这一篇对应郑君里《信号与系统》第七章「离散时间系统」，是第 95 到第 101 题的整理。这一章在面试里出现频率很高，原因不在于公式难，而在于它是一面镜子：只要把离散时间系统与连续时间系统逐条对照着讲，面试官马上就能看出你是「背过」还是「真懂」。
我的整理主线是：先建立两套分析方法的对应关系，再讲离散系统为什么值得单独学，然后梳理差分方程的四条求解路线，接着是三类系统性质的判定判据，最后落到卷积和、解卷积与周期性这几个具体计算问题。
需要说明一句：这几页扫描件里出现的一些具体例题与计算细节（例如差分方程的完整求解算式）在扫描版上分辨率有限，我这里只讲方法和判据，不还原具体数值。
本系列导航
- 01 开篇与绪论：信号分类、系统性质与 LTI 分析总览
- 02 连续时间系统的时域分析：微分方程、冲激响应与卷积
- 03 傅里叶变换：级数与变换的关系、对称性与抽样定理
- 04 拉普拉斯变换与 s 域分析：收敛域、系统函数与稳定性
- 05 傅里叶变换在通信中的应用：无失真传输、理想滤波器与调制解调
- 06 信号的矢量空间分析：正交函数集、帕塞瓦尔定理与相关
- 07 离散时间系统：差分方程、卷积和与系统性质判定（本篇）
- 08 z 变换、DTFT 与 DFT：收敛域、频率分辨率与 FFT
- 09 傅里叶变换公式速记表与全系列总结
一、离散时间系统与连续时间系统分析方法的对比（第 95 题）
问：离散时间系统的分析方法与连续时间系统有哪些对应关系？
核心答案：两套分析方法在很大程度上一一对应，可以逐个概念地映射过去。
| 对比维度 | 连续时间系统 | 离散时间系统 |
|---|---|---|
| 数学模型 | 微分方程 | 差分方程 |
| 基本分解单元 | 冲激函数 $\delta(t)$ | 单位样值序列 $\delta(n)$ |
| 核心叠加运算 | 卷积积分 | 卷积和（简称卷积） |
| 零状态响应求法 | $y(t)=x(t)*h(t)$ | $y(n)=x(n)*h(n)$ |
| 主要变换工具 | 拉普拉斯变换、傅里叶变换 | z 变换、离散傅里叶变换 |
| 其他正交变换 | —— | 沃尔什变换、离散余弦变换等 |
| 分析框架 | 变换域方法 + 系统函数 | 变换域方法 + 系统函数 |
为什么：关键在「分解—叠加」这条思路是可以照搬的。连续时间里把激励拆成无穷多个冲激，求和时要写成积分；离散时间里信号本身就是一串离散值，拆成单位样值序列之后，每一项的叠加是求和而不是积分——这就是卷积和这个名字的来历。
变换域那一行也值得盯住：连续系统有拉普拉斯变换与傅里叶变换，离散系统对应的就是 z 变换与离散傅里叶变换，而系统函数的概念同样通用。只要抓住「微分方程 ↔ 差分方程」「卷积积分 ↔ 卷积和」「拉氏变换 ↔ z 变换」这三组对应，这一章的骨架就搭起来了。
一句话总结：离散时间系统不是另起一套理论，而是把连续时间系统那套「分解—叠加—变换域」的骨架，逐条搬到离散时间轴上。
二、离散时间系统相较于连续时间系统的优点（第 96 题）
问：为什么工程上越来越倾向于用离散（数字）系统，它比连续系统强在哪？
核心答案：可以从五个方面回答。
| 优点 | 具体含义 |
|---|---|
| 精度高、可靠性好 | 离散系统的运算精度由字长决定，容易做高、也容易做稳 |
| 便于大规模集成 | 体积和重量都更小，集成度可以做得很高 |
| 灵活的功能 | 系统里天然含有存储器，合理运用存储器就能实现连续系统中很难实现的功能 |
| 易于处理多维问题 | 连续时间系统通常只研究一维变量，离散系统的二维、多维技术已得到广泛应用 |
| 可编程、易改易调 | 借助可编程技术与软件控制，能快速适应对设备的各种新需求 |
