信号总能量

玻尔百科

核心要点

信号总能量是衡量信号强度的基本指标，通过对其幅度的平方在整个持续时间内进行积分或求和来计算。
帕斯瓦尔定理指出，信号的能量既可以在时域中计算，也可以通过其能量谱密度在频域中等效计算。
信号可分为能量信号（能量有限，如脉冲）或功率信号（平均功率有限，如连续正弦波）。
信号能量是工程学中的一个基础概念，用于设计通信系统、分析滤波器以及理解上采样和下采样等操作。

引言

在信号处理领域，我们如何量化一个信号的“强度”或“大小”？答案在于信号总能量这一基本概念。正如电阻两端的电压会随时间耗散能量一样，信号也携带一种可以测量的内在能量。这个概念不仅仅是一种数学形式，更是一个关键指标，指导着通信、物理及其他领域中系统的设计与分析。本文旨在搭建起信号强度的直观概念与其强大的数学框架之间的桥梁。

本文将引导您了解信号总能量的核心原则。在第一部分“原理与机制”中，我们将探讨其对连续和离散信号的正式定义，学习如何直接计算它，并通过帕斯瓦尔定理发现在频域中的巧妙捷径。我们还将建立瞬态“能量信号”与持续“功率信号”之间的关键区别。随后，“应用与跨学科联系”部分将展示这一概念如何应用于具体的工程问题中，从设计通信脉冲和滤波器到理解信号空间的几何结构。我们的旅程将从审视定义信号能量及其测量方法的基本原理开始。

原理与机制

想象一个带有一欧姆（ $1\Omega$ ）电阻的简单电路。如果在其两端施加一个时变电压 $v(t)$ ，就会有电流流过，电阻会发热耗散能量。瞬时功率——即能量耗散的速率——由 $P(t) = \frac{v(t)^2}{R}$ 给出。由于我们选择了 $R=1\Omega$ ，功率就简化为 $P(t) = v(t)^2$ 。为了求出在所有时间内耗散的总能量，你只需将每个瞬间的功率相加。用微积分的语言来说，就是对其进行积分。这个简单的物理概念就是我们所称的信号总能量的核心。

对于任何抽象信号 $x(t)$ ，我们可以抛开电阻，用同样的方式来定义其能量。项 $|x(t)|^2$ 代表信号的瞬时功率或强度，而总能量 $E_x$ 是这个强度在所有时间上的总和。

对于连续时间信号 $x(t)$ ，如声波或无线电传输，这个“和”是一个积分： $E_x = \int_{-\infty}^{\infty} |x(t)|^2 dt$

对于离散时间信号 $x[n]$ ，它是一个数字序列，如数字音频样本或每日股价，积分则变为求和： $E_x = \sum_{n=-\infty}^{\infty} |x[n]|^2$

这个量，无论是积分还是求和，都为我们提供了一种衡量信号在其整个持续时间内的“大小”或“强度”的有效方法。

能量计算：时域与频域的故事

让我们从直接根据定义计算一些简单信号的能量开始，亲自动手实践一下。

时域：直接且直观

考虑一个简单的矩形脉冲，就像雷达系统发出的脉冲一样。该信号在时长为 $T$ 的区间内具有恒定幅度 $A$ ，在其他地方均为零。在数学上，我们可以将其描述为在 $0 \le t < T$ 时为 $A$ ，否则为 $0$ 。它的能量是多少？我们只需解这个积分：

$E_x = \int_{0}^{T} A^2 dt = A^2 \int_{0}^{T} dt = A^2 T$

结果非常简洁直观。能量与幅度的平方 ( $A^2$ ) 成正比，与持续时间 ( $T$ ) 成正比。更强的脉冲能量更大。更长的脉冲能量也更大。这在物理上完全说得通。

那么离散世界呢？让我们看一个由两个尖锐“脉冲”或冲激组成的信号， $x[n] = A \delta[n+n_0] - B \delta[n-n_0]$ 。这里， $\delta[n]$ 是单位冲激，是一个仅在 $n=0$ 时为 1，在其他地方均为零的信号。我们的信号 $x[n]$ 在时间 $n=-n_0$ 处的值为 $A$ ，在时间 $n=n_0$ 处的值为 $-B$ ，在其他地方均为零。其能量是各值平方的和：

$E_x = \sum_{n=-\infty}^{\infty} |x[n]|^2 = |x[-n_0]|^2 + |x[n_0]|^2 = A^2 + (-B)^2 = A^2 + B^2$

注意到奇妙之处了吗？这两个冲激位于不同的时间点，因此它们不重叠。当我们对信号进行平方时，没有交叉项。总能量就是单个冲激能量之和。这有点像信号的勾股定理：当信号是“正交”的（在这种情况下，是通过占据不同的时间段），它们的组合能量就是它们各自能量之和。

