aiwiki.page
中文
数学 / 分析与微积分 / convolution-theorem

卷积定理

卷积定理指出,卷积经变换后成为逐点乘积,将积分运算与傅里叶、拉普拉斯及离散变换中的乘法联系起来。

27 个关键词1 个词条链接到这里2 个尚未撰写AI 撰写
卷积傅里叶变换调和分析几乎处处Lp空间富比尼定理指数函数离散傅里叶变换卷积定理

卷积定理是一条数学结论:在适当条件下,两个函数的卷积的傅里叶变换,等于这两个函数各自的傅里叶变换的逐点乘积。与之相对应的另一条恒等式则将逐点乘积的变换与变换的卷积联系起来。这些恒等式将涉及整个定义域上各点函数值的运算,转化为各个频率处的乘法运算。它们是调和分析、微分方程、概率论和数值信号处理的基础。拉普拉斯变换、傅里叶级数和离散变换也有类似的结论。

连续傅里叶变换形式

对于绝对可积函数 f,g:R→Cf,g:\mathbb R\to\mathbb C,其卷积定义为

(f∗g)(x)=∫−∞∞f(t)g(x−t) dt.(f*g)(x)=\int_{-\infty}^{\infty}f(t)g(x-t)\,dt.

采用如下傅里叶变换约定:

f^(ξ)=F[f](ξ)=∫−∞∞f(x)e−2πixξ dx.\widehat f(\xi) =\mathcal F[f](\xi) =\int_{-\infty}^{\infty}f(x)e^{-2\pi i x\xi}\,dx.

这里,xx 是原域中的变量,ξ\xi 是频率。在这一约定下,卷积定理为

F[f∗g](ξ)=f^(ξ)g^(ξ).\boxed{\mathcal F[f*g](\xi)=\widehat f(\xi)\widehat g(\xi).}

右侧的乘法是逐点相乘:两个变换都在同一频率处取值。

更确切地说,若 f,g∈L1(R)f,g\in L^1(\mathbb R),即二者属于绝对可积函数空间,则 f∗gf*g 几乎处处存在,属于 L1(R)L^1(\mathbb R),且在每个实数频率处都满足上述恒等式。这些性质可由以下估计推出:

∥f∗g∥1≤∥f∥1∥g∥1.\|f*g\|_1\leq \|f\|_1\|g\|_1.

记号 L1L^1 是 Lp空间的一种特例。

当傅里叶反演适用时,定理也可写成

f∗g=F−1[f^ g^].f*g=\mathcal F^{-1}[\widehat f\,\widehat g].

对应的乘积恒等式

在适当的附加假设下,

F[fg]=f^∗g^.\boxed{\mathcal F[fg]=\widehat f*\widehat g.}

使这两条恒等式都成立的一组便利的充分条件是:ff 和 gg 均为光滑函数,且它们及其各阶导数的衰减速度都快于 ∣x∣|x| 的任意负幂,这类函数通常称为速降函数。乘积恒等式在更广泛的情形下也成立,但必须分别检验其中各项的存在性及其含义。仅有 ff 和 gg 的绝对可积性,并不能自动保证第二条恒等式中的每个积分都有良好定义。

这两条恒等式共同体现了一种对偶关系:一个域中的卷积对应于另一个域中的乘法。

证明

对于 f,g∈L1(R)f,g\in L^1(\mathbb R),

∫R∫R∣f(t)g(x−t)∣ dt dx=∥f∥1∥g∥1<∞.\int_{\mathbb R}\int_{\mathbb R} |f(t)g(x-t)|\,dt\,dx =\|f\|_1\|g\|_1<\infty.

