第1章：传统数字信号处理

版本： v2.1
最后更新： 2026-05-30

章节概览

本章介绍传统数字信号处理（DSP）的核心概念，为后续章节提供统一的数学底座。这里的重点不是把所有经典算法都铺开，而是建立一条清晰的主线：信号表示 → 频域分析 → 滤波/卷积 → 随机建模 → 检测/估计 → 子空间方法。

这条主线既适用于通信接收机，也适用于图像、音频和时间序列；后续章节中的卷积、位置编码、序列建模和表示学习，都能在这一章里找到对应的数学原型。

快速导航

章节	文件	难度	时间
1.1 信号的三种视角	01_signals.md	⭐	10分钟
1.2 傅里叶变换与频谱分析	02_fourier.md	⭐⭐	15分钟
1.3 滤波器与卷积	03_filters.md	⭐⭐	15分钟
1.4 时频分析	04_time_freq.md	⭐⭐	10分钟
1.5 随机信号理论	05_random_signals.md	⭐⭐⭐	20分钟
1.6 信号检测	06_signal_detection.md	⭐⭐⭐	20分钟
1.7 信号估计	07_signal_estimation.md	⭐⭐⭐	20分钟
1.8 矩阵分解应用	08_matrix_decomposition.md	⭐⭐⭐⭐	20分钟

小节目录

基础概念（1.1-1.4）

1.1 信号的三种视角 — 📖 阅读

• 时域、频域、时频，理解信号的多个角度

1.2 傅里叶变换与频谱分析 — 📖 阅读

• 从时域到频域的转换，位置编码的数学基础

1.3 滤波器与卷积 — 📖 阅读

• 信号处理的基本操作，CNN 卷积核的原型

1.4 时频分析 — 📖 阅读

• 同时看到时间和频率信息，STFT 与小波变换

理论与应用（1.5-1.8）

1.5 随机信号理论 — 📖 阅读

• 统计特性、平稳性、高斯过程、噪声模型

1.6 信号检测 — 📖 阅读

• 假设检验、似然比检验、ROC曲线、检测器设计

1.7 信号估计 — 📖 阅读

• 参数估计、MLE、LSE、贝叶斯估计、Cramér-Rao界

1.8 矩阵分解应用 — 📖 阅读

• SVD、EVD、子空间方法、MUSIC、PCA、去噪

学习时间

• 快速版（仅阅读1.1-1.4）：15分钟
• 标准版（阅读1.1-1.8）：60分钟
• 深度版（包含代码实验和练习）：120分钟

核心问题

完成本章后，你应该能回答：

基础部分（1.1-1.4）：

1. 信号可以从哪些角度理解？
2. 傅里叶变换的本质是什么？
3. 卷积如何实现滤波？
4. CNN中的卷积核与DSP中的滤波器有什么关系？

进阶部分（1.5-1.8）： 5. 什么是随机信号？如何分析其统计特性？ 6. 如何在噪声中检测信号？什么是ROC曲线？ 7. 如何从观测中估计信号参数？什么是Cramér-Rao界？ 8. 矩阵分解如何应用于信号处理？什么是MUSIC算法？

代码实验

本章共有 12 个代码脚本，生成 16 张图片，覆盖所有 8 个小节。

小节	脚本	生成图片	文档位置
1.1 信号的三种视角	signal_dimensions.py	ch01_signal_dimensions.png	1.1
1.1 信号的三种视角	signal_three_views.py	ch01_three_views.png	1.1
1.2 傅里叶变换	fft_spectrum.py	ch01_fft_spectrum.png	README
1.2 傅里叶变换	fourier_2d.py	ch01_fourier_2d.png	1.2
1.2 傅里叶变换与位置编码	positional_encoding.py	ch01_positional_encoding.png	1.2
1.3 滤波器与卷积	random_signals.py	ch01_convolution_effect.png	1.3
1.4 时频分析	time_freq_analysis.py	ch01_time_freq_music.png	1.4
1.4 时频分析	time_freq_analysis.py	ch01_time_freq_comparison.png	1.4
1.5 随机信号	random_signals.py	ch01_random_signals.png	1.5
1.6 信号检测	signal_detection.py	ch01_detection_performance.png	1.6
1.6 信号检测	signal_detection.py	ch01_signal_detection.png	1.6
1.7 信号估计	parameter_estimation.py	ch01_parameter_estimation.png	1.7
1.8 矩阵分解	music_algorithm.py	ch01_matrix_decomposition.png	1.8
1.8 矩阵分解	music_algorithm.py	ch01_matrix_decomposition_performance.png	1.8
1.8 矩阵分解	feature_extraction_comparison.py	ch01_feature_extraction.png	1.8
扩展：随机过程	stochastic_processes_demo.py	ch01_stochastic_processes.png	extensions

运行所有实验：

python code/ch01_dsp/fft_spectrum.py
python code/ch01_dsp/signal_three_views.py
python code/ch01_dsp/time_freq_analysis.py
# ... 其余脚本见上表

