Z变换与离散系统分析

可视化演示

展示Z变换核心概念：Z平面模式可视化零点(O)与极点(X)在复平面的分布，单位圆判定系统稳定性，收敛域(ROC)决定变换有效范围；频率响应模式展示由零极点导出的幅度与相位特性曲线。

信号映射原理：从珍珠项链到身份编码卡

鉴定师接手项链后，第一步不是去摇晃它，而是给每颗珍珠单独拍照。他关心的只有两件事：这颗珍珠在丝线上的位置序号（对应离散时刻 \(n\)），以及它在当前时刻携带的振幅信息 \(x[n]\)。把每一颗珍珠的信息登记到一张表里，就得到一条完整的离散信号。离散信号因此可以被看作“一串有顺序的数字”，就像项链上“一串有编号的珍珠”。

登记完毕，鉴定师要回答一个关键问题：怎样把这一长串数字浓缩成一张“整体画像”？他的办法是：给每个时刻的值乘上一个复数权重 \(z^{-n}\)，然后全部加总。这里的 \(z\) 是复平面上任意一点，不同的 \(z\) 代表不同的观察角度。换句话说，Z 变换把一条“以时间 \(n\) 为索引”的信号，翻译成一张“以复数 \(z\) 为索引”的画像函数 \(X(z)\)。这就是从时域到复频域的映射。

对因果序列（从 \(n=0\) 开始的序列），最常用的是单边 Z 变换：

回到项链的比喻：透视仪每对准一个复数 \(z\)，就相当于从一个特定的“观察角度”看整条项链；把所有角度的观察结果汇合，才形成完整的鉴定报告 \(X(z)\)。珍珠从丝线走进档案册，信息没有丢失，只是换了一种陈列方式——这正是 Z 变换最奇妙的地方。

收敛域分析：鉴定报告上的“适用区域”

每份鉴定报告上都印着一行小字：“本报告仅在××区域内有效。”同一个代数表达式，适用区域不同，背后对应的项链可能完全不同。这个“适用区域”就是收敛域（ROC）——使 \(X(z)\) 的累加求和能收敛到有限值的 \(z\) 的取值范围。没有收敛域的 \(X(z)\)，就像没有盖章的报告，无法唯一说明问题。

最经典的例子是等比衰减序列 \(a^n u[n]\)。把它代入 Z 变换定义，得到一个等比级数。回忆中学知识：等比级数只有在公比的模小于 1 时才收敛。这里公比是 \(a z^{-1}\)，于是收敛条件自然浮现：

收敛域的形态有三个要点：第一，它一定是某类环形区域（圆外、圆内或圆环），绝不会是乱七八糟的形状；第二，收敛域内不包含任何极点，边界通常由极点位置圈定；第三，因果序列的收敛域是最外层极点之外的圆外区域，反因果序列则是最内层极点之内的圆内区域。拿到一份 \(X(z)\) 先看收敛域再下结论，这是鉴定师的职业素养——两条项链可能外观不同，却共用同一个代数表达式。

零极点分析：报告上的“平衡扣”与“薄弱点”

鉴定报告的核心是一张复平面图：圆圈代表零点，叉号代表极点。你可以把零点想象成项链上的“平衡扣”——在它附近，信号被强力压制；把极点想象成“薄弱点”——在它附近，信号会被急剧放大。整条项链的“脾气”（频率特性），几乎就由这些平衡扣和薄弱点的位置决定。

系统函数 \(H(z)\) 通常是有理分式：分子多项式等于 0 的点是零点 \(c_k\)，分母多项式等于 0 的点是极点 \(d_k\)。把有理分式写成因子乘积形式，零极点便一目了然：

