟线:$y(t)=x(t-T)$。
$$h(t) = \delta(t-T)$$还是冲激,但推迟了 $T$。系统有记忆(它记住了 $T$ 秒前的输入),但这记忆是"死的"——不衰减、不变形,只是原样搬运。
(3)理想积分器:$y(t)=\int_{-\infty}^{t}x(\tau)\mathrm{d}\tau$。
$$h(t) = u(t)$$冲激进去,输出是一个从 $t=0$ 开始、永远保持为 1 的阶跃。这是"活的"记忆:输入在 $t=0$ 那一刻的贡献被永久累积下来,永不消失。也正因为永不消失,这个系统是临界稳定的(第五章会说明为什么这不是"稳定")。
三个例子连起来看,$h(t)$ 的形态谱系已经很清楚了:冲激 → 记忆为零;延迟的冲激 → 记忆为"搬运";阶跃 → 记忆为"永久累积";而真实的物理系统,通常落在"指数衰减"这一族里。
3.2 一阶系统:最快的"忘记"
一阶系统 $y'(t)+ay(t)=bf(t)$($a>0$),对应 $H(s)=\dfrac{b}{s+a}$。
$$h(t) = b\,e^{-at}u(t)$$这是最典型的一副面孔:在 $t=0^+$ 处瞬间跳到 $b$,然后按指数衰减,时间常数 $\tau=1/a$。
物理上它就是 RC 低通(取 $b=1/RC$、$a=1/RC$)。$h(0^+)=1/RC$ 这个值有明确含义:给电容灌一个面积为单位 1 的电流冲激,电容电压立刻跳升 $1/C$,随后通过电阻放电,按 $e^{-t/RC}$ 衰减。
三个可以"读"出来的量:
- $h(0^+)=b$:系统对瞬时激励的初始敏感度(通带增益的时域投影)
- $\tau=1/a$:记忆长度,$t=3\tau$ 时已衰减到 5%,$t=5\tau$ 到 0.7%
- 有无跳变:有跳变说明系统存在"直通通路"(前馈路径),无跳变说明输出必须经过储能元件
3.3 二阶系统:三种性格
二阶系统是工程里最重要的模型,因为几乎所有"会振荡"的东西都是二阶的(弹簧-质量、RLC、锁相环、汽车悬架、乃至人的平衡控制)。
$$H(s)=\frac{\omega_n^2}{s^2+2\zeta\omega_n s+\omega_n^2}$$按阻尼比 $\zeta$ 分三种情况,$h(t)$ 有三种截然不同的形态:
欠阻尼($0<\zeta<1$)—— 衰减振荡,最常见:
$$h(t)=\frac{\omega_n}{\sqrt{1-\zeta^2}}\,e^{-\zeta\omega_n t}\sin(\omega_d t)\,u(t),\qquad \omega_d=\omega_n\sqrt{1-\zeta^2}$$临界阻尼($\zeta=1$)—— 最快的不振荡收敛:
$$h(t)=\omega_n^2\,t\,e^{-\omega_n t}u(t)$$过阻尼($\zeta>1$)—— 两个衰减指数叠加,没有振荡:
$$h(t)=\frac{\omega_n}{2\sqrt{\zeta^2-1}}\left(e^{-(\zeta-\sqrt{\zeta^2-1})\omega_n t}-e^{-(\zeta+\sqrt{\zeta^2-1})\omega_n t}\right)u(t)$$这三种形态对应的物理图像极其直观:敲一下音叉。
- 欠阻尼:听到一个音高为 $\omega_d$、逐渐变弱的"余音"。$\zeta$ 越小,余音越长;$\zeta\to0$ 时余音永不消失。
- 临界阻尼:手指按在音叉上——声音最快地消失,且不"嗡"。
- 过阻尼:音叉泡在蜂蜜里——慢吞吞地动,迟钝但没有振荡。
这就是为什么门弓器(door closer)的阻尼要调到临界附近:太欠阻尼,门会"哐"地弹几下;太过阻尼,门关得太慢。$h(t)$ 在这里是一个可以直接用耳朵验证的量。
3.4 极点位置:$h(t)$ 的"骨架"
把上面所有例子统一起来,会发现一件漂亮的事:$h(t)$ 的每一项形状,都由 $H(s)$ 的一个极点决定。
设 $H(s)$ 的部分分式展开给出极点 $p_i$ 与留数 $A_i$,则
$$h(t)=\sum_i A_i\,e^{p_i t}\,u(t) \quad(\text{严格真有理的情形})$$于是极点位置直接翻译成时域形态:
| 极点位置 | $h(t)$ 的对应项 | 时域表现 | 稳定性 |
|---|---|---|---|
| 负实轴 $p=-\sigma$ | $A e^{-\sigma t}$ | 单调衰减,$\sigma$ 越大衰减越快 | 稳定 |
| 正实轴 $p=+\sigma$ | $A e^{+\sigma t}$ | 单调增长(发散) | 不稳定 |
