想象你站在一个幽深的山谷前，深吸一口气，大喊一声“喂——”。几秒后，山谷把“喂”字原封不动地还给你，还附赠了一串由远及近的回声，渐渐消失在林间。如果换一座山谷，回声的节奏、颤音、衰减速度完全不同——有的山谷回声清脆悠长，有的沉闷短促。每座山谷都有自己独特的“声音性格”。 现在，假如你同时喊“喂”和“你好”，山谷会怎样？它会把两句话的回声同时弹回来，互不干扰、彼此叠加。假如你昨天喊“喂”和今天喊“喂”，你会发现回声的规律一模一样——山谷从不“耍脾气”。这就是本章的主人公：线性时不变系统（LTI，Linear Time-Invariant System）。它像一座“守规矩的山谷”，对输入信号既保持叠加的公平，又保持时间的稳定。理解 LTI，就是拿到了一张任何工程系统的“性格说明书”：只要摸清它对一声“啪”（冲激）的回应，你就能预测它对任何复杂声音（输入信号）的完整反应。

岗位关联

LTI 性质是数字信号处理、控制系统与 AI 语音工程的基石。掌握它，你将拥有把任意复杂信号拆解、分析、预测的能力——这是从“会用工具箱”走向“能设计工具箱”的关键一跃。

目录
  1. 可视化演示
  2. 系统基本概念
  3. 叠加性质
  4. 时不变性
  5. 冲激响应
  6. 卷积运算
  7. 传递函数
  8. 频率响应
  9. 工程应用
  10. AI 应用场景
  11. Python 演示
  12. 常见误区
  13. 面试题

可视化演示

展示线性时不变系统的叠加性原理、卷积运算翻转滑动过程及频率响应滤波特性。

本节配有交互动效（进入视口后自动加载，约 3KB）。

叠加性：线性系统的核心性质 输入a*x1+b*x2时，输出等于a*y1+b*y2 时不变性：输入延迟t0则输出也延迟t0 T[ax1+bx2]=aT[x1]+bT[x2] 叠加性使LTI系统可用冲激响应完全刻画

系统基本概念

清晨的山谷里，你随口哼了一句歌，山谷仿佛一位耐心的听众，片刻后把旋律的“影子”还给你。这座山谷，就是一座天然的“回声系统”：你输入什么声音，它就输出对应的回声。在信号处理的世界里，“系统”这个词听着高大上，其实本质就是一个把输入信号变成输出信号的变换规则——就像山谷把“喊声”变成“回声”，或者像音响把电信号变成声波。

一座山谷要被称为“回声友好型”，需要满足两个好脾气：线性（linear）和时不变（time-invariant）。线性意味着山谷对不同喊声一视同仁、公平叠加；时不变意味着它不会因为今天心情好就多回两句、明天心情差就少回两句。两个条件缺一不可，合起来就是 LTI——线性时不变系统。这就像相亲时同时要求对方“讲道理”（线性）又“靠得住”（时不变）。

用数学语言把这两个好脾气写下来，就是下面这条完整的 LTI 定义式：

理解了这两个条件，你就拥有了判断“一个系统是不是 LTI”的标尺。现实世界中没有完美的山谷，但很多场景（声道、电路、通信信道）在合理范围内都非常接近 LTI。LTI 是一张理想化的“性格模板”——它不一定完全等于现实，却是一切分析的出发点。

T{ax1(t)+bx2(t)}=aT{x1(t)}+bT{x2(t)},y(t−τ)=T{x(t−τ)}\displaystyle T\{a x_1(t) + b x_2(t)\} = a T\{x_1(t)\} + b T\{x_2(t)\}, \quad y(t - \tau) = T\{x(t - \tau)\}
这个式子用“一个公式打包了 LTI 的两条军规”：左边是线性（先混合再处理等于先处理再混合），右边是时不变（把输入推迟多久，输出也推迟多久）。
  1. 系统算子 TT 代表山谷回声系统对输入信号的操作。输入进括号，输出在等号另一边，T 就是那座山谷的“脾气”本身。
    T{⋅}T\{ \cdot \}
  2. 线性组合输入把两个喊声各自乘上倍数 a 和 b 后相加，得到混合喊声送入山谷。
    ax1(t)+bx2(t)a x_1(t) + b x_2(t)
  3. 输出可分解山谷对混合喊声的响应，等于对每个喊声单独响应后再乘倍数相加——这就是“一视同仁”的线性。
    aT{x1(t)}+bT{x2(t)}a T\{x_1(t)\} + b T\{x_2(t)\}
  4. 时移不变整个喊声推迟 τ 秒发出，山谷回声也推迟 τ 秒到达，波形形状一丝不变——这就是“靠得住”的时不变。
    y(t−τ)=T{x(t−τ)}y(t - \tau) = T\{x(t - \tau)\}

