［求科普］同轴线的阻抗匹配【耳机吧】_百度贴吧
&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&签到排名：今日本吧第个签到，本吧因你更精彩，明天继续来努力！
本吧签到人数：0成为超级会员，使用一键签到本月漏签0次！成为超级会员，赠送8张补签卡连续签到：天&&累计签到：天超级会员单次开通12个月以上，赠送连续签到卡3张
关注：1,743,897贴子：
［求科普］同轴线的阻抗匹配收藏
小白最近捡了根50厘米欧亚得FTVS-910，是5N纯银110ohm线，线皮印刷字符标了方向，上家当作台机互联的同轴线来用，说声音不错，到手时两头都是RCA接口，为了匹配mojo，自己把输出端改成了3.5头。通过06MX＋Mojo＋A10连接，感觉不错，没听出有什么明显的音质损失。但：1. 网上大部分言论都说同轴口涉及到阻抗匹配的问题，不匹配会导致信号损失，大部分同轴口都适合用50ohm或者75ohm的……总结下来就是这根FTVS-910因其110ohm的阻抗以及内部两芯的构造其实更适合做AES线。2. 还有一部分说短距离同轴传输阻抗匹配并不重要，不会影响信号传输。所以FTVS-910也能当短距离同轴线。3. 然后06MX和Mojo的参数里都未标清同轴口应该适配哪种阻抗的线。本小白就彻底晕了，1、2两种说法是不是都有道理？求大神指点
淘宝可靠店铺求推荐
同轴电缆的特性阻抗的计算公式在网上总是看得到这样的一句:
同轴电缆的特性阻抗的计算公式为 ：Ｚ0＝〔60/√εr〕×Log ( D/d ) [ 欧] 本人认为应该是: Ｚ0＝〔60/√εr〕×Ln( D/d ) [ 欧]
其中 式中，D 为同轴电缆外导体铜网内径；
为同轴电缆芯线外径；
εr为导体间绝缘介质的相对介电常数。也可作为表示为:
Ｚ0＝〔138.2/√εr〕×Lg ( D/d ) [ 欧]搜到的各种言论：1. “只要有条两心线，就可以做数字同轴线和音频讯号线使用, 单独做数字同轴线的，要求线材是75和110欧姆的 最好RCA头子也用75欧姆定阻头，瑞士 扭崔可的RCA头子做数字同轴线的头子也非常好!”2. “RCA 怎么会没阻抗特性。只是RCA并非为高频传输而设计，生产厂家也不会去测试，也不会按照统一标准设计生产。所以阻抗特性每家厂，每个产品都会不同。实际应该小于50欧姆。 家用的产品如DVD、电视机等都用RCA的视频线，实际使用并无不妥。 根据传输线理论，长度在1/7波长时，才必须严格要求阻抗匹配。要求高的hifi产品，暂定为1/20波长吧。DAC传送的数字信号32bit,192k取样，速率为32*192k=6144k, 信号在铜材中的传送速度大约为200，000，000米/秒，波长为32米，20分之一的波长为1.6米，所以线材最好用标准线。RCA头的长度大约在1厘米左右，即使阻抗不匹配，并无影响。传送1G以上的信号，才会有影响。”3.“信号传输过程中负载阻抗和信源内阻抗之间的特定配合关系。一件器材的输出阻抗和所连接的负载阻抗之间所应满足的某种关系，以免接上负载后对器材本身的工作状态产生明显的影响。对电子设备互连来说，例如信号源连放大器，前级连后级，只要后一级的输入阻抗大于前一级的输出阻抗5-10倍以上，就可认为阻抗匹配良好；”4. “音频输出应该是75.数码同轴是50的.这就是数码线比音频信号线细一些的原因”5. “理论上50欧同轴电缆更适合传递功率所以电子数码发射用50欧的如果田用75欧传输车校率将变的很低.有部分能量将反射回来.大功率的设备可能烧机.小功率设备将影响效率”6. “同轴,确有50欧和75欧的区别，也就是基带同轴和宽带同轴的区别.对于传递数字信号的同轴电缆，是不传递功率的。主要考虑的是干扰和衰减.阻抗，因电器设备 使用电感,电容,电阻等元件，所以不能等同于纯电阻电路，有感抗和容抗,在微观上,是不同时间，不同的微观小电阻的向量和.在微观上很短的一个时间里，说百了，我们就可以把它当成电阻。把他等成一个等效电阻看待来思考问题.既然把他当等等效电阻来思考一些问题，就要考虑电流和功率，包括做功的功率和损失的热功率,在微观上，就可能要适当考虑线材的电阻问题，线材过长，过细,电阻过大，就会在线材上损失功率，信号衰减而导致电器设备上得不到适当的功率或得不到正确的信号.这些问题，假如抛开用在音频领域，也是无时不存在的,也是更广泛存在导致很多工业设备因忽视线材的问题而导致的运行故障等问题。其实都可以解释原因。而惟独,在音频领域，就玄之又玄,各有各的理由，而不是将故障原因及因素指向同一个原理，同一个原因。”
7. “同轴线材的阻抗主要是用于减少噪声的干扰，例如视频线材设置为75欧姆的阻抗，这个大小的阻抗的线材可以很好地减弱外界和内部电磁波对这个频段的视频信号的干扰。1．同轴视频线为什么要叫 75欧姆 馈线75欧姆是指馈线的阻抗匹配值，因为馈线会有信号衰减，阻抗匹配的目的就是让微波信号尽可能的以最大值传输到终端。具体你可以详细了解阻抗匹配的相关资料。 ２．什么叫阻抗匹配 阻抗匹配（Impedance matching）是微波电子学里的一部分，主要用于传输线上，来达至所有高频的微波信号皆能传至负载点的目的，不会有信号反射回来源点，从而提升能源效益。
大体上，阻抗匹配有两种，一种是透过改变阻抗力（lumped-circuit matching），另一种则是调整传输线的波长（transmission line matching）。
要匹配一组线路，首先把负载点的阻抗值，除以传输线的特性阻抗值来归一化，然后把数值划在史密夫图表上。