| 左半平面共轭对 $-\sigma\pm j\omega_d$ | $A e^{-\sigma t}\cos(\omega_d t+\phi)$ | 衰减振荡,$\omega_d$ 定"音高",$\sigma$ 定"余音" | 稳定 |
| 虚轴上单极点 $\pm j\omega_0$ | $A\cos(\omega_0 t+\phi)$ | 等幅振荡,永不衰减 | 临界(BIBO 不稳定) |
| 原点单极点 $p=0$ | $A$(常数) | 常数(积分器的行为) | 临界(BIBO 不稳定) |
| 原点二重极点 $p=0$(重根) | $A t$ | 线性爬升 | 不稳定 |
| 右半平面共轭对 | $A e^{+\sigma t}\cos(\cdot)$ | 增幅振荡 | 不稳定 |
这张表值得背下来,因为它把"频域读极点"变成了一个几乎条件反射的动作:看到极点,就知道 $h(t)$ 里会有一个怎样的"音符",并且知道这个音符是渐弱、渐强还是恒响。
留数 $A_i$ 决定每个音符的"音量"。同一个极点,留数大则该模态在响应中占主导;留数为零则该模态根本不出现在 $h(t)$ 里(这叫"零极点相消",也是"系统不可控/不可观"的频域表现)。
四、怎么把 $h(t)$ 算出来:三条路
4.1 路径一:冲激匹配法(从微分方程直接解)
这是最"素"的方法:不管拉普拉斯,直接在时域解微分方程。它最能暴露 $h(t)$ 在 $t=0$ 附近的微妙行为,所以值得细讲。
4.1.1 为什么不能直接用 $h(0^-)=0$ 当初始条件
思路看起来很简单:零状态下 $t<0$ 时系统是静止的,所以 $h(0^-)=0$、$h'(0^-)=0$,然后解齐次方程,求出 $t>0$ 的解。
这里有一个陷阱。 $h(t)$ 在 $t=0$ 处可能发生跳变,甚至含有 $\delta(t)$ 本身。
想一下为什么:方程右边出现 $\delta(t)$ 时,为了"配平",左边的最高阶导数必须含有 $\delta$(或 $\delta$ 的更高阶导数)。而一个含有 $\delta$ 的导数,积分一次就变成阶跃——也就是说,低一阶的导数在 $t=0$ 处发生了跳变。
所以 $h(0^-)=0$ 是对的,但 $h(0^+)$ 未必是 0。必须单独把跳变算出来,这个动作叫"冲激匹配"。
4.1.2 一般结论(可以当公式用)
考虑 $n$ 阶系统,写成标准形式(最高阶导数系数归一化):
$$y^{(n)}+a_{n-1}y^{(n-1)}+\cdots+a_0y \;=\; b_m f^{(m)}+\cdots+b_0 f,\qquad m\le n-1$$设 $h(t)=\psi(t)u(t)$,其中 $\psi$ 满足 $t>0$ 时的齐次方程。把它代入方程,利用 $u(t)$ 求导产生 $\delta$ 这一事实($h'=\psi'u+\psi(0)\delta$,$h''=\psi''u+\psi'(0)\delta+\psi(0)\delta'$……),按 $\delta$ 及其导数的阶次从高到低逐项比较系数,可以得到一组非常整齐的结果:
$$\boxed{\;h(0^+)=h'(0^+)=\cdots=h^{(n-m-2)}(0^+)=0,\qquad h^{(n-m-1)}(0^+)=b_m\;}$$用人话说:右端最高只出现 $m$ 阶导数,那么 $h$ 的前 $n-m-1$ 阶导数在 $0^+$ 处都是零,只有第 $n-m-1$ 阶导数"起跳",跳变量等于 $b_m$。
验证一下这个公式:
- 一阶系统 $y'+ay=bf$($n=1,m=0$):$n-m-1=0$,故 $h(0^+)=b_0$。✓(对上 $h=be^{-at}u(t)$)
- 二阶系统 $y''+a_1y'+a_0y=b_0f$($n=2,m=0$):前 $0$ 阶即 $h(0^+)=0$,而 $h'(0^+)=b_0$。✓(这就是经典的"$h(0^+)=0$、$h'(0^+)=1$")
再看一个 $m=n-1$ 的情形,这是最容易出错的地方:$y''+3y'+2y=f'+2f$($n=2,m=1$)。此时 $n-m-1=0$,公式给出 $h(0^+)=b_1=1$——$h(t)$ 本身在原点跳变,而不是它的导数。
设 $h=(Ae^{-t}+Be^{-2t})u(t)$,代入 $h(0^+)=A+B=1$;再由匹配 $\delta$ 项得 $h'(0^+)+3h(0^+)=b_0=2$,即 $(-A-2B)+3(1)=2$,得 $A+2B=1$。联立解得 $A=1,B=0$,于是
$$h(t)=e^{-t}u(t)$$可以验算:$h'+3h+2h$ 的"$\delta$ 部分"恰好是 $\delta$,符合预期。
4.1.3 当 $m\ge n$:$h(t)$ 里为什么会长出 $\delta(t)$
前面的公式都假设 $m\le n-1$(严格真有理)。如果 $m\ge n$ 呢?
