Engee 文档

Convolution

两个输入数据的卷积。

类型: Convolution

图书馆中的路径:

/Signal Operations/Signal Operations/Convolution

资料描述

Convolution 对多维输入数组的第一维进行卷积 与多维输入数组的第一维 . 该块还可以执行与多维输入阵列的第一维的向量列的卷积。

卷积的一般方程是:

数字信号处理*Engee库的两个块适用于两个输入信号的卷积。*:

  • 卷积,卷积;

  • 离散FIR滤波器。

Convolution 假设所有元素 在每个时间步骤可用,并在每个步骤计算整个卷积。

Discrete FIR Filter 它可以用于在所有元素的情况下卷积信号 可在每个时间步骤,但 -这是在整个模拟时间内到达的序列。 当使用块 Discrete FIR Filter 卷积只计算一次。

港口

入口

*Port_1*是pass的第一个输入信号:q[<br>]'scalar'|'vector|’matrix|/`multidimensional array'

第一输入信号, ,以标量、向量、矩阵或多维数组的形式。

如果两个输入都是实数,则输出信号是实数。 如果一个或两个输入是复数,则输出信号是复数。 除了第一个输入端口外,两个输入端口的所有输入端口都必须具有相同的值。

入口处 如果它们在其可接受范围之外进行索引,则等于零。

数据类型:`Float16`,Float32,Float64,Int8,Int16,Int32,Int64,Uint8,UInt16,UInt32,UInt64,Bool

支持复数:是

Port_2-第二个输入信号通过:q[<br>]'标量'|'矢量|’矩阵|/`多维数组'

第二输入信号, ,以标量、向量、矩阵或多维数组的形式。

如果两个输入都是实数,则输出信号是实数。 如果一个或两个输入是复数,则输出信号是复数。 除了第一个输入端口外,两个输入端口的所有尺寸都必须具有相同的值。

入口处 如果它们在其可接受范围之外进行索引,则等于零。

数据类型:`Float16`,Float32,Float64,Int8,Int16,Int32,Int64,Uint8,UInt16,UInt32,UInt64,Bool

支持复数:是

出口;出口

Port_1-输出信号传递:q[<br>]'标量'|'矢量|’矩阵|/`多维数组'

以标量、矢量、矩阵或多维数组的形式折叠的信号。

如果两个输入都是实数,则输出信号是实数。 如果一个或两个输入是复数,则输出信号是复数。

数据类型:'Float64'

支持复数:是

参数

主要

计算域-计算域传递:q[<br>]'时间(默认)|/'频率|'最快

设置卷积计算的面积:

'时间—-块在时域中计算,从而最大限度地减少内存使用。

仅在时域中支持定点信号。 输入定点信号时,请确保*计算域*参数设置为’时间'。

更详细

选择合适的卷积块

问题 回答 推荐区块

你要完成多少捆

有许多卷积,每个时间步一个

座 *Convolution

整个仿真周期的一次卷积

座 *Convolution

输入序列的长度是多少?

两个序列都具有有限的长度。

座 *Convolution

一个序列具有无限(非预定义)长度。

有多少个输入是标量流

一个也没有

座 *Convolution

一个或两个

座 *Buffer,其次是一个块 Convolution

两个多维数组的卷积

Convolution 它总是按第一维计算两个多维输入数组的卷积。 当两个输入数组都是多维数组时,它们的第一个维度的大小可能不同,但所有其他维度的大小必须相同。 例如,如果 -muby N by P的数组,和 —一个Mvby N by P的数组,那么输出就是一个数组(Mu+Mv-1)by N by P。

如果 -矩阵Mu由N,和 是矩阵Mvby N,则结果为 将有一个矩阵(Mu+Mv-1)由N,其中的第j列由这样的元素组成

入口处 如果它们在其范围之外进行索引,则等于零。 如果两个输入都是实数,则输出为实数。 如果一个或两个输入是复数,则输出是复数向量。

列向量与多维数组的卷积

如果一个输入是列向量而另一个是多维数组,则块独立地将向量与多维数组的第一维卷积。 例如,如果 -列向量Mu由1,和 是矩阵Mvby N,则输出是矩阵(Mu+Mv-1)by N,其第j列由这些元素组成:

两个列向量的卷积

Convolution 它还接受两个列向量作为输入。 如果 -长度为Mu和Mv的列向量,块 Convolution 对长度为Mu和Mv的向量进行卷积,使:

输出为列向量(Mu+Mv-1)乘1。