ICOZ1. 信号与系统分析2026（春季）第五次作业概述
信号与系统分析作为电子信息类专业的核心课程，其作业设计往往紧扣课程核心知识点。2026年春季学期的第五次作业，预计将围绕线性时不变系统（LTI）的频域分析展开，这是连接时域分析与采样定理的关键环节。从教学进度推断，本次作业可能涉及以下典型内容：
- 傅里叶变换性质的应用证明题（如时移/频移特性、卷积定理）
- 系统频率响应的求解与波特图绘制
- 采样定理相关计算与抗混叠滤波器设计
- 实际工程问题的建模与求解（如通信系统中的频谱分析）
这类作业的特点是既需要扎实的数学推导能力，又要求对物理概念有清晰理解。以卷积定理为例，学生不仅需要完成公式推导，还要解释"时域卷积等于频域相乘"在滤波器设计中的实际意义。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 频域分析核心题型解析
2.1 傅里叶变换性质证明题
典型题目可能要求证明帕斯瓦尔定理：
[ \int_{-\infty}^{\infty}|x(t)|^2dt = \frac{1}{2\pi}\int_{-\infty}^{\infty}|X(j\omega)|^2d\omega ]
解题时需要特别注意：
- 从傅里叶逆变换定义出发，将|x(t)|²表示为x(t)与共轭的乘积
- 将其中一个x(t)用逆变换表达式替换
- 交换积分顺序时要注意收敛条件
- 最终利用冲激函数的筛选性质完成证明
常见错误包括：忽略收敛条件导致积分交换不合法，或未能正确运用冲激函数的性质。
2.2 系统频率响应求解
给定微分方程描述的连续系统：
[ \frac{d^2y(t)}{dt^2} + 5\frac{dy(t)}{dt} + 6y(t) = \frac{dx(t)}{dt} + 2x(t) ]
求解步骤：
- 对两边取傅里叶变换，利用微分性质
- 整理得到H(jω)=Y(jω)/X(jω)
- 转换为标准形式：
[ H(j\omega) = \frac{j\omega + 2}{(j\omega)^2 + 5j\omega + 6} ] - 分解因式后可用几何法绘制幅频特性曲线
实操建议：先用二次方程求根公式确认极点位置，再在复平面上用向量法估算不同频率点的模值。
3. 采样定理应用题详解
3.1 基础计算题型
已知信号x(t)=sinc(100πt)cos(600πt)，求：
- 信号带宽（关键：用傅里叶变换对和调制性质）
- 无失真采样所需的最低采样频率
- 若用400Hz采样会产生什么混叠分量
解题要点：
- 原信号可视为300Hz的sinc函数被300Hz余弦调制
- 根据调制性质，频谱将搬移到±300Hz处
- 故总带宽为(300+50)-(300-50)=100Hz
- 按采样定理，fs_min=200Hz
- 当fs=400Hz时，虽满足采样定理但需注意：
高频分量600±50Hz会混叠到(400×1)-(600±50)=-200±50Hz处
3.2 抗混叠滤波器设计
工程实践中，常需在ADC前加入抗混叠滤波器。作业可能要求：
- 根据信号特性和采样率确定滤波器截止频率
- 选择巴特沃斯/切比雪夫滤波器类型
- 计算所需阶数以满足阻带衰减要求
例如：信号最高有用频率为1kHz，采样率2.4kHz，要求混叠分量衰减≥40dB：
- 奈奎斯特频率1.2kHz
- 设截止频率fc=1kHz，过渡带200Hz
- 对于巴特沃斯滤波器，阶数n≥(40/20)/log10(1.2/1)≈6.2→取7阶
4. 作业中的常见误区与验证方法
4.1 频域分析典型错误
- 混淆周期信号与非周期信号的频谱：
- 周期信号用傅里叶级数（离散谱）
- 非周期信号用傅里叶变换（连续谱）
- 单位错误：角频率ω(rad/s)与普通频率f(Hz)的转换
- 收敛域考虑不周：如单边指数信号的傅里叶变换存在条件
4.2 结果验证技巧
- 量纲检查：确保最终结果的单位符合物理意义
- 如|H(jω)|应为无量纲，相位单位为弧度
- 极限情况验证：
- ω→0时检查是否等于直流增益
- ω→∞时检查是否趋近于0
- 能量守恒验证：
对时域和频域能量计算进行比较 - 软件辅助验证：
用MATLAB的fourier()函数或Python的scipy.fft进行交叉验证
5. 工程应用延伸思考
虽然作业题多为理想化模型，但实际工程中还需考虑：
- 有限观察时间对频谱分析的影响（需加窗处理）
- 数字实现时的量化误差与有限字长效应
- 非理想采样（孔径效应、抖动等）带来的频谱变化
例如在音频处理中，44.1kHz的采样率设计就综合考虑了：
- 人耳听觉上限20kHz
- 留出过渡带给抗混叠滤波器
- 与视频信号的同步需求（NTSC制式的相关计算）
建议学有余力的同学尝试用Python实现：
python复制import numpy as np
import matplotlib.pyplot as plt
t = np.linspace(-0.1, 0.1, 2000)
x = np.sinc(100*t) * np.cos(2*np.pi*300*t)
plt.plot(t, x)
plt.title('x(t)=sinc(100πt)cos(600πt)')
plt.xlabel('Time [s]')
plt.grid()
plt.show()
通过时域波形观察，可以更直观理解频域分析的价值——仅从时域波形很难直接判断其带宽特性，这正是傅里叶分析的强大之处。