从时频特性出发

首先回顾一套定理性质的规律：

时域 连续非周期 信号对应频域 非周期连续 信号 时域 连续周期 信号对应频域 非周期离散 信号 时域 离散非周期 信号对应频域 周期连续 信号 时域 离散周期 信号对应频域 周期离散 信号

这四对儿都不拆不散的鸳鸯，在这儿咱们关注第四句

时域离散周期信号对应频域周期离散信号

翻译翻译，就是说，时域周期性导致频域离散化，时域离散化将导致频域的周期延拓，从频域导回时域也一样。再定眼一看，这个对应关系是四组中唯一的“离散”对“离散”的。一看见离散就开始上劲了。

数据离散化对应的操作是抽样，我们看看抽这一对鸳鸯的画面。

图1：信号的时域表示（抽样后）

图2：信号的时域表示（抽样后）

公式是这么回事儿： x ~ ( n ) = 1 N ∑ k = 0 N − 1 X ~ ( k ) e j 2 π N n k \tilde x(n) = \frac{1}{N}\sum\limits_{k = 0}^{N - 1} {\tilde X(k){e^{j\frac{{2\pi }}{N}nk}}} x~(n)=N1​k=0∑N−1​X~(k)ejN2π​nk X ~ ( k ) = ∑ n = 0 N − 1 x ~ ( n ) e − j 2 π N n k \tilde X(k) = \sum\limits_{n = 0}^{N - 1} {\tilde x(n){e^{ - j\frac{{2\pi }}{N}nk}}} X~(k)=n=0∑N−1​x~(n)e−jN2π​nk

上面这东西，就叫傅里叶级数（DFS）。一般编matlab的更喜欢下面的矩阵形式

X ~ = F N x ~ x ~ = 1 N F N ∗ X ~ \begin{array}{l} \tilde X = \mathop F\nolimits_N \tilde x\\ \tilde x = \frac{1}{N}\mathop F\nolimits_N^* \tilde X \end{array} X~=FN​x~x~=N1​FN∗​X~​

F N ∈ N × N \mathop F_N \in N×N FN​∈N×N是matlab里用来执行fft的矩阵， F N ( k , n ) = e − j 2 π N k n \mathop F_N(k,n)={{e^{ - j\frac{{2\pi }}{N}kn}}} FN​(k,n)=e−jN2π​kn

数据上写‘~’就是为了标记这种周期性的数据，在后续的推导中，看见’~'就知道是长的周期序列。另外注意，这个求和区间是在0到N-1一个周期内，不是 − ∞ -\infty −∞到 + ∞ +\infty +∞。

以上就是DFS的基本方案。至于防混叠的抽样间隔选取，z域表达，DFS各种特性等，跟这篇文章关系不大，不说。

回过头来，常识知道随便给我一个信号，它不可能自带周期性，DFS就玩不转。需要做改变，这个骚操作就叫周期延拓，给一个不是无限长的信号，能让它戴上’~'周期化。翻过来看，从周期序列变到一段实值函数，就是加窗操作。

x ( n ) = x ~ ( n ) R N ( n ) x(n) = \tilde x(n){R_N}(n) x(n)=x~(n)RN​(n)

对这个不带浪的 x ( n ) x(n) x(n)的时频变换操作，就是DFT。相应的操作就变成了下面的

  x ( n ) = 1 N ∑ k = 0 N − 1 X ( k ) e j 2 π N n k \ x(n) = \frac{1}{N}\sum\limits_{k = 0}^{N - 1} {X(k){e^{j\frac{{2\pi }}{N}nk}}}  x(n)=N1​k=0∑N−1​X(k)ejN2π​nk   X ( k ) = ∑ n = 0 N − 1 x ( n ) e − j 2 π N n k \ X(k) = \sum\limits_{n = 0}^{N - 1} {x(n){e^{ - j\frac{{2\pi }}{N}nk}}}  X(k)=n=0∑N−1​x(n)e−jN2π​nk

这么一看DFS与DFT没啥大区别，非也。一个是对无限长具有周期性函数的展开，一个是对任一有限长函数的操作，这是实现了不可为到为之的向前一小步。

咱们这一块倒着推，先从承认它的存在开始。后续从频域看时，咱们再从它们开始往后推。

怼公式。 y ( n ) = x ( n ) ∗ h ( n ) = ∑ m = − ∞ ∞ x ( m ) h ( n − m ) y(n) = x(n)*h(n) = \sum\limits_{m = - \infty }^\infty {x(m)h(n - m)} y(n)=x(n)∗h(n)=m=−∞∑∞​x(m)h(n−m) 这是线性卷积，它有一个基本特性是长度M和长度N的两个序列卷一块，出来的是M+N-1的一个序列。

