【信号与系统】z变换

article/2025/9/19 5:21:25

z变换


文章目录

  • z变换
  • 基本公式
  • 常用公式
  • 基本性质
  • 其他公式
    • 卷积定理
    • 与s平面的关系
  • 其他一些说明


基本公式

单 边 z 变 换 : X ( z ) = ∑ n = 0 ∞ x ( n ) z − n 双 边 z 变 换 : X ( z ) = ∑ n = − ∞ ∞ x ( n ) z − n X ( z ) 也 叫 x ( n ) 的 生 成 函 数 z 平 面 上 : 左 边 序 列 收 敛 域 朝 原 点 , 右 边 序 列 收 敛 域 朝 无 穷 远 点 , 双 边 序 列 收 敛 域 为 圆 环 , 有 限 长 序 列 收 敛 域 为 整 个 z 平 面 z 平 面 自 带 周 期 性 体 现 了 时 域 频 域 “ 离 散 ” 与 “ 周 期 ” 的 对 称 性 单边z变换:X(z)=\sum_{n=0}^{\infty}x(n)z^{-n}\\\ \\ 双边z变换:X(z)=\sum_{n=-\infty}^{\infty}x(n)z^{-n}\\\ \\ X(z)也叫x(n)的生成函数\\\ \\ z平面上:\\ 左边序列收敛域朝原点,\\ 右边序列收敛域朝无穷远点,\\ 双边序列收敛域为圆环,\\ 有限长序列收敛域为整个z平面\\\ \\ z平面自带周期性\\体现了时域频域“离散”与“周期”的对称性 zX(z)=n=0x(n)zn zX(z)=n=x(n)zn X(z)x(n) zz z

常用公式

https://blog.csdn.net/lafea/article/details/118651638

基本性质

序号解释
线性 a x ( n ) + b y ( n ) ↔ a X ( z ) + b Y ( z ) ax(n)+by(n)\leftrightarrow aX(z)+bY(z) ax(n)+by(n)aX(z)+bY(z)
双边位移 Z [ x ( n + m ) ] = z m X ( z ) \mathcal Z [x(n+m)]=z^mX(z) Z[x(n+m)]=zmX(z)
单边(右边)位移 左 位 移 : Z [ x ( n + m ) u ( n ) ] = z m [ X ( z ) − ∑ k = 0 m − 1 x ( k ) z − k ] 右 位 移 : Z [ x ( n − m ) u ( n ) ] = z − m [ X ( z ) + ∑ k = − m − 1 x ( k ) z − k ] 左位移:\mathcal Z[x(n+m)u(n)]=z^m[X(z)-\sum_{k=0}^{m-1}x(k)z^{-k}]\\\ \\ 右位移:\mathcal Z[x(n-m)u(n)]=z^{-m}[X(z)+\sum_{k=-m}^{-1}x(k)z^{-k}] Z[x(n+m)u(n)]=zm[X(z)k=0m1x(k)zk] Z[x(nm)u(n)]=zm[X(z)+k=m1x(k)zk]
序列线性加权(微分) n m x ( n ) ↔ [ − z d d z ] m X ( z ) n^mx(n)\leftrightarrow [-z\frac d {dz}]^mX(z) nmx(n)[zdzd]mX(z)
序列指数加权(尺度变换) a n x ( n ) ↔ X ( z a ) a^nx(n)\leftrightarrow X(\frac z a) anx(n)X(az)
初值定理 若 x ( n ) 为 因 果 序 列 , 则 x ( 0 ) = lim ⁡ z → ∞ X ( z ) 若x(n)为因果序列,则\\x(0)=\lim_{z\to \infty}X(z) x(n)x(0)=zlimX(z)
终值定理 若 x ( n ) 为 因 果 序 列 , 且 n → ∞ x ( n ) 收 敛 , 则 lim ⁡ n → ∞ x ( n ) = lim ⁡ z → 1 ( z − 1 ) X ( z ) 若x(n)为因果序列,且n\to\infty x(n)收敛,则\\\lim_{n\to\infty}x(n)=\lim_{z\to 1}(z-1)X(z) x(n)nx(n)nlimx(n)=z1lim(z1)X(z)