改变阻抗力
把电容或电感与负载串联起来，即可增加或减少负载的阻抗值，在图表上的点会沿著代表实数电阻的圆圈走动。如果把电容或电感接地，首先图表上的点会以图中心旋转180度，然后才沿电阻圈走动，再沿中心旋转180度。重覆以上方法直至电阻值变成1，即可直接把阻抗力变为零完成匹配。
调整传输线
由负载点至来源点加长传输线，在图表上的圆点会沿著图中心以逆时针方向走动，直至走到电阻值为1的圆圈上，即可加电容或电感把阻抗力调整为零，完成匹配
阻抗匹配则传输功率大，对于一个电源来讲，单它的内阻等于负载时，输出功率最大，此时阻抗匹配。最大功率传输定理，如果是高频的话，就是无反射波。对于普通的宽频放大器，输出阻抗50Ω，功率传输电路中需要考虑阻抗匹配，可是如果信号波长远远大于电缆长度，即缆长可以忽略的话，就无须考虑阻抗匹配了。阻抗匹配是指在能量传输时,要求负载阻抗要和传输线的特征阻抗相等,此时的传输不会产生反射,这表明所有能量都被负载吸收了.反之则在传输中有能量损失。高速PCB布线时，为了防止信号的反射，要求是线路的阻抗为50欧姆。这是个大约的数字,一般规定同轴电缆基带50欧姆,频带75欧姆,对绞线则为100欧姆,只是取个整而已,为了匹配方便. 阻抗从字面上看就与电阻不一样，其中只有一个阻字是相同的，而另一个抗字呢？简单地说，阻抗就是电阻加电抗，所以才叫阻抗；周延一点地说，阻抗就是电阻、电容抗及电感抗在向量上的和。在直流电的世界中，物体对电流阻碍的作用叫做电阻，世界上所有的物质都有电阻，只是电阻值的大小差异而已。电阻小的物质称作良导体，电阻很大的物质称作非导体，而最近在高科技领域中称的超导体，则是一种电阻值几近于零的东西。但是在交流电的领域中则除了电阻会阻碍电流以外，电容及电感也会阻碍电流的流动，这种作用就称之为电抗，意即抵抗电流的作用。电容及电感的电抗分别称作电容抗及电感抗，简称容抗及感抗。它们的计量单位与电阻一样是奥姆，而其值的大小则和交流电的频率有关系，频率愈高则容抗愈小感抗愈大，频率愈低则容抗愈大而感抗愈小。此外电容抗和电感抗还有相位角度的问题，具有向量上的关系式，因此才会说：阻抗是电阻与电抗在向量上的和。
阻抗匹配是指负载阻抗与激励源内部阻抗互相适配，得到最大功率输出的一种工作状态。对于不同特性的电路，匹配条件是不一样的。
在纯电阻电路中，当负载电阻等于激励源内阻时，则输出功率为最大，这种工作状态称为匹配，否则称为失配。
当激励源内阻抗和负载阻抗含有电抗成份时，为使负载得到最大功率，负载阻抗与内阻必须满足共扼关系，即电阻成份相等，电抗成份只数值相等而符号相反。这种匹配条件称为共扼匹配。
一.阻抗匹配的研究
在高速的设计中，阻抗的匹配与否关系到信号的质量优劣。阻抗匹配的技术可以说是丰富多样，但是在具体的系统中怎样才能比较合理的应用，需要衡量多个方面的因素。例如我们在系统中设计中，很多采用的都是源段的串连匹配。对于什么情况下需要匹配，采用什么方式的匹配，为什么采用这种方式。
例如：差分的匹配多数采用终端的匹配；时钟采用源段匹配； 1、 串联终端匹配
串联终端匹配的理论出发点是在信号源端阻抗低于传输线特征阻抗的条件下，在信号的源端和传输线之间串接一个电阻R，使源端的输出阻抗与传输线的特征阻抗相匹配，抑制从负载端反射回来的信号发生再次反射. 串联终端匹配后的信号传输具有以下特点： A 由于串联匹配电阻的作用，驱动信号传播时以其幅度的50％向负载端传播； B 信号在负载端的反射系数接近＋1，因此反射信号的幅度接近原始信号幅度的50％。 C 反射信号与源端传播的信号叠加，使负载端接受到的信号与原始信号的幅度近似相同； D 负载端反射信号向源端传播，到达源端后被匹配电阻吸收；？ E 反射信号到达源端后，源端驱动电流降为0，直到下一次信号传输。
相对并联匹配来说，串联匹配不要求信号驱动器具有很大的电流驱动能力。
选择串联终端匹配电阻值的原则很简单，就是要求匹配电阻值与驱动器的输出阻抗之和与传输线的特征阻抗相等。理想的信号驱动器的输出阻抗为零，实际的驱动器总是有比较小的输出阻抗，而且在信号的电平发生变化时，输出阻抗可能不同。比如电源电压为＋4.5V的CMOS驱动器，在低电平时典型的输出阻抗为37Ω，在高电平时典型的输出阻抗为45Ω[4]；TTL驱动器和CMOS驱动一样，其输出阻抗会随信号的电平大小变化而变化。因此，对TTL或CMOS电路来说，不可能有十分正确的匹配电阻，只能折中考虑。
链状拓扑结构的信号网路不适合使用串联终端匹配，所有的负载必须接到传输线的末端。否则，接到传输线中间的负载接受到的波形就会象图3.2.5中C点的电压波形一样。可以看出，有一段时间负载端信号幅度为原始信号幅度的一半。显然这时候信号处在不定逻辑状态，信号的噪声容限很低。
串联匹配是最常用的终端匹配方法。它的优点是功耗小，不会给驱动器带来额外的直流负载，也不会在信号和地之间引入额外的阻抗；而且只需要一个电阻元件。 2、 并联终端匹配
并联终端匹配的理论出发点是在信号源端阻抗很小的情况下，通过增加并联电阻使负载端输入阻抗与传输线的特征阻抗相匹配，达到消除负载端反射的目的。实现形式分为单电阻和双电阻两种形式。
并联终端匹配后的信号传输具有以下特点： A 驱动信号近似以满幅度沿传输线传播； B 所有的反射都被匹配电阻吸收； C 负载端接受到的信号幅度与源端发送的信号幅度近似相同。
