线性卷积与分段卷积：重叠相加法与保留法详解

1. 线性卷积计算的基本概念与挑战

在数字信号处理领域，线性卷积是最基础也是最重要的运算之一。给定两个离散序列x[n]（长度为N）和h[n]（长度为M），它们的线性卷积y[n]可以表示为：

y[n] = x[n] * h[n] = Σ x[k]·h[n-k] （k从-∞到+∞）

实际计算时，由于序列长度有限，输出序列y[n]的长度为N+M-1。直接计算这个卷积需要O(N×M)的时间复杂度，当处理长序列时（比如音频信号、生物医学信号等），这种计算方式会变得非常低效。

我在处理脑电信号（EEG）分析时，经常遇到采样率1kHz、时长数小时的连续信号，直接卷积计算几乎不可行。这就是为什么我们需要分段卷积方法——将长序列分割成适当长度的小段，分别计算后再合并结果。

关键提示：实际工程中，当输入序列长度超过5000个采样点时，就应该考虑使用分段卷积方法而非直接计算。

2. 重叠相加法（Overlap-Add）的原理与实现

2.1 算法核心思想

重叠相加法将长输入序列x[n]分割成若干不重叠的段x_k[n]，每段长度为L。对每个分段x_k[n]与h[n]进行线性卷积，得到输出段y_k[n]。由于卷积会使序列长度增加，这些输出段会有M-1个点的重叠，将这些重叠部分相加就得到最终结果。

数学表达式为：
y[n] = Σ y_k[n - kL]

其中，每个y_k[n] = x_k[n] * h[n]

2.2 MATLAB实现步骤

在我的EEG信号处理项目中，实现重叠相加法的典型代码如下：

matlab复制function y = overlap_add_conv(x, h, L)
    M = length(h);
    N = length(x);
    % 零填充h到L+M-1长度以便FFT
    h_padded = [h; zeros(L-1,1)];
    H = fft(h_padded);
    
    y = zeros(N+M-1, 1);
    for k = 0:floor(N/L)
        start_idx = k*L + 1;
        end_idx = min((k+1)*L, N);
        x_segment = x(start_idx:end_idx);
        
        % 零填充x_segment到L+M-1长度
        x_padded = [x_segment; zeros(M-1,1)];
        X = fft(x_padded);
        
        % 频域相乘，时域结果
        y_segment = ifft(X .* H);
        
        % 叠加到输出
        output_start = k*L + 1;
        output_end = output_start + length(y_segment) - 1;
        y(output_start:output_end) = y(output_start:output_end) + y_segment;
    end
end

2.3 参数选择与性能优化

选择分段长度L是关键——太小会导致过多FFT计算开销，太大会丧失分段优势。根据我的经验：

1. 最优L ≈ √(N×M)
2. 实际中常取L为2的幂次（如1024、2048），以利用FFT的高效性
3. 当h[n]非常短时（M<50），直接时域卷积可能更快

实测数据：处理1小时EEG信号（3.6M采样点）与100阶FIR滤波器：

• 直接卷积：28.7秒
• 优化L=4096的重叠相加法：3.2秒

3. 重叠保留法（Overlap-Save）的工程实践

3.1 与重叠相加法的本质区别

重叠保留法采用不同的分段策略：

• 每段取L+M-1长度，其中前M-1个点来自上一段的重叠部分
• 计算圆周卷积（通过FFT实现）
• 只保留圆周卷积结果中不受重叠影响的部分

这种方法避免了重叠相加法需要的零填充和相加操作，在某些硬件实现上更高效。

3.2 MATLAB实现细节

matlab复制function y = overlap_save_conv(x, h, L)
    M = length(h);
    N = length(x);
    % 零填充h到L长度
    h_padded = [h; zeros(L-M,1)];
    H = fft(h_padded);
    
    y = zeros(N+M-1, 1);
    prev_overlap = zeros(M-1,1);
    
    for k = 0:ceil(N/L)-1
        start_idx = k*L + 1;
        end_idx = min((k+1)*L, N);
        
        % 构造当前段（包含前一段的M-1个重叠点）
        if k == 0
            x_segment = [zeros(M-1,1); x(start_idx:end_idx)];
        else
            x_segment = [prev_overlap; x(start_idx:end_idx)];
        end
        
        % 确保长度为L
        if length(x_segment) < L
            x_segment = [x_segment; zeros(L-length(x_segment),1)];
        end
        
        % 频域卷积
        X = fft(x_segment);
        y_segment = ifft(X .* H);
        
        % 保留后L个点
        valid_part = y_segment(M:end);
        output_start = k*L + 1;
        output_end = output_start + length(valid_part) - 1;
        y(output_start:output_end) = valid_part;
        