再怼公式。 x 3 ( n ) = x 1 ( n ) ⊗ x 2 ( n )                  = [ ∑ m = 0 N − 1 x ~ 1 ( m ) x ~ 2 ( n − m ) ] R N ( n ) \begin{array}{l} {x_3}(n) = {x_1}(n) \otimes {x_2}(n)\\ \;\;\;\;\;\;\;\; = \left[ {\sum\limits_{m = 0}^{N - 1} {{{\tilde x}_1}(m){{\tilde x}_2}(n - m)} } \right]{R_N}(n) \end{array} x3​(n)=x1​(n)⊗x2​(n)=[m=0∑N−1​x~1​(m)x~2​(n−m)]RN​(n)​ 这是循环卷积，开始有点蒙了。再说，它是两个长度一样的序列卷一块，出来的还是长度为N的序列，还会循环移位了。更蒙了，啥啥啥啊。咱们一点点看。

一个字，线性卷积周期延拓为周期卷积，周期卷积取主值区间为循环卷积。

意思是搞懂周期卷积就行了呗。

y ~ ( n ) = x ~ 1 ( n ) ∗ x ~ 2 ( n ) = ∑ m = 0 L − 1 x ~ 1 ( m ) x ~ 2 ( n − m ) = ∑ m = 0 L − 1 x ~ 2 ( m ) x ~ 1 ( n − m ) \begin{array}{c} \tilde y(n) = {{\tilde x}_1}(n)*{{\tilde x}_2}(n)\\= \sum\limits_{m = 0}^{L - 1} {{{\tilde x}_1}(m){{\tilde x}_2}(n - m)} \\= \sum\limits_{m = 0}^{L - 1} {{{\tilde x}_2}(m){{\tilde x}_1}(n - m)} \end{array} y~​(n)=x~1​(n)∗x~2​(n)=m=0∑L−1​x~1​(m)x~2​(n−m)=m=0∑L−1​x~2​(m)x~1​(n−m)​ 这就叫周期卷积，是两个周期相同的均为L序列，在一个周期内的卷积结果。那么，上面公式里n-m是怎么实现的，也即序列周期卷积时是怎么移位的呢？

一张图。 图3：有限序列的循环移位过程

从图里看，有限序列的循环移位包括3步。 1.周期延拓 2.移位 3.加窗 ( ( ⋅ ) ) N ((·))_N ((⋅))N​表示模除N。从一个周期看，上述效果就是循环移位了。然后同一个周期内的两个序列对应相乘再求和，周期卷积结果就出来了。

跟线性卷积不一样的是，“一个周期内” 进行卷积就把它的长度拿捏得死死的了。再长，没用，卡住。完事儿再加个窗，循环卷积结果就出来了，这是从时域来看。

发现端倪了，上面说的线性卷积的长度M+N-1和周期卷积的L啥关系。一个字，没关系。他们只不过是两种运算规则定义的自身属性，能有啥关系。不过要是从数值结果来看，也能扯上点渊源。如果想让长为L的一个周期内的循环卷积的结果，是纯的，不跟旁边周期掺和的，就得满足L>M+N-1。那循环卷积在操作时，两个序列长度分别是M和N，又咋变成L的，补零就成了。阅尽千帆，卷积还是那个卷积，是套路复杂了。

怼公式。

地球人都知道，对一般的线性卷积来说，时域卷积对应频域乘积。 y ~ ( n ) = x 1 ( n ) ∗ x 2 ( n ) ↔ Y ~ ( k ) = X ~ 1 ( k ) ⋅ X ~ 2 ( k ) \tilde y(n) = {x_1}(n)*{x_2}(n) \leftrightarrow \tilde Y(k) = {{\tilde X}_1}(k) \cdot {{\tilde X}_2}(k) y~​(n)=x1​(n)∗x2​(n)↔Y~(k)=X~1​(k)⋅X~2​(k) 敲黑板，这是有限求和还是无限求和？无限。

无限的玩不了，咱就想办法把有限的玩好。经过循环卷积，时域已经完成了有限操作，那么，它对应的频域形式是什么？

先给结论，与时域循环卷积对应的，是频域DFT的乘积。注意嗷，这两类操作都是有限的。

再怼公式。 老套路，给了两个频域有限信号 X 1 ( k ) 和 X 2 ( k ) X_1(k) 和 X_2(k) X1​(k)和X2​(k) ，先延拓为 X 1 ( ( k ) ) N 和 X 2 ( ( k ) ) N X_1((k))_ N 和 X_2((k)) _N X1​((k))N​和X2​((k))N​。