在实际的电路系统中，芯片的输入阻抗很高，因此对单电阻形式来说，负载端的并联电阻值必须与传输线的特征阻抗相近或相等。假定传输线的特征阻抗为50Ω，则R值为50Ω。如果信号的高电平为5V，则信号的静态电流将达到100mA。由于典型的TTL或CMOS电路的驱动能力很小，这种单电阻的并联匹配方式很少出现在这些电路中。
双电阻形式的并联匹配，也被称作戴维南终端匹配，要求的电流驱动能力比单电阻形式小。这是因为两电阻的并联值与传输线的特征阻抗相匹配，每个电阻都比传输线的特征阻抗大。考虑到芯片的驱动能力，两个电阻值的选择必须遵循三个原则： ⑴． 两电阻的并联值与传输线的特征阻抗相等； ⑵． 与电源连接的电阻值不能太小，以免信号为低电平时驱动电流过大； ⑶． 与地连接的电阻值不能太小，以免信号为高电平时驱动电流过大。
并联终端匹配优点是简单易行；显而易见的缺点是会带来直流功耗：单电阻方式的直流功耗与信号的占空比紧密相关？；双电阻方式则无论信号是高电平还是低电平都有直流功耗。因而不适用于电池供电系统等对功耗要求高的系统。另外，单电阻方式由于驱动能力问题在一般的TTL、CMOS系统中没有应用，而双电阻方式需要两个元件，这就对PCB的板面积提出了要求，因此不适合用于高密度印刷电路板。
当然还有：AC终端匹配； 基于二极管的电压钳位等匹配方式。
二 .将讯号的传输看成软管送水浇花
数位系统之多层板讯号线（Signal Line）中，当出现方波讯号的传输时，可将之假想成为软管（hose）送水浇花。一端于手握处加压使其射出水柱，另一端接在水龙头。当握管处所施压的力道恰好，而让水柱的射程正确洒落在目标区时，则施与受两者皆欢而顺利完成使命，岂非一种得心应手的小小成就？
然而一旦用力过度水注射程太远，不但腾空越过目标浪费水资源，甚至还可能因强力水压无处宣泄，以致往来源反弹造成软管自龙头上的挣脱!不仅任务失败横生挫折，而且还大捅纰漏满脸豆花呢！
反之，当握处之挤压不足以致射程太近者，则照样得不到想要的结果。过犹不及皆非所欲，唯有恰到好处才能正中下怀皆大欢喜。
上述简单的生活细节，正可用以说明方波（Square Wave）讯号（Signal）在多层板传输线（Transmission Line，系由讯号线、介质层、及接地层三者所共同组成）中所进行的快速传送。此时可将传输线（常见者有同轴电缆Coaxial Cable，与微带线Microstrip Line或带线Strip Line等）看成软管，而握管处所施加的压力，就好比板面上“接受端”（Receiver）元件所并联到Gnd的电阻器一般，可用以调节其终点的特性阻抗（Characteristic Impedance），使匹配接受端元件内部的需求。
三. 传输线之终端控管技术（Termination）
由上可知当“讯号”在传输线中飞驰旅行而到达终点，欲进入接受元件（如CPU或Meomery等大小不同的IC）中工作时，则该讯号线本身所具备的“特性阻抗”，必须要与终端元件内部的电子阻抗相互匹配才行，如此才不致任务失败白忙一场。用术语说就是正确执行指令，减少杂讯干扰，避免错误动作”。一旦彼此未能匹配时，则必将会有少许能量回头朝向“发送端”反弹，进而形成反射杂讯（Noise）的烦恼。
当传输线本身的特性阻抗（Z0）被设计者订定为28ohm时，则终端控管的接地的电阻器（Zt）也必须是28ohm，如此才能协助传输线对Z0的保持，使整体得以稳定在28 ohm的设计数值。也唯有在此种Z0=Zt的匹配情形下，讯号的传输才会最具效率，其“讯号完整性”（Signal Integrity，为讯号品质之专用术语）也才最好。
四.特性阻抗（Characteristic Impedance）
当某讯号方波，在传输线组合体的讯号线中，以高准位（High Level）的正压讯号向前推进时，则距其最近的参考层（如接地层）中，理论上必有被该电场所感应出来的负压讯号伴随前行（等于正压讯号反向的回归路径Return Path），如此将可完成整体性的回路（Loop）系统。该“讯号”前行中若将其飞行时间暂短加以冻结，即可想象其所遭受到来自讯号线、介质层与参考层等所共同呈现的瞬间阻抗值（Instantanious Impedance），此即所谓的“特性阻抗”。 是故该“特性阻抗”应与讯号线之线宽（w）、线厚（t）、介质厚度（h）与介质常数（Dk）都扯上了关系。
阻抗匹配不良的后果 由于高频讯号的“特性阻抗”（Z0）原词甚长，故一般均简称之为“阻抗”。读者千万要小心，此与低频AC交流电（60Hz）其电线（并非传输线）中，所出现的阻抗值（Z）并不完全相同。数位系统当整条传输线的Z0都能管理妥善，而控制在某一范围内（±10％或 ±5％）者，此品质良好的传输线，将可使得杂讯减少，而误动作也可避免。 但当上述微带线中Z0的四种变数（w、t、h、 r）有任一项发生异常，例如讯号线出现缺口时，将使得原来的Z0突然上升（见上述公式中之Z0与W成反比的事实），而无法继续维持应有的稳定均匀（Continuous）时，则其讯号的能量必然会发生部分前进，而部分却反弹反射的缺失。如此将无法避免杂讯及误动作了。例如浇花的软管突然被踩住，造成软管两端都出现异常，正好可说明上述特性阻抗匹配不良的问题。
阻抗匹配不良造成杂讯 上述部分讯号能量的反弹，将造成原来良好品质的方波讯号，立即出现异常的变形（即发生高准位向上的Overshoot，与低准位向下的Undershoot，以及二者后续的Ringing）。此等高频杂讯严重时还会引发误动作，而且当时脉速度愈快时杂讯愈多也愈容易出错。”
俺发邮件问了下chord，推荐俺用75ohm同轴连Mojo
好帖　　　? 　天気がいいから散歩しましょう?　