巨大分水岭：能量信号 vs. 功率信号

一个关键问题出现了：是否每个信号都具有有限的总能量？考虑一下电力变压器发出的持续嗡嗡声，或者一个已经永远开启并将永远开启的理想直流电压源。如果我们将此建模为恒定信号 $x(t) = V_0$ ，并试图计算其总能量，那么积分 $\int_{-\infty}^{\infty} V_0^2 dt$ 显然会趋向于无穷大。

这是否意味着我们的能量概念对这类信号毫无用处？完全不是！这只说明我们需要一个不同的衡量标准。对于永久持续的信号，与其询问总累积能量，不如询问能量传递的*平均速率*，我们称之为平均功率。

平均功率 $P_x$ 的定义是，在一个不断扩大的时间窗口内对信号的强度进行平均： $P_x = \lim_{T \to \infty} \frac{1}{2T} \int_{-T}^{T} |x(t)|^2 dt$ 对于直流信号 $x(t) = V_0$ ，功率计算给出了一个非常合理、有限的答案： $P_x = \lim_{T \to \infty} \frac{1}{2T} \int_{-T}^{T} V_0^2 dt = \lim_{T \to \infty} \frac{1}{2T} (V_0^2 \cdot 2T) = V_0^2$

这引出了一个基本的分类：

能量信号是具有有限、非零总能量（ $0 \lt E_x \lt \infty$ ）的信号。这些通常是瞬态现象——脉冲、蜂鸣声、回声——它们开始，发生，然后消失。它们在整个无限时间上展开的平均功率为零。来自的单个冲激或来自的衰减指数就是完美的例子。
功率信号是总能量无限但具有有限、非零平均功率（ $0 \lt P_x \lt \infty$ ）的信号。这些代表持续的、正在进行的过程，如直流电压源、纯正弦波或离散时间单位阶跃序列 $u[n]$ （当 $n \ge 0$ 时为 1，否则为 0）。有趣的是，对于单位阶跃，其平均功率为 $P_x = \frac{1}{2}$ ，因为它在从 $-\infty$ 到 $\infty$ 的时间轴上只有一半时间是“开启”的。

一个信号要么是能量信号，要么是功率信号，或者两者都不是，但绝不会同时是两者。这是一个决定我们如何分析它们的基本区别。

频域：另一种记账方式

在时域中通过积分或求和来计算能量有时可能是一场数学噩梦。有别的方法吗？当然有，而且它是整个信号处理领域中最优美、最强大的思想之一。

就像棱镜将白光分解成由各种组成颜色（频率）构成的彩虹一样，傅里叶变换将信号分解成其频谱。这个频谱，我们称之为 $X(\omega)$ ，它告诉我们信号中存在哪些频率以及它们的幅度是多少。一个被称为普朗歇尔定理 (Plancherel's Theorem)或帕斯瓦尔定理 (Parseval's Theorem) 的卓越原告诉我们，总能量在这两个世界之间是守恒的。你可以将每个时间瞬间的强度相加，也可以将每个频率的强度相加，最终会得到完全相同的数值。

$E_x = \underbrace{\int_{-\infty}^{\infty} |x(t)|^2 dt}_{\text{时域能量}} = \underbrace{\int_{-\infty}^{\infty} |X(\omega)|^2 d\omega}_{\text{频域能量}}$ （注意：具体形式可能会因傅里叶变换定义中使用的归一化常数而略有不同。）

项 $|X(\omega)|^2$ 被称为能量谱密度，它告诉我们信号的能量是如何在频谱上分布的。要计算总能量，我们只需找出该密度曲线下的总面积。

为什么这如此有用？考虑一个其傅里叶变换为简单矩形框的信号：它在频率 $-\omega_c$ 和 $\omega_c$ 之间具有恒定值 $A$ ，在其他地方为零。这是一个“理想低通”信号的频谱。时域中的实际信号是一个更复杂的函数，称为 $\operatorname{sinc}$ 函数。直接计算 $\int_{-\infty}^{\infty} |\operatorname{sinc}(t)|^2 dt$ 是一件苦差事。但在频域中，这项任务却简单得可笑。我们只需要计算一个矩形的面积！

$E = \int_{-\omega_c}^{\omega_c} |A|^2 d\omega = A^2 \int_{-\omega_c}^{\omega_c} d\omega = 2A^2\omega_c$

这个“技巧”非常强大。在另一个例子中，离散时间信号 $x[n] = \operatorname{sinc}(0.25n)$ 的能量似乎无法通过对其各项求和来计算。但它的傅里叶变换也是一个简单的矩形，应用离散信号的帕斯瓦尔关系式几乎瞬间就能得出答案 4。频域不仅仅是一个抽象的表示；它是一个平行宇宙，在这里难题可以变得简单。