令 Y ( k ) = X 1 ( k ) ⋅ X 2 ( k ) Y(k) = {X_1}(k) \cdot {X_2}(k) Y(k)=X1​(k)⋅X2​(k)， 则 Y ( ( k ) ) N = X 1 ( ( k ) ) N ⋅ X 2 ( ( k ) ) N Y{((k))_N} = {X_1}{((k))_N} \cdot {X_2}{((k))_N} Y((k))N​=X1​((k))N​⋅X2​((k))N​

对 Y ( ( k ) ) N Y{((k))_N} Y((k))N​做IDFS运算 y ( ( n ) ) N = 1 N ∑ k = 0 N − 1 Y ( ( k ) ) N F − k n = 1 N ∑ k = 0 N − 1 [ ∑ m = 0 N − 1 x 1 ( ( m ) ) N F k m ] [ ∑ r = 0 N − 1 x 2 ( ( r ) ) N F k r ] F − k n = ∑ m = 0 N − 1 x 1 ( ( m ) ) N ∑ r = 0 N − 1 x 2 ( ( r ) ) N [ 1 N ∑ k = 0 N − 1 F − k ( n − m − r ) ] \begin{array}{c} y{((n))_N} = \frac{1}{N}\sum\limits_{k = 0}^{N - 1} {Y{{((k))}_N}{F^{ - kn}}} \\ = \frac{1}{N}\sum\limits_{k = 0}^{N - 1} {\left[ {\sum\limits_{m = 0}^{N - 1} {{x_1}{{((m))}_N}{F^{km}}} } \right]\left[ {\sum\limits_{r = 0}^{N - 1} {{x_2}{{((r))}_N}{F^{kr}}} } \right]{F^{ - kn}}} \\ = \sum\limits_{m = 0}^{N - 1} {{x_1}{{((m))}_N}} \sum\limits_{r = 0}^{N - 1} {{x_2}{{((r))}_N}} \left[ {\frac{1}{N}\sum\limits_{k = 0}^{N - 1} {{F^{ - k(n - m - r)}}} } \right] \end{array} y((n))N​=N1​k=0∑N−1​Y((k))N​F−kn=N1​k=0∑N−1​[m=0∑N−1​x1​((m))N​Fkm][r=0∑N−1​x2​((r))N​Fkr]F−kn=m=0∑N−1​x1​((m))N​r=0∑N−1​x2​((r))N​[N1​k=0∑N−1​F−k(n−m−r)]​

最后一个中括号里是有正交性的，其结果只有当 r = n + m r=n+m r=n+m的时候才为 1 1 1，别的时候都是0，上面这个式子就可以化成

y ( ( n ) ) N = ∑ m = 0 N − 1 x 1 ( ( m ) ) N x 2 ( ( n − m ) ) N y({(n))_N}= \sum\limits_{m = 0}^{N - 1} {{x_1}({{(m)})_N}} {x_2}({(n - m))_N} y((n))N​=m=0∑N−1​x1​((m))N​x2​((n−m))N​ 这不就是周期卷积么，再加个窗，就得到下面的式子，也就是循环卷积了。

y ( n ) = y ( ( n ) N ) R N ( n ) = x 1 ( n ) ⊗ x 2 ( n ) y(n) = y({(n)_N}){R_N}(n) = {x_1}(n) \otimes {x_2}(n) y(n)=y((n)N​)RN​(n)=x1​(n)⊗x2​(n)

另外，由于时频域的对偶性，可以推测有限的时域乘积对应的是有限的频域卷积，也会有别的有趣的结论。不说了。

这也是我对循环卷积产生困惑的点。 现在想来，从时域上看，宽带信道的多径效应和带限特性会产生ISI，用数据片段末端数据作为cyclic pilot (cp)后，把不同径的数据段 “补齐” ，可以统一 “裁剪” 的同时还不损失原本数据，就克服了ISI。 从频域上看呢？因为是对有限数据进行的时频变换，循环卷积一直存在。假设多径产生的信道冲激响应长度为M，数据段长度为N，一个周期内会产生的卷积的长度为M+N-1。而如果不加CP，接收端以N为窗去截断，就会丢失数据。如果加上CP，使得L=N+CP≥M-N-1，即CP大于等于信道冲激响应强度，循环卷积这时就以L为窗去截了，截到的结果就是线性卷积的循环移位。为此，频域上数据没有丢失，变成了有限长度信道冲激响应和有限长度数据的频域的乘积。所以ISI在频域上也被消除了。

最后给结论，玩有限的时候，时域循环卷积对应的是频域DFT乘积。玩无限的时候，时域线性卷积对应的是频域DTFT乘积。

情况就是这么个情况，因为本科不是搞通信的，这问题困扰了我好久，从认知的角度来说进行了一次不系统的推理，希望对大家有所帮助。第一次编辑，不太会套路，可能会有赘述，谢谢大家包涵。