$$y'(t)+2y(t)=f'(t)+3f(t)$$用拉普拉斯看最清楚:$H(s)=\dfrac{s+3}{s+2}=1+\dfrac{1}{s+2}$。第一项是常数 1,它的拉氏反变换是 $\delta(t)$。于是
$$h(t)=\delta(t)+e^{-2t}u(t)$$直接代入验证也成立:$h=\delta+e^{-2t}u$,则 $h'=\delta'-2e^{-2t}u+\delta$(注意 $e^{-2t}\delta(t)=\delta(t)$),所以 $h'+2h=\delta'+3\delta$。✓
这条 $\delta(t)$ 项有明确的物理含义:系统存在"瞬时直通通路"(direct feedthrough)。输入一跳,输出立刻跟着跳,不等任何储能元件响应。在电路里,这对应"输入直接通过电容耦合到输出";在控制里,这对应"参考信号直接进入控制量"。它和"$h$ 在 $0^+$ 有跳变"是同一件事的两种表现($\delta$ 的积分是阶跃)。
如果 $m>n$(分子阶数高于分母),$h(t)$ 里会出现 $\delta$ 的导数:$H(s)$ 做多项式长除会得到 $s$ 的正幂次,反变换就是 $\delta'$、$\delta''$……这需要理想微分器,非因果、不可物理实现。所以真实系统的 $H(s)$ 总是真有理或严格真有理的;一旦算出 $m>n$,说明模型建错了,或者你正在处理一个数学抽象(比如理想微分器、理想 Hilbert 变换器)。
4.2 路径二:拉普拉斯变换(推荐)
这是最省力、最不容易出错的方法,尤其是对二阶以上的系统。
步骤只有三步:
- 在零状态下对微分方程两边取拉氏变换,把微分方程变成代数方程;
- 解出 $H(s)=\dfrac{Y(s)}{F(s)}$;
- 部分分式展开,逐项查表反变换。
注意第三步的展开技巧,它决定了你算得对不对:
- 极点互异:$H(s)=\sum_i \dfrac{A_i}{s-p_i}$,其中 $A_i=\left.(s-p_i)H(s)\right|_{s=p_i}$,反变换得 $\sum A_ie^{p_it}u(t)$
- 有重极点:会出现 $t e^{pt}$、$t^2e^{pt}$ 这样的项(这就是 $\zeta=1$ 时 $\omega_n^2te^{-\omega_nt}$ 的来源)
- 分子阶数 $\ge$ 分母:先做长除,分离出 $\delta$ 项,再对余下的真分式展开
拉氏法的代价是:它默认你只关心 $t>0$ 的部分(单边变换),所以它天然只给出因果解。对因果系统这正好;对非因果系统,单边拉氏会漏掉 $t<0$ 的那一半。
4.3 路径三:从阶跃响应求导
$$g(t)=\int_{-\infty}^{t}h(\tau)\,\mathrm{d}\tau \quad\Longleftrightarrow\quad h(t)=\frac{\mathrm{d}g(t)}{\mathrm{d}t}$$推导只用一步:阶跃 $u(t)$ 是 $\delta(t)$ 的积分,而 LTI 系统与积分可交换(因为卷积与积分都是线性运算),所以阶跃响应就是冲激响应的积分。
这条路在工程上极其重要,因为阶跃比冲激容易造得多:一个开关、一次上电、一个方波的上升沿,都是阶跃。所以实际测试几乎都是"测阶跃响应,再求导"。
一个使用上的注意:若 $h(t)$ 含 $\delta(t)$($m\ge n$ 的情形),则 $g(t)$ 在 $t=0$ 处有跳变,此时求导要按广义函数理解,跳变量就是 $\delta$ 的系数。用数值微分处理这类数据会非常困难(跳变被采样点"抹平"),这也是"直接测冲激响应"在某些场合反而更好的原因。
4.4 三条路怎么选
| 方法 | 适用场合 | 优点 | 风险 |
|---|---|---|---|
| 冲激匹配法 | 低阶(1–2 阶)、考试、需要看清 $t=0$ 行为 | 物理图像清楚,暴露跳变机制 | 高阶时匹配方程繁琐,易漏 $\delta$ 项 |
| 拉氏变换法 | 任意阶、有现成 $H(s)$、复杂激励 | 系统化,代数运算,不易出错 | 只给 $t>0$;重极点/假分式需专门处理 |