变换下的能量：一个守恒的故事

既然我们已经牢固掌握了信号能量是什么以及如何计算它，我们就可以探究当操纵信号时能量会如何变化。

时移：如果你录制一段声音并在 10 秒后播放，声音的能量会改变吗？你的直觉说不会，数学也同意。如果我们通过将 $x(t)$ 延迟 $t_0$ 来创建一个新信号 $y(t) = x(t-t_0)$ ，它的能量与原始信号完全相同。在能量积分中做一个简单的变量替换就能证明这一点。能量对于信号何时发生是不变的。
时域缩放：如果你以慢动作、一半的速度播放那段声音会怎样？这会在时间上拉伸信号，所以新信号是 $y(t) = x(t/2)$ 。能量会保持不变吗？让我们问问数学。计算表明，新能量是原始能量的两倍！ $E_y = 2E_x$ 。这在物理上也是有道理的。如果你在我们的电阻上施加一个电压分布，但将其拉伸到持续两倍长的时间，你就是在更长的时间段内输送能量，总量会增加。在时间上压缩信号会减少其能量，而拉伸信号则会增加其能量。
自相关：最后，我们得出一个真正优美而令人惊讶的联系。一个信号的自相关函数 $R_x(\tau)$ ，衡量了该信号与其自身时移版本之间的相似程度。它是衡量信号内部结构的基本指标。事实证明，一个信号的总能量就隐藏在这个函数中，一目了然。能量就是自相关函数在时移为零处的值：

$E_x = \int_{-\infty}^{\infty} |x(t)|^2 dt = R_x(0)$

这意味着如果有人给你一个信号的自相关函数，你不需要信号本身就能找到它的能量。你只需要查看该函数在其中心峰值处的值。这是那些揭示了我们用来描述物理世界的数学世界中深刻、相互关联结构的美妙统一之一。

应用与跨学科联系

我们已经了解了“信号总能量”的原理和具体含义。但它为什么重要呢？事实证明，这个单一的想法，这个简单的平方和，不仅仅是一个枯燥的数学定义。它是信息世界中的一种基本“货币”，一个连接抽象数学与工程、物理乃至统计学具体现实的桥梁。通过追踪能量的轨迹，我们可以理解为什么收音机能够工作，数据是如何被压缩的，以及我们如何在噪声的海洋中找到隐藏的信号。这是一段揭示了看似不相关的领域之间惊人统一性的旅程。

让我们从最具体的应用开始：发送消息。想象一下，在通信系统中，一个用于表示一条信息的简单电脉冲或光脉冲。它的能量是多少？直观上，一个更强的脉冲（更高的幅度 $A$ ）或一个持续时间更长的脉冲（更长的持续时间 $\tau$ ）应该携带更多的能量。事实上，对于一个简单的矩形脉冲，能量恰好是 $E = A^2 \tau$ 。这个简单的公式是系统设计的基石。它告诉工程师发送单个比特信息的能量成本。想要传输得更远或克服更多噪声？你可能需要提高幅度。想要通过使用更短的脉冲来更快地发送数据？每个脉冲的能量会减少，使其更难被检测。这种权衡是通信工程的核心。

但我们很少只发送一个脉冲。我们发送的是一连串的脉冲。当我们将信号相加时，能量会发生什么变化？如果你将两个波相加，你可能会期望它们的能量简单相加。但事情并不总是那么简单；它们会发生干涉。然而，有一种神奇的条件叫做正交性。如果你用一组“正交”的构建块来构造你的信号，总能量就是各部分能量之和。一个绝佳的例子是一系列移位的 $\operatorname{sinc}$ 脉冲，它们是数字通信的宠儿。像 $a \cdot \operatorname{sinc}(t) + b \cdot \operatorname{sinc}(t-1)$ 这样的信号的能量就是 $a^2 + b^2$ ，因为交叉项——即干涉项——在积分后完全消失了。这个特性不仅仅是一个数学上的奇趣；它是一条原理，使得像 4G、5G 和 Wi-Fi 这样的现代系统中的无数数据流能够共存而互不干扰，通过确保它们的能量“账户”保持独立。

时域的观点——对瞬时功率求和——是直观的。但一个远为更强大的视角来自于问一个不同的问题：能量在频谱的什么位置？著名的帕斯瓦尔定理向我们保证，总能量是相同的，无论我们是在时间上逐刻求和，还是在所有频率上进行积分。这是一个深刻的守恒声明。它让我们能够将能量视为分布在一个频率谱上，就像光被分散成彩虹一样。

