简介：面向中山大学信号与系统课程教学的一套Python脚本设计源码集合，主要服务于电子信息、电气工程等专业本科生及任课教师。资源紧扣卷积、傅里叶变换、离散余弦变换等核心知识点，以代码与可视化结合的方式降低理论理解门槛。包内共104个文件，约16.91MB，既有68幅PNG信号波形与频谱图、18个Python算法脚本，还包含GIF动态演示、Jupyter Notebook交互文档及XML/Markdown配置说明，能覆盖课堂教学、课后实验与自主拓展多种场景。目前已有308人学习下载。通过这套资源，学习者可以对照Python实现逐段理解卷积、滤波、频谱分析等操作的代码逻辑，借助可视化图像与动态动画观察信号变化过程；教师也可直接引用Notebook开展随堂演示，或利用脚本快速生成教学用图，有效提升信号与系统课程的实践性与互动性。
1. 面向信号与系统课程教学的 Python 脚本源码，先从课堂断层说起
老师在讲台上推导傅里叶变换，公式学生抄下来了，可课件一翻页，频谱长什么样全靠想象。信号与系统课程的课堂断层就落在这里：时域波形直观可见，频域看不见摸不着；卷积的翻转平移在教材上是三张交替的箭头图，到了编程环节却不知道从哪一行代码开始写。这套 Python 脚本源码要解决的，是把课程里十几个抽象概念变成可运行、可调参、可输出图片的演示工具。它面向中山大学信号与系统课程教学，也适用于其他高校同类课程，服务正在修课的学生、备课的助教，以及想快速搭建信号处理原型的工程师。脚本不追求算法性能上的极致，只求把概念讲清楚、把参数调明白。
2. 从课程知识点到 Python 脚本源码的模块划分与参数约定
2.1 教学脚本源码按信号生成、运算、可视化三层划分
写这类教学源码，第一原则是别把逻辑写成一坨。很多初学者习惯一个文件从头写到底，信号生成、FFT、画图全纠缠在一起，改一个采样率要滚动半个编辑器窗口。我一般会按课程内容把脚本拆成三层，层与层之间单向依赖。
信号生成层只做一件事：给定时间轴，返回信号取值数组。单位阶跃、矩形脉冲、指数衰减、正弦调幅，全部写成统一签名的函数，输入参数风格一致，返回值都是numpy.ndarray。这一层不关心信号拿去卷积还是画图，职责单一。
运算层负责卷积、傅里叶变换、离散序列变换这些核心计算。这一层不import matplotlib，不读任何配置文件，输入数组、输出数组。保持纯粹的好处是方便单独做数值验证，也能在命令行环境里快速跑算法而不用初始化图形界面。
可视化层统一封装 matplotlib 绘图逻辑。时域波形子图、幅度谱子图、卷积过程三联动图，都收敛成几个绘图函数。助教调整配色、字体、图注时不需要碰前两层代码；学生修改参数时也不会误删核心算法。三层之间的调用方向是固定的：可视化层调用运算层和生成层，运算层只依赖生成层的数据结构，生成层不依赖任何上层模块。
2.2 连续信号与离散序列在脚本里的统一存储方式
信号与系统课程里同时存在连续时间信号和离散时间序列两类对象，但落到 Python 脚本里，它们都只能是有限长度的数组。常见做法是全部用numpy.ndarray存储，并始终配套维护一个时间轴或序号轴，避免只用裸数据。
连续信号用t = np.arange(N) / fs生成时间轴，fs是采样率，单位 Hz，脚本里默认取 1000。这个默认值不是随手写的：课程演示常用的 1 Hz 到 100 Hz 信号，用 1000 Hz 采样画出来波形足够平滑，而且时间轴每格换算成毫秒非常直观，学生读图时容易建立量级感。
离散序列则直接用n = np.arange(N)作为横轴，n是整数序号。两套轴不能在脚本里混用。我在源码命名上做了强制区分，连续信号函数统一带ct_前缀，离散序列带dt_前缀，靠命名约束提醒调用者当前对象属于哪一类。最常见的错误是拿连续信号的时间轴去画离散序列的 stem 图，横轴小数点多得离谱，封装层通过参数类型校验能提前挡住这一类低级轴错位。
2.3 公共参数约定：采样率 fs、时长 T、点数 N 的关系
教学脚本能不能在课堂上直接演示，取决于参数约定是否一致。源码头部固定一组公共参数，并写成表格注释放在配置区，助教上课前只改配置区的数字，不深入函数体。
| 参数 | 含义 | 默认值 | 脚本内约定 |
|---|---|---|---|
| fs | 采样率 (Hz) | 1000 | 所有连续信号共用，不可单独覆盖 |
| T | 演示时长 (s) | 1.0 | 配合 fs 决定总点数 |
| N | 采样点数 | int(fs * T) | 不手动设置，避免与 fs/T 矛盾 |
| t0 | 跳变时刻 (s) | 0.0 | 阶跃、脉冲边沿位置 |