好多看不懂
登录百度帐号傅立叶变换
卷积的本质是什么？有什么物理意义？幽默的给你解释
分三个部分来理解：
& & &1．信号的角度
& & &2．数学家的理解（外行）
& & &3．与多项式的关系卷积这个东东是&信号与系统&中论述系统对输入信号的响应而提出的。
& & &因为是对模拟信号论述的，所以常常带有繁琐的算术推倒，很简单的问题的本质常常就被一大堆公式淹没了，那么卷积究竟物理意义怎么样呢？
& & &卷积表示为y(n) = x(n)*h(n)使用离散数列来理解卷积会更形象一点，我们把y(n)的序列表示成y(0)，y(1)，y(2) 这是系统响应出来的信号。同理，x(n)的对应时刻的序列为x(0)，x(1)，x(2)...其实我们如果没有学过信号与系统，就常识来讲，系统的响应不仅与当前时刻系统的输入有关，也跟之前若干时刻的输入有关，因为我们可以理解为这是之前时刻的输 入信号经过一种过程（这种过程可以是递减，削弱，或其他）对现在时刻系统输出的影响，那么显然，我们计算系统输出时就必须考虑现在时刻的信号输入的响应以 及之前若干时刻信号输入的响应之&残留&影响的一个叠加效果。假设0时刻系统的响应为y(0)，若其在1时刻时，此种响应未改变，则1时 刻的响应就变成了y(0)+y(1)，叫序列的累加和（与序列的和不一样）。但常常系统中不是这样的，因为0时刻的响应不太可能在1时刻仍旧未变化，那么 怎么表述这种变化呢，就通过h(t)这个响应函数与x(0)相乘来表述，表述为x(m)&h(n-m)，具体表达式不用多管，只要记着有大概这种关系，引 入这个函数就能够表述y(0)在1时刻究竟削弱了多少，然后削弱后的值才是y(0)在1时刻的真实值，再通过累加和运算，才得到真实的系统响应。再拓展点，某时刻的系统响应往往不一定是由当前时刻和前一时刻这两个响应决定的，也可能是再加上前前时刻，前前前时刻，前前前前时刻，等等，那么怎么约束这 个范围呢，就是通过对h(n)这个函数在表达式中变化后的h(n-m)中的m的范围来约束的。即说白了，就是当前时刻的系统响应与多少个之前时刻的响应的 &残留影响&有关。当考虑这些因素后，就可以描述成一个系统响应了，而这些因素通过一个表达式（卷积）即描述出来不得不说是数学的巧妙和迷人之处了。
++++++++++++++++++++++
卷积是人为定义的一种运算，就是为了计算的方便规定的一种算法。两个函数普通乘积的积分变换（傅里叶变换与拉普拉斯变换）与这两个函数积分变换的卷积建立了关系，使我们只要会求两个函数的变换，利用卷积就可以求这两个函数乘积的变换。卷积在数据处理中用来平滑，卷积有平滑效应和展宽效应.谈起卷积分当然要先说说冲击函数----这个倒立的小蝌蚪，卷积其实就是为它诞生的。&冲击函数&是狄拉克为了解决一些瞬间作用的物理现象而提出的符号。古 人曰：&说一堆大道理不如举一个好例子&，冲量这一物理现象很能说明&冲击函数&。在t时间内对一物体作用F的力，我们可以让作用时间t很小，作用力F很 大，但让Ft的乘积不变，即冲量不变。于是在用t做横坐标、F做纵坐标的坐标系中，就如同一个面积不变的长方形，底边被挤的窄窄的，高度被挤的高高的，在数学中它可以被挤到无限高，但即使它无限瘦、无限高、但它仍然保持面积不变（它没有被挤没！），为了证实它的存在，可以对它进行积分，积分就是求面积嘛！ 于是&卷积&这个数学怪物就这样诞生了。说它是数学怪物是因为追求完美的数学家始终在头脑中转不过来弯，一个能瘦到无限小的家伙，竟能在积分中占有一席之 地，必须将这个细高挑清除数学界。但物理学家、工程师们确非常喜欢它，因为它解决了很多当时数学家解决不了的实际问题。最终追求完美的数学家终于想通了， 数学是来源于实际的，并最终服务于实际才是真。于是，他们为它量身定做了一套运作规律。于是，妈呀！你我都感觉眩晕的卷积分产生了。
目前，傅立叶变换最重要的应用之一就是可以将卷积方程变成两个函数的乘积形式去求解。卷积分是积分方程家族的一名重要成员。
++++++++++++++++++++++
卷积是一种积分运算，它可以用来描述线性时不变系统的输入和输出的关系：即输出可以通过输入和一个表征系统特性的函数（冲激响应函数）进行卷积运算得到。 &&以下用$符号表示从负无穷大到正无穷大的积分。 &一维卷积：y(t)=g(k)*x(k)=$g(k)x(t-k) &&先把函数x(k)相对于原点反折，然后向右移动距离t，然后两个函数相乘再积分，就得到了在t处的输出。对每个t值重复上述过程，就得到了输出曲线。 &&二维卷积：h(x,y)=f(u,v)*g(u,v)=$$f(u,v)g(x-u,y-v) &&先将g(u,v)绕其原点旋转180度，然后平移其原点，u轴上像上平移x， v轴上像上平移y。然后两个函数相乘积分，得到一个点处的输出。 &&图像处理中的卷积与上面的定义稍微有一点不同。用一个模板和一幅图像进行卷积，对于图像上的一个点，让模板的原点和该点重合，然后模板上的点和图像上对应的 点相乘，然后各点的积相加，就得到了该点的卷积值。对图像上的每个点都这样处理。由于大多数模板都是对称的，所以模板不旋转。把一个点的像素值用它周围的点的像素值的加权平均代替。
++++++++++++++++++++++
卷积的物理意义，解释的真幽默！有一个七品县令，喜欢用打板子来惩戒那些市井无赖，而且有个惯例：如果没犯大罪，只打一板，释放回家，以示爱民如子。