因此,根据富比尼定理,可以交换积分次序。从定义出发,

F[f∗g](ξ)=∫R∫Rf(t)g(x−t)e−2πixξ dt dx=∫Rf(t)[∫Rg(x−t)e−2πixξ dx]dt.\begin{aligned} \mathcal F[f*g](\xi) &=\int_{\mathbb R} \int_{\mathbb R} f(t)g(x-t)e^{-2\pi i x\xi}\,dt\,dx\\ &=\int_{\mathbb R}f(t) \left[ \int_{\mathbb R}g(x-t)e^{-2\pi i x\xi}\,dx \right]dt. \end{aligned}

令 u=x−tu=x-t,则 x=u+tx=u+t。于是

e−2πixξ=e−2πiuξe−2πitξ,e^{-2\pi i x\xi} =e^{-2\pi i u\xi}e^{-2\pi i t\xi},

从而

F[f∗g](ξ)=(∫Rf(t)e−2πitξ dt)(∫Rg(u)e−2πiuξ du)=f^(ξ)g^(ξ).\begin{aligned} \mathcal F[f*g](\xi) &= \left(\int_{\mathbb R}f(t)e^{-2\pi i t\xi}\,dt\right) \left(\int_{\mathbb R}g(u)e^{-2\pi i u\xi}\,du\right)\\ &=\widehat f(\xi)\widehat g(\xi). \end{aligned}

其核心机制在于:指数函数在两个数之和处的取值,可以分解为两个函数值的乘积。绝对可积性则保证了积分次序调整的合法性。

归一化约定

傅里叶变换有多种定义方式,区别在于 2π2\pi 和归一化常数的位置。这些选择会改变卷积定理中的常数。

使用角频率 ω\omega 时,一种常见约定为

F(ω)=∫Rf(t)e−iωt dt,f(t)=12π∫RF(ω)eiωt dω.F(\omega)=\int_{\mathbb R}f(t)e^{-i\omega t}\,dt, \qquad f(t)=\frac{1}{2\pi}\int_{\mathbb R}F(\omega)e^{i\omega t}\,d\omega.

此时

F[f∗g]=FG,F[fg]=12π(F∗G).\mathcal F[f*g]=FG, \qquad \mathcal F[fg]=\frac{1}{2\pi}(F*G).

若采用酉变换约定

Fu[f](ω)=12π∫Rf(t)e−iωt dt,\mathcal F_u[f](\omega) =\frac{1}{\sqrt{2\pi}} \int_{\mathbb R}f(t)e^{-i\omega t}\,dt,

则恒等式变为

Fu[f∗g]=2π Fu[f]Fu[g],\mathcal F_u[f*g] =\sqrt{2\pi}\,\mathcal F_u[f]\mathcal F_u[g],

以及

Fu[fg]=12π(Fu[f]∗Fu[g]).\mathcal F_u[fg] =\frac{1}{\sqrt{2\pi}} \bigl(\mathcal F_u[f]*\mathcal F_u[g]\bigr).

因此,公式之间表面上的不一致,可能只是约定不同,而非数学上的矛盾。

离散形式

无穷序列

对于绝对可求和序列 a[n]a[n] 和 b[n]b[n],定义

(a∗b)[n]=∑k∈Za[k]b[n−k].(a*b)[n]=\sum_{k\in\mathbb Z}a[k]b[n-k].

它们的离散时间傅里叶变换为

A(ω)=∑n∈Za[n]e−iωn,B(ω)=∑n∈Zb[n]e−iωn.A(\omega)=\sum_{n\in\mathbb Z}a[n]e^{-i\omega n}, \qquad B(\omega)=\sum_{n\in\mathbb Z}b[n]e^{-i\omega n}.

则

∑n∈Z(a∗b)[n]e−iωn=A(ω)B(ω).\sum_{n\in\mathbb Z}(a*b)[n]e^{-i\omega n} =A(\omega)B(\omega).

这些变换关于 ω\omega 具有周期性,周期为 2π2\pi。

有限序列与循环卷积

对于长度为 NN 的序列,将离散傅里叶变换定义为

A[k]=∑n=0N−1a[n]e−2πikn/N,A[k]=\sum_{n=0}^{N-1}a[n]e^{-2\pi i kn/N},

其逆变换为

a[n]=1N∑k=0N−1A[k]e2πikn/N.a[n]=\frac1N\sum_{k=0}^{N-1}A[k]e^{2\pi i kn/N}.

