企业官网建设流程全解析

简介：现代信号处理复习题是一份面向通信、电子、自动化等专业学生的课程复习资料，尤其适合准备期末考、考研复试或面试中信号处理相关考点的人群。文档围绕采样理论、傅里叶变换、数字信号处理、滤波器设计、系统稳定性分析和数字滤波器六大模块展开，将复习题中涉及的奈奎斯特采样条件、频谱分辨率调整、DFT谱线间距、抗折叠滤波器作用、系统因果性与稳定性判断、FIR与IIR滤波器对比等关键问题逐一讲解，并提供详细推导与参考答案。压缩包共1个doc文件，大小约1.88MB，内容按知识点分题呈现，排版规范，便于查阅和打印。该资料已有1330人学习浏览，适合用来巩固概念、强化计算并快速回顾重点题型。

1. 现代信号处理复习题：先看清这几类题目的共同骨架

复习题不能当成孤立知识点去背。从本科课程的章节练习，到考研、资格考试里出现的高频题型，表面上看题目分布在时域、频域、复频域、随机域，实际上每一道题都在做同一件事：建立信号模型，选定变换工具，给出系统或估计器，再验证误差或代价函数。一个典型的例子是：给出带噪观测序列，要求设计低通滤波器并估计信噪比，这一道题就同时触及离散系统、傅里叶变换、滤波器设计和随机信号的多个概念。因此，读任何一道现代信号处理复习题时，先问三个问题：输入信号的域是什么？输出判据是什么？中间允许使用的变换或工具是什么？把这条主线固定下来，后续章节再从理论、计算、仿真和复盘四个方向展开。

2. 现代信号处理复习题中必考的离散与变换域理论

理论小题通常是整套复习题的送分项，也是大题的底座。离散时间线性时不变系统的性质判断、DTFT/DFT 的关系、z 变换的收敛域，这三块几乎是每年必现的对象。很多人只背结论，不把定义落到代码里，等到题目把公式改写一下，就认不出来。这一章把三个最常考的“概念型理论”变成可以被验证的操作过程。

2.1 离散时间信号与系统：先厘清三个基本操作

离散时间信号与系统的复习题，最多的一类就是给出输入输出关系式，要求判断线性、时不变、因果、稳定。碰到这种题不用先套现成结论，先把输入信号替换成 ax1[n]+bx2[n] 并展开，再把输入信号整体平移 n0，看输出是否跟着平移。这两个检查动作就是“线性”和“时不变”的几何含义：线性是叠加，时不变是平移可交换，因果是输出不能看到未来，稳定是有界输入产生有界输出。

这张表里隐藏了一个很容易被忽略的点：稳定与因果不是一回事，但复习题经常把两者放在一起。系统函数的分母多项式所有根都在单位圆内，稳定就成立；因果性则要看系统函数的收敛域是否包含无穷远点。如果题目给的是差分方程而不是系统函数，就先两边取 z 变换，再画极零图，这样比在时域里凑冲击响应快得多。

2.2 傅里叶变换：DTFT、DFT 与谱泄漏复习要点

DTFT 是连续频率的频谱，DFT 是对 DTFT 在 N 个频点上的采样。许多复习题的分界线就在采样点数 N 上，两个正弦频率间隔小于约 2π/N 时，DFT 很难分辨，这就是窗函数主瓣泄漏造成的限制。常见的考法是给你一段有限长信号，要你选择窗函数或加大 N 来改善频谱。下面的代码把“矩形窗”和“汉宁窗”的频谱叠在一起，是复习时最直接的对照实验。

import numpy as np import matplotlib.pyplot as plt fs = 1000 # 采样率，单位 Hz N = 512 # 参与 DFT 的点数 t = np.arange(N) / fs # 时间轴 x = np.sin(2*np.pi*50*t) + np.sin(2*np.pi*55*t) # 矩形窗：相当于直接截断，没有额外乘窗 X_rect = np.fft.rfft(x) freq = np.fft.rfftfreq(N, 1/fs) # 汉宁窗：先乘窗再做 FFT w = np.hanning(N) X_hann = np.fft.rfft(x * w) plt.plot(freq, 20*np.log10(np.abs(X_rect)+1e-12), label='rectangular') plt.plot(freq, 20*np.log10(np.abs(X_hann)+1e-12), label='hann') plt.xlabel('Frequency (Hz)') plt.ylabel('dB') plt.legend() plt.show()