| 阶跃求导 | 实验数据、已有 $g(t)$ | 工程可实现,测量方便 | 跳变处求导需广义函数;数值微分噪声大 |
一个实用的自检习惯:算完之后,用 $\int h\,\mathrm{d}t$ 检验。若 $H(0)$ 有限,则 $\int_{-\infty}^{\infty}h(t)\mathrm{d}t=H(0)$(直流增益)。这个积分值必须与 $H(s)$ 在 $s=0$ 的取值一致。这一条能抓出绝大多数符号错误和系数错误。
五、从 $h(t)$ 读出系统的全部脾气
冲激响应不只是一个"输出波形",它是系统性质的完整档案。想知道系统是否因果、是否稳定、有没有记忆、可不可逆,全都可以在一张 $h(t)$ 图上读出来。
5.1 因果性:$h(t)=0\ (t<0)$
$$\text{系统因果} \iff h(t)=0,\ \forall t<0$$理由直白:因果意味着"输出不早于输入"。输入在 $t=0$ 才出现,若 $h$ 在 $t<0$ 有非零值,说明系统在输入到达之前就已经有反应了——那就是"预知未来"。
这条判据的实用价值在于:它把"物理可实现性"变成了一个关于 $h(t)$ 支撑集的条件。看到 $h(t)=e^{2t}u(-t)$ 这种"左边"的波形,你就知道这不是一个能造出来的系统(尽管它在数学上是个漂亮的 LTI 系统,而且恰好稳定)。
顺带说一句:$h(t)=e^{-|t|}$ 这类双边对称的冲激响应,是一个零相位低通滤波器。它滤波效果完美(不引入任何相位失真),但它是非因果的,只能离线处理已录好的数据,不能实时。所有"零相位滤波"的实现都是这个思路:先正着滤一遍,再倒着滤一遍,等效于用 $e^{-|t|}$ 卷积——代价是引入延迟。
5.2 稳定性:$\int|h(t)|\mathrm{d}t<\infty$
$$\text{BIBO 稳定} \iff \int_{-\infty}^{+\infty}|h(t)|\,\mathrm{d}t < \infty$$证明只有两行,但很值得看:
$$|y(t)|=\left|\int x(\tau)h(t-\tau)\mathrm{d}\tau\right|\le\int|x(\tau)|\,|h(t-\tau)|\mathrm{d}\tau\le M_x\int|h(\lambda)|\mathrm{d}\lambda$$其中 $M_x$ 是有界输入的上界。所以若 $\int|h|<\infty$,输出必有界。反过来(必要性),若 $\int|h|=\infty$,可以构造一个让输出发散的有界输入(令 $x$ 在 $h$ 的符号变化处取 $\pm1$),所以条件也是必要的。
这条判据最常被误用成一个"更简单"的说法:“极点都在左半平面就稳定”。这话对因果有理系统成立,但作为一般命题是错的。反例就在眼前:
- 积分器 $h(t)=u(t)$:$\int|h|=\infty$,不稳定。它的极点在 $s=0$,位于虚轴上,不在右半平面,但也不在左半平面。
- 理想振荡器 $h(t)=\cos\omega_0 t\,u(t)$:极点在 $\pm j\omega_0$,同样不稳定(有界输入 $\cos\omega_0 t$ 会产生 $t\cos\omega_0t$ 的输出,线性增长)。
所以准确的说法是:
$$\text{因果有理系统 BIBO 稳定} \iff \text{所有极点位于左半开平面(}\mathrm{Re}\{p_i\}<0\text{)}$$虚轴上的极点是临界稳定(零输入响应不衰减,但也不发散),它不属于 BIBO 稳定。这个区分在控制系统里是性命攸关的:一个"临界稳定"的系统,任何一点扰动、任何一点参数漂移,都可能把它推到右半平面。
5.3 记忆性:$h(t)=K\delta(t)$ 就是无记忆
$$\text{无记忆} \iff h(t)=K\,\delta(t)$$因为 $y=K\delta*x=Kx(t)$,输出只依赖当前时刻的输入。这也解释了为什么"无记忆"系统的冲激响应是一个零宽度的东西——它的"记忆长度"为零。