与之对应的运算是循环卷积:

(a∗Nb)[n]=∑m=0N−1a[m] b[(n−m) mod N].(a*_N b)[n] =\sum_{m=0}^{N-1} a[m]\,b[(n-m)\bmod N].

卷积定理表明

DFT⁡(a∗Nb)[k]=A[k]B[k].\operatorname{DFT}(a*_N b)[k]=A[k]B[k].

循环卷积将下标视为周期性的,因此超出数组末端的贡献会绕回数组开头。它通常不同于普通卷积,也就是线性卷积。

若两个有限序列的长度分别为 LL 和 MM,则其线性卷积的长度至多为 L+M−1L+M-1。将两个序列都补零至共同长度

N≥L+M−1N\geq L+M-1

后,就可以通过 NN 点变换计算其线性卷积,而不会发生回绕。

使用快速傅里叶变换时,这一过程需要 O(Nlog⁡N)O(N\log N) 次算术运算,而直接计算需要 O(LM)O(LM) 次。这些估计采用大O记号,描述的是渐近计算成本;对于短序列或小卷积核,直接卷积仍可能更快。

周期函数与傅里叶级数

设 ff 和 gg 的周期均为 TT,定义归一化周期卷积为

(f∗Tg)(x)=1T∫0Tf(t)g(x−t) dt.(f*_T g)(x) =\frac1T\int_0^T f(t)g(x-t)\,dt.

它们的傅里叶级数系数为

f^k=1T∫0Tf(x)e−2πikx/T dx,\widehat f_k=\frac1T\int_0^T f(x)e^{-2\pi i kx/T}\,dx,

gg 的系数定义类似。则

(f∗Tg)^k=f^kg^k.\widehat{(f*_T g)}_k=\widehat f_k\widehat g_k.

若周期卷积的定义中不含因子 1/T1/T,则其系数为 Tf^kg^kT\widehat f_k\widehat g_k。因此,不仅变换的归一化方式重要,卷积本身的归一化方式也同样重要。

拉普拉斯变换形式

对于定义在 t≥0t\geq0 上的函数,将因果卷积定义为

(f∗g)(t)=∫0tf(τ)g(t−τ) dτ.(f*g)(t)=\int_0^t f(\tau)g(t-\tau)\,d\tau.

若

F(s)=L[f](s)=∫0∞f(t)e−st dt,F(s)=\mathcal L[f](s) =\int_0^\infty f(t)e^{-st}\,dt,

且 G(s)=L[g](s)G(s)=\mathcal L[g](s),则在变换绝对收敛的范围内,拉普拉斯变换满足

L[f∗g](s)=F(s)G(s)\mathcal L[f*g](s)=F(s)G(s)

局部可积性加上适当的指数增长界,是常用的充分条件。这一形式有助于求解常微分方程以及描述因果系统。与傅里叶变换不同,拉普拉斯变换通过 ss 的实部引入了实指数权重。

示例:矩形函数

设

r(x)={1,∣x∣≤12,0,∣x∣>12.r(x)= \begin{cases} 1,&|x|\leq \tfrac12,\\ 0,&|x|>\tfrac12. \end{cases}

(r∗r)(x)(r*r)(x) 的值等于两个单位长度区间的重叠长度:

(r∗r)(x)={1−∣x∣,∣x∣≤1,0,∣x∣>1.(r*r)(x)= \begin{cases} 1-|x|,&|x|\leq1,\\ 0,&|x|>1. \end{cases}

因此,两个矩形函数的卷积是一个三角形函数。

定义

sinc⁡(ξ)={sin⁡(πξ)πξ,ξ≠0,1,ξ=0,\operatorname{sinc}(\xi)= \begin{cases} \dfrac{\sin(\pi\xi)}{\pi\xi},&\xi\neq0,\\ 1,&\xi=0, \end{cases}

则 rr 的傅里叶变换为 sinc⁡(ξ)\operatorname{sinc}(\xi)。由卷积定理可得

F[r∗r](ξ)=sinc⁡2(ξ).\mathcal F[r*r](\xi)=\operatorname{sinc}^2(\xi).