这种“能量谱密度”告诉我们信号的特性。低频的隆隆声其能量集中在频谱的低端，而高音调的哨声其能量则在高端。这种观点使得滤波的概念异常清晰。电子滤波器就是一个允许某些频带的能量通过而阻挡其他频带能量的设备。如果我们将一个信号通过一个带通滤波器，我们实际上是在其能量谱中切下一片，并测量仅仅这一片的能量。当一个数字通信系统使用低通滤波器来限制其带宽时，它正在做一个有意的权衡：它以牺牲位于更高频率的信号能量为代价，来节省频谱空间。在频域中分析信号使工程师能够精确地塑造和管理这种能量流。

一旦我们开始用频谱的视角思考，就会发现一些奇妙的操作，它们可以彻底改变信号在时域中的外观，却使其总能量完全保持不变。这些是“无损”变换。一个经典的例子是全通滤波器。顾名思义，它让所有频率以相同的增益通过，这意味着它们的能量贡献不变。它的作用是改变不同频率分量的相位。结果是，信号在时域中的形状可能被完全打乱，但其总能量，即所有部分的总和，却精确地保持不变。

另一个更微妙的保能变换是希尔伯特变换。该操作通过将每个频率分量的相位精确移动 $90$ 度来创建一个“正交”信号。得到的信号看起来与原始信号大相径庭，但由于相移不改变频率分量的幅度，帕斯瓦尔定理保证了总能量被完美守恒。这个优雅的技巧是许多先进通信技术的基础，例如单边带调制，它能更有效地利用无线电频谱。

即使是像一个信号与其自身时域缩放版本进行卷积这样看似复杂的操作，其对能量的影响也可以通过频域的视角以优美的简洁性来理解。通过应用傅里叶变换的卷积和缩放性质，人们可以立即预测输出能量，而无需触及困难的时域卷积积分。

在我们的数字世界中，信号通常不被表示为连续的波，而是表示为一串数字——即采样点。常见的数字操作如何影响我们的能量度量？考虑上采样，即在原始采样点之间插入零以提高采样率。这似乎是在添加“无”，事实上，总能量确实保持完全相同。采样值平方和不变，因为新插入的项都是零。相比之下，下采样，即通过仅保留每 $M$ 个采样点中的一个来创建新信号，是一种丢弃信息的行为。毫不奇怪，这通常会减少信号的总能量，因为我们扔掉了一些非零的采样点。这些简单的观察在多速率信号处理系统的设计中至关重要，这类系统在从音频处理到软件定义无线电的各个领域都有应用。

此时，你可能会感觉到一个更深层次的模式正在显现。正交性、能量、分解……这些概念感觉很熟悉。它们确实应该如此！信号能量的概念是一个更宏大的数学思想——内积空间几何学——的一个优美实例。在这种观点下，信号不再仅仅是图上一条弯曲的线；它是一个无限维空间中的向量。我们一直在计算的“总能量”无非是这个向量的长度（或范数）的平方，即 $\|s\|^2$ 。

我们所说的正交信号，不过是在这个空间中相互垂直的向量。我们都学过的直角三角形的勾股定理（ $a^2 + b^2 = c^2$ ），在这些信号空间中同样成立。这就是为什么两个正交信号之和的能量等于它们各自能量之和！通过傅里叶变换将信号分解为其频率分量，类似于沿着一组正交基向量寻找一个向量的坐标。帕斯瓦尔定理就是应用于这个无限维空间的勾股定理。

当我们近似或滤波一个信号时，我们真正在做的是一次正交投影——寻找我们的信号向量投射到一个更小子空间上的影子。这个投影的能量是“捕获的能量”。剩下部分的能量——原始信号与其近似值之差的能量——是“残余能量”。根据勾股定理，总能量是捕获能量和残余能量之和。这种几何观点统一了我们讨论过的所有应用，揭示了信号工程的核心实际上是一种几何学行为。

到目前为止，我们处理的都是完全确定的信号。但现实世界充满了不确定性和随机性。能量的概念在这里能帮助我们吗？当然可以。想象一个系统，它生成一个脉冲，其持续时间不是固定的，而是一个遵循某种概率分布的随机变量。任何单个脉冲的能量都将取决于其特定的、随机选择的持续时间。我们不能再谈论信号的确切能量，但我们可以讨论它的平均或*期望*能量。

为了找到这个值，我们首先计算能量作为随机参数（如持续时间 $T$ ）的函数，然后将这个函数在所有可能的结果上进行平均，并按其概率加权。这项强大的技术将信号世界与概率统计世界联系起来。它使我们能够在存在随机噪声、衰落信道和其他现实世界不完美性的情况下，分析和预测通信系统的性能。信号总能量这个简单的概念，一旦扩展到概率领域，就成为设计在不可预测的世界中可靠工作的稳健系统不可或缺的工具。