为什么：前两条是实现层面的优势——数字器件的一致性让「高精度」不再依赖元件容差。后三条是能力层面的优势，也是最容易被忽略的：存储器是连续系统里没有的新资源。有了它，系统就能「记住」过去的输入和输出，于是差分方程里的 $y(n-1)$、$x(n-1)$ 才有物理意义，滤波器、状态机、反馈结构才做得出来。可编程性则把「改一个参数要动硬件」变成了「改一行代码」，这是灵活性上的质变。
一句话总结：离散系统的优势一半来自数字器件的实现质量，一半来自「存储器 + 可编程」这两样连续系统不具备的新资源。
三、求解线性差分方程的方法（第 97 题）
问：线性常系数差分方程有哪几种解法？各自适合什么场景？
核心答案：共有四条路线。
| 方法 | 做法 | 优点 | 缺点 |
|---|---|---|---|
| ① 迭代法 | 把差分方程改写成递推形式，逐次代入求解 | 概念清楚、计算简便，可用计算机求解 | 只能得到数值解，给不出完整的解析式（闭式解） |
| ② 时域经典法 | 先求齐次解与特解，再代入边界条件定待定系数 | 便于从物理概念上说明各响应分量之间的关系 | 求解过程比较麻烦，解决具体问题时不便采用 |
| ③ 分别求零输入响应与零状态响应 | 用求齐次解的办法求零输入响应，用卷积和求零状态响应 | 物理意义最清晰，是离散系统分析中占重要地位的方法 | 需要分别处理两部分 |
| ④ 变换域方法 | 用 z 变换把差分方程化为代数方程求解 | 过程得以简化，简便而有效 | 需要掌握 z 变换与逆变换 |
为什么：把这四条路线看成两种分类逻辑的组合就清楚了。
第一种逻辑是**「数值解 vs 解析解」**：迭代法诚实地一格一格往前推，最直观，但推不出通式，所以它适合验证、适合编程，不适合要求闭式解的推导题。
第二种逻辑是**「时域 vs 变换域」：时域经典法（方法②）与零输入／零状态分解法（方法③）都在时域，区别在于分解的视角不同**——经典法按「齐次解 + 特解」拆，③ 按「零输入 + 零状态」拆。后者之所以地位更高，是因为零输入响应只由初始状态决定、零状态响应只由激励决定，两者物理来源互不干扰，工程含义一目了然；而且零状态响应正好对应卷积和，把前面建立的卷积工具直接接上了。
方法④则是「换到 z 域去解线性方程」的思路，与连续系统用拉普拉斯变换解微分方程完全平行。另外，在时域分析中也可以辅以算子符号表示法，用来简化书写。
一句话总结：迭代法给数值，经典法给闭式但繁琐，零输入／零状态分解法物理意义最清楚，z 变换法则把差分方程变成代数方程一步到位。
四、线性与非线性、时变与时不变、稳定与非稳定离散系统的判定（第 98 题）
问：这三类性质怎么判定？
核心答案：三个性质各对应一条判据。
| 性质 | 判定条件 | 关键词 |
|---|---|---|
| 线性 | 同时满足均匀性与叠加性 | 可加 + 齐次 |
| 时不变（移不变） | 在同样起始状态下，系统响应与激励施加于系统的时刻无关 | 平移不变 |
| 稳定 | 单位样值响应绝对可和：$\sum_{n=-\infty}^{\infty} | h(n) |
为什么：
线性要拆成两条验。设激励 $x_1(n)\to y_1(n)$、$x_2(n)\to y_2(n)$：
- 叠加性：$x_1(n)+x_2(n)\to y_1(n)+y_2(n)$；
- 均匀性：$a,x_1(n)\to a,y_1(n)$。
两条合起来就是 $a_1x_1(n)+a_2x_2(n)\to a_1y_1(n)+a_2y_2(n)$。面试里最容易失分的是只验了其中一条就下结论——只验叠加性而不验均匀性是不完整的，反例往往就出在含常数项或非线性元件（如乘法器）的系统上。