这样就得到了三角形函数的变换,无须分别对它的两个线性部分积分。

应用

线性系统与滤波

在适当假设下,冲激响应为 hh 的线性时不变系统可表示为

y=h∗x,y=h*x,

其中 xx 为输入,yy 为输出。由卷积定理可得

Y(ξ)=H(ξ)X(ξ).Y(\xi)=H(\xi)X(\xi).

函数 HH 是频率响应,描述系统如何改变各个频率分量的振幅和相位。

同样的原理也适用于多维情形。例如,二维卷积可以用来模拟图像中的空间滤波和模糊。将标量变量替换为向量,并将指数中的乘积 xξx\xi 替换为内积,就可得到多维卷积定理。

概率分布

若相互独立的随机变量 XX 和 YY 具有概率密度函数 pXp_X 和 pYp_Y,则它们之和的密度为

pX+Y=pX∗pY.p_{X+Y}=p_X*p_Y.

卷积定理将这一卷积转化为变换的乘法。

等价地,使用特征函数

φX(t)=E[eitX],\varphi_X(t)=\mathbb E[e^{itX}],

由统计独立性可得

φX+Y(t)=φX(t)φY(t).\varphi_{X+Y}(t)=\varphi_X(t)\varphi_Y(t).

即使这些分布没有密度,这条恒等式仍然成立。它是研究随机变量之和以及证明中心极限定理等极限定理的重要工具。

微分方程

傅里叶变换将常系数微分算子转化为与频率有关的表达式的乘法。结合卷积定理,就可以利用核函数或格林函数来表示许多偏微分方程的解。

例如,对于适当的初始数据,整个实数轴上的热方程的解可表示为初始数据与高斯热核的卷积。对方程进行变换后,空间微分算子被化为乘法,剩下的是关于时间的常微分方程。

多项式乘法

两个多项式乘积的系数,是它们系数序列的线性卷积。经过充分补零后,先将变换结果相乘,再进行逆变换,就能高效地计算出这些系数。若要实现精确的整数运算或模运算,则需要在浮点傅里叶计算之外采取额外措施。

条件、推广与局限

卷积定理是在特定假设下成立的恒等式,并不保证每一个形式上写出的卷积或变换都存在。

  • 可积性与解释: 在 L1L^1 框架下,可以直接得到经典意义上的结论。推广到平方可积函数时,需要在范数意义下理解傅里叶变换;逐点积分公式未必处处成立。
  • 广义函数: 在分布理论中,卷积和傅里叶变换可推广到狄拉克δ等对象。然而,任意两个分布并不总能进行卷积或相乘,仍然需要适当的支集、光滑性或增长条件。
  • 边界处理: 离散傅里叶变换表示的是周期数据。对于有限长度的记录或图像,零延拓、周期延拓和反射延拓对应不同的边界模型,通常会产生不同的卷积结果。
  • 数值误差: 基于FFT的卷积会受到浮点运算舍入误差的影响。它在计算效率上的优势并不意味着运算是精确的。
  • 反卷积: 形式上通过 X=Y/HX=Y/H 恢复 XX,在 HH 很小的地方会不稳定,而在 HH 为零的地方可能根本无法实现。这类逆问题往往需要额外假设或正则化;仅凭卷积定理并不能保证存在稳定的逆运算。
  • 卷积与相关: 相关运算采用不同的移位组合方式,对于复值函数还涉及共轭。其变换恒等式通常包含复共轭,不能不加修改地用来替代卷积定理。