由此可以给"记忆"一个定量的度量:$h(t)$ 的有效宽度就是系统的记忆长度。一阶系统约 $3\tau$,二阶欠阻尼系统约 $3/(\zeta\omega_n)$,纯延迟线是无穷长但形状不变。
5.4 可逆性:$h*h_{\text{inv}}=\delta$
若存在系统 $T^{-1}$ 使得两级级联后输出等于输入,则
$$h(t)*h_{\text{inv}}(t)=\delta(t) \quad\Longleftrightarrow\quad H_{\text{inv}}(s)=\frac{1}{H(s)}$$这是卷积代数里"求倒数"的对应物。举个漂亮的例子:微分器与积分器互为逆系统。
$$h_{\text{diff}}=\delta'(t),\qquad h_{\text{int}}=u(t),\qquad \delta'*u=\delta$$(因为 $u'(t)=\delta(t)$。)这个式子把"微分和积分互相抵消"这件初等事实,写成了卷积代数里的"$a\cdot a^{-1}=1$"。
一个工程上的推论:逆系统的极点就是原系统的零点。所以"系统可逆"要求原系统的零点不能落在危险区域——如果原系统在右半平面有零点(非最小相位系统),那么它的逆系统在右半平面有极点,逆系统不稳定。这就是"非最小相位系统的逆不可用"这一结论的根源,也是均衡器、信道反卷积、控制中的"逆模型"设计要绕开非最小相位零点的原因。
5.5 深水区:因果性在频域的惊人后果
这一小节稍微超出常规教材,但它能让你对"因果"这个词的分量有全新的认识。
若 $h(t)$ 是实因果信号,则它的傅里叶变换 $H(j\omega)=R(\omega)+jX(\omega)$ 的实部与虚部不独立——它们互为希尔伯特变换:
$$X(\omega) = -\frac{1}{\pi}\;\mathrm{p.v.}\!\int_{-\infty}^{+\infty}\frac{R(\Omega)}{\omega-\Omega}\,\mathrm{d}\Omega$$($\mathrm{p.v.}$ 表示柯西主值。)反过来的关系也成立。这个结论在物理学里叫 Kramers–Kronig 关系,在电路里叫 Bode 增益-相位关系的基础。
它的物理含义相当强:对一个因果系统,你不能随心所欲地指定幅频响应和相频响应。 指定了幅度特性,相位特性就被(几乎)锁死了;反之亦然。换句话说,“因果"这个看似只在时域 $t<0$ 处说话的小条件,在频域却是一个把幅度和相位绑在一起的强约束。
工程上的直接推论:想要"理想低通”(通带内幅度 1、相位 0),得到的 $h(t)$ 必然是非因果的($\mathrm{sinc}$ 函数在 $t<0$ 有值)。这不是设计水平不够,而是因果性在物理上不允许。所有的实际滤波器设计,本质上都是在"逼近理想特性"和"保持因果"之间做妥协——这就是为什么滤波器阶数越高、延时越大。
六、四个"响应"不要搞混
这是考研和工程里最高频的混淆点。四个名字听起来相近,含义完全不同。
6.1 先把定义摆清楚
| 名称 | 激励 | 初始状态 | 说明 |
|---|---|---|---|
| 零输入响应 $y_{zi}(t)$ | 无($f=0$) | 非零 | 储能元件的初始能量自行释放,形状是齐次解 |
| 零状态响应 $y_{zs}(t)$ | 有 | 全为零 | 由激励"从零建立"起来的响应,$=f*h$ |
| 冲激响应 $h(t)$ | $f=\delta(t)$ | 全为零 | 零状态响应的一个特例 |
| 阶跃响应 $g(t)$ | $f=u(t)$ | 全为零 | 零状态响应的另一个特例,$g=h*u$ |
完全响应 = 零输入响应 + 零状态响应,这是线性系统的基本分解:
$$y(t) = \underbrace{y_{zi}(t)}_{\text{初始状态引起}} + \underbrace{\int_{-\infty}^{t}f(\tau)h(t-\tau)\mathrm{d}\tau}_{\text{激励引起}}$$6.2 三个容易踩的坑
坑一:$h(t)$ 的系数由谁决定?