N不设成手动参数是这个约定的关键。一旦学生手动设N = 500又另设fs = 1000、T = 1.0，时间轴长度和采样率就对不上，画出来的波形横轴与实际物理时间完全脱节。源码在make_time_axis内部强制用int(fs * T)计算N，并在函数入口检查传入数组长度与时间轴长度是否一致，不一致直接抛异常，从根上排除这类自相矛盾的参数组合。
3. 波形生成与卷积运算的 Python 脚本落地实现
3.1 生成阶跃、矩形脉冲和指数衰减信号的脚本模板
信号生成层的代码模板如下，这套函数在每个演示脚本里都会直接 import，属于最基础的一块地基。
import numpy as np def make_time_axis(fs=1000, T=1.0): """生成时间轴：0 到 T 秒，共 fs*T 个采样点""" N = int(fs * T) return np.arange(N) / fs def unit_step(t, t0=0.0): """单位阶跃信号：t >= t0 时值为 1，否则为 0""" return (t >= t0).astype(float) def rect_pulse(t, start=-0.1, stop=0.1): """矩形脉冲：区间 [start, stop) 内为 1，其余为 0""" return ((t >= start) & (t < stop)).astype(float) def exp_decay(t, alpha=5.0): """单边指数衰减信号：exp(-alpha*t) * u(t)""" return np.exp(-alpha * t) * (t >= 0)逻辑不复杂，但三个细节值得展开说明。astype(float)把布尔比较结果转成 0/1 浮点数组，后续和np.exp这类浮点运算混合时不会出现类型断裂。矩形脉冲右边界用左闭右开，即start包含、stop不包含，这样两个脉冲首尾相接时不会在接缝处重复计数，卷积边界也更干净。指数衰减信号里(t >= 0)是硬截断，数学上等价于乘单位阶跃，写成这样比np.where更贴近教材公式，学生对照起来不费劲。
参数设计也经过权衡。t0、start、stop全部带默认值，课堂上演示时只需要调用exp_decay(t, alpha=8.0)就能改变衰减速度，不用把时间轴重复传一遍。每个函数的 docstring 第一句就是一句话功能说明，学生用help()查询时能秒懂用途，这对课程脚本的传播很重要。
3.2 卷积和的三种实现：教材定义、numpy 卷积与 FFT 方法
卷积和的课程定义是y[n] = Σ x[k] h[n-k]，教材上用箭头图解释翻转平移。落到代码里有三种不同实现，我全部保留在源码里，分别对应不同教学阶段。
第一种完全按定义实现，三层循环，可读性最高：
def conv_direct(x, h): """按卷积和定义直接实现，三重循环，仅供理解原理""" nx, nh = len(x), len(h) y = np.zeros(nx + nh - 1) for n in range(nx + nh - 1): for k in range(nx): if 0 <= n - k < nh: y[n] += x[k] * h[n - k] return y外层循环遍历输出序列的每个索引n，内层遍历x的索引k，条件判断n-k是否落在h的有效区间内。这段代码的时间复杂度是 O(N²)，但和教材公式逐项对应，讲完这段再切换到 numpy 版本，学生才真正理解后者内部在算什么。
第二种用np.convolve(x, h)一行出结果，内部是编译好的 C 实现。第三种用 FFT 在频域相乘再逆变换，时间 O(N log N)，但必须补零到N+M-1以上，否则循环卷积会把尾部混叠到头部。三种方式的结果差异和适用场景固定为一张表放在源码注释里：
| 实现方式 | 复杂度 | 结果长度 | 适用场景 |
|---|---|---|---|
| conv_direct 循环实现 | O(N²) | N+M-1 | 课堂讲原理 |
| np.convolve | O(NM) | N+M-1 | 一般数值计算 |
| FFT 频域相乘 | O(N log N) | 需补零到 2 的幂 | 大数据量 |
课堂上我会把 5000 点信号与 500 点冲激响应分别用三种方式跑一遍，直接循环实现有明显卡顿，FFT 几乎瞬间出结果。这时候再引出"时域卷积等于频域相乘"，学生就有了计算复杂度的直观体感，而不仅是背一个结论。
3.3 卷积结果绘图时横轴错位与边界效应的处理
画卷积图是脚本里最容易翻车的地方。np.convolve返回数组长度是N+M-1，但默认横轴从 0 开始，如果输入信号的时间起点不是 0，画出来的卷积在时间轴上整体错位，图形形状是正确的，位置却是错的。
我封装了专用绘图函数解决这个问题：
