数字信号处理复习全攻略：从采样到自适应滤波的脉络与考点

简介：这份复习题资料面向正在学习数字信号处理课程的高校学生与备考人员，围绕现代数字信号处理的核心考点组织内容，帮助读者系统梳理知识框架并完成习题训练。资料以单个 doc 文档形式打包，压缩包约 1.82MB，内容涵盖数字信号处理基本概念、傅里叶变换、采样理论、数字滤波器以及信号处理等模块，并配有典型习题的详细解答。其中涉及采样频率与谱分辨率关系、A/D 与 D/A 前后低通滤波器的作用、系统因果性与稳定性判定、FIR 与 IIR 滤波器的对比及设计方案、功率谱估计与自适应滤波算法等常见难点，解答过程完整，便于对照理解。已有 182 人学习下载，适合课堂复习、期末备考或考研初试阶段查漏补缺使用。

1. 数字信号处理复习地图：从采样到自适应滤波的全局脉络

现代数字信号处理这门课，最坑的地方在于知识点看起来是散的：采样定理、Z 变换、DFT、滤波器设计、随机信号、功率谱估计、维纳滤波、卡尔曼滤波、自适应算法，每一块单独看都不难，合起来却容易在脑子里糊成一团。真正复习时你会发现，这些内容其实是一条主线串起来的——连续信号怎么变成离散序列（采样与重建），离散序列怎么在频域里被看清（傅里叶变换与 DFT），系统怎么改变信号的频率成分（数字滤波器），当信号带上随机性之后怎么估计和滤除（功率谱估计与最优滤波）。这条线走通了，习题就不再是零散的公式堆砌，而是一张有前后依赖关系的地图。这份笔记面向正在系统学数字信号处理、或者考前需要快速查漏补缺的人，把习题里反复出现的考点按模块重新排布，重点标出容易翻车的地方。

2. 采样与频谱：采样率、分辨率与抗折叠的复习重点

2.1 采样定理与频谱周期延拓

采样是整个数字信号处理的地基。连续信号 (x_a(t)) 以采样频率 (f_s) 采样后，得到采样信号和时域离散序列，其频谱是原模拟频谱以 (f_s) 为周期进行延拓的结果。习题里第一类高频考点就是写出采样信号的傅里叶变换表示式，并区分采样信号（仍是连续时间变量）和时域离散信号（自变量已经是整数 n）的变换形式。这里最容易卡住的是：指数函数这类信号本身的傅里叶变换不存在，需要引入奇异函数（冲激函数）才能写出表示式。复习时要把“连续谱—采样后周期延拓谱—离散序列谱”三者的对应关系画清楚，而不是死记公式。

采样定理的结论要能脱口而出：采样频率必须大于等于信号最高频率的两倍，否则频谱延拓部分发生重叠，产生折叠失真。围绕这个结论，习题常考 A/D 变换前低通滤波器的作用——限制信号最高频率，使其满足采样条件，这个滤波器被称为抗折叠滤波器；而 D/A 变换之后的低通滤波器则是为了滤除高频延拓谱、把抽样保持的阶梯波形平滑化，称为平滑滤波器。两个滤波器位置不同、目的不同，考试里经常被混着问，答题时必须点明“前置限带、后置平滑”。

2.2 频率分辨率与记录时间、采样点数的关系

第二类高频计算题是给定谱分辨率要求，反推最小记录时间、最大取样间隔和最少采样点数。核心关系只有三条：频率分辨率 ( \Delta f = 1/T_0 )，其中 ( T_0 ) 是记录时间；最大取样间隔由采样定理给出 ( T \le 1/(2f_{max}) )；最少采样点数 ( N = T_0 / T )。把这三条串起来，题目基本就是代数运算。

这里有一个非常经典的陷阱题：某人以 4 kHz 采样、做 N 点 DFT，谱线间距相当于模拟频率 100 Hz；他想让每 50 Hz 有一根谱线，于是改用 8 kHz 采样、对 2N 个样点做 2N 点 DFT。问目的能否达到？答案是不能。原因是他混淆了数字频率和模拟频率：提高采样频率确实让单位圆上的样点数增加，数字频率分辨率变高，但模拟频率的谱线间隔 ( \Delta f = f_s / N ) 并没有变密，因为 ( f_s ) 和 ( N ) 同比例增大，比值不变。要真正提高模拟频率分辨率，只能增加记录时间。这个点在复习时一定要单独拎出来，很多人第一次做都会顺着“采样率高就看得清”的直觉答错。

提示：判断“分辨率是否提高”时，先问自己说的是数字频率分辨率（(2\pi/N)）还是模拟频率分辨率（(f_s/N)），两者不是一回事。

3. 系统与滤波器：因果稳定性、FIR 与 IIR 的对比复习

3.1 由收敛域判断因果性与稳定性

给定系统函数 (H(z))，分析因果性和稳定性，是每份习题都绕不开的题型。判断依据非常固定：因果性看收敛域是否在最外层极点之外（即收敛域为某个圆外区域且包含无穷远），稳定性看收敛域是否包含单位圆。两个条件独立，组合起来就是四种情况。以极点在 (z=0.5) 和 (z=2) 的系统为例：

