如果有两个函数 f(t) 和 g(t) ，它们的卷积在连续的情况下定义为:

(f * g)(t)=\int_{-\infty}^{\infty} f(\tau) g(t-\tau) d \tau \\

在离散的情况下，例如数字信号处理，它定义为:

(f * g)[n]=\sum_{m=-\infty}^{\infty} f[m] g[n-m] \\

我们首先从离散的情况开始，因为它的计算相对简单。假设我们有两个离散的序列 f 和 g :

\begin{aligned} & f=\left[f_0, f_1, f_2, \ldots\right] \\ & g=\left[g_0, g_1, g_2, \ldots\right] \end{aligned} \\

它们的卷积定义为:

(f * g)[n]=\sum_{m=-\infty}^{\infty} f[m] g[n-m] \\

但为了简化，我们将只考虑有限长度的序列。以下两个序列作为例子：

\begin{gathered} f=[1,2,3] \\ g=[0,1,0.5] \end{gathered} \\

为了计算这两个序列的卷积，我们需要对每个可能的 n 值计算上述的求和。卷积的结果为:

[f * g]=[0,1,2.5,4,1.5] \\

为了理解这个计算，让我们逐步解释（注意下面的数组提取的方式是按照python的索引方式的，索引为0表示第一个元素，以此类推）:

假设我们有一个噪声信号，我们希望通过卷积来平滑这个信号，从而减少噪声。为此，我们可以使用一个称为“移动平均”的简单滤波器。

移动平均滤波器是一个简单的滤波器，通常是一系列的 1 / N ，其中 N是滤波器的长度。例如，一个长度为 3 的移动平均滤波器为 [1 / 3,1 / 3,1 / 3] 。 假设我们有以下的噪声信号:

\text { 信号 }=[2,3,5,1,4,6,3,2,5] \\

我们将使用上述的移动平均滤波器对其进行卷积，以获得平滑后的信号。经过移动平均滤波器处理后，我们得到了平滑后的信号：

\text { 平滑后的信号 } \approx[1.67,3.33,3.00,3.33,3.67,4.33,3.67,3.33,2.33] \\

原始信号可能受到各种因素的干扰，导致信号中出现噪声。这些噪声可能是随机的，也可能是由于设备的限制或其他外部因素引起的。移动平均滤波器通过平均相邻的值来平滑信号。这有助于减少短时随机波动，从而使信号更加平滑。

在本例中，我们使用了一个长度为3的滤波器，这意味着每个点的新值是它自己及其相邻两个值的平均值。通过卷积操作，我们得到了一个较为平滑的信号。这有助于我们更好地理解或分析信号的真实特性，而不受噪声的干扰。

在连续的情况下，卷积的定义为：

(f * g)(t)=\int_{-\infty}^{\infty} f(\tau) g(t-\tau) d \tau \\

我们考虑以下两个简单的函数作为例子进行卷积：

具体过程如下。我们有:

\begin{gathered} f(\tau)=e^{-\tau} u(\tau) \\ g(t-\tau)=u(t-\tau)-u(t-\tau-1) \end{gathered} \\

为了找到卷积结果的各个部分，我们需要考虑不同的 t 区间，因为卷积的结果受到 g(t-\tau) (宽度为 1 的矩形脉冲) 的影响。

f(t) 是一个指数下降的信号，只在 t \geq 0 时为非零。g(t) 是一个宽度为 1 的矩形脉冲，从0开始，持续到1。(f * g)(t) 是两个函数的卷积结果。可以看到，当矩形脉冲开始时，卷积结果开始增加，当脉冲结束时，它开始下降。这些图形很好地展示了卷积如何将两个函数组合在一起。

信号处理。在信号处理中，卷积被广泛应用于音频和图像处理。在音频处理中，它模拟了音响系统的响应，比如模拟在房间或大厅中的声音反射。在图像处理中，它用于模糊、锐化或检测图像中的边缘，并帮助去除噪声。

通信。在通信系统中，卷积可以计算给定的脉冲响应下，系统对某个输入信号的响应。这在无线和有线通信系统的分析和设计中都是很重要的。

计算机视觉。卷积在计算机视觉中，特别是在深度学习领域，卷积层被用来从图像中提取重要的特征。

地震学。在地震学中，卷积用于处理地震信号。通过对地震仪器的脉冲响应和实际的地震信号进行卷积，研究人员可以获得真实的地震波形。

医学。在医学领域，特别是医学图像处理中，卷积在图像增强和噪声（比如MRI和CT扫描）去除中起到了重要作用。

电路和系统。在电路和系统分析中，卷积用于描述和计算线性时不变系统对任意输入的响应，为系统的设计和分析提供了强大的工具。

统计。在统计学中，当两个独立的随机变量相加时，它们的概率密度函数的卷积给出了结果的概率分布。

卷积被广泛应用于各种实际问题的解决中。从简单的滤波和信号平滑，到复杂的系统响应和深度学习模型，它都扮演着重要的角色。了解卷积的基本概念和如何应用它是许多工程和科学领域中不可或缺的技能。

欢迎关注“模型视角”数学建模公众号！