def plot_conv(x, t_x, h, t_h, fs): """绘制 x 与 h 的卷积结果，横轴按物理时间对齐 t_x, t_h: 两个信号各自的时间轴 """ y = np.convolve(x, h) t_start = t_x[0] + t_h[0] t_step = 1.0 / fs t_y = t_start + np.arange(len(y)) * t_step plt.plot(t_x, x, label='x(t)') plt.plot(t_h, h, label='h(t)') plt.plot(t_y, y, label='y(t) = x(t) * h(t)') plt.legend()关键在t_start = t_x[0] + t_h[0]这一行。卷积结果的起始时刻是两信号起始时刻之和，步长取公共采样间隔。这一行必须配注释写清楚，否则学生改了信号起点后，卷积波形和输入波形怎么都对不齐。
边界效应的处理同样重要。np.convolve默认mode='full'输出完整卷积段，首尾各有一段信号未完全重叠的过渡区；mode='same'则裁剪到与x等长，方便叠加对比。教学脚本默认展示full，因为它完整呈现了信号进入、重叠、退出的全过程，这正是课程要讲的东西。源码里通过mode参数开放切换，课堂上可以现场演示两种模式的区别。
4. 傅里叶变换与滤波仿真的脚本参数调优
4.1 用 numpy.fft 做频谱分析时频率轴与幅度归一化
给信号做完 FFT，第一步是构造频率轴。np.fft.fftfreq(N, d=1/fs)返回对称的双边频率数组，单位 Hz，d是采样间隔。教学脚本里我把频谱绘制封装成下面的函数，参数说明直接写在 docstring 里：
def plot_single_spectrum(t, x, fs, fmax=None): """绘制单边幅度谱 t: 时间轴; x: 信号数组; fs: 采样率 fmax: 只显示 0~fmax Hz 范围 """ N = len(x) X = np.fft.fft(x) freqs = np.fft.fftfreq(N, d=1/fs) half = N // 2 mag = 2.0 / N * np.abs(X[:half]) plt.plot(freqs[:half], mag) plt.xlabel('Frequency (Hz)') plt.ylabel('Magnitude')调整参数时有三个高频出错点。第一是幅度系数，np.fft.fft的结果是原信号幅值的 N 倍，直接画出来峰值高得离谱，必须除以 N。第二是单边谱的 2 倍系数，负频率的能量合并到正频率一侧，除直流分量外都要乘 2。第三是half取N // 2，当 N 是奇数时多出的那个点归入负频侧，单边谱只保留前一半。
用这个脚本画 5 Hz 正弦波，峰值应精确落在 5 Hz 且幅值接近 1。如果峰值明显偏移，说明频率分辨率fs/N不够小。想区分频率差 1 Hz 的两个分量，点数 N 必须大于 fs。fmax参数则把频率轴裁剪到指定范围，避免高频段的毛刺把低频主峰的幅度视觉上压小。
4.2 理想低通与巴特沃斯滤波脚本的截止频率归一化
滤波仿真脚本里最常出错的参数是scipy.signal.butter的截止频率。butter的Wn参数要求归一化到奈奎斯特频率fs/2，漏掉这一步，截止频率的实际位置会比预期偏大fs/2倍，低通直接变成几乎不起作用。对比代码写成下面这样：
from scipy import signal def lowpass_butter(x, fs, cutoff_hz, order=1): """巴特沃斯低通滤波，cutoff_hz 为以 Hz 为单位的截止频率""" wn = cutoff_hz / (fs / 2) # 归一化到奈奎斯特频率 b, a = signal.butter(order, wn, btype='low') return signal.lfilter(b, a, x) def lowpass_ideal(x, fs, cutoff_hz): """理想低通：频域直接截断再逆变换，用于演示吉布斯现象""" X = np.fft.fft(x) freqs = np.fft.fftfreq(len(x), d=1/fs) X[np.abs(freqs) > cutoff_hz] = 0 return np.fft.ifft(X).real巴特沃斯版本把cutoff_hz / (fs / 2)这一步单独拎出来做变量，理由是想让学生一眼看到归一化过程。理想低通直接在频域把高于截止频率的分量置零，逆变换后波形在跳变处会出现振铃，幅度约为原信号幅度的 9%，这就是吉布斯现象。