叠加性质

假设你在山谷前同时喊“喂——”和“你好——”，声音在空气中交织着飞向峭壁。你听到的回声里，两个词清晰可辨、互不干扰：山谷不会因为“喂”喊得响就把“你好”的回声压小，也不会凭空造出第三个声音。这种“各说各话、各自回响”的公平行为，就是叠加性（superposition）。

叠加性听起来像常识，但在工程上却是极其珍贵的奢侈品。现实中的许多系统都不满足它：音响放大到极限会削波失真（非线性），金属在高温下电阻漂移（时变），神经网络中激活函数天然非线性。而 LTI 系统的叠加性，让工程师可以把一个复杂到无从下手的输入信号，拆成若干个简单信号的组合，分别计算输出，再把结果相加。这就像拆一座乐高城堡：与其分析整座城堡的力学结构，不如先把每一块积木的受力算清楚，再拼起来。

叠加性的严格表述分为两部分：可加性（两个输入之和的输出 = 各自输出之和）和齐次性（输入放大 k 倍，输出也放大 k 倍）。二者合在一起，就是上一节表达式中的线性部分。

叠加性的威力在于“化整为零、逐个击破”。傅里叶分析之所以能大行其道，正是因为它把一个复杂信号拆成无数正弦波的叠加，而对每个正弦波，LTI 系统的响应只需一个复数（幅值和相位）就能描述。你不需要记住整首交响乐在系统中的反应，只需要知道每个音符的命运。 这就是 AI 音频处理、通信系统中一切“分而治之”策略的数学根基。

y(t)=T{x1(t)+x2(t)}=T{x1(t)}+T{x2(t)}=y1(t)+y2(t)\displaystyle y(t) = T\{x_1(t) + x_2(t)\} = T\{x_1(t)\} + T\{x_2(t)\} = y_1(t) + y_2(t)
这个公式说：山谷同时听到两个声音时，它给出的总回声等于你分别喊两个声音时回声的“算术和”——不多算一分，也不少算一毫。
  1. 求和输入两个喊声 x₁ 和 x₂ 同时到达山谷，构成混合输入信号。
    x1(t)+x2(t)x_1(t) + x_2(t)
  2. 作用后求和山谷对整个混合喊声的处理，等价于先分别处理每个喊声再相加。
    T{x1(t)}+T{x2(t)}T\{x_1(t)\} + T\{x_2(t)\}
  3. 输出对照每个喊声单独作用时的输出记为 y₁ 和 y₂，则总输出就是 y₁ + y₂。
    y1(t)+y2(t)y_1(t) + y_2(t)

时不变性

你昨天清晨在山谷喊了一声“喂”，回声悠长；今天傍晚又喊了一声“喂”，回声与昨天一模一样——山谷不会因为换了时间段就改变回声的节奏。这种“不论何时去喊，规矩始终如一”的品格，就是时不变性（time-invariance）。时不变不是说系统“永远不坏”，而是说系统的物理规律不随时间流逝而改变。

时不变性的工程意义极其深远：它意味着你可以在实验室里测得的系统行为，放心地推广到未来任意时刻。想象一下，如果山谷的回声规律每隔一小时就变一次，那你永远无法预测回声——每次都需要重新测量。更实际地，通信工程师在凌晨三点测到的信道响应，可以信赖它同样适用于下午五点的信号传输（只要信道环境稳定）。

数学上，时不变性只用一个简洁的式子表达：如果把输入信号整体推迟 τ 秒再送入系统，输出也应当恰好推迟 τ 秒，波形不变。

线性与时不变是 LTI 的两根支柱，缺一根这栋楼就塌。只有线性没有时不变，系统参数会随时间漂移，每次计算都要重新建模；只有时不变没有线性，信号拆分就无从谈起。现实中的“好系统”往往同时满足这两条军规——这就是为什么工程师如此偏爱 LTI 模型：它既简单又可预测，还能用一整套成熟的数学工具（冲激响应、卷积、传递函数）直接套用。

y(t−τ)=T{x(t−τ)}\displaystyle y(t - \tau) = T\{x(t - \tau)\}
把这个公式翻译成山谷语言：你晚 τ 秒钟喊，山谷就晚 τ 秒钟回应，回声的形状一个音符都不差。
  1. 原始输出在默认时刻，输入 x(t) 经过山谷产生输出 y(t)。
    y(t)=T{x(t)}y(t) = T\{x(t)\}
  2. 输入延迟把喊声 x(t) 在时间轴上整体向右平移 τ 秒，得到 x(t-τ)。
    x(t−τ)x(t - \tau)
  3. 输出同步延迟山谷对延迟输入的回声，恰好是原输出 y(t) 向右平移 τ 秒，形状完全一致。
    y(t−τ)y(t - \tau)