$h(t)$ 在 $t>0$ 的形式与零输入响应同族(都是齐次解 $e^{p_it}$ 的组合),这很容易让人误以为系数也来自初始状态。不是的。 零输入响应的系数由初始储能决定;$h(t)$ 的系数由激励端的结构(即 $b_m,\dots,b_0$,或者说 $H(s)$ 的分子)决定。同一个系统,$h(t)$ 是唯一确定的,与你在实验中给了多少初始能量毫无关系。
坑二:$h(t)$ 是"系统对 $\delta$ 的反应"——但别忘了"零状态"。
如果系统在 $t=0$ 之前有残余能量,那么你对它敲一下,测到的输出是 $h(t)$ 加上那份残余能量的自由释放。这时测到的东西不再是 $h(t)$。所以严格的冲激响应测量,必须先让系统"静下来"(等暂态过去),这是实验上必须遵守的前提。
坑三:$h(t)$ 与 $g(t)$ 不是"两个独立的响应"。
$g(t)=\int h$,$h(t)=g'$。它们是同一个东西的两种表示。考试里经常给一个让你求另一个,很多人会重新解一遍微分方程——完全没必要。
七、离散时间:单位脉冲响应 $h[n]$
连续时间的全部逻辑,在离散时间里会变得更干净,因为 $\delta[n]$ 是一个货真价实的函数。
7.1 $\delta[n]$ 没有"广义函数"的麻烦
$$\delta[n]=\begin{cases}1,&n=0\\0,&n\neq0\end{cases}$$它不高、不无穷、不矛盾,就是一个普通的序列。筛选性质变成求和:
$$\sum_{k=-\infty}^{+\infty}x[k]\,\delta[n-k]=x[n]$$任意序列都可以写成 $\delta[n]$ 的加权和:$x[n]=\sum_k x[k]\delta[n-k]$。这一步比连续情形更直观——它就是"把序列看成一根根竖条的叠加",毫无技术含量,也因此毫无争议。
7.2 卷积和
同样的两步(时不变 + 线性),得到
$$y[n]=\sum_{k=-\infty}^{+\infty}x[k]\,h[n-k]=x[n]*h[n]$$一个实操建议:算卷积和时,先把 $h[n]$ 关于 $n=0$ 翻转,再平移、相乘、求和。翻转这一步是最容易忘的,而忘了翻转就会算出"相关"而不是"卷积"。
7.3 从差分方程求 $h[n]$
例:$y[n]-0.5y[n-1]=x[n]$。
令 $x[n]=\delta[n]$,且 $n<0$ 时 $h[n]=0$:
- $n=0$:$h[0]=x[0]+0.5h[-1]=1$
- $n=1$:$h[1]=0+0.5h[0]=0.5$
- $n=2$:$h[2]=0.5h[1]=0.25$
依此类推,$h[n]=0.5^n u[n]$。与连续情形 $e^{-at}u(t)$ 完全同构:离散的 $a^n$ 对应连续的 $e^{pt}$,$a$ 对应 $e^{p}$。
用 $z$ 变换会更省力:$H(z)=\dfrac{1}{1-0.5z^{-1}}$,极点 $z=0.5$,反变换得 $0.5^nu[n]$。
7.4 稳定性判据的"位移"
| 连续时间 | 离散时间 | |
|---|---|---|
| 基本激励 | $\delta(t)$(广义函数) | $\delta[n]$(普通序列) |
| 卷积 | $y=\int x(\tau)h(t-\tau)\mathrm{d}\tau$ | $y=\sum x[k]h[n-k]$ |
| 因果性 | $h(t)=0,\ t<0$ | $h[n]=0,\ n<0$ |
| 稳定性 | $\int | h(t) |
| 变换 | $H(s)$,$s$ 平面 | $H(z)$,$z$ 平面 |
| 稳定域 | 左半平面 $\mathrm{Re}\{s\}<0$ | 单位圆内 $ |
| 基本模态 | $e^{pt}$ | $z_0^{\,n}$ |
| 无记忆 | $h=K\delta(t)$ | $h[n]=K\delta[n]$ |
两边的稳定域为什么形状完全不同(半平面 vs 圆内)?因为映射关系是 $z=e^{sT}$:$s$ 的左半平面被指数映射"卷"成了 $z$ 平面单位圆的内部,虚轴卷成了单位圆周。理解了这个映射,连续和离散的所有稳定性结论就只需要记一套。
有个离散特有的细节:$|z|<1$ 内的极点在连续域对应左半平面,但映射是多对一的($s$ 平面每带宽 $2\pi/T$ 就映射一次),这正是采样导致频谱周期性延拓的根源,也是采样定理要求 $\omega_s>2\omega_m$ 的原因。离散与连续的这层关系,是"从 $h_c(t)$ 到 $h[n]$“这条链上最值得打通的一环。
八、工程实践:怎样"测"出一个 $h(t)$
理论说 $\delta$ 不存在,那实验室里那些"冲激响应"是怎么来的?