有一个无赖，想出人头地却没啥指望，心想：既然扬不了善名，出恶名也成啊。怎么出恶名？炒作呗！怎么炒作？找名人呀！他自然想到了他的行政长官&&县令。
无赖于是光天化日之下，站在县衙门前撒了一泡尿，后果是可想而知地，自然被请进大堂挨了一板子，然后昂首挺胸回家，躺了一天，嘿！身上啥事也没有！第二天如 法炮制，全然不顾行政长管的仁慈和衙门的体面，第三天、第四天......每天去县衙门领一个板子回来，还喜气洋洋地，坚持一个月之久！这无赖的名气已经 和衙门口的臭气一样，传遍八方了！县令大人噤着鼻子，呆呆地盯着案子上的惊堂木，拧着眉头思考一个问题：这三十个大板子怎么不好使捏？......想当初，本老爷金榜题名时，数学可是得了满分，今天好歹要解决这个问题：&&人（系统！）挨板子（脉冲！）以后，会有什么表现（输出！）？&&费话，疼呗！&&我问的是：会有什么表现？&&看疼到啥程度。像这无赖的体格，每天挨一个板子啥事都不会有，连哼一下都不可能，你也看到他那得意洋洋的嘴脸了（输出0）；如果一次连揍他十个板子，他可 能会皱皱眉头，咬咬牙，硬挺着不哼（输出1）；揍到二十个板子，他会疼得脸部扭曲，象猪似地哼哼（输出3）；揍到三十个板子，他可能会象驴似地嚎叫，一把 鼻涕一把泪地求你饶他一命（输出5）；揍到四十个板子，他会大小便失禁，勉强哼出声来（输出1）；揍到五十个板子，他连哼一下都不可能（输出0）&&死 啦！
& & & &县令铺开坐标纸，以打板子的个数作为X轴，以哼哼的程度（输出）为Y轴，绘制了一条曲线：&&呜呼呀！这曲线象一座高山，弄不懂弄不懂。为啥那个无赖连挨了三十天大板却不喊绕命呀？&& 呵呵，你打一次的时间间隔（&D&=24小时）太长了，所以那个无赖承受的痛苦程度一天一利索，没有叠加，始终是一个常数；如果缩短打板子的时间间隔（建议 &D&=0.5秒），那他的痛苦程度可就迅速叠加了；等到这无赖挨三十个大板（t=30）时，痛苦程度达到了他能喊叫的极限，会收到最好的惩戒效果，再多打 就显示不出您的仁慈了。&&还是不太明白，时间间隔小，为什么痛苦程度会叠加呢？&&这与人（线性时不变系统）对板子（脉冲、输入、激 励）的响应有关。什么是响应？人挨一个板子后，疼痛的感觉会在一天（假设的，因人而异）内慢慢消失（衰减），而不可能突然消失。这样一来，只要打板子的时 间间隔很小，每一个板子引起的疼痛都来不及完全衰减，都会对最终的痛苦程度有不同的贡献：t个大板子造成的痛苦程度=&S(第&个大板子引起的痛苦*衰减系数)[衰减系数是（t-&）的函数，仔细品味]数学表达为：y(t)=&T(&)H(t-&)&&拿人的痛苦来说卷积的事，太残忍了。除了人以外，其他事物也符合这条规律吗？&&呵呵，县令大人毕竟仁慈。其实除人之外，很多事情也遵循此道。好好想一想，铁丝为什么弯曲一次不折，快速弯曲多次却会轻易折掉呢？&&恩，一时还弄不清，容本官慢慢想来&&但有一点是明确地&&来人啊，将撒尿的那个无赖抓来，狠打40大板！也可以这样理解：T(&)即第&个板子，H(t-&)就是第&个板子引起的痛苦到t时刻的痛苦程度，所有板子加起来就是&T(&)H(t-&)++++++++++++++++++++++
卷积法的原理是根据线性定常电路的性质(齐次性、叠加性、时不变性、积分性等)，借助电路的单位冲激响应h(t),求解系统响应的工具，系统的激励一般都可以表示为冲击函数和激励的函数的卷积，而卷积为高等数学中的积分概念。建议你去看看定积分的内容。
特别注意的是：概念中冲击函数的幅度是由每个矩形微元的面积决定的。总的说来卷积就是用冲击函数表示激励函数，然后根据冲击响应求解系统的零状态响应。卷积实质上是对信号进行滤波。卷积应该就是求和也就是积分，对于线性时不变的系统，输入可以分解成很多强度不同的冲激的和的形式（对于时域就是积分了），那么输出也就是这些冲激分别作用到系统产生的响应的和（或者积分）。所以卷积的物理意义就是表达了时域中输入，系统冲激响应，以及输出之间的关系。卷积是在时域求解LTI系统对任意激励的零状态响应的好方法，可以避免直接求解复杂的微分方程。从数学上来说卷积就是定义两个函数的一种乘法。对离散序列来说就是两个多项式的乘法。物理意义就是冲激响应的线性叠加，所谓冲激响应可以看作是一个函数，另一个函数按冲激信号正交展开。在现实中，卷积代表的是将一种信号搬移到另一频率中。比如调制。这是频率卷从数学看，卷积是一种反映两个序列或函数之间的运算方法；从物理上看，卷积可代表某种系统对某个物理量或输入的调制或污染；从 信号角度来看，卷积代表了线性系统对输入信号的响应方式，其输出就等于系统冲击函数和信号输入的卷积，只有符合叠加原理的系统，才有系统冲击函数的概念， 从而卷积成为系统对输入在数学上运算的必然形式，冲击函数实际上是该问题的格林函数解。点激励源作为强加激励，求解某个线性问题的解，得到的格林函数即是 系统冲击响应。所以在线性系统中，系统冲击响应与卷积存在着必然的联系。但是卷积本身不过是一个数学运算方法而已。++++++++++++++++++++++
相关分为自相关和互相关，自相关代表信号本身和延迟一段时间以后的相似程度，互相关代表两个信号的相似程度。卷积是一种运算，相关运算可通过卷积求得。++++++++++++++++++++++
相关的实际意义是什么？它与卷积的区别有是什么？