冲激响应

如果你想让山谷“自报家门”，最聪明的办法不是让它听你滔滔不绝讲一段话再总结——而是给它一个极短、极响、能量爆发在瞬间的“啪”声。这个极端的输入就是单位冲激函数 δ(t)：它在 t=0 那一瞬间幅值趋近无穷大，持续时间趋近于零，但总面积恰好为 1。山谷听到这声“啪”之后弹出的回声序列，就是它的冲激响应 h(t)（impulse response）。

为什么“啪”一声就够？因为冲激函数是信号的“乐高最小积木”。任何输入信号都可以看作无数个不同时刻、不同强度的冲激的叠加——就像任何乐高作品都能拆成一块块标准积木。又因为 LTI 系统满足叠加性和时不变性，你只要知道系统对“一块积木”（冲激）的回应，就能推算出它对“整座城堡”（任意输入）的回应。冲激响应因此被称为系统的指纹——每个 LTI 系统的 h(t) 都是独一无二的。

冲激响应在工程上就是“测试音频”：音响厂商播放一次脉冲信号，用麦克风记录响应，就能得到房间或音箱的“性格曲线”。AI 语音领域著名的回声消除、房间混响模拟，本质都是先测量冲激响应，再把声音与 h(t) 做卷积来复现回声。一旦你握住了 h(t)，你就握住了整个系统的全部秘密。

h(t)=T{δ(t)},∫−∞+∞δ(t) dt=1\displaystyle h(t) = T\{\delta(t)\}, \quad \int_{-\infty}^{+\infty} \delta(t)\,dt = 1
这个公式定义了系统的“身份证照片”：左边说冲激响应是系统对单位冲激的回应，右边说冲激函数虽然只在瞬间爆发，但总面积为 1，代表一个标准单位的“瞬间能量”。
  1. 冲激函数定义δ(t) 在 t=0 处幅值无穷大、宽度无穷小，但积分面积恰为 1，代表“一瞬间注入一个单位的能量”。
    δ(t)={+∞t=00t≠0\delta(t) = \begin{cases} +\infty & t=0 \\ 0 & t \neq 0 \end{cases}
  2. 系统响应把冲激送入系统 T，输出记录为 h(t)，这就是系统对标准“啪”声的回声。
    h(t)=T{δ(t)}h(t) = T\{\delta(t)\}
  3. 面积归一化冲激的面积等于 1，保证“一个单位的输入脉冲”对应“一个单位的响应基元”。
    ∫−∞+∞δ(t) dt=1\int_{-\infty}^{+\infty} \delta(t)\,dt = 1

卷积运算

现在到了整个 LTI 理论最美妙的部分。既然任何输入都可以拆成无数冲激的叠加，而系统对每个冲激的响应是 h(t)，那么系统对任意输入的输出，就应当是所有冲激响应的叠加总和。这个“拆解—响应—叠加”的计算过程，在数学上被命名为卷积（convolution），用符号 * 表示。

卷积的过程可以想象成山谷动画：把输入信号 x(t) 按时间轴切成无数薄片，每一片都是一个微小的冲激；对每一片，山谷都弹出一个对应比例的 h(t)，这些回声彼此错开一个时间间隔；最终你听到的完整回声，就是这些无穷多个回声叠加而成的总波形。这个过程包含四个动作：翻转（把 h(t) 翻过来）、滑动（滑到当前时刻）、相乘（与输入切片相乘）、积分（把所有切片累加）。