图1.1：FFT频谱分析。展示信号在频域的表示，不同频率分量的幅度和相位。

代码文件： code/ch01_dsp/fft_spectrum.py
运行方式： python code/ch01_dsp/fft_spectrum.py

推荐学习路径

路径1：快速入门（15分钟）

• 阅读 1.1-1.4 的正文
• 查看图表和公式
• 理解基础概念
• 回答"核心问题"中的前4个问题

路径2：标准学习（60分钟）

• 阅读 1.1-1.8 的所有内容
• 理解每个小节的核心概念
• 查看实际应用例子
• 回答"核心问题"中的所有8个问题

路径3：深度学习（120分钟）

• 阅读所有内容
• 运行代码实验
• 分析实验结果
• 自己实现简单的算法（如能量检测器、MUSIC算法）
• 完成练习题

关键概念速查

概念	公式	直观理解	章节
傅里叶变换	$X(f)={\int }_{-\mathrm{\infty }}^{\mathrm{\infty }}x(t)e^{-j2\pi ft}dt$	信号从时域到频域的转换	1.2
卷积	$y[n]=\sum _{m}x[m]h[n-m]$	信号与滤波器的组合	1.3
频率响应	$H(f)=|H(f)|e^{j\mathrm{\angle }H(f)}$	滤波器对不同频率的响应	1.3
自相关函数	$R(\tau )=E[x(t)x(t+\tau )]$	信号与自身的相似性	1.5
功率谱密度	$S(f)=\mathcal{F}\{R(\tau )\}$	信号功率在频域的分布	1.5
似然比检验	$\mathrm{\Lambda }(y)=\frac{p(y\mid H_1)}{p(y\mid H_0)}$	给定约束下比较两种假设	1.6
检测概率	$P_d=P(\text{判定}{H}_1\mid H_1\text{真实})$	正确检测信号的概率	1.6
最大似然估计	${\hat{\theta }}_{ML}=\arg \underset{\theta }{max}L(\theta ;\mathbf{y})$	最可能的参数值	1.7
Cramér-Rao界	$\text{Var}(\hat{\theta })\ge \frac{1}{I(\theta )}$	估计器方差的下界	1.7
奇异值分解	$\mathbf{A}=\mathbf{U}\mathbf{\Sigma }{\mathbf{V}}^H$	矩阵的标准分解	1.8

常见问题

Q: 为什么需要傅里叶变换？ A: 很多信号处理问题在频域更容易分析和实现，例如滤波在频域里对应乘法。

Q: FFT和DFT有什么区别？ A: FFT是DFT的快速算法，计算复杂度从O(n²)降低到O(n log n)。

Q: 卷积为什么在CNN中这么重要？ A: 卷积提供了局部连接和共享参数的结构先验，适合处理具有局部相关性的信号。

Q: 什么是随机信号？为什么要研究它？ A: 随机信号是不能完全确定的信号（如噪声）。现实中的信号往往包含随机成分，需要用统计方法分析。

Q: 如何判断信号是否存在？ A: 使用假设检验和似然比检验。通过设置阈值，在虚警率和漏检率之间权衡。

Q: 参数估计和信号检测有什么区别？ A: 检测是判断信号是否存在（二元决策），估计是确定信号的具体参数值（连续值）。

Q: MUSIC算法为什么能高分辨率估计频率？ A: MUSIC利用信号子空间和噪声子空间的正交性，能分离接近的频率成分。

扩展内容

高级DSP话题 — 📖 阅读

• 窗函数详解（Hann、Hamming、Blackman 的频谱特性）
• 多速率信号处理（上采样、下采样、滤波器组）
• 滤波器设计（Butterworth、Chebyshev、椭圆滤波器）
• 与深度学习的连接（卷积、注意力、位置编码）

线性系统理论 — 📖 阅读

• 线性时不变系统（LTI）：冲激响应与卷积
• 频率响应与系统稳定性分析
• 状态空间表示、可控性与可观测性
• 与深度学习的连接（RNN 状态方程、CNN 滤波器）

随机过程进阶 — 📖 阅读

• 平稳过程、马尔可夫链、高斯过程
• AR/MA/ARMA 模型与谱分析
• 随机过程的滤波（Wiener 滤波、Kalman 滤波）
• 与 LLM 的连接（语言模型作为序列随机过程）

关键连接点

DSP → CNN

DSP中的卷积：y[n] = Σ x[m] * h[n-m]
                    ↓
CNN中的卷积核：可学习的滤波器

启示： CNN可以看作是从数据中学习滤波器参数，而不是手工设计滤波器。

傅里叶变换 → 位置编码

傅里叶变换：用不同频率的正弦波表示信号
                    ↓
位置编码：用不同频率的正弦波表示位置

启示： 位置编码把顺序信息编码进向量表示，使 Transformer 能区分不同位置上的 token。

---

下一步： 阅读 1.1 信号的三种视角