& & & &相关就是求两个信号的相似程度，相关可以通过卷积求出来，好像g(t)*g(-t)就是g(t)和自己的相关。因为卷积时其中一个信号要翻转，那么g(t)*g(-t)就相当于求相关我从数学的角度分析一下。信号处理是将一个信号空间映射到另外一个信号空间，通常就是时域到频域，（还有z域，s域），信号的能量就是函数的范数（信号与函数等同的概念），大家都知 道有个Paserval定理就是说映射前后范数不变，在数学中就叫保范映射，实际上信号处理中的变换基本都是保范映射，只要Paserval定理成立就是 保范映射（就是能量不变的映射）。前面说的意思就是信号处理的任务就是寻找和信号集合对应的一个集合，然后在另外一个集合中分析信号，Fourier变换就是一种，它建立了时域中每个信号函数与频域中的每个频谱函数的一一对应关系，这是元素之间的对应。那么运算之间的对应呢，在时域的加法对应频域中的加法，这就是FT线性性的体现；那么时域的乘法对应什么呢，最后得到的那个表达式我们就把它叫卷积，就是对应的频域的卷积。简单来说，卷积是一种重叠关系，也就是说，所得到的结果反映了两个卷积函数的重叠部分。所以，用一个已知频段的函数卷积另一个频段很宽的函数，也就是对后者进行了滤波，后者跟前者重叠的频段才能很好地通过这个filr.对于时域可以使用乘法器来实现乘法运算，但是频域的乘法就可以通过时域的卷积操作来完成。卷积是一种积分运算，用来求两个曲线重叠区域面积。可以看作加权求和，可以用来消除噪声、特征增强。卷积我觉得就象一把锉刀，它主要是把一些非光滑的函数或算子光滑化。++++++++++++++++++++++
卷积是一种线性运算,图像处理中常见的mask运算都是卷积，广泛应用于图像滤波。卷积关系最重要的一种情况，就是在信号与线性系统或数字信号处理中的卷积定理。利用该定理，可以将时间域或空间域中的卷积运算等价为频率域的相乘运算，从而利用FFT等快速算法，实现有效的计算，节省运算代价。卷积本身是一种运算，但是应用到信号上，当某个信号通过一个线性系统时，输出信号就是输入信号与系统冲击响应的卷积。卷积是一种线性运算,在信号与线性系统的基础上出现的。自相关是指信号在1个时刻的瞬时值与另1个时刻的瞬时值之间的依赖关系,是对1个随机信号的时域描述卷积的理解&&外行（数学家）俺写了那么&精彩&的数学科普没人看，却让不是搞数学的人写的数学占了上风，杯具啊，实在是杯具。是俺的数学水平太高还是你们的数学欣赏水平太低？亦或俺写的太专业？这回来点不专业的。
& & & &唐老师用输液过程解释卷积的确有点意思，比较容易让人接受，老邪的方法更简明易懂，不过老邪的方法可以解释怎么定义卷积，却不能说明为什么要定义卷积。如果我没有记错，卷积最早来自于信号系统理论，后来被数学家们发扬光大了，而且其威力已经远远超出了发明者的初衷。先来看信号处理中如何出现卷积的。假设B是一个系统，其t时刻的输入为x(t)，输出为y(t)，系统的响应函数为h(t)，按理说，输出与输入的关系应该为Y(t)=h(t)x(t)，然而，实际的情况是，系统的输出不仅与系统在t时刻的响应有关，还与它在t时刻之前的响应有关，不过系统有个衰减过程，所以t1（&t）时刻的输入对 输出的影响通常可以表示为x(t)h(t-t1)，这个过程可能是离散的，也可能是连续的，所以t时刻的输出应该为t时刻之前系统响应函数在各个时刻响应 的叠加，这就是卷积，用数学公式表示就是y(s)=&x(t)h(s-t)dt，离散情况下就是级数了。我对信号处理一知半解，胡言乱语一番可别揪我的小辫子。我们知道积分变换可以把卷积运算变成通常的乘积运算，积分变换的物理意义在于通过这种变换可以把时间域上的函数变成频率域上的函数，这个过程是可逆的。上述卷积经过积分变换后变成了Y(u)=X(u)H(u)。其中Y，X，H分别为y,x,h的积分变换。信号处理中人们关心的是Y(u)，但X(u)与H(u)往往并不那么容易求出来，而x(t)与h(t)是比较容易得到的（真的？），为了找到Y(u)与y(t)的对应关系从而得到Y(u)，人们发明了卷积。信号处理专家们，我说的对吗？至于卷积在数学上的作用，说起来就话长了，容后再表。卷积与多项式信号处理中的一个重要运算是卷积。初学卷积的时候，往往是在连续的情形，两个函数f(x)，g(x)的卷积，是&f(u)g(x-u)du当然，证明卷积的一些性质并不困难，比如交换，结合等等，但是对于卷积运算的来处，初学者就不甚了了。　　其实，从离散的情形看卷积，或许更加清楚，对于两个序列f[n],g[n],一般可以将其卷积定义为s[x]= &f[k]g[x-k]
卷积的一个典型例子，其实就是初中就学过的多项式相乘的运算，比如(x*x+3*x+2)(2*x+5)一般计算顺序是这样，　　(x*x+3*x+2)(2*x+5)　　= (x*x+3*x+2)*2*x+(x*x+3*x+2)*5　　= 2*x*x*x+3*2*x*x+2*2*x+ 5*x*x+3*5*x+10　　然后合并同类项的系数，　　2 x*x*x　　3*2+1*5 x*x　　2*2+3*5 x　　2*5　　----------　　2*x*x*x+11*x*x+19*x+10　　　　实际上，从线性代数可以知道，多项式构成一个向量空间，其基底可选为　　{1,x,x*x,x*x*x,...}　　如此，则任何多项式均可与无穷维空间中的一个坐标向量相对应，　　如，(x*x+3*x+2)对应于　　(1 3 2)，　　(2*x+5)对应于　　(2,5)。　　