卷积还拥有令人愉快的代数性质：交换律（x*h = h*x）、结合律和分配律。交换律意味着你可以把“输入”和“系统响应”互换角色而不改变结果；结合律让级联系统可以合并成一个等效系统。卷积是整个数字信号处理乃至深度学习卷积神经网络（CNN）的数学源头——CNN 里的卷积操作，骨子里就是这套“翻转、滑动、相乘、累加”的运算，只不过被离散化和稀疏化了。

y(t)=∫−∞+∞x(τ) h(t−τ) dτ=(x∗h)(t)\displaystyle y(t) = \int_{-\infty}^{+\infty} x(\tau)\,h(t - \tau)\,d\tau = (x * h)(t)
这就是 LTI 系统的“万能公式”：输入 x 与冲激响应 h 做卷积，得到输出 y。卷积不是高深莫测的抽象运算，而是“回声的层层叠加”的精确数学记账。
  1. 变量替换把输入信号的时间变量改写为 τ，便于让它充当“滑动切片的序号”。
    x(τ)x(\tau)
  2. 翻转与滑动将冲激响应 h(t) 在 τ 轴上翻转并滑动到当前时刻 t，得到 h(t-τ)。
    h(t−τ)h(t - \tau)
  3. 切片相乘在给定时刻 t，每个 τ 处的输入强度 x(τ) 与响应 h(t-τ) 相乘，表示“这个切片激起多大回声”。
    x(τ)⋅h(t−τ)x(\tau) \cdot h(t - \tau)
  4. 积分叠加对 τ 从负无穷到正无穷积分，把所有切片激起的回声全部加起来，得到当前时刻的总输出。
    ∫−∞+∞x(τ) h(t−τ) dτ\int_{-\infty}^{+\infty} x(\tau)\,h(t - \tau)\,d\tau

传递函数

山谷的回声规律固然直观，但工程师有时不想在时间域里做卷积——那太繁琐了。就像你想知道一个人是胖是瘦，与其贴着他量三围，不如让他站上体重秤看一眼读数。拉普拉斯变换就是信号世界的“体重秤”：它把复杂的时间域信号映射到复频域（s 域），把卷积这种积分运算变成一次简单的乘法。

为什么要换到频域？因为在时间域里，卷积需要做翻转、滑动、积分，计算量大且抽象；而在 s 域里，系统的行为浓缩成一个简洁的分式——传递函数 H(s)。它定义为输出信号的拉普拉斯变换 Y(s) 与输入信号的拉普拉斯变换 X(s) 之比。对 LTI 系统而言，H(s) 与冲激响应 h(t) 是一对“变身关系”：h(t) 做拉普拉斯变换得 H(s)，H(s) 做逆变换得 h(t)，二者携带完全相同的信息。

传递函数的最大价值在于稳定性分析。H(s) 通常是一个有理分式，其分母为零的根称为极点。对于因果 LTI 系统，只要所有极点都位于复平面的左半平面（实部为负），系统就是稳定的——也就是说，输入消失后输出会逐渐衰减回到零。反之，只要有一个极点在右半平面，系统就会“越吹越大”，像失控的麦克风啸叫。传递函数让工程师只需盯住几个极点的位置，就能判断系统的生死，这在控制系统设计中是每天都要用的基本功。

H(s)=Y(s)X(s)=L{y(t)}L{x(t)}=∫−∞+∞h(t) e−st dt\displaystyle H(s) = \frac{Y(s)}{X(s)} = \frac{\mathcal{L}\{y(t)\}}{\mathcal{L}\{x(t)\}} = \int_{-\infty}^{+\infty} h(t)\,e^{-st}\,dt
这个公式给出系统的“频域身份证”：传递函数是冲激响应的拉普拉斯变换，它把时间域的卷积问题转化为频域的乘法问题——“难算的累加”变成了“好算的乘除”。
  1. 变换到 s 域对输入 x(t) 和输出 y(t) 分别做拉普拉斯变换，得到 X(s) 和 Y(s)。
    X(s)=L{x(t)},Y(s)=L{y(t)}X(s) = \mathcal{L}\{x(t)\}, \quad Y(s) = \mathcal{L}\{y(t)\}
  2. 比值定义输出与输入在 s 域中的比值定义为传递函数 H(s)。
    H(s)=Y(s)X(s)H(s) = \frac{Y(s)}{X(s)}
  3. 冲激变换由于拉普拉斯变换把卷积变成乘法，h(t) 的变换恰好等于 H(s)。
    L{h(t)}=H(s)\mathcal{L}\{h(t)\} = H(s)

频率响应

山谷对不同音调的反应其实各不相同：低沉浑厚的号角声能翻越山脊传得很远，尖锐的高频哨音却容易被树木吸收、迅速衰减。这就是系统的频率响应——它描述 LTI 系统对不同频率成分的“偏爱程度”。如果说冲激响应是系统的“时间域身份证”，频率响应就是“频率域性格档案”。