课堂上把两种滤波结果画在同一张图里。理想低通边缘锐利但有振铃，巴特沃斯平滑无振铃但过渡带倾斜，一阶滤波器在截止频率处已经衰减到 -3 dB 并伴随约 45 度相位滞后。把阶数从 1 调到 4，过渡带变陡，相位失真却更明显。这个"频率选择性与相位失真"的互相制约关系，靠讲理论很难建立直觉，脚本里调一次阶数就清楚了。
4.3 抽样定理演示脚本的混叠假峰与采样率选取
抽样定理的脚本演示是信号与系统课程里最能出效果的部分。演示脚本默认生成 20 Hz 正弦信号，采样率从 10 Hz 到 80 Hz 分档切换，每档输出一张频谱图，观察假峰如何出现、如何移动。
混叠的核心表现是欠采样时频谱上出现假峰，位置在fs - f处。20 Hz 信号用 15 Hz 采样时，假峰出现在 15 - 20 = -5 Hz，单边谱显示为 5 Hz 的正频率峰值。脚本里把假峰保留并在图上用箭头标注混叠来源，学生能直接看到假峰与真实频率之间的距离关系。
这里有一个值得专门讲的反直觉细节：当采样率刚好是信号频率的整数倍时，采样点可能恰好落在正弦波的零交叉处，频谱主峰反而消失。因此演示抽样定理时，采样率要刻意避开信号频率的整数倍。20 Hz 信号用 45 Hz 采样，混叠假峰出现在 45 - 20 = 25 Hz，和教材上的镜像频谱图完全对应，讲课解释起来非常顺畅。这个场景通过命令行参数直接启动，现场改采样率就能观察假峰位置的变化规律。
5. 用解析解断言与命令行参数提升教学脚本源码的可用性
5.1 在脚本里嵌入解析解断言，画图之前先验算
教学脚本最大的风险是数值算错了，但图看起来一切正常。我习惯在每个核心算法后、绘图调用前，用课程里已有的解析解做断言验证。
卷积示例中，两个幅度为 1、宽度分别为 a 和 b 的矩形脉冲卷积得到三角波，峰值等于 a*b。脚本里这样写：
# 两个矩形脉冲，宽度 0.2s 和 0.1s，幅度均为 1 y = np.convolve(rect_pulse(t, 0, 0.2), rect_pulse(t, 0, 0.1)) assert abs(np.max(y) - 0.2) < 1e-9, "卷积峰值与解析解不符"断言写在画图之前，一旦算法被改动导致峰值偏差，脚本会在生成图片前直接报错中断，错误消息指向明确。傅里叶变换脚本里同样可以验证 5 Hz 正弦在 5 Hz 处的幅值应等于 1，容差取1e-9。这套断言相当于给教学脚本加了一层自动化单元测试，学生改完参数跑一遍不报错，至少说明数值计算没有偏离基本原理。
5.2 通过命令行参数切换演示场景，避免上课改代码
助教上课时最怕临时改源码。教学脚本库统一加了argparse命令行入口，演示场景通过参数切换：
python demos/conv_demo.py --demo conv --fs 1000 python demos/sampling_demo.py --demo sampling --fs 45 python demos/fourier_demo.py --demo spectrum --fs 200 --fmax 50--fs覆盖默认采样率，--fmax限制频谱横轴显示范围。所有演示脚本默认输出 png 图片而不是弹出 matplotlib 窗口，课堂现场弹窗容易卡死，预渲染成图片插入课件更流畅，图片统一dpi=120，投影仪上坐标刻度依然清晰。这套设计的核心是把脚本的使用方式和内部实现分离，学生上课只需记住几条命令，深入理解时再打开源码阅读函数。
5.3 公共函数库与演示脚本分离的源码组织方式
教学脚本源码不建议一个文件塞几百行。我现在的组织方式是公共函数库加多个演示脚本，目录结构固定不变：
signal_lib/ # 公共函数库 waveform.py # 信号生成函数 operations.py # 卷积、FFT 封装 plotters.py # 绘图封装 demos/ # 每个知识点一个演示脚本 conv_demo.py # 卷积演示 fourier_demo.py # 频谱分析演示 sampling_demo.py # 抽样定理演示公共函数库不依赖任何演示脚本，演示脚本只 import 自己需要的模块。依赖方面，每个脚本头部写明所需库版本，requirements.txt固定 numpy、matplotlib、scipy 的大版本号，避免 numpy 2.x 的接口变化把旧脚本跑挂。学生 clone 后创建虚拟环境安装依赖，直接运行命令即可。
源码用 git 管理，每个演示脚本对应一次独立提交，提交信息写清楚该脚本演示的知识点。前后两个脚本若要共享新工具函数，先加进signal_lib再做独立提交，学生看提交历史就能理解公共函数库是怎么逐步积累出来的。最后确认整套脚本在干净环境里能跑通，再交付给助教，这是教学脚本源码验收前最后一道工序。
本文还有配套的精品资源，点击获取