当 \(z\) 沿着单位圆行走（令 \(z = e^{j\omega}\)），\(H(z)\) 就变成频率响应 \(H(e^{j\omega})\)——一条“体检曲线”。幅度谱上，靠近零点的频段凹陷，靠近极点的频段隆起；极点越靠近单位圆，隆起越尖锐，形成共振峰。设计师看零极点图，就能预判整条项链在抖动下的反应：哪几段易断（极点），哪几段负责平衡（零点），一目了然。

系统稳定性判别：安全围栏内外的较量

鉴定报告最关键的结论是：这条项链经得起折腾吗？把项链猛地一抖（注入一个单位冲激），然后观察它是否恢复平静。如果振幅随时间的流逝逐渐衰减到零，系统就是稳定的；如果越抖越厉害，就是不稳定的。这个“抖动试验”在数学上对应冲激响应 \(h[n]\) 的收敛性。

稳定性与极点位置直接挂钩。鉴定师在复平面上画下一个单位圆作为安全围栏：对因果系统，所有极点都必须安分地待在围栏内。用数学语言说：

需要强调：对任意离散 LTI 系统（不论因果与否），稳定的充要条件是收敛域包含单位圆。对因果系统，收敛域是最外极点之外的圆外区域，于是“收敛域含单位圆”等价于“所有极点都在单位圆内”。动画演示中的红叉就是极点：把它拖进圆内，冲激响应迅速衰减；拖到圆外，柱状图疯长。工程师判断系统稳不稳定，根本不需要真的把项链摇几百下，只要拿起报告看一眼极点位置——这就是 Z 变换带来的效率革命。

逆Z变换方法：按报告复制还原项链

有时候鉴定师需要反向操作：拿着报告 \(X(z)\)，把原来的时域序列 \(x[n]\) 重新复制出来。这就像工匠拿到图纸，要把珍珠项链一根根重新串起来。逆 Z 变换就是从复频域回到时域的“反翻译”过程。

数学上，逆 Z 变换是一条围线积分：在收敛域内绕原点画一个闭合回路，对 \(X(z)\, z^{n-1}\) 做围线积分并除以 \(2\pi j\)：

围线积分在工程中很少直接计算，更常用的是部分分式展开法。把高阶分式拆成若干一阶分式的加权和，每个一阶项都对应一张“熟面孔”——等比序列：

除了部分分式展开，留数定理和幂级数（长除法）展开也是常用手段：前者通过围线内极点处的留数求和，后者直接把 \(X(z)\) 展成 \(z^{-1}\) 的幂级数读出系数。工匠把复杂图纸拆成一张张小零件图，逐一加工再拼装——逆 Z 变换正是这种“拆解—还原—叠加”的智慧。

离散系统应用：从差分方程到系统函数

现实世界中的数字滤波器、控制器、信道均衡器，本质上都是离散系统，而它们最常见的描述方式是差分方程。差分方程像项链的“编织口诀”：当前时刻的输出，由过去的输入与过去的输出共同推出来。它把物理规律写成了“一步接着一步”的递推规则。

面对差分方程，Z 变换的时移性质登场：序列延迟 \(k\) 拍，对应 \(X(z)\) 乘上 \(z^{-k}\)。对差分方程两边同时做 Z 变换，微积分般的复杂关系立刻变成代数关系：

拿到 \(H(z)\) 后，令 \(z = e^{j\omega}\) 即得频率响应，这就是数字滤波器设计的入口：低通、高通、带通，本质上都在安排零极点位置，雕刻幅度谱的形状。工匠不需要再一根根试珠子，只要在图纸上挪动零极点，就能预判成品的声音特质——数字滤波器设计，从此变成一门“画零极点”的手艺。

工程实践策略：让鉴定报告真正落地

理论报告再漂亮，落到芯片和代码里还有一段路要走。直接按高阶差分方程实现，对系数量化误差极其敏感：就像用一根极细的丝线串很重的珍珠，稍微一抖就绷断。工程上首先要做“拆项链”——把高阶系统拆成一阶或二阶子系统的级联。