频率响应的数学定义非常优雅：把传递函数 H(s) 中的复变量 s 换成纯虚数 jω（即只看 s 在虚轴上的取值），就得到频率响应 H(jω)。它是一个复数，可以写作振幅与相位的组合：幅频响应 |H(jω)| 告诉你每个频率成分被放大还是缩小了多少倍，相频响应 ∠H(jω) 告诉你每个频率成分被延迟了多少。两者合起来，就是系统对每个“音调”的完整态度。

频率响应是滤波器的设计蓝图。低通滤波器就是一个“偏爱低频、压制高频”的系统：它的幅频响应在低频段接近 1，在高频段趋近于 0。AI 语音助手的前端处理中，几乎都有一排精心设计的滤波器组（例如梅尔滤波器组），它们模拟人耳对不同频率的敏感程度——这本质上就是设计一组 LTI 系统的频率响应。理解了频率响应，你就理解了“系统对信号的偏见”可以被设计、被利用。

H(jω)=∣H(jω)∣ej∠H(jω)\displaystyle H(j\omega) = |H(j\omega)|e^{j\angle H(j\omega)}
这个公式把频率响应用“幅值 + 相位”的极坐标形式表达：一个复数，既告诉我信号被放大了多少，又告诉我它被拖延了多久。
  1. 取虚轴将传递函数 H(s) 的变量替换为 jω，即只看纯频率 ω 上的系统行为。
    s=jωs = j\omega
  2. 幅值大小取模得到幅频响应，衡量系统对频率 ω 的增益（放大倍数）。
    ∣H(jω)∣|H(j\omega)|
  3. 相位偏移取辐角得到相频响应，衡量系统对该频率信号的时延（相位移动）。
    ∠H(jω)\angle H(j\omega)
  4. 完整表达把幅值和相位打包成复数指数形式，一个表达式同时记录“放大多少”与“延迟多久”。
    H(jω)=∣H(jω)∣ej∠H(jω)H(j\omega) = |H(j\omega)|e^{j\angle H(j\omega)}

工程应用

从山谷回声到手机通话，LTI 理论早已走出数学课本，成为现代科技不可或缺的基石。你口袋里的手机、桌上的智能音箱、耳朵里的降噪耳机，每一件都依赖 LTI 性质来工作。这一节我们把理论放回工具箱，看看工程师如何用这座“数学山谷”解决真实问题。

回声消除（AEC） 是最经典的 LTI 应用。视频通话时对方的声音从扬声器播出，被麦克风重新拾取形成回声。工程师把扬声器到麦克风的声学路径建模为一个 LTI 系统，实时估计它的冲激响应，再用卷积预测回声并把它从麦克风信号中减掉。核心就是 h(t) 的在线辨识——每次通话都是一次快速的系统识别。

滤波器设计 展示了频率响应的力量。人耳对 0~4kHz 语音信号最敏感，高于这个范围的噪声可以用低通滤波器压制。一个 FIR 滤波器的输出就是有限长度的离散卷积 y[n] = Σ bₖx[n-k]，这就是我们前面所有卷积知识的直接落地。在 AI 音频管线中，语音特征提取前的预加重、分帧、去噪，每一步都离不开 LTI 滤波器的身影。

系统辨识 是工业 AI 的另一大应用。给未知的机械设备注入一个探测信号，测量它的响应，通过总输出反推系统的传递函数或冲激响应——这就像给机器“喊一声啪，听它的回声”。得到系统模型后，工程师可以预测设备在何种频率下会共振、何时会故障，从而做预防性维护。LTI 不是一座孤立的数学花园，它是 AI 感知世界之前，信号处理工程师递给算法的第一把精确标尺。

y[n]=∑k=0Mbkx[n−k]\displaystyle y[n] = \sum_{k=0}^{M} b_k x[n-k]
这是离散时间的卷积公式（FIR 滤波器）：当前输出等于过去 M+1 个输入采样点的加权和，权重 bₖ 就是滤波器的“冲激响应系数”。
  1. 离散索引方括号里的 n 表示离散时刻的采样序号，信号被数字化为一个个数值点。
    x[n]x[n]
  2. 加权求和每个历史采样点 x[n-k] 乘以对应权重 bₖ，体现了“过去的输入影响现在的输出”。
    bkx[n−k]b_k x[n-k]
  3. 有限长度k 从 0 加到 M，说明只利用最近 M+1 个采样点，这就是“有限冲激响应”的含义。
    ∑k=0M\sum_{k=0}^{M}

