精通信号处理设计小Tips（2）：数学的作用

0

maxfiner继续第一讲，现在讲到了数学的作用。我想我们在学校的时候就学过数学，有的甚至被数学困扰了很多年，发现最后数学好像在工作、生活中的没多大用处，那些微积分、卷积啊、变换啊到底有什么作用呢？来听@maxfiner 君一一道来

本文作者maxfiner，毕业于西安电子科技大学，拥有信号与信息处理专业硕士学位。maxfiner曾供职于华为通信技术公司 无线通信部门，拥有多年的工程项目研发经验，同时兼备算法理论研究，仿真验证，以及对应的硬件设计实现能力；具备通信物理层开发设计各个方面的实战经 验...

　　精通信号处理设计小tips（2）：数学的作用

　　对于工科专业的工程师来说，数学到底是否有用？有多大用？都干什么用？相信是很多人曾经考虑和关心的问题。结合电子工程方向，对此稍作讨论，跟大伙交流。

　　对于电子工程方向，一般在大学会先后学习这么几门数学课程：微积分，线性代数，概率论，复变函数，随机过程，矩阵论，数值分析等。但对于大多数人来说，参加工作后，大家都会感慨，大部分内容基本都忘光了。为什么呢？原因很简单，因为再也没有用到。对于很多具体的工程领域，这些课程的大部分的确不大用得着。就我个人工作经历来说，工作后，主要从事通信物理层的应用和实现。微积分很少直接应用，除了高等数学老师，还有谁会去关注柯西中值定理呢？复变函数更是多年未曾打过一次交道。这么些课程中，相对来说，用的较多的是两样，一个是傅里叶变换，一个是线性代数。最最频繁使用的，是高中学到的一些知识，比如复数，三角函数，初等函数等等。

　　就像从初中一年级就开始花费大量时间学习英语，至今仍是聋哑英语一样，大学的那么多课程，费了好些时间和力气学习，却没有怎么用得上，想想真是令人惋惜。现在回想起来，如果上大学只为了最终的一张文凭的话，我宁可不上。在现实中，一个单片机实用电路的设计经验，或者熟练的编写一段软件代码，远比泰勒定理的证明更来得实在。

　　照如此说，似乎大学的数学也没有啥用。这个结论先不必急于落下。先谈谈我在工作实践中中碰到的具体数学应用吧。频谱分析需要用到傅里叶变换，这算是大学数学诸多领域中应用最广泛的一个。采样定理的证明和更好的理解，也要用到傅里叶变换。数字上下变频会涉及到三角函数中的积化和差。电路阻抗分析中会用到复数的运算。FPGA实现中会涉及到一些逻辑运算。FIR滤波处理从实现上看就是一个乘累加运算，背后是对各种频谱分量的不同处理。应用广泛的相关累计运算也是乘累加运算。符号同步、频偏估计、信道补偿等处理会涉及到复数形式的乘累加运算。

　　从以上的典型应用来看，相当多的数字信号处理应用都离不开乘累加运算，比如相关、卷积、滤波等等，傅里叶变换的具体实现——离散傅里叶变换，其实现方式也是乘累加。这也是数字信号处理的魅力，一个简单的乘累加运算，解决了各种各样，各种形式的问题。一个成累加运算之所以能够发挥如此巨大的威力，其原理和本质都是基于线性时不变系统的前提。所以说，线性运算和与之紧密相连的线性系统，是我们必须好好理解的一个内容。

　　不得不提的是傅里叶变换，对于电子工程和从事通信信号处理的工程师来说，这算是大学数学在工程实践中最重要的一个应用吧。比如信号的时移和频移，信号的上下变频处理，实信号的共轭对称特性，复信号和实信号频谱的差异，模拟信号的数字采样，信号的带通采样，频谱的混叠和抗混叠，频谱的镜像，上采样中的内插处理，下采样中的抽取处理，等等等等，都可以从傅里叶变换的角度进行解释和分析。对连续和离散傅里叶变换的全方位理解，有助于我们更深刻的解释和分析具体应用中的各种问题。

