MIT_18.03_微分方程_Convolution_卷积_Notes
Convolution
引
已知两个拉普拉斯变换结果F(s),G(s)F(s),G(s)F(s),G(s),
F(s)=∫0∞e−stf(t)dtG(s)=∫0∞e−stg(t)dtF(s) = \int_{0}^{\infty}e^{-st}f(t)dt\\ G(s) = \int_{0}^{\infty}e^{-st}g(t)dt F(s)=∫0∞e−stf(t)dtG(s)=∫0∞e−stg(t)dt
它们的乘积F(s)⋅G(s)F(s)\cdot G(s)F(s)⋅G(s)为何?
我们知道拉普拉斯变换就是连续版的幂级数
于是我们可以用幂级数的乘积类比出卷积的公式
F(x)=∑0∞anxnG(x)=∑0∞bnxnF(x)⋅G(x)=∑n=0∞(∑m=0nambn−m)xnF(x) = \sum_0^\infty a_nx^n\\ G(x) = \sum_0^\infty b_nx^n\\ F(x)\cdot G(x) = \sum_{n=0}^\infty(\sum_{m=0}^na_mb_{n-m})x^n F(x)=0∑∞anxnG(x)=0∑∞bnxnF(x)⋅G(x)=n=0∑∞(m=0∑nambn−m)xn
幂级数的乘积的系数乘为柯西乘积,思考:
xnx^nxn项可以由1,xn1,x^n1,xnx相乘得到 可以由x,xn−1x,x^{n-1}x,xn−1相乘,x2,xn−2x^2,x^{n-2}x2,xn−2相乘,…,xm,xn−mx^m,x^{n-m}xm,xn−m相乘,…,xn,1x^n,1xn,1相乘得到,所以就得出xnx^nxn项的系数为柯西乘积
于是我们把这个式子变连续,即可得:
F(s)⋅G(s)=∫0∞(∫0tf(u)g(t−u)du)e−stdt=∫0∞(f∗g)e−stdtF(s)\cdot G(s) = \int_{0}^{\infty}(\int_0^tf(u)g(t-u)du)e^{-st}dt = \int_{0}^{\infty}(f*g)e^{-st}dt F(s)⋅G(s)=∫0∞(∫0tf(u)g(t−u)du)e−stdt=∫0∞(f∗g)e−stdt
其中
∫0tf(u)g(t−u)du\int_0^tf(u)g(t-u)du ∫0tf(u)g(t−u)du
称为fff和ggg的卷积,写作f∗gf*gf∗g
文章目录
- Convolution
- 引
- @[toc]
- 证明
- 性质
- 理解卷积
证明
用二重积分换元证明
F(s)⋅G(s)=∫0∞e−suf(u)du⋅∫0∞e−svg(v)dvF(s)\cdot G(s) = \int_{0}^{\infty}e^{-su}f(u)du\cdot \int_{0}^{\infty}e^{-sv}g(v)dv F(s)⋅G(s)=∫0∞e−suf(u)du⋅∫0∞e−svg(v)dv
根据小富比尼定理(Little Fubini’s theorem\text{Little Fubini's theorem}Little Fubini’s theorem)
=∫0∞∫0∞e−s(u+v)f(u)g(v)dudv=\int_{0}^{\infty}\int_{0}^{\infty}e^{-s(u+v)}f(u)g(v)dudv =∫0∞∫0∞e−s(u+v)f(u)g(v)dudv
令t=u+vt = u+vt=u+v, 换元
{u=uv=t−u\left\{\begin{matrix} u = u\\ v = t-u \end{matrix}\right. {u=uv=t−u
雅可比行列式 JacobianJacobianJacobian
JT=∣10−11∣=1J_T = \begin{vmatrix} 1 & 0\\ -1 & 1 \end{vmatrix} = 1 JT=∣∣∣∣1−101∣∣∣∣=1
原积分区域施以逆变换T−1=(1011)T^{-1} = \begin{pmatrix} 1 & 0\\ 1 & 1 \end{pmatrix}T−1=(1101), 即基向量[10]\begin{bmatrix} 1\\0 \end{bmatrix}[10] 变换为 [11]\begin{bmatrix} 1\\1 \end{bmatrix}[11]
即得到
=∫0∞∫0te−stf(u)g(t−u)JTdudt=∫0∞e−st∫0tf(u)g(t−u)dudt=∫0∞e−st(f∗g)dt=\int_{0}^{\infty}\int_{0}^{t}e^{-st}f(u)g(t-u)J_T\ dudt\\ =\int_{0}^{\infty}e^{-st}\int_{0}^{t}f(u)g(t-u)dudt\\ =\int_{0}^{\infty}e^{-st}(f*g)dt =∫0∞∫0te−stf(u)g(t−u)JT dudt=∫0∞e−st∫0tf(u)g(t−u)dudt=∫0∞e−st(f∗g)dt
性质
摘自wiki https://zh.wikipedia.org/wiki/%E5%8D%B7%E7%A7%AF
交换律 f∗g=g∗ff*g = g*ff∗g=g∗f
结合律 f∗(g∗h)=(f∗g)∗hf*(g*h) = (f*g)*hf∗(g∗h)=(f∗g)∗h
分配律 f∗(g+h)=(f∗g)+(f∗h)f*(g+h) = (f*g) + (f*h)f∗(g+h)=(f∗g)+(f∗h)
数乘结合律 a(f∗g)=(af)∗g=f∗(ag)a(f*g) = (af)*g = f*(ag)a(f∗g)=(af)∗g=f∗(ag) a为任意实数(或复数)
微分定理 D(f∗g)=Df∗g=f∗Dg\mathcal{D}(f*g) = \mathcal{D}f*g = f*\mathcal{D}gD(f∗g)=Df∗g=f∗Dg
理解卷积
可以理解为f(t)f(t)f(t)为系统的元素输入率,g(t)g(t)g(t)理解为系统元素本身的变化比率
e.g. 核废料填埋
填埋率为f(t)f(t)f(t),衰变率g(t)=e−ktg(t) = e^{-kt}g(t)=e−kt
某一时间uuu填进废料f(u)duf(u)duf(u)du 这一堆放射性废料在ttt时刻衰变为原来的e−k(t−u)e^{-k(t-u)}e−k(t−u)倍
所以ttt时刻的放射性物质为fff和ggg的卷积 即
∫0tf(u)e−k(t−u)du\int_0^tf(u)e^{-k(t-u)}du ∫0tf(u)e−k(t−u)du
MIT_18.03_微分方程_Convolution_卷积_Notes相关推荐
- MIT_18.03_微分方程_Fourier_Series_傅里叶级数_Notes
Fourier Series 文章目录 Fourier Series 引 Orthogonal 正交化 Projection 投影 性质/简化运算 Uniqueness 唯一性 奇偶性 收敛性 拓展: ...