AI 应用场景

语音通话中的回声消除

阶段：信号预处理

解决的问题：视频通话中，对方声音从扬声器播出后又被麦克风拾取，形成恼人的回声甚至啸叫。传统方案靠简单衰减会误伤本端声音，AI + LTI 方案先在线估计扬声器到麦克风的声学路径冲激响应，再用卷积预测回声信号并从麦克风信号中减去，实现精准消除。

具体案例：某云会议软件在适配远程办公场景时，利用 LTI 自适应滤波算法（如 NLMS）实时更新 2048 阶 FIR 滤波器的系数，每帧更新一次冲激响应估计。实测将回声返回损耗增强量从 15dB 提升到 45dB 以上，通话清晰度显著改善。

语音特征提取与人耳听觉建模

阶段：特征工程

解决的问题：语音识别与唤醒词模型需要从原始波形中提取紧凑特征，而人耳对频率的感知并非线性。传统做法是手工设计静态滤波器，AI + LTI 方案用一组梅尔滤波器组（本质上是一组带通滤波器的幅频响应）模拟人耳基底膜的频率选择特性，将语音从时域转换到更符合听觉规律的频域特征。

具体案例：某智能音箱团队在唤醒词模型的音频前端，使用 40 通道梅尔滤波器组对 16kHz 采样信号做频域加权，每一通道都是一个经过精心设计的 LTI 带通滤波器。这组滤波器的频率响应直接决定了特征的质量，最终将误唤醒率降低了 30%。

工业设备故障诊断与系统辨识

阶段：感知与建模

解决的问题：工业电机、风机等旋转设备在运行中会产生振动信号，早期故障征兆隐藏在不同频带中。传统巡检靠老师傅听声音判断，主观且滞后。AI + LTI 方案向设备注入已知形式的探测信号（如扫频正弦），通过测量响应估计传递函数，观察极点位置和幅频响应峰值的漂移来判断轴承磨损、转子失衡等故障。

具体案例：某工厂对离心泵做在线健康监测，每周自动执行一次快速扫频测试，实时拟合设备的二阶 LTI 模型。当共振频率从 48Hz 漂移到 52Hz 时，系统自动预警“轴承润滑失效”，提前两周发现隐患，避免了非计划停机。

Python 演示

python37 行
import numpy as np def generate_impulse_response(length=100):    """生成山谷冲激响应：指数衰减的振荡波形"""    t = np.arange(length)    h = np.exp(-0.04 * t) * np.cos(0.35 * t)    return h def generate_pulse(position, length=100):    """在指定位置生成一个短暂喊声脉冲（单位冲激）"""    x = np.zeros(length)    x[position] = 1.0    return x def simulate_echo(signal, impulse_response):    """卷积模拟输入信号经过LTI山谷产生的回声"""    return np.convolve(signal, impulse_response)[:len(signal)] def verify_superposition():    """验证叠加性：分别回声之和 = 一起输入的回声"""    length = 100    h = generate_impulse_response(length)    x1 = generate_pulse(20, length)    x2 = generate_pulse(50, length)     y1 = simulate_echo(x1, h)    y2 = simulate_echo(x2, h)    y_sum = simulate_echo(x1 + x2, h)     diff = np.max(np.abs(y1 + y2 - y_sum))    print("分开喊话的回声叠加:", np.round(y1 + y2, 4))    print("一起喊话的回声    :", np.round(y_sum, 4))    print("两者最大差异      :", diff)    print("结论              :", "叠加性成立" if diff < 1e-10 else "叠加性不成立") if __name__ == "__main__":    verify_superposition()
目的：用 Python 生成一个“山谷系统”的冲激响应，模拟两声喊话分别产生回声与一起产生回声，用卷积验证叠加性是否精确成立。
  1. h = np.exp(-0.04 * t) * np.cos(0.35 * t)生成指数衰减的振荡波形作为山谷冲激响应 h(t)
  2. x[position] = 1.0在指定位置放置一个单位冲激，模拟一声短促的“啪”
  3. np.convolve(signal, impulse_response)直接调用卷积运算，把输入信号与冲激响应卷积得到回声输出
  4. np.max(np.abs(y1 + y2 - y_sum))计算“分别回声之和”与“一起回声”的最大绝对差异，量化验证叠加性
  5. if __name__ == "__main__":保证脚本作为主程序运行时才执行验证函数，作为模块导入时不触发