复习时不要只背结论，要能把每种收敛域对应的单位脉冲响应形式写出来，因为大题往往要求“分析并写出 h(n)”。最容易错的是把“因果”和“稳定”当成一回事，或者看到收敛域包含单位圆就默认系统因果。实际上一个稳定系统完全可能是非因果的，双边序列就是典型例子。

3.2 FIR 与 IIR 的选型对比

数字滤波器的定义是输入输出均为数字信号、通过运算改变信号频率成分相对比例或滤除某些成分的器件。FIR 和 IIR 的对比是必考简答题，复习时按“相位、稳定性、计算量、设计方法”四个维度整理最清晰。

IIR 的设计路线包括原型变换（由低通经频率变换得到高通、带通、带阻）、频域设计（零极点配置、幅度平方函数）、时域设计（帕德逼近、波形形成）以及基于优化准则的设计。FIR 的设计则围绕线性相位条件展开：偶对称或奇对称的冲激响应对应不同类型的线性相位滤波器，零点成镜像出现；具体方法有窗函数法（矩形、三角、余弦、布莱克曼系列、凯塞系列、高斯等）、频率取样法（在单位圆上等分取样，注意是否带初相）和优化技术设计。复习时把“线性相位 → 对称性 → 零点镜像”这条逻辑链记住，比孤立背窗函数名称有用得多。

3.3 圆周卷积与线性卷积的关系

长度为 N 的两个有限长序列做圆周卷积，卷积区间长度取 L。习题常要求作图表示圆周卷积结果，并和线性卷积对比。关键结论：当圆周卷积长度 L 大于等于两序列长度之和减一时，圆周卷积结果与线性卷积一致；否则会发生时域混叠，尾部绕回开头叠加。做题时先算线性卷积长度，再判断 L 是否够大，最后画图时注意绕回部分的位置。这个点不难，但画图时漏掉绕回项是常见失分点。

4. 随机信号与功率谱：平稳性、自相关与经典谱估计

4.1 严平稳与宽平稳的判定

随机过程部分的第一道门槛是区分严平稳和宽平稳。严平稳指任何 n 维分布函数或概率密度函数与时间起点无关；宽平稳（广义平稳）只要求数学期望与时间无关、自相关函数仅与时间间隔有关。两者的联系是：严平稳一定是宽平稳，反之不成立。判定一个过程是否宽平稳，标准三步走：是二阶矩过程、均值为常数、自相关函数只与时间间隔有关。

习题里常给形如 (X(t)=Y\cos(\omega t)+Z\sin(\omega t)) 的过程，其中 Y、Z 相互独立，要求证明其宽平稳性。证明套路就是分别验证均值为常数、自相关只依赖时间差。这类题步骤固定，但要注意独立性和零均值条件的使用，漏写一步就会被扣过程分。

4.2 自相关函数的性质与功率谱

实平稳随机过程的自相关函数有几条常用性质：偶函数、在零点的值等于均方值、有界性（绝对值不超过零点的值）、周期分量对应自相关的周期性、非周期过程时间差趋于无穷时自相关趋于均值平方。这些性质在计算功率谱时直接派上用场，因为根据维纳—辛钦定理，自相关函数和功率谱是一对傅里叶变换对。复习时把性质表和定理绑在一起记，遇到“求功率谱”的题先想自相关，遇到“求自相关”的题先想功率谱，两条路互为验证。

随机信号为什么不用傅里叶变换而用功率谱？因为随机信号的傅里叶变换并不存在，只能转向研究其功率谱。这个问法在简答题里出现频率很高，答的时候要点明“傅里叶变换不存在”这个前提，而不是笼统说“功率谱更好”。

4.3 经典功率谱估计：周期图法与改进

经典谱估计的两大方法是相关法和周期图法。周期图法的框图是：观测数据 x(n) 做 FFT、取模的平方、除以 N。它的优点是简单、不用估计自相关函数、可以用 FFT 计算。但经典谱估计有一个致命缺点：频率分辨率低，原因是傅里叶变换域无限大，而观测数据只有有限个，默认剩余数据为零，造成系统偏差。改进方法包括平均周期图法、窗函数法、修正的周期图求平均法。

现代谱估计与经典谱估计的差别也是常考点：经典谱估计把数据工作区外的未知数据假设为零，相当于数据加窗；现代谱估计通过观测数据估计参数模型，再按模型输出求功率谱，主要针对经典方法分辨率低和方差性能差的问题。答题时把“假设为零 vs 参数模型”这个核心区别点出来，比罗列方法名称更能拿分。