时不变这条判据里有一个限定语千万别漏：「在同样起始状态之下」。因为如果初始状态随激励时刻一起变，那么响应自然会跟着变，系统本身却仍然是时不变的。判定的实操做法是：把激励延迟 $n_0$ 得到 $x(n-n_0)$，若输出恰好是 $y(n-n_0)$，则系统时不变。
稳定用的是充分必要条件：$\displaystyle\sum_{n=-\infty}^{\infty}|h(n)|<\infty$。这条判据的好处是不用去遍历所有有界输入，只算一个级数收敛性就能下结论。它的直觉是：单位样值响应就是系统的「记忆衰减曲线」，如果它的绝对值总能量有限，那么任何有界输入的响应也被同一条界压住；反之若级数发散，总能构造出一个有界输入把输出顶到无穷。
一句话总结：线性验两条（均匀性与叠加性都要满足），时不变看延迟是否跟着平移（前提是起始状态相同），稳定则一句话——单位样值响应绝对可和。
五、线性卷积与卷积和（第 99 题）
问：离散系统的卷积和是怎么来的，为什么它比连续时间的卷积更好算？
核心答案：思路与连续卷积完全一致，但求和取代积分，而且分解这一步变得异常简单。
连续时间里的三步走（用来求零状态响应）：
- 把激励信号分解为一系列冲激函数；
- 让每个冲激函数单独作用于系统，求出各自的冲激响应；
- 把所有这些响应叠加起来，就得到系统对该激励的零状态响应。
这个叠加过程写成积分，就是卷积积分。
离散时间里照搬这三步：
- 把激励信号分解为脉冲序列（即单位样值序列的线性组合）；
- 对每一个样值激励求出对应的样值响应；
- 把所有响应叠加起来，得到零状态响应。
叠加过程写成求和：
$$y(n)=\sum_{k=-\infty}^{\infty}x(k),h(n-k)=x(n)*h(n)$$
为什么离散版本更好算：因为离散信号本身就是一个不连续的序列，把它分解为脉冲序列的工作是自然完成的——每个样值点自己就是一个脉冲，不需要像连续时间那样去构造冲激。而「叠加」这一步，离散的叠加无需进行积分，只是求和。也就是说，连续卷积里最麻烦的那个积分，在离散里退化成了一次普通的加法累加。
计算上还有一个常被考到的技巧：卷积和可以用列表法（竖式相乘）或图解法来做。列表法的做法是把 $x(n)$ 与 $h(n)$ 的样值写成两行，按「翻转—平移—相乘—求和」的步骤逐点对齐累加，本质就是把多项式乘法那一套搬过来。
一句话总结：卷积和就是卷积积分在离散时间轴上的孪生兄弟，把积分换成求和，而且因为序列本身离散，分解这一步几乎不费力气。
六、解卷积（第 100 题）
问：什么是解卷积？它要解决什么问题？
核心答案：解卷积（deconvolution）也叫反卷积、反演卷积、逆卷积。它是卷积运算的逆运算——前面的讨论都是已知 $h(n)$ 与 $x(n)$ 求 $y(n)$，而很多实际问题要做逆运算。
卷积和的表达式为：
$$y(n)=h(n)*x(n)$$
解卷积要处理的是两类不同的问题：
| 已知量 | 待求量 | 问题名称 | 典型应用 |
|---|---|---|---|
| $h(n)$、$y(n)$ | $x(n)$ | 信号恢复（逆滤波） | 从观测结果中还原真实激励 |
| $x(n)$、$y(n)$ | $h(n)$ | 系统辨识 | 由给定输入输出信息寻找系统模型 |
为什么：第二类问题在控制工程领域特别重要，它被称为「系统辨识」，也就是由给定的输入输出信号去寻找系统模型。这是把「黑箱」变成「灰箱」的标准手段：你手上只有一台设备的一堆输入输出记录，通过解卷积就能反推它的单位样值响应，进而写出差分方程或系统函数。
还有一个对比值得记住：在连续时间系统分析中，难以将积分运算写出简明的逆运算表达式；而对于离散时间系统的分析，不难给出求卷积逆运算的一般表达式。原因还是离散的好处——差分与求和是可逐步逆推的代数运算，不像积分那样需要额外的解析条件。这也从另一个角度印证了离散系统在数值处理上的天然优势。