常见误区

误区我学了一整章 LTI，觉得现实世界中的系统应该都能用叠加性分析。不管是音响、电路还是人脑，都应该满足线性时不变吧？

正解现实系统绝大多数只是“近似 LTI”。音响推得太猛会失真削波（非线性），电阻发热后阻值漂移（时变），麦克风老化也会改变频率响应。LTI 是一个理想化模型，它的价值在于：当系统在小信号、稳定环境下工作时，LTI 近似足够精确，并且能享受一整套数学工具。就像把地球当质点来看——明明是近似，却不妨碍它算出精确的轨道。

为何常见：教科书几乎只讲 LTI，例题里的系统也全部是 LTI，久而久之形成了“万物皆 LTI”的错觉。

误区我以为 y(t) = x(t) \ h(t) 里的 \ 就是乘法符号，卷积就是两个信号逐点相乘。

正解卷积符号 \* 是专用记号，不是普通乘法。完整过程要经历翻转、滑动、相乘、积分四步：先把 h(τ) 翻成 h(-τ)，滑到时刻 t，再与 x(τ) 逐点相乘并积分。如果只是逐点相乘，那是“乘积”不是“卷积”，二者天差地别。把它想成“把一段缠在一起的毛线拆开再按顺序接上”——不是简单地捻在一起。

为何常见：\* 号在编程里就是乘法，初学者很容易把数学符号和代码符号混为一谈。

误区既然是线性时不变系统，输出就一定不会爆炸吧？我觉得 LTI 天生就是稳定的。

正解LTI 只是“性格稳定”，不代表“行为稳定”。一个 LTI 系统是否稳定，要判断它的冲激响应是否绝对可积（连续）或绝对可加（离散），等价于传递函数的极点是否全部位于左半平面。比如 h(t) = e^{2t}u(t) 是合法的 LTI 冲激响应，但输入一点小扰动输出就会指数爆炸——这是“有性格但不稳重”的系统。

为何常见：教科书上的 LTI 例题大多选了稳定系统，导致“LTI ≈ 稳定”的错误联想。

误区拉普拉斯变换和传递函数是控制理论课的纸上谈兵，工程实践里根本用不上。

正解传递函数就是系统在频域的“工作档案”。硬件工程师设计音频均衡器、天线匹配网络，通信工程师分析信道特性、噪声整形，AI 工程师做语音去混响，全都靠传递函数和频率响应来指导设计。你手机里的每一个滤波器，都是一串被精心调校过的 H(s) 极点与零点。

为何常见：教学顺序里数学推导先于工程案例，公式堆砌让初学者看不到它和真实信号处理之间的联系。

误区我觉得系统的任何一次输出都可以叫“冲激响应”，反正都是响应嘛。

正解冲激响应有严格的定义：它是对单位冲激输入 δ(t) 的响应。更关键的是，只有 LTI 系统才能用这一条 h(t) 完整刻画系统对所有输入的行为。非 LTI 系统面对不同输入时的“响应曲线”各不相同，没有唯一指纹可言。这就好比“性格测试”要标准化：只有回答同一套标准问题，才能比较不同人的性格。

为何常见：“响应”这个词太宽泛，初学者抓不住“冲激 + 单位”这两个严格的限定条件。

面试题

Q1. 要被称为线性时不变系统，系统必须同时满足哪两个性质？

单选题 · easy

  • A.叠加性与时不变性← 正确答案
  • B.可逆性与因果性
  • C.稳定性与周期性
  • D.线性性与叠加性

答案：A。LTI 的双支柱是线性（叠加性 + 齐次性）和时不变性，缺一不可。可逆性与因果性、稳定性与周期性都是系统的其他独立属性，不属于 LTI 的定义条件。就像山谷既要“一视同仁”（线性）又要“始终如一”（时不变）。

Q2. 系统 y(t) = 2x(t) 属于哪一类系统？

单选题 · easy

  • A.线性时不变系统← 正确答案
  • B.线性时变系统
  • C.非线性时不变系统
  • D.非线性时变系统

答案：A。放大两倍既满足线性（对组合输入先放大与先放大再加结果相同），又不随时间改变（放大倍数恒定），所以是 LTI。干扰项把“简单系统”误判为非线性或时变，但纯粹的常数增益完全符合 LTI 定义。

Q3. 关于卷积交换律，下列哪个表达式正确？

单选题 · easy

  • A.x(t) \ h(t) = h(t) \ x(t)← 正确答案
  • B.x(t) \* h(t) = x(t) · h(t)
  • C.卷积不满足交换律
  • D.卷积只在离散时间满足交换律