级联结构的意义在于：每个子系统只含少量系数，量化误差相互独立，整体数值稳定性大幅提高。数学上就是系统函数的乘积分解：

除级联分解外，工程上还有三条经验：其一，判断极点时慎用高阶直接求根，\(np.roots\) 对 50 阶以上的多项式往往数值病态，应拆成二阶节分别求根；其二，实系数系统的复零点、复极点必须共轭成对出现，否则系统函数无法用实数系数实现；其三，计算频率响应时，用 \(z^{-k}\) 递推累加比直接代多项式更稳定。工程师与鉴定师的分野就在这里：鉴定师负责读懂报告，工程师负责让报告在真实世界中经受住抖动——把大项链拆成小节再串，是最朴素也最实用的智慧。

AI 应用场景

Python 演示

import numpy as np def check_stability(den):    # 求系统函数分母的极点, 判断全部极点是否在单位圆内    poles = np.roots(den)    max_mag = np.max(np.abs(poles))    return poles, max_mag, max_mag < 1.0 def freq_response(num, den, N=512):    # 在单位圆 z = e^{j*w} 上计算频率响应 H(e^{j*w})    w = np.linspace(0, np.pi, N)    H = np.zeros(N, dtype=complex)    for i in range(N):        z = np.exp(-1j * w[i])        s_num = 0.0 + 0.0j        for k, bk in enumerate(num):            s_num += bk * z ** k        s_den = 0.0 + 0.0j        for k, ak in enumerate(den):            s_den += ak * z ** k        H[i] = s_num / s_den    return w, H def impulse_response(num, den, n_steps=40):    # 用差分方程递推计算单位冲激响应 h[n]    h = np.zeros(n_steps)    x = np.zeros(n_steps)    x[0] = 1.0            # 注入单位冲激, 模拟"抖项链"    for n in range(n_steps):        acc = 0.0        for k, bk in enumerate(num):            if n - k >= 0:                acc += bk * x[n - k]        for k in range(1, len(den)):            if n - k >= 0:                acc -= den[k] * h[n - k]        h[n] = acc    return h def main():    # 例1: 稳定系统 H(z) = 1 / (1 - 0.8 z^{-1}), 极点在单位圆内    b1 = [1.0]    a1 = [1.0, -0.8]    poles1, mag1, ok1 = check_stability(a1)    print("例1 极点:", poles1, "|p|max =", round(mag1, 3), "稳定 =", ok1)     # 例2: 不稳定系统 H(z) = 1 / (1 - 1.2 z^{-1}), 极点在单位圆外    b2 = [1.0]    a2 = [1.0, -1.2]    poles2, mag2, ok2 = check_stability(a2)    print("例2 极点:", poles2, "|p|max =", round(mag2, 3), "稳定 =", ok2)     h1 = impulse_response(b1, a1)    h2 = impulse_response(b2, a2)    print("例1 冲激响应: h[10] =", round(h1[10], 4), ", h[30] =", round(h1[30], 5))    print("例2 冲激响应: h[10] =", round(h2[10], 3), ", h[30] =", round(h2[30], 3))     w, H = freq_response(b1, a1)    mag = np.abs(H)    print("例1 频率响应: |H(e^j0)| =", round(mag[0], 3),          ", |H(e^jpi)| =", round(mag[-1], 3)) if __name__ == "__main__":    main()

1. poles = np.roots(den)求分母多项式的根，即系统函数的极点位置
2. max_mag < 1.0检查全部极点的最大模是否小于 1，等价于“是否都在单位圆内”
3. x[0] = 1.0注入单位冲激作为激励，模拟鉴定师“抖一下项链”
4. acc -= den[k] * h[n - k]反馈项：过去的输出回流影响当前输出，是差分方程的灵魂
5. z = np.exp(-1j * w[i])让 \(z\) 在单位圆上行走，采样得到频率响应
6. if __name__ == "__main__":脚本可直接运行入口，输出两个系统的对比结论

常见误区

面试题