这里的 fs=1000，N=512，频率分辨率约为 fs/N≈1.95Hz，而 50Hz 与 55Hz 的间隔是 5Hz，大约只占不到 3 个频率点，属于“勉强可分”的场景。rfft只计算正频率部分，后续绘图更直观；rfftfreq会返回对应的频率轴。矩形窗旁瓣高但主瓣窄，弱信号容易被相邻强信号的旁瓣掩盖；汉宁窗以主瓣变宽为代价压低旁瓣。复习题中判断“是否需要加窗”，就看着眼点是低旁瓣还是高分辨率。

不同窗函数的参数在复习题里通常要求直接背诵：

主瓣越宽，两个相近频率越难分离；旁瓣衰减越大，泄漏干扰越小。如果题目问“抑制频谱泄漏”，优先答旁瓣衰减大的窗；如果问“分辨两个很近的正弦”，则应该考虑增加 N 或使用主瓣更窄的窗，而不是一味加窗。

2.3 z 变换与极零图：判断系统稳定性的动手办法

z 变换是 DTFT 的一般化，复习题里常给一个 H(z) 表达式，要求判断稳定性、因果性，甚至反过来补全系统参数。用代码检查比手画更快：让 SciPy 把分子分母拆成零点、极点，再直接在单位圆图上验证。

import numpy as np import matplotlib.pyplot as plt from scipy import signal # 系统函数 H(z) = 1 / (1 - 0.5 z^-1 + 0.2 z^-2) b = [1] a = [1, -0.5, 0.2] zeros, poles, gain = signal.tf2zpk(b, a) # 画单位圆 theta = np.linspace(0, 2*np.pi, 400) plt.plot(np.cos(theta), np.sin(theta), 'k--', linewidth=0.8) plt.plot(np.real(zeros), np.imag(zeros), 'o', label='zeros') plt.plot(np.real(poles), np.imag(poles), 'x', label='poles') plt.axis('equal') plt.grid(True) plt.legend() plt.title('Pole-Zero Plot') plt.show() r = np.abs(poles) print('极点模值：', r) print('系统稳定：', np.all(r < 1))

tf2zpk的参数中，b 是分子多项式系数，a 是分母多项式系数，都按 z 的降幂排列。这里多项式是 a[0]z^2 + a[1]z + a[2] 的形式，所以 a=[1,-0.5,0.2] 对应 1-0.5z+0.2z^2，等价于写成 z 变换里的 1-0.5z^-1+0.2z^-2 整理后的形式。这个系统两个极点的模都小于 1，因此 BIBO 稳定。若出现某个极点模正好等于 1，系统是临界稳定，此时能否使用还要看收敛域，考试里最常见的答案是“不满足绝对可和，所以不能算稳定系统”。

3. 现代信号处理复习题中的计算题：从读题到写答案的标准流程

理论小题之后，复习题的主体通常是能写步骤的计算题，包括卷积、滤波器设计、功率谱估计。每一类都有固定的求解框架，如果能在 30 秒内识别出题眼，就能把分值变成流水线。这一章不只给公式，还给出可以直接验算的代码，让手算结果和代码结果互相印证。

3.1 线性卷积与圆周卷积的计算题：边界条件是得分点

线性卷积的定义是 y[n]=∑x[k]h[n-k]，DFT 乘积对应的是圆周卷积。复习题最典型的陷阱是：先用 DFT 求卷积，要么忘了把序列补零到足够长度，要么在输出端取错区间。记住一个关键长度：长度分别为 M 和 N 的序列做线性卷积，结果长度是 M+N-1；只有当 DFT 点数 L≥M+N-1 时，循环卷积才等于线性卷积。

常见做题步骤如下：

1. 写出两个序列长度，确定线性卷积结果长度。
2. 若题目要求做 L 点循环卷积，先把两序列补零到 L。
3. 用公式、矩阵或 FFT 求 DFT 乘积，再逆变换。
4. 观察 L 小于线性卷积长度时，结果尾部会折叠到头部，这就是循环混叠。

import numpy as np x = np.array([1, 2, 3, 4]) h = np.array([0.5, 1]) y_linear = np.convolve(x, h) # 长度 = 4+2-1 = 5 N = 5 y_circ5 = np.fft.ifft(np.fft.fft(x, N) * np.fft.fft(h, N)).real N = 4 y_circ4 = np.fft.ifft(np.fft.fft(x, N) * np.fft.fft(h, N)).real print('线性卷积：', y_linear) print('5点循环： ', y_circ5) print('4点循环： ', y_circ4)

运行后可以看到，5 点循环卷积与线性卷积完全一致，因为 5≥4+2-1；4 点循环卷积则把线性卷积索引 4 处的数值折叠到索引 0 处，形成混叠。代码里np.fft.fft(x, N)会把 x 自动补零到 N，这是一个非常容易忽略的细节，也是手算和代码结果对不上的常见来源。