        % 保存重叠部分
        prev_overlap = x_segment(end-M+2:end);
    end
end

3.3 实际应用中的选择策略

根据我的项目经验，两种方法的选择依据如下：

在FPGA上实现实时滤波时，我通常选择重叠保留法；而在MATLAB离线分析中，更倾向于使用重叠相加法。

4. 性能对比与误差分析

4.1 计算复杂度理论分析

两种方法的核心都是将O(N×M)的直接计算转换为多个O(L log L)的FFT运算：

• 重叠相加法：需要ceil(N/L)次L+M-1长度的FFT
• 重叠保留法：需要ceil(N/L)次L长度的FFT

其中L是分段长度，通常M << L << N

4.2 MATLAB实测数据对比

使用MATLAB R2022b在Intel i7-1185G7处理器上测试：

4.3 数值误差来源与抑制

在长期信号处理中，我发现主要误差来源包括：

1. 分段边界效应：通过增加10-15%的重叠区域可缓解
2. 浮点舍入误差：使用double而非single精度
3. FFT泄漏效应：适当加窗（如Hann窗）

典型误差量级：

• 直接卷积：可视为无误差基准
• 分段方法：相对误差通常在1e-12到1e-15量级

5. 工程应用中的进阶技巧

5.1 实时流处理实现

在实时ECG监测系统中，我采用环形缓冲区实现重叠相加法：

matlab复制classdef RealtimeConv < handle
    properties
        buffer
        H
        ptr
        L
        M
    end
    
    methods
        function obj = RealtimeConv(h, L)
            obj.M = length(h);
            obj.L = L;
            obj.buffer = zeros(L + obj.M - 1, 1);
            obj.ptr = 1;
            obj.H = fft([h; zeros(L-1,1)]);
        end
        
        function y = process(obj, x)
            % 将新数据填入缓冲区
            available = min(length(x), length(obj.buffer)-obj.ptr+1);
            obj.buffer(obj.ptr:obj.ptr+available-1) = x(1:available);
            
            % 如果填满一个分段
            if obj.ptr + available - 1 >= obj.L
                segment = obj.buffer(1:obj.L);
                X = fft([segment; zeros(obj.M-1,1)]);
                y_segment = ifft(X .* obj.H);
                
                % 处理缓冲区
                obj.buffer(1:obj.M-1) = obj.buffer(obj.L+1:obj.L+obj.M-1);
                obj.ptr = obj.M;
                
                % 处理剩余输入
                if available < length(x)
                    y_remain = obj.process(x(available+1:end));
                    y = [y_segment; y_remain];
                else
                    y = y_segment;
                end
            else
                obj.ptr = obj.ptr + available;
                y = [];
            end
        end
    end
end

5.2 多线程加速策略

对于超长信号（如全天EEG记录），我使用MATLAB的parfor并行计算各分段：

matlab复制function y = parallel_overlap_add(x, h, L)
    M = length(h);
    N = length(x);
    num_segments = ceil(N/L);
    
    % 预分配单元格数组存储各段结果
    segments = cell(num_segments, 1);
    
    % 并行计算各段
    parfor k = 1:num_segments
        start_idx = (k-1)*L + 1;
        end_idx = min(k*L, N);
        x_segment = x(start_idx:end_idx);
        
        % 标准重叠相加处理
        x_padded = [x_segment; zeros(M-1,1)];
        h_padded = [h; zeros(length(x_padded)-M,1)];
        segments{k} = ifft(fft(x_padded).*fft(h_padded));
    end
    
    % 合并结果
    y = zeros(N+M-1, 1);
    for k = 1:num_segments
        start_out = (k-1)*L + 1;
        end_out = start_out + length(segments{k}) - 1;
        y(start_out:end_out) = y(start_out:end_out) + segments{k};
    end
end

5.3 与MATLAB内置函数的对比

MATLAB的fftfilt函数实现了重叠相加法，但在实际使用中发现：

1. 优势：

• 自动选择分段长度
• 支持多维数组
• 经过高度优化

2. 局限：

• 无法灵活控制分段策略
• 实时处理支持有限
• 难以集成自定义窗函数

在要求精确控制的场景下，我仍然会选择自定义实现。例如在音频处理中，需要加特殊的Kaiser窗时：

matlab复制% 自定义窗函数的重叠相加实现
window = kaiser(L+M-1, 5.0);  % β=5.0的Kaiser窗

% 在FFT前加窗
X = fft(x_padded .* window);
H = fft(h_padded .* window);
y_segment = ifft(X .* H) ./ (window.^2);  % 补偿窗的影响

这种灵活度是内置函数无法提供的。