- MIT_18.03_微分方程_Laplace_Transform_拉普拉斯变换_Notes
Laplace Transform 引 对于幂级数 power series ∑0∞anxn=A(x)\sum_{0}^{\infty}{a_{n}x^n} = A(x) 0∑∞anxn=A(x) ...
- 信号与系统公式笔记(4)
截图基本上都是来自b站av5868266,齐开悦博士的讲义. 之前的笔记(第二章)重要的是两点:微分方程和卷积(微分方程要理解好,卷积熟练会用就行). 这次主要是关于连续信号的傅里叶分析(教材里面有三 ...
- 拉普拉斯变换卷积法处理非齐次线性微分方程通解
其中右边f(x)的形式不需要知道.我们可以将解表示为卷积形式. 很容易证明通解是有界函数.只需要证明特解也是有界的即可.用拉普拉斯变换,然后将特解写成卷积的形式. 第一问直接用多项式的封闭性,设为一次 ...
- Matlab计算信号和的卷积,求解微分方程的阶跃响应、冲激响应和零状态响应
参考资料: 连续时间系统的时域分析涉及到的Matlab函数: step:用于计算连续时间系统的单位阶跃响应. impulse:用于计算连续时间系统的单位冲激响应. lsim:用于计算连续系统在任意输入 ...
- 2022图机器学习必读的11大研究趋势和方向: 微分方程/子图表示/图谱理论/非对称/动态性/鲁棒性/通用性/强化学习/图量子等...
来源:智源社区 本文约6900字,建议阅读10+分钟 本文为你总结了图机器学习过去一年中的研究亮点,并对该方向在 2022 年的发展趋势进行了展望. [ 导读 ]几何机器学习和基于图的机器学习是当前最 ...
- 被誉为「教科书」,牛津大学231页博士论文全面阐述神经微分方程,Jeff Dean点赞...
点击上方"AI遇见机器学习",选择"星标"公众号 重磅干货,第一时间送达 来自:机器之心 牛津大学的这篇博士论文对神经微分方程(NDE)展开了全面细致的研究.论 ...
- 干货|一文全解深度学习中的卷积
来源:1024深度学习 概要:卷积现在可能是深度学习中最重要的概念.正是靠着卷积和卷积神经网络,深度学习才超越了几乎其他所有的机器学习手段. 译自Tim Dettmers的Understanding ...
- 第二章:2.1 微分方程、差分方程求解(概述)
建立微分方程与差分方程 微分方程同函数思想一样这里我们不再描述,只谈一下差分方程 建立的方法就是微分方程离散化. 最后我们给出差分方程一般形式 方程求解 建立好方程之后,下一个问题就是如何求解.下面我 ...
最新文章
- html5控件组合,[Vue 3] 教程 – 可复用与组合 – 插件
- IOS--常用类--NSArray
- C# xml通过xslt转换为html输出
- java打开网页横屏_巅峰之战!三款最热java手机浏览器横屏
- [置顶] Linux协议栈代码阅读笔记(一)
- POJ1915 BFS双向BFS
- java 继承的内存分配_图解Java继承内存分配
- 一层循环时间复杂度_数据结构:二叉排序树的前/中/后序遍历(递归与循环两种版本)...
- Django打造大型企业官网-项目部署
- “攻城狮”手把手教你物联网智能生活-内网穿透技术
- arrays中copyof复制两个数组_数据结构与算法(3)数组
- 70. 爬楼梯 golang 斐波那契数列
- 快速排序简便记_建立和测试股票交易策略的快速简便方法
- 【MySQL】基于MySQL的SQL核心语法实战演练(一)
- Drupal 7 主题模板概述
- 【kafka】服务器上Kafka启动 Cannot allocate memory
- 学习Spring必学的Java基础知识(2)----动态代理
- R与Python手牵手:数据框的构建、读取与基本描述
- 327.区间和的个数
- 在有向图中找出所有简单环--Johnson算法