其他公式

卷积定理

Z [ x ( n ) ∗ h ( n ) ] = X ( z ) ⋅ H ( z ) Z [ x ( n ) h ( n ) ] = 1 2 π j ∮ c X ( v ) H ( z v ) 1 v d v 用 留 数 法 , 则 看 收 敛 域 内 包 围 的 极 点 \mathcal Z[x(n)*h(n)]=X(z)\cdot H(z)\\\ \\ \mathcal Z[x(n)h(n)]=\frac 1 {2\pi j}\oint_cX(v)H(\frac z v)\frac 1 v dv\\\ \\ 用留数法,则看收敛域内包围的极点 Z[x(n)h(n)]=X(z)H(z) Z[x(n)h(n)]=2πj1cX(v)H(vz)v1dv 

与s平面的关系

  • z = e s T z=e^{sT} z=esT
  • s平面虚轴映射为z平面的单位圆
  • s平面左半平面映射为z平面单位圆内
  • s平面右半平面映射为z平面单位圆外
  • z平面上一个点可对应s平面上无穷多个点,周期为2 π \pi π

其他一些说明

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述


http://chatgpt.dhexx.cn/article/5CgofFlN.shtml

相关文章

爱奇艺实时数据湖平台建设实践

300万字!全网最全大数据学习面试社区等你来! 导读 本文将介绍 Iceberg 在爱奇艺的落地与实践 主要内容包括以下几大部分: 爱奇艺 OLAP 简介为什么要数据湖数据湖平台建设性能优化业务落地 1. 爱奇艺 OLAP 简介 首先简单介绍一下爱奇艺 OLAP…

Apache Ranger剖析:Hadoop生态圈的安全管家

前言 2016年,Hadoop迎来了自己十周岁生日。过去的十年,Hadoop雄霸武林盟主之位,号令天下,引领大数据技术生态不断发展壮大,一时间百家争鸣,百花齐放。然而,兄弟多了不好管,为了抢占…

【转载】Apache Ranger剖析:Hadoop生态圈的安全管家

前言 2016年,Hadoop迎来了自己十周岁生日。过去的十年,Hadoop雄霸武林盟主之位,号令天下,引领大数据技术生态不断发展壮大,一时间百家争鸣,百花齐放。然而,兄弟多了不好管,为了抢占…

CheckPoint的一些探寻

由于上项目的模块计算部分依赖于spark,那么在spark的使用上,需要针对不同规模和形式的数据,都要能最大限度的做到数据变换,模型计算等计算的稳定性支持。这也是elemental目前急需优化的瓶颈所在。这里,我们针对下面的场…

Flink学习1-基础概念

Flink学习1-基础概念 Flink系列文章 更多Flink系列文章请点击Flink系列文章 更多大数据文章请点击大数据好文推荐 摘要 本文是作者学习Flink的一些文档整理、记录和心得体会,希望与大家共同学习探讨。 1 Flink简介 1.1 概念 Apache Flink是一个开源的分布式流…

Ranger架构剖析

Ranger介绍 2016年,Hadoop迎来了自己十周岁生日。过去的十年,Hadoop雄霸武林盟主之位,号令天下,引领大数据技术生态不断发展壮大,一时间百家争鸣,百花齐放。然而,兄弟多了不好管,为了…

Ranger架构

一、Ranger介绍 随着大数据技术生态不断发展壮大,为了抢占企业级市场,各厂商都迭代出自己的一套访问控制体系,不管是老牌系统(比如HDFS、HBase),还是生态新贵(比如Kafka、Alluxio)&…

大数据技术栈概貌

一、大数据技术栈概貌 pig:要使用 Apache Pig 分析数据,程序员需要使用Pig Latin语言编写脚本。所有这些脚本都在内部转换为Map和Reduce任务。sqoop 是 apache 旗下一款“Hadoop 和关系数据库服务器之间传送数据”的工具。导入数据:MySQL&…

