如何在Python中表示方波并实现自卷积及多次卷积结果可视化

嘿，我来帮你搞定这个方波卷积的问题！我之前手动算卷积的时候，第一次用Python实现也卡在了信号表示这一步，太懂你的感受了😉

首先得明确：Python没法直接处理连续时间信号，我们需要把连续信号离散化（也就是采样），用离散的数值数组来表示它。具体步骤如下：

• 先设定采样频率fs（比如每秒采1000个点，数值越大，信号越接近连续的方波）
• 生成覆盖足够范围的时间数组t（要考虑卷积后信号的扩展，所以可以多留一点时间范围）
• 用条件判断生成方波的离散值

直接上代码，一看就懂：

import numpy as np
import matplotlib.pyplot as plt

# 采样参数：采样频率越高，信号越平滑
fs = 1000  # 每秒1000个采样点
dt = 1 / fs  # 采样时间间隔

# 生成时间数组，覆盖0到2秒（卷积后信号会延伸到0~2秒）
t = np.arange(0, 2, dt)

# 定义方波x(t)：0≤t≤1时为1，其余为0
x = np.where((t >= 0) & (t <= 1), 1, 0)

# 先画个图确认信号是否正确
plt.plot(t, x)
plt.title('原始方波信号')
plt.xlabel('时间 t')
plt.ylabel('x(t)')
plt.grid(True)
plt.show()

这段代码里用np.where做条件筛选，完美对应你定义的方波规则，运行后就能看到标准的方波图形。

你说的numpy.convolve确实是最方便的工具，但要注意两个关键点：mode参数的选择，以及离散卷积到连续卷积的近似。

代码实现自卷积 #

# 计算自卷积：mode='full'返回完整的卷积结果（长度为len(x)+len(x)-1）
x_self_conv = np.convolve(x, x, mode='full')

# 生成卷积结果对应的时间数组
# 原始方波的时间范围是0~1，自卷积后的时间范围是0+0到1+1=2，采样间隔还是dt
t_conv = np.arange(0, 2, dt)[:len(x_self_conv)]

# 画图对比原始信号和卷积结果
plt.figure(figsize=(12, 6))
plt.subplot(121)
plt.plot(t, x)
plt.title('原始方波')
plt.xlabel('t')
plt.ylabel('x(t)')
plt.grid(True)

plt.subplot(122)
# 乘以dt是为了近似连续卷积的积分结果（离散卷积是求和，连续是积分）
plt.plot(t_conv, x_self_conv * dt)
plt.title('方波自卷积结果')
plt.xlabel('t')
plt.ylabel('(x * x)(t)')
plt.grid(True)
plt.tight_layout()
plt.show()

关键细节解释 #

• mode='full'：这是最常用的模式，会返回两个信号卷积的完整结果，长度是两个输入信号长度之和减1，对应连续卷积的完整时间范围（0~2秒）。
• 为什么要乘以dt？因为np.convolve做的是离散卷积（求和），而你手动计算的是连续卷积（积分），乘以采样间隔dt就能把求和结果近似成积分结果，得到的三角波和你手动计算的完全一致！

多次卷积的扩展 #

如果想做多次自卷积（比如卷积3次），只要把上一次的卷积结果再和原始信号卷积就行：

# 第二次自卷积
x_conv2 = np.convolve(x_self_conv, x, mode='full')
# 第三次自卷积
x_conv3 = np.convolve(x_conv2, x, mode='full')
# 同样记得乘以dt并生成对应的时间数组哦

内容的提问来源于stack exchange，提问作者Nope