8.1 用窄脉冲近似:误差有多大,可以算出来
用宽 $T$、高 $1/T$、面积 1 的矩形脉冲 $\delta_T(t)$ 代替 $\delta(t)$。测得的响应是
$$h_T(t)=h(t)*\delta_T(t)$$它不是 $h(t)$,而是 $h(t)$ 的一个滑动平均(被宽度为 $T$ 的矩形窗平滑过)。误差有多大?对一阶系统 $h(t)=e^{-at}u(t)$ 可以精确算出来:
$$h_T(t)=\frac{e^{aT}-1}{aT}\,e^{-at}u(t-T)\quad\Longrightarrow\quad \frac{h_T}{h}\approx 1+\frac{aT}{2}\quad(aT\ll1)$$所以相对误差约为 $aT/2$。这给出了一条可操作的判据:若要求误差小于 5%,需 $aT<0.1$,即脉冲宽度小于系统时间常数的十分之一。
这个结果的物理翻译是:激励的带宽必须远大于系统的带宽。 矩形脉冲的频谱是 $\mathrm{sinc}$,其主瓣宽度约 $1/T$;一阶系统的带宽是 $a$。要"看清"系统,探测信号的频谱必须在系统关心的频段内足够平坦——$1/T\gg a$ 正是这个条件。
8.2 四种实际手段
| 手段 | 做法 | 适用 | 代价 |
|---|---|---|---|
| 脉冲激励 | 产生一个足够窄、面积已知的脉冲 | 电路、声学、简单机械系统 | 能量小,信噪比差;窄脉冲难造 |
| 锤击试验 | 力锤敲击 + 加速度计测响应 | 模态分析、结构动力学 | 敲击力谱不完全平坦,需归一化 |
| 白噪声 + 互相关 | 输入白噪声,算输入输出的互相关 | 系统辨识、声学测量 | 需要较长观测时间 |
| 扫频(chirp) | 正弦扫频激励,反卷积 | 音频、扬声器、房间响应 | 需后处理,但信噪比最好 |
其中"白噪声 + 互相关"这一条最能揭示 $\delta$ 的本质。理由是:
$$R_{xy}(\tau)=h(\tau)*R_{xx}(\tau)$$若 $x$ 是白噪声,则 $R_{xx}(\tau)=\sigma^2\delta(\tau)$,于是
$$R_{xy}(\tau)=\sigma^2 h(\tau)$$也就是说,白噪声的自相关函数就是 $\delta$,所以输入输出的互相关直接给出冲激响应(差一个常数因子)。
这件事很值得停下来想一想:$\delta$ 之所以是理想的"探针”,本质不在于它"窄",而在于它的频谱是平坦的——它在所有频率上给出同等强度的激励,因而能一次性激发系统的全部模态。时域上的"无限窄"和频域上的"无限宽"是同一件事的两面。一旦你抓住这一点,“为什么白噪声可以用来测系统"就不再是巧合,而是必然:白噪声就是"频域平坦"这个要求的一种可实现形式。
(顺带说:这也解释了为什么用一段音乐或语音测房间响应不靠谱——它们的频谱不平坦,某些频段根本没被激励,那些频段的 $h$ 信息就丢了。)
8.3 一个反例:为什么有些系统测不出 $h(t)$
考虑理想积分器,$h(t)=u(t)$。敲一下,输出会一直爬升,直到运放饱和或电源耗尽。你测到的只是一段被截断的 $h(t)$,而截断会严重扭曲低频信息(相当于给 $h$ 乘了一个矩形窗,频域是卷积一个 $\mathrm{sinc}$,产生纹波)。
这不是仪器不好,而是系统本身不 BIBO 稳定——$\int|h|=\infty$,第五章的条件不满足。所以:
“能测出冲激响应"这件事,本身就以系统的 BIBO 稳定性为前提。
一个漂亮的闭环:稳定性是 $h$ 的可积性(数学),也是"能否通过一次实验认识系统"的前提(工程)。同一个条件,从两个方向看。
九、六个常见误解
把前面散落各处的陷阱集中列一遍,当作自检清单。
误解 1:$\delta(t)$ 是一个"很高的窄脉冲”。 它根本不是函数。任何有限的"高"都不够高,任何非零的"窄"都不够窄。它是一个泛函,只在"与测试函数作用"的意义下存在。物理上能逼近,不能达到。
误解 2:$h(t)$ 是系统对"真实冲激"的响应。 真实世界没有冲激。$h(t)$ 是模型里的理想量,实验测到的是 $h*\delta_T$(被平滑过的版本)。把两者混为一谈,会在"为什么仿真和实测对不上"上浪费很多时间。
误解 3:$h(t)$ 一定是 $e^{pt}u(t)$ 的线性组合。 当分子阶数 $\ge$ 分母阶数时,$h(t)$ 里含 $\delta(t)$ 甚至 $\delta'(t)$。写成纯指数组合会漏掉直流/高频的"直通"成分。判别方法:先看 $H(s)$ 的分子分母阶数。
误解 4:求 $h(t)$ 可以用 $h(0^-)=0$ 一路解下去。 $h(0^-)=0$ 是对的,但 $h(0^+)$ 未必是 0。必须做冲激匹配,跳变量由 $b_m$ 和阶数差 $n-m-1$ 决定。
误解 5:极点不在右半平面就稳定。 虚轴上的极点(积分器、振荡器)也导致 BIBO 不稳定。正确条件是"极点严格位于左半开平面”。
误解 6:$h(t)$ 唯一确定系统。 只对 LTI 系统成立。非线性系统、时变系统,一个 $h(t)$ 什么也说明不了。$h(t)$ 的全部威力,都来自"线性 + 时不变"这两个假设——它们是这个理论的全部地基,也是最脆弱的假设。
十、收束:$h(t)$ 的三重身份
写到这里,可以回头回答引子里的那个问题了:为什么一次实验就够?