　　当应用matlab来做一些信号处理算法的仿真时，我才真正体会到线性代数的应用价值和巨大威力。由于信号处理都是用离散的样点来处理的，因此信号处理算法和实现都可以用矢量和矩阵的方式来表达和分析。比如最简单的乘累加运算，可以看做是两个矢量的相乘。信号处理的最基本和最频繁的运算，诸如相关，卷积，滤波，傅里叶变换，所有的这些都可以用简洁的矢量和矩阵形式表达出来。

　　线性代数大概研究几个大方向：解方程，特征值分析，奇异值分析，稳定性分析。在具体工程应用最多的是基本的矢量运算和解方程。对矢量运算的理解非常有助于灵活运用MATLAB，因为MATLAB就是以矢量为处理对象的，矢量操作远比for循环高效的多得多。

　　当初学习特征值的时候，始终不明白这个特征值到底有什么用，工作多年来也没有看到它到底有什么用。但是，当我因工作需要去了解LMS自适应算法的原理时，我第一次强烈的感受到特征值的价值所在。稍微熟悉LMS算法的人都知道，LMS的每一步迭代，都涉及到一个步进常数，而这个常数该取多大，跟信号相关矩阵的特征值有密切联系。张贤达老师曾经写过一本专著，专门讨论线性代数在信号处理中的应用，从中可以看到非常多的特征值，范数，奇异值等概念在信号处理中的具体应用。

　　很多信号处理算法要解方程，解方程则涉及到形式多样的矩阵分解方法，基于DSP数字信号处理器来搞这些矩阵分解算法是再合适不过了。但是对于实时性要求更高的应用场景，更多的基于FPGA硬件实现，矩阵分解则用的不多，更多的是使用一些替代方法，比如基于迭代的方法。就像上面提到的LMS算法，就是替代需要矩阵分解的LS算法。因为迭代的方法用FPGA实现更为方便。

　　我个人的经历非常有限，只涉及信号处理在通信中的应用的一小部分，以我的鼠光来看，对于通常的电路设计，软件设计，逻辑设计等诸多领域，大学的数学实际应用的不是太多，关联不是很大，更多的是起到理论支撑和理解作用。但对于算法领域来说，比如通信信号处理，雷达信号处理，模式识别，数据挖掘，信息检索等等，大学的数学知识还是有相当多的用武之地的。

　　另外，也和我国当前的发展现状有很大关系，真正涉及大量数学知识的工程应用团体和公司还比较少，大多处于比较初级和粗浅的应用。试举两个例子，第一个，国内做视频监控方面的厂商可谓成百上千家，但大多处于图像采集，图像压缩编码，图像的传输和多种格式的显示等初级应用，涉及到图像目标检测，图像分割，图像目标识别等应用的产品还非常少。而这些才是真正涉及大量数学和信号处理算法的地方，体现算法魅力和价值的地方。第二例，当前市面上出现了家庭自动扫地机，可以自动充电，自动打扫地面，但是对于房间地面的遍历，大多数扫地机采用非常简单的随机搜索方式，效率很低，以至于有些扫地机时不时的发出如下语音：“我很笨，可是我很勤奋！”。或者说：“请不要一直盯着我”。这也是无奈之举。对于房间地面的高效遍历，肯定是需要一套检测和识别算法来有效支撑的，这些地方更能体现数学和算法的价值。

　　真正的工程实践中，物理、化学的实际用途更大，更广。对社会产生巨大影响，产生巨大推动力量的更多的是物理学家，化学家，生物学家，医学家等等，数学家相对要少些。有人说数学很美，描述的非常夸张，也许当事人的确有这种感觉。我个人的感觉是物理定律比纯粹的数学公式更美。对大多数工程实践人员来说，数学是有用，但也只是一种工具而已，远不是首要的，放到首位的始终是用简单高效的方法解决实际的具体问题。

　　时间有限，能力更是有限，粗略的聊了这些和电子发烧友网工程师们交流。希望大家多多指正，建议和批评更是多多益善。

下期开讲——精通信号处理设计小Tips（3）：信号处理应用所必须掌握的三大基石，敬请关注！

声明：电子发烧友网版权所有，谢绝转载！

往期回顾

精通信号处理设计小Tips（1）：信号和信息

`

0