卷积定理证明-卷积定理证明

卷积定理实际上是个挺土的玩意儿，说白了就是把两个信号一碰，在频域里直接叠加，把乘法变加法，系数一换就能解了。
那会儿学的时候总认定它忒抽象，像是啥啥正变换差不多似的，背了 Hermann 的名字和傅里叶公式就当作自己懂了。结局一做题，发现还是得老老实实算逆变换，哪怕那个逆傅里叶积分在物理上算出来简直等于零，工科里也没辙，只能硬着头皮用解析法凑个结局。
那时候脑子里只想着如何算，根本没想过为啥这样行得通。 实际上说白了，卷积定理就是反馈机制。信号 A 和 B 交互一下，就变成了新信号 C。在时域里，C 的积分就是 A 和 B 在工夫轴上的“面对面”对撞；到了频域，C 的乘积就是 A 和 B 的“频率对撞”。
这听起来挺玄乎，但换个角度想，效果是一样的。信号 A 中的某个分量，比如一个低频的斜坡，它原本就带有一种缓动的特征。当它和信号 B 卷积的时候，要是 B 本身是个脉冲，那 A 的斜坡就会被“打碎”成无数个微元的脉冲，这时候 A 的频率特征就被 B 给抹平了，C 就变纯虚了。
反之，要是 A 是个脉冲，B 是个低通滤波，那 B 就把 A 所有的高频细节都滤掉了，只剩下了 A 的带宽信息。
这时候 C 的频谱里，原本归于 B 的那些高次谐波全没了，只剩下 A 的频率成分。
故此 C 的频谱就是 B 的频谱，彻底保留了 A 的信息，只是把 A 的频率系给调成了负号。 这个机制之故此能成立，核心在于傅里叶变换能把时域的卷积难题直接搬到频域的乘法难题。工夫轴的卷积是求和积分，而频域的乘法是代数运算，这两者通过傅里叶变换建立了等式。一旦建立这个等式，后续操作就好办多了。
比如你想算两个信号 C 的自相关函数，在频域里就是把两个 C 的傅里叶图相乘。乘完再逆变换回去就是原始信号 C 的自相关函数，这一步在信号处理里特别关键，出于自相关直接拍板了信号的时延和带宽。
要是不用这个定理，得一个个算，效率低得吓人。 举个具体的例子，假设信号 A 是一个宽度为 2 的矩形脉冲，频率分布是从 -1 到 1 的均匀分布，乘以 0。
要是把它和另一个宽度为 3 的矩形脉冲 B 进行卷积，在频域里就是乘以频谱函数 $A(f) cdot B(f)$。出于 A 乘以 0，故此 C 的频谱全是 0。
这意味着 C 本身就是一个平凡的信号，频谱里没有任何能量。
这说明卷积运算在这里起到了“归零”的功能，把原本可能包含复杂频率成分的信号，通过和零信号的交互，彻底剥离了所有频率信息。
反过来，要是信号 B 的频谱是一个常数，那和它卷积后的信号 C，其频谱就会变成另一个常数。
这实际上就是让信号 A 的频率特征“缩水”了，把 A 的高频细节全体滤除，只剩下 A 的低频骨架。
这两个极端情况正好验证了频域乘法的直观含义：它是把时域的混合操作，转化为了频率域的好办组合。 在工程实际里，卷积定理的应用简直无处不在。
比如在雷达系统里，发射信号和接收回波进行互相关，本质就是在频域做乘积，然后逆变换。在图像压缩里，DCT 或 DFT 的封装实际上也暗含了卷积的思想，把基函数的正交性转化为频域的乘积规则。就连在天文学里，两个天体波包相遇时的干扰分析，也是频域卷积的变种。任何两个函数在时域混在一起，最终想弄明白它们各自的特征要么相互功能规律，跳进频域去乘一乘，再逆变换，一直比在时域里硬算快多了，并且不好办出错。 自然，这个定理不是万能的，它也有局限。
比如某些非平稳信号，频域的乘积可能和时域的卷积存有偏差，这时候就得用更复杂的调制解调模型。
要么在一些离散时域系统里，要是奈奎斯特频率被突破，正弦信号的自相关会变成双指数函数，这时候频域乘法的数学推导也得小心处理。
还有那些需求极高精度的应用，比如量子通信里的态叠加，别看理论完美，但表达起来贼冗长，百余个符号堆上去，读起来都费劲，这时候还是需求回到时域的直观描述，要么用更高级的数学工具来辅助说明。
总而言之，卷积定理是个强大的工具，能极大地简化分析过程，但它也不是没有边界。好的工程师习惯与此同时看时域和频域，用频域简化计算，用时域保证过程的可解释性，两者互为补充，缺一不可。