答案不在 $\delta$ 身上,而在"线性 + 时不变"这两个假设身上。它们太强了——强到把一个无穷维的算子(它能作用在任意函数上)压缩成一个一元函数 $h(t)$。你付出的代价是接受这两个假设,得到的是"敲一次,全知全能"。
而 $h(t)$ 这个概念,同时活在三个层面上:
物理上,它是系统的回音。 敲一下,听余韵——余韵的音高告诉你系统的固有频率,余韵的衰减速度告诉你阻尼,余韵的有无告诉你记忆的长短。这是最古老也最可靠的系统辨识方法,从敲钟听音到模态分析,用的是同一件事。
数学上,它是算子的核。 它是微分算子 $P(D)$ 的格林函数,是 LTI 算子在函数空间里的"矩阵元素",是卷积代数的生成元——有了它,卷积、变换、求逆、级联,全都成了代数运算。
工程上,它是系统辨识的唯一目标。 无论你用脉冲、用锤子、用白噪声还是用扫频,兜兜转转,你要的那个东西就是 $h(t)$。测到它,系统就被"读"完了。
如果要把整篇文章压缩成一句话,我会这样写:
$\delta(t)$ 之所以特殊,不是因为它在时域上无限窄,而是因为它对所有频率一视同仁;$h(t)$ 之所以完备,不是因为系统简单,而是因为"线性 + 时不变"把整个算子的信息压缩进了一个函数。
理解了这两句话,冲激响应就不再是一个需要背下来的公式 $y=x*h$,而是一个你可以从任意角度——时域的、频域的、算子的、实验的——去打量、去验证、去使用的对象。
而这,大概就是"信号与系统"这门课真正想给你的东西:不是一堆变换公式,而是一种把复杂对象压缩成简单描述的眼光。
附:核心公式速查
| 内容 | 公式 | ||||
|---|---|---|---|---|---|
| $\delta$ 的筛选性质 | $\int x(t)\delta(t-t_0)\mathrm{d}t=x(t_0)$ | ||||
| $\delta'$ 的筛选性质 | $\int x(t)\delta'(t)\mathrm{d}t=-x'(0)$ | ||||
| 尺度性质 | $\delta(at)=\frac{1}{ | a | }\delta(t)$ | ||
| 信号分解 | $x(t)=\int x(\tau)\delta(t-\tau)\mathrm{d}\tau$ | ||||
| 卷积(LTI 输出) | $y(t)=\int x(\tau)h(t-\tau)\mathrm{d}\tau$ | ||||
| 卷积的单位元 | $x(t)*\delta(t)=x(t)$ | ||||
| 冲激响应与系统函数 | $H(s)=\mathcal{L}\{h(t)\}$,$h(t)=\mathcal{L}^{-1}\{H(s)\}$ | ||||
| 阶跃响应关系 | $g(t)=\int_{-\infty}^{t}h(\tau)\mathrm{d}\tau$,$h(t)=g'(t)$ | ||||
| 匹配初值($m\le n-1$) | $h^{(n-m-1)}(0^+)=b_m$,更低阶导数为 0 | ||||
| 因果性 | $h(t)=0,\ t<0$ | ||||
| BIBO 稳定性 | $\int | h(t) | \mathrm{d}t<\infty$ | ||
| 因果有理系统稳定 | 全部极点 $\mathrm{Re}\{p_i\}<0$ | ||||
| 逆系统 | $h*h_{\text{inv}}=\delta$,$H_{\text{inv}}(s)=1/H(s)$ | ||||
| 离散卷积 | $y[n]=\sum_k x[k]h[n-k]$ | ||||
| 离散稳定 | $\sum | h[n] | <\infty \iff$ 极点 $ | z_i | <1$ |