答案：A。卷积满足交换律，输入和冲激响应互换了角色但结果不变。选项 B 混淆了卷积与逐点乘积，选项 D 错误地认为交换律只适用于离散情形，事实上连续与离散卷积都满足交换律。

Q4. 某 LTI 系统的冲激响应为 h(t) = 3δ(t)，则它对任意输入 x(t) 的输出是？

单选题 · mid

  • A.3x(t)← 正确答案
  • B.x(3t)
  • C.3 + x(t)
  • D.常数 3

答案：A。冲激响应是系统对 δ(t) 的响应，h(t) = 3δ(t) 表示系统是“理想的 3 倍放大器”——输入 x(t) 卷积 3δ(t) 得到 3x(t)。选项 B 是时间缩放，C 是加法，D 是把输出误当成常数，均不符合卷积运算规则。

Q5. LTI 系统稳定性的充分条件是冲激响应满足？

单选题 · mid

  • A.绝对可积← 正确答案
  • B.能量有限即可
  • C.不过零即稳定
  • D.持续振荡即稳定

答案：A。BIBO 稳定的充分必要条件是冲激响应绝对可积 ∫|h(t)|dt < ∞。能量有限（平方可积）不等于绝对可积，例如某些振荡衰减信号虽能量有限但不绝对可积，不能保证对所有有界输入都有有界输出。C、D 不符合任何稳定性判定依据。

Q6. 传递函数 H(s) 的全部极点都位于复平面左半平面，那么该系统？

单选题 · mid

  • A.稳定← 正确答案
  • B.不稳定
  • C.临界稳定
  • D.无法判断

答案：A。对因果 LTI 系统，极点全在左半平面意味着冲激响应随时间指数衰减，系统 BIBO 稳定。只要有一个极点在右半平面系统就不稳定，极点在虚轴上则临界稳定。因此“全在左半平面”是最经典的稳定判据。

Q7. 已知 LTI 系统冲激响应 h(t) = e^(-2t)u(t)，输入 x(t) = u(t)，则输出 y(t) 的稳态值（t→∞）是？

单选题 · mid

  • A.0.5← 正确答案
  • B.1.0
  • C.2.0
  • D.无穷大

答案：A。卷积计算得 y(t) = (1 - e^(-2t))u(t)/2，当 t→∞ 时 e^(-2t) 趋近 0，稳态值为 0.5。这相当于系统对单位阶跃的最终响应，等于系统的直流增益 H(0) = h 的积分 = ∫e^(-2t)dt = 0.5。

Q8. 以下哪些场景适合用 LTI 系统建模？

多选题 · mid

  • A.音频回声消除← 正确答案
  • B.机器翻译注意力机制
  • C.房间混响建模← 正确答案
  • D.图像语义分割模型

答案：AC。音频回声消除和房间混响本质是声学路径的线性卷积，满足叠加与时不变近似，适合 LTI 建模。机器翻译注意力机制是动态加权、输入相关性强，图像分割模型是非线性深度网络，都不满足线性叠加与时不变假设。

Q9. 已知 h₁(t) = u(t) - u(t-1)，h₂(t) = δ(t-2)，则 h₁(t) \* h₂(t) 等于？

单选题 · hard

  • A.u(t-2) - u(t-3)← 正确答案
  • B.u(t) - u(t-1)
  • C.δ(t-2) - δ(t-3)
  • D.u(t-3) - u(t-2)

答案：A。冲激 δ(t-2) 与任何信号卷积等于把信号整体右移 2 秒。h₁ 是区间 [0,1] 的矩形窗，右移 2 后占据区间 [2,3]，即 u(t-2) - u(t-3)。选项 B 是未移位的原因，C 错误地把矩形变冲激，D 顺序写反。

Q10. 关于 LTI 系统的频率响应 H(jω)，下列说法正确的是？

多选题 · extreme

  • A.幅频响应 |H(jω)| 反映各频率成分的增益← 正确答案
  • B.相位响应反映系统对各频率成分的时延← 正确答案
  • C.H(jω) 与冲激响应 h(t) 互为傅里叶变换对← 正确答案
  • D.频率响应仅实用于不稳定的系统

答案：ABC。频率响应 H(jω) 是冲激响应的傅里叶变换，它的模刻画增益、相位刻画时延——三者都是 LTI 频域分析的基本性质。D 错在频率响应对任何 LTI 系统（无论稳定与否）都可通过傅里叶变换定义，实用中主要分析稳定系统，但不代表只适用于不稳定系统。