线性空间中没有定义两个向量间的卷积运算,而只有加法，数乘两种运算，而实际上，多项式的乘法，就无法在线性空间中说明。可见线性空间的理论多么局限了。　　但如果按照我们上面对向量卷积的定义来处理坐标向量，　　(1 3 2)*(2 5)　　则有　　2 3 1　　_ _ 2 5　　--------　　 & &2　　　　　　2 3 1　　_ 2 5　　-----　　 &6+5=11　　　　2 3 1　　2 5　　-----　　4+15 =19　　　　　　_ 2 3 1　　2 5　　-------　　 &10　　　　 或者说，　　(1 3 2)*(2 5)=(2 11 19 10)　　　　回到多项式的表示上来，　　(x*x+3*x+2)(2*x+5)= 2*x*x*x+11*x*x+19*x+10　　　　似乎很神奇，结果跟我们用传统办法得到的是完全一样的。　　换句话，多项式相乘，相当于系数向量的卷积.　　　　其实，琢磨一下，道理也很简单,　　卷积运算实际上是分别求 x*x*x ,x*x,x,1的系数，也就是说，他把加法和求和杂合在一起做了。(传统的办法是先做乘法，然后在合并同类项的时候才作加法)　　以x*x的系数为例，得到x*x，或者是用x*x乘5，或者是用3x乘2x,也就是　　2 3 1　　_ 2 5　　-----　　 6+5=11　　其实,这正是向量的内积.如此则,卷积运算,可以看作是一串内积运算.既然是一串内积运算，则我们可以试图用矩阵表示上述过程。　　　　[ 2 3 1 0 0 0]　　[ 0 2 3 1 0 0]==A　　[ 0 0 2 3 1 0]　　[ 0 0 0 2 3 1]　　　　[0 0 2 5 0 0]' == x　　　　b= Ax=[ 2 11 19 10]'　　采用行的观点看Ax,则b的每行都是一个内积。A的每一行都是序列[2 3 1]的一个移动位置。显然，在这个特定的背景下，我们知道，卷积满足交换，结合等定律，因为，众所周知的，多项式的乘法满足交换律，结合律。在一般情形下，其实也成立。在这里,我们发现多项式,除了构成特定的线性空间外,基与基之间还存在某种特殊的联系,正是这种联系,给予多项式空间以特殊的性质.在学向量的时候，一般都会举这个例子，甲有三个苹果，5个橘子，乙有5个苹果，三个橘子，则共有几个苹果，橘子。老师反复告诫，橘子就是橘子，苹果就是苹 果，可不能混在一起。所以有(3,5)+(5,3)=(8,8).是的，橘子和苹果无论怎么加，都不会出什么问题的，但是，如果考虑橘子乘橘子，或者橘子 乘苹果，这问题就不大容易说清了。又如复数,如果仅仅定义复数为数对（a,b),仅仅在线性空间的层面看待C2,那就未免太简单了。实际上，只要加上一条(a,b)*(c,d)=(ac-bd,ad+bc)则情况马上改观，复变函数的内容多么丰富多彩，是众所周知的。另外，回想信号处理里面的一条基本定理，频率域的乘积，相当于时域或空域信号的卷积。恰好跟这里的情形完全对等。这后面存在什么样的隐态联系，需要继续参详。从这里看，高等的卷积运算其实不过是一种初等的运算的抽象而已。中学学过的数学里面，其实还蕴涵着许多高深的内容（比如交换代数）。温故而知新，斯言不谬。其实这道理一点也不复杂，人类繁衍了多少万年了，但过去n多年，人们只知道男女媾精，乃能繁衍后代。精子，卵子的发现，生殖机制的研究，也就是最近多少年的事情。孔子说，道在人伦日用中，看来我们应该多用审视的眼光看待周围，乃至自身，才能知其然，而知其所以然。
原文标题：卷积的本质及物理意义，解释的真幽默！
文章出处：【微信号：WW_CGQJS，微信公众号：传感器技术】欢迎添加关注！文章转载请注明出处。
发布评论请先
简单选择排序是一种选择排序。
选择排序：每趟从待排序的记录中选出关键字最小的记录，顺序放在已排序的....
通常情况下是为了消除量纲的影响。譬如一个百分制的变量与一个5分值的变量在一起怎么比较？只有通过数据标....
专注于数据、技术与公共政策的美国科技智库数据创新中心的高级政策分析师Joshua New撰文表示，由....
如何协调这些性能指标成为ACC系统设计的关键问题。
在A/B测试的语境下，每台老虎机代表试验中的一个实验组，每次拉动摇杆代表一个实验组的一次曝光，累计回....
过去十数年，腾讯从一个桌面即时通讯工具进化成为一个庞大的数字帝国，是全球互联网公司失控性进化的先行者....
为了找到最近邻，通常所用的方法是将数据分成好几份。假设你的数据就像在牧场中吃草的奶牛，给分散在草场中....
直方图是图像处理中另一重要处理过程，它反映图像中不同像素值的统计信息。从这句话我们可以了解到直方图信....
快速排序算法
快速排序是由东尼·霍尔所发展的一种排序算法。在平均状况下，排序 n 个项目要Ο(n log n)次比较。在最坏状...
PID（ Proportional Integral Derivative）控制是最早发展起来的控制....
本文将用一句话来总结每种典型的机器学习算法，帮你抓住问题的本质，强化理解和记忆。
1.穷举算法思想
穷 举 算 法 （ExhaustiveA ttack method)是最 简 单 的 一 种 算 法 ，其依赖于计算机的强大计算能力来 穷 尽...
当我们谈到AI，就需要想想现实世界中复杂的系统。《哈佛商业评论》中所提到的研究将决策看成孤立的行为，....
他是首席算法官，世界上还有如此奇怪的职位？但是对于Amazon乃至Google来说，这一点也不奇怪。....