3.2 FIR 与 IIR 滤波器设计的题目：频率转换表是必背项

滤波器设计题中容易丢分的位置，是模拟频率与数字频率的换算。数字频率 ω 与模拟频率 Ω 的关系由采样间隔 T 决定，但设计 IIR 滤波器时常用双线性变换 s=(2/T)(1-z^-1)/(1+z^-1)。这个变换把整个模拟频率轴压缩到单位圆一次，不会混叠，但会引入频率畸变，因此设计前需要预畸变。

考试时看到数字通带频率 fp 和阻带频率 fr，首先要转换为归一化频率。以采样率 fs=1000Hz 为例，fp=200Hz 对应的数字归一化频率是 2*fp/fs=0.4，fr=300Hz 对应 0.6。用 SciPy 可以不用每次手算预畸变，iirfilter或butter内部已经按双线性变换完成映射，但手算题仍要理解转换表。

from scipy import signal fs = 1000 fp = 200 fr = 300 rp = 1 rs = 40 N, wn = signal.buttord(2*fp/fs, 2*fr/fs, rp, rs) b, a = signal.butter(N, wn) w, h = signal.freqz(b, a, worN=2048, fs=fs) print('滤波器阶数：', N) print('200Hz 幅度：', abs(h[np.argmin(abs(w-200))])) print('300Hz 幅度：', abs(h[np.argmin(abs(w-300))]))

buttord中的第一个参数是通带边缘归一化频率，第二个是阻带边缘归一化频率，1 对应奈奎斯特频率也就是 fs/2，所以这里写成 2*fp/fs。butter(N, wn)直接得到巴特沃斯滤波器系数。打印出的 200Hz 幅度应接近 1，300Hz 幅度应低于 10^(-40/20)=0.01。如果幅度不满足，就要回过去检查归一化频率是否写错，或者阶数是否被buttord计算出错。

3.3 功率谱估计的复习题：周期图与相关函数的取舍

功率谱估计复习题通常分两类，一类是给一段序列让求周期图或自相关谱，一类是概念题，问周期图为什么不一致。答案都落在“方差”与“分辨率”的权衡上。周期图直接对 N 点数据做 FFT 取模平方，分辨率是 fs/N，但方差并不随 N 增大而下降到零，这是它的理论缺陷；Welch 谱把数据分段、加窗、平均，用损失分辨率的代价换取稳定。

rng = np.random.default_rng(7) fs = 1000 N = 2048 t = np.arange(N) / fs x = np.sin(2*np.pi*60*t) + 0.3*np.sin(2*np.pi*150*t) + 0.5*rng.standard_normal(N) f1, P1 = signal.periodogram(x, fs, detrend=False) f2, P2 = signal.welch(x, fs, nperseg=512, noverlap=256, detrend=False)

periodogram直接给出周期图谱估计，welch中nperseg=512表示每段取 512 点，noverlap=256表示相邻段重叠一半。Welch 谱的分辨率约为 fs/nperseg=1.95Hz，比整段周期图的 0.49Hz 粗，但方差明显减小。若在复习题中看到“数据很长，希望降低谱估计波动”，首选 Welch；若题目强调“想要分辨两个间隔很近的频率”，就必须用短分段以外的长数据做周期图或相关法。

4. 用脚本刷现代信号处理复习题：生成题、验算答案、可视化

复习阶段最怕的是题目数量不够、答案无处检查。把复习题变成一组可复用的 Python 函数，可以瞬间生成一道类似的新题，并自动验证手算步骤。下面用一组带噪混合信号，演示从数据生成、滤波器验算到小波去噪的完整回路。

4.1 用 NumPy 生成带噪声的随机信号作为题库

import numpy as np rng = np.random.default_rng(2024) fs = 4000 N = 8000 t = np.arange(N) / fs # 确定性正弦成分 + 随机高斯噪声 x = 0.8*np.sin(2*np.pi*50*t) + 0.2*np.sin(2*np.pi*320*t) x += 0.4*rng.standard_normal(N) # 加入一个瞬态脉冲 x[2500] += 2.0 np.save('review_signal.npy', x) np.savetxt('review_signal.csv', x, delimiter=',')

固定随机种子2024，让每次生成的噪声形状都一致，复习时可以重复比较不同处理方法。正弦频率选 50Hz 和 320Hz，分别模拟低频主导和高中频成分；高斯噪声的方差 0.4 让信号信噪比处于中间档次，既能看到频谱峰，又不会一眼就看穿。数据保存为 npy 和 csv 两种格式，方便后续脚本用不同方式读取。