一节课轻松通关 Spark

大数据跟我学系列文章007-三节课轻松通关 Spark (一) 文章目录 大数据跟我学系列文章007-三节课轻松通关 Spark (一)前言第01讲: MapReduce:计算框架和编程模型第02讲:Hadoop:集群的…

基于深度强化学习的连接查询优化

Krishnan, S., et al. (2018). "Learning to optimize join queries with deep reinforcement learning." 如何优化 SQL 连接是数据库社区数十年来一直在研究的一个大问题。伯克利 RiseLab 公布的一项研究表明,深度强化学习可以被成功地应用在优化 SQL 连…

Flink流处理框架总结

Flink流处理框架 第一部分 Flink 概述第 1 节 什么是 Flink第 2 节 Flink 特点第 2 节 Flink 应用场景第 4 节 Flink 核心组成及生态发展第 5 节 Flink 处理模型:流处理与批处理第 6 节 流处理引擎的技术选型 第二部分 Flink快速应用第 1 节 单词统计案例&#xff0…

Presto(Trino)动态过滤与优化器

Presto 系列文章目录- 动态过滤与谓词下推 文章目录 Presto 系列文章目录- 动态过滤与谓词下推trino性能提升新特性Dynamic partition pruning动态分区裁剪设计注意事项执行未来的工作 Hive connector延迟执行动态过滤器 动态过滤分析和确认动态过滤器收集阈值维度表布局局限性…

AI 应用的全流程存储加速方案技术解析和实践分享

AI 应用对存储系统的挑战是全面的,从离应用最近的数据计算如何加速,到离应用最远的数据存储如何管理,到数据存储和数据计算之间如何高效流通,再到不同应用之间的资源调度如何协调 …… 这其中每一个环节的低效,都有可能…

flink部署-1.13

1. 版本说明 本文档内容基于 flink-1.13.x,其他版本的整理,请查看本人博客的 flink 专栏其他文章。 2. 概述 Flink 是一种通用性框架,支持多种不同的部署方式。 本章简要介绍 Flink 集群的组成部分、用途和可用实现。如果你只是想在本地启…

Spark2.1.0——存储体系概述

本书在5.7节曾介绍过存储体系的创建,那时只为帮助读者了解SparkEnv,现在是时候对Spark的存储体系进行详细的分析了。简单来讲,Spark存储体系是各个Driver、Executor实例中的BlockManager所组成的。但是从一个整体出发,把各个节点的BlockManager看成存储体系的一部分,那么存…

探秘百度数据工厂Pingo的多存储后端数据联合查询技术

作者介绍:张志宏,2013年加入百度大数据部,曾作为核心成员参与百度大数据平台的搭建。目前是百度数据工厂Pingo核心团队的技术负责人。 Pingo是来自百度的离线大数据集成开发平台,使用Spark作为计算引擎,深度整合了资源…

Tachyon与Ignite系统对比

1. Alluxio(原Tachyon)内存文件系统 1.1 系统概述 Alluxio(原Tachyon)是以内存为中心(memory-centric)的虚拟的分布式存储系统,拥有高性能和容错能力,能够为集群框架(如Spark、MapReduce)提供可靠的内存级…

百度案例:利用Alluxio实现安全的即插即用分布式文件系统

全文共3361字,预计学习时长7分钟 本文介绍了百度如何依靠开源项目Alluxio,在一个企业大数据分析解决项目Pingo中创建了一个安全、模块化和可扩展的分布式文件系统服务。 在这篇文章中,你将学习如何依靠Alluxio来实现一个统一的分布式文件系统服务,以及如何在Alluxio之上添…

如何通过API调用alluxio 文件系统

如何通过API调用alluxio 文件系统 一般来说,不论从spark,hfds等等大数据分布式框架,甚至使用公有云api,来说,与集群进行交互不外乎以下这些套路: 设置configuration(有很重要的主节点host&…

office产品密钥如何找回

明明自己有正版office产品密钥却因为时间太久种种原因找不到了,登录微软账户查看信息也没有,怎么办?? 不要着急,只要你还记得你当时激活office的微软账号和密码,可以登录微软账户,follow me&am…