这个相关系数矩阵听title挺困难，其实道理十分简单。举个例子：用户1身上打上了5个A标签、2个B标....
近年来，研究人员开始由上述提取式生成转向抽象概括，这种技术使用神经语言模型来动态生成文本，缺点是模型....
而基因库的知识积累是靠它自己在设计过程中学出来的，我们不会因为某个网络效果特别好而强放进去，因为它可....
基于目前人类在神经网络算法和机器深度学习取得的成就，很容易让人产生计算机科学只包含这两部分的错觉。一....
算法的基本思想是 从源 Domain 数据中筛选有效数据，过滤掉与目标 Domain 不match的....
学习率是训练神经网络最重要的一个超参数，但直到最近，许多人才发现以前设置学习率的方式非常不当。去年，....
接着，Tang和Aaronson开始努力证明这一存在，Tang发现的这种经典算法是直接收到了Kere....
本文来自爱奇艺资深工程师王亚楠在LiveVideoStackCon2018热身分享，由LiveVid....
研究算法偏差的研究人员表示，有很多方法可以定义公平，但这些方法有时相互矛盾。想象一下，在刑事司法系统....
本文档的主要内容详细介绍的是Qt 5的模板库、工具类及控件的详细资料免费下载主要包括了：字符串类，容....
你也许不知道，但机器学习就在你身边。当你把查询信息输入搜索引擎时，它确定该向你显示哪些搜索结果（包括....
国外警卫机器人陆续进驻大型购物中心，不免会吸引好奇的民众触摸、围观，其中最大的问题是容易沦为孩童们的....
快速排序在每次分割的过程中，需要 1 个空间存储基准值。而快速排序的大概需要 Nlog2N次的分割处....
目前比较常见的室内定位技术有UWB(超宽带 ) 室内定位技术，蓝牙室内定位， RFID( 无线射频识....
求教高手指导下TI自带AE算法的原理。
FPGA算圆周率结果：
供大家核对用
一个用于模拟三维曲面拟合的程序，有做这个的可以看看...
本文档的主要内容详细介绍的是PID程序算法的详细资料概述免费下载
虽然这样的决定和行动对于我们人类来说是第二天性，但把它们编程成机器人的反应却很难。为了简化过程并节省....
adaboost运行过程。算法是利用指数函数降低误差，运行过程通过迭代进行。其中函数的算法怎么来的，....
本文档的主要内容详细介绍的是CT原理是什么？CT算法详细概述CT资料电子教材免费下载。
虽然一致性几何绕射理论（UTD）理论上可以应用于由非均匀有理B样条（NURBS）建模的任意形状的曲....
在本文中，我们将了解一致性哈希是什么、为什么它是可扩展的分布式系统架构中的一个必要工具。
用hx711做个1kg的电子秤，想要精度高一点的，最好是可以精确到1g的变化，可是用卖家给的程序测量的值和实际重量差很多，而且不稳...
人工智能看似无所不能，其实有不少职业不能被居替。汇丰银行发布一份全新报告，探讨银行业的未来发展，预测....
很不错的视频，有需要的看下吧，现在是免费的，以后不知道
proteus从入门到精通：http://training.eeworld.com.cn/video/14121
...
人工智能应用有三大要点。贺光忠表示，一是数据，二是算法，三是计算能力。在数据领域，AI可以与区块链技....
在该研究被《经济学人》报道后，Kosinki 遭到了来自网友以及学界的口诛笔伐。普林斯顿大学教授 A....
同时，杜波依斯承认当前仍有许多需要改善提高的空间。他说：“我们从大脑测量中获得的信息可用于解释我们在....
图像处理中滤波和卷积是常用到的操作。两者在原理上相似，但是在实现的细节上存在一些区别。这篇博文主要叙....
这次，OpenAI的研究团队训练了一个智能体，仅通过一次人类demo，就在蒙特祖玛的复仇游戏中获得了....
本文档的主要内容详细介绍的是C++课程资料资料合集包括了：面向对象程序设计与C++,算法,函数，概述....
本文档的主要内容详细介绍的是Matlab数学建模算法全收录（数学建模比赛必备参考资料）快来复习
近日，在浙江大学滨海产业技术研究院所在的园区中，一台外形酷似大型吐司面包的机器人刚刚完成了物流自主送....
麻省理工学院最新发布的新研究视频显示，该学院研制的Cheetah 3猎豹机器人不需要直视而爬上楼梯台....
Bayer 格式的图像传感器在每个像素位置上只采样红绿蓝三原色中的一种。在某些应用中，Bayer 颜....
在Bayer CFA中，由于绿色像素点的数量是红色和蓝色像素数量的两倍，故其包含更多的原始图像的边缘....
训练速度提高 200%！「总体来看，我们发现 Adam 非常鲁棒，而且广泛适用于机器学习领域的各种非....
众所周知，蚕蛹是东北程序员非常喜欢的一种原始数据，其加工算法有烧烤，盐煮，开边等，其中受烧烤算法在东....
清华大学人工智能研究院院长张钹院士做了题为《走向真正的人工智能》（Towards A Real Ar....
不久前，IBM Watson Health裁员50%至70%，让AI医疗再次受到落地难的质疑。依图医....
清华大学魏少军教授指出，未来10年，人工智能和深度学习将成为提升硅片需求的主导因素。到2025年，人....
反向传播算法（BP算法）是目前用来训练人工神经网络的最常用且最有效的算法。作为谷歌机器学习速成课程....
“他来听我的演唱会，门票换了手铐一对”。最近歌神张学友变阿SIR，演唱会上频频抓到罪犯，将人脸识别技术又一次推到了大众的...
摘要： 本文盘点了2018年以来人脸和图像识别、文本分析、自然语言处理、情感分析、语言翻译、 机器学习和预测这几个领域常用的A...
摘要： 1、一个阿里IT男，成了母婴专家? 最近，阿里算法工程师拉普当上了爸爸。 两个月前他就开始为这件事忙活。自从老婆有喜之...
供应链服务
版权所有 (C) 深圳华强聚丰电子科技有限公司
电信与信息服务业务经营许可证：粤B2-