一句话总结：解卷积就是「已知卷积结果反推其中一个因子」，已知 $h,y$ 求 $x$ 是信号恢复，已知 $x,y$ 求 $h$ 是系统辨识，而离散情形天然能写出简明的逆运算表达式。
七、离散系统的周期（第 101 题）
问：离散信号的周期怎么定义，和连续信号的周期有什么不同？
核心答案：周期序列的定义是 $x(n+N)=x(n)$ 所对应的 $N$、$n$ 只在整数取值，因此 $N$ 自然只能是整数。
具体算法分两步：
- 先求出连续信号的周期（即先得到 $2\pi$ 角频率对应的那个周期）；
- 再给这个分数乘以一个最小的数，使其变为整数。
为什么：这是离散时间特有的一道坎。连续信号周期 $T$ 可以是任意实数，但你不可能让序列「平移 0.5 个样点」还落在同一个序列上——离散序列的平移量必须是整数个样点，所以周期 $N$ 必须是正整数。
于是出现了一个连续时间里不存在的现象：如果一个离散序列按连续周期公式算出来的 $N$ 是无理数，那么无论乘什么整数都变不成整数，这个序列就不是周期序列。而连续时间里，任何正弦都是周期的。这正是「连续周期信号采样后不一定还是周期序列」的根本原因。
一句话总结：离散序列的周期必须是整数个样点，所以判定周期就是「按连续周期算出角频率，再凑成整数比」；凑不成整数的序列干脆不是周期的。
第 7 章最需要记住的几句话
- 三组对应关系背下来：微分方程 ↔ 差分方程、卷积积分 ↔ 卷积和、拉普拉斯变换 ↔ z 变换。抓住这三组，整章骨架就立住了。
- 离散系统的优势：精度高、可靠性好、易大规模集成，加上「存储器带来的灵活功能」与「可编程带来的灵活性」这两样连续系统很难实现的能力。
- 差分解法四条路线：迭代法（只得数值解）、时域经典法（齐次解 + 特解，繁琐）、零输入／零状态分解法（物理意义最清楚，用卷积和求零状态响应）、z 变换法（化为代数方程，简便有效）。
- 线性要验两条：均匀性与叠加性缺一不可；时不变的判据必须带上「同样起始状态」这个前提。
- 稳定性判据是一句话：$\displaystyle\sum_{n=-\infty}^{\infty}|h(n)|<\infty$，即单位样值响应绝对可和。
- 卷积和$y(n)=\sum_k x(k)h(n-k)$ 的来源与连续卷积三步走完全平行，只是叠加从积分退化为求和。
- 解卷积两类问题：已知 $h,y$ 求 $x$ 是恢复激励；已知 $x,y$ 求 $h$ 是系统辨识。
- 离散周期必须取整数：按连续周期换算后要凑成整数比，凑不成则不是周期序列。
本篇易错点与记忆提示
- 把「线性」直接等同于「满足叠加性」：这是最常见的漏答。均匀性（齐次性）和叠加性要分别验，很多非线性系统在特定输入下也能「看起来满足叠加」。
- 时不变判据丢了前提：响应与激励施加时刻无关，这句话的成立前提是「同样起始状态」。漏掉这句，遇到含初始条件的系统就会误判。
- 稳定性判据记混充分必要：$\sum|h(n)|<\infty$ 对离散时不变系统是充要条件，不要答成「必要条件」或「充分条件」。
- 把卷积和的上下限写成 $0$ 到 $\infty$：通式是一般序列的 $-\infty$ 到 $+\infty$；只有当 $x(n)$、$h(n)$ 都是因果序列时才退化为从 $0$ 开始。
- 以为离散信号都有周期：连续正弦一定周期，离散序列不一定——这是采样后性质发生质变的典型例子。
- 解卷积的两个方向记反：判断口诀是「缺谁求谁」——缺输入就是信号恢复，缺系统就是系统辨识。
【此处有图：卷积和的图解法演示——把 $h(k)$ 翻转后沿 $n$ 轴平移，与 $x(k)$ 逐点相乘并求和，得到 $y(n)$ 的每一格取值】