注意：周期图法框图里“取模的平方”之后是否除以 N，不同教材写法略有差异，答题时按自己教材的约定写，并说明归一化方式，避免因符号约定丢分。

5. 最优滤波与自适应：维纳、卡尔曼与 LMS 的复习要点

5.1 维纳滤波：正交性原理与维纳—霍夫方程

维纳滤波的核心是正交性原理：使代价函数（均方误差）最小化的充分必要条件是估计误差与输入向量正交。由此导出维纳—霍夫方程，写成矩阵形式后最优抽头权向量为 (w_{opt}=R^{-1}p)，其中 R 是输入自相关矩阵，p 是输入与期望响应的互相关向量。维纳滤波的两个主要结论要记牢：最优权向量计算需要已知 R 和 p 两个统计量；维纳滤波器是无约束优化最优滤波问题的解。

习题里常见给 2 项冲激响应的维纳滤波器设计，做法是把维纳—霍夫方程展开成方程组，代入算好的自相关和互相关值求解。计算量不大，但容易在互相关的定义上出错——注意是输入与期望响应的互相关，方向不要反。非因果维纳滤波器的频率特性则要用功率谱和互功率谱表示，复习时把因果与非因果两种形式的公式对照记。

5.2 卡尔曼滤波：状态空间与递推

卡尔曼滤波和维纳滤波的关系是高频简答题：两者都以最小均方误差为准则，但维纳滤波用频域和传递函数方法、要求平稳过程，卡尔曼滤波用时域和状态变量方法、不要求平稳，还容许初始时间不是负无穷。卡尔曼滤波把状态或信号的产生看成白噪声激励有限维系统的输出，用状态方程和测量方程描述，通过递推给出线性无偏最小方差估计。

卡尔曼滤波的实际问题也要能说出来：一是模型误差和数值发散，精确模型太复杂与实时处理要求简化模型之间存在矛盾，近似模型误差严重时会导致滤波不收敛；二是实时要求，状态维数和增益矩阵计算量大，需要采取降维或定常化措施。这部分内容在简答题里常以“卡尔曼滤波存在哪些问题”出现，答的时候按“模型误差、实时性”两条展开即可。

5.3 LMS 自适应算法与自适应应用

从最速下降法出发推导 Widrow-Hopf LMS 算法，是自适应滤波部分的推导题。思路是：最速下降法用真实梯度更新权矢量，而 LMS 用瞬时估计代替真实梯度，梯度矢量与互相关 p、自相关 R 的关系为 ( \nabla = -2p + 2Rw )，用瞬时值替换后得到基本 LMS 算法，权矢量更新式为 ( w(n+1)=w(n)+2\mu e(n)u(n) )，其中 ( \mu ) 控制收敛稳定性和速率。推导时每一步的替换理由要写清楚，尤其是“用瞬时估计代替统计梯度”这一步，是 LMS 区别于最速下降法的关键。

自适应滤波的特点和应用范围也是常考简答：滤波器参数可按某种准则自动调整到最佳滤波要求，不需要预先知道信号和噪声的自相关特性，具有学习和跟踪性能。适用情况包括需要滤波器特性自适应改变、信号与噪声频谱重叠、噪声频谱时变或未知。典型应用有自适应滤波与逆滤波、系统辨识、自适应均衡、自适应回波抵消、自适应噪声抵消与谱线增强、自适应谱估计、自适应波束形成等。复习时按“特点—适用条件—应用”三层记，答题时逐层展开。

6. 查漏补缺：一份可执行的复习清单与易错点排查

复习到后期，最有效的动作不是再刷一遍题，而是拿一张清单逐项自检。下面这份清单按“会不会、错不错、快不快”三个层次排，每一条都对应前面章节里的具体考点，做完打勾，没过的回头补。

最容易忽略的几处，单独再点一遍。第一处是数字频率与模拟频率的换算，很多分辨率判断题错在把两者混为一谈，复习时每遇到频率量都先标注它是数字域还是模拟域。第二处是收敛域与单位圆的关系，稳定性只看单位圆是否在收敛域内，因果性只看收敛域是否向外延伸，两个判断不要互相污染。第三处是维纳滤波里互相关的方向，输入与期望响应的互相关一旦写反，整个方程组都错。第四处是 LMS 的步长因子 ( \mu ) 的取值范围，它同时影响收敛速度和稳定性，简答题里问“如何选步长”要答出“在保证收敛的前提下尽量大以加快收敛”这个权衡。第五处是经典谱估计的偏差来源，要能说清“有限数据默认其余为零”这个假设，而不是只背“分辨率低”四个字。

我自己的习惯是考前把这张表打印出来，每复习完一章就对着表默写一遍关键公式，写不出来的立刻回翻对应章节，而不是从头再读一遍书。血泪经验是：第一遍复习时觉得都懂了，第二遍做题才发现采样和谱估计那两块的计算题错得最多，原因就是当时只看了结论没动手算。从那以后我每次复习这块都强制走一遍“先默公式、再算一道、最后讲给自己听”的流程，翻车次数明显少了。希望这份梳理能帮到你，把散落的习题串成一张能带进考场的网。

本文还有配套的精品资源，点击获取