4.2 用 SciPy 验证 DFT 与滤波器设计的中文结果

有了标准数据后，最常用的验算是设计一个带通滤波器，确认输出频谱满足指标。下面代码生成 100Hz 到 250Hz 的巴特沃斯带通滤波器，并用频率响应函数的输出反查两个边界频率的幅度。

from scipy import signal x = np.load('review_signal.npy') fs = 4000 low = 100 / (fs/2) high = 250 / (fs/2) b, a = signal.butter(4, [low, high], btype='band') y = signal.lfilter(b, a, x) f, H = signal.freqz(b, a, worN=4096, fs=fs) print('100Hz 幅度', abs(H[np.argmin(abs(f-100))])) print('250Hz 幅度', abs(H[np.argmin(abs(f-250))]))

low和high都是归一化频率，1 对应奈奎斯特频率。100Hz 的归一化频率是 100/(4000/2)=0.05，250Hz 对应的归一化频率是 0.125。freqz的fs=4000参数让返回频率轴是真实赫兹，因此可以直接用argmin找最近点。如果 100Hz 或 250Hz 的幅度与预期相差太多，先检查边界频率是否写反，再看滤波器阶数是否太低导致过渡带过宽。

4.3 用小波变换做去噪题：阈值怎么定才不是背口诀

去噪复习题几乎都会问到小波阈值怎么设。经典 Donoho-Johnstone 通用阈值是 thr=σ√(2lnN)，其中 σ 用第一层细节系数中位数估计：σ=median(|cD1|)/0.6745。这个公式的依据是，高斯白噪声在第一层小波系数中占主导，中位数能稳定估计噪声尺度，而不受少量大系数干扰。

import pywt x = np.load('review_signal.npy') coeffs = pywt.wavedec(x, 'db4', level=3) cA3, cD3, cD2, cD1 = coeffs sigma = np.median(np.abs(cD1)) / 0.6745 thr = sigma * np.sqrt(2 * np.log(len(x))) cD1_th = pywt.threshold(cD1, thr, mode='soft') cD2_th = pywt.threshold(cD2, thr, mode='soft') cD3_th = pywt.threshold(cD3, thr, mode='soft') x_den = pywt.waverec([cA3, cD3_th, cD2_th, cD1_th], 'db4')

db4是 Daubechies 小波中的一种，阶数为 4，兼顾时间局部性和振荡形态的匹配；level=3表示分解到第三层，层数越多对低频的刻画越细腻，但阈值作用于每一层细节系数时，要单独处理。代码只对细节系数做阈值，保留近似系数 cA3 不变。mode='soft'是软阈值，把系数向零收缩；硬阈值hard直接清零小于阈值的系数。两者在复习题中的区别如下。

5. 现代信号处理复习题的三种复盘技巧

复习到最后阶段，不能靠盲目刷题，而要通过复盘发现隐藏的知识漏洞。这里给出三种可以在不增加额外时间压力下，快速检查答案是否合理的技巧。

5.1 用卷积定理交叉验证卷积题

在卷积和 DFT 相关的复习题中，先用np.convolve算出线性卷积结果，再用 FFT 在长度大于等于 M+N-1 的条件下做循环卷积，两结果应当几乎完全一致。如果出现偏差，基本上可以断定是补零长度不够或取点数错误。这个方法也适用于验证滤波器对信号的卷积过程，尤其是考试里要求在时间域与频域分别计算时，两者交叉检查比任何公式背诵都可靠。

5.2 用帕塞瓦尔定理验证频域结果的能量守恒

离散信号 x[n] 的时域能量等于单边频域能量的换算关系，也就是 np.sum(np.abs(x)**2) 应约等于 np.sum(np.abs(np.fft.fft(x))**2)/N。功率谱估计题里，这个检查非常容易暴露错误：如果周期图计算出的总功率和时域均方值相差超过 1e-3，就该检查有没有漏掉窗函数修正因子。加窗后，时域能量会被压低，必须在功率谱密度上乘以窗函数平均功率的倒数，否则谱峰值会偏小，这一项在复习题中常常作为隐藏扣分点。

5.3 写一个简短的属性测试函数

把“线性”“时不变”这类判断型复习题，变成输入随机信号并调用系统函数的数值测试。例如对 T{x}=x[n]+x[n-1]，构造两个随机序列，计算 T(ax1+bx2) 与 aT(x1)+bT(x2) 的差值是否接近零，再把输入延迟 n0 后观察输出是否同样延迟 n0。这个测试适用于任何给定差分方程的系统，比死背定义更接近工程实感。注意如果系统表达式里带有常数初始条件、非线性运算或查表操作，测试函数会给出 false，这时候要回到原始表达式逐行检查。

本文还有配套的精品资源，点击获取