1樓：薔祀
判斷系統是否為線性就看訊號是否滿足可疊加性。
如果輸入x1[n]->y1[n]， x2[n]->y2[n]，
而當輸入為x3[n]=a x1[n]+b x2[n]時，若輸出y3[n]=a y1[n]+b y2[n],則該系統為線性的。
故：v1[n]=y1[n+1]+(n^2)y1[n]
v2[n]=y2[n+1]+(n^2)y2[n]
另v3[n]=a v1[n]+b v2[n]
則v3[n]=y3[n+1]+(n^2)y3[n]
=a(y1[n+1]+(n^2)y1[n])+b(y2[n+1]+(n^2)y2[n])
=ay1[n+1]+by2[n+1]+(n^2)(a y1[n]+b y2[n])
所以得到：
y3[n]=a y1[n]+b y2[n]
所以系統是線性的。
擴充套件資料：
線性判別分析這種方法使用統計學，模式識別和機器學習方法，試圖找到兩類物體或事件的特徵的乙個線性組合，以能夠特徵化或區分它們。所得的組合可用來作為乙個線性分類器，或者，更常見的是，為後續的分類做降維處理。
是一種經典的線性學習方法，在二分類問題上最早由fisher在2023年提出，亦稱fisher線性判別。線性判別的思想非常樸素：給定訓練樣例集，設法將樣例投影到一條直線上，使得同類樣例的投影點盡可能接近，異樣樣例的投影點盡可能遠離。
在對新樣本進行分類時，將其投影到同樣的直線上，再根據投影點的位置來確定新樣本的類別。lda與方差分析（anova）和回歸分析緊密相關，這兩種分析方法也試圖通過一些特徵或測量值的線性組合來表示乙個因變數。
然而，方差分析使用類別自變數和連續數因變數，而判別分析連續自變數和類別因變數（即類標籤）。邏輯回歸和概率回歸比方差分析更類似於lda，因為他們也是用連續自變數來解釋類別因變數的。
lda的基本假設是自變數是正態分佈的，當這一假設無法滿足時，在實際應用中更傾向於用上述的其他方法。lda也與主成分分析（pca）和因子分析緊密相關，它們都在尋找最佳解釋資料的變數線性組合。lda明確的嘗試為資料類之間不同建立模型。
模式識別又常稱作模式分類，從處理問題的性質和解決問題的方法等角度，模式識別分為有監督的分類和無監督的分類兩種。二者的主要差別在於，各實驗樣本所屬的類別是否預先已知。一般說來，有監督的分類往往需要提供大量已知類別的樣本。
模式還可分成抽象的和具體的兩種形式。前者如意識、思想、議論等，屬於概念識別研究的範疇，是人工智慧的另一研究分支。我們所指的模式識別主要是對語音波形、**波、心電圖、腦電圖、**、**、文字、符號、生物感測器等物件的具體模式進行辨識和分類。
訊號與系統中系統的線性特徵包括什麼
2樓：匿名使用者
1.全響應的可分解特性
2.零狀態響應 與 輸入 之間 具有線性[即線性運算=齊次性+疊加性]
3.零輸入響應 與 初始狀態 之間 具有線性[即線性運算=齊次性+疊加性]
訊號與系統的線性、時不變、因果的判斷？
3樓：匿名使用者
4)線性、時變、非因果，y(-2)=x(2)(6)線性、時變、非因果
7)相當於 脈衝響應h(n)=u(n)，線性、時不變、因果其它ok
訊號與系統中的相位特徵,在訊號與系統中,相位對訊號的影響
做逆變換,虛部就是相位資訊 代z e jw進入,用幾何法可以定性 在訊號與系統中,相位對訊號的影響?對於乙個濾波器 有幅頻響應特性和相頻響應特性。假定乙個訊號輸入為 s w a w e jw 這裡的a w 就是幅度資訊,e jw 就是相位資訊。假設乙個濾波器的響應函式h w h w e j phi ...
訊號與系統中寫波形函式並求卷積,訊號與系統卷積是怎麼回事
乙個 f t c f t 面積的c倍,把公式寫好了就懂了 訊號與系統 卷積是怎麼回事?訊號與線性系復統,討論的制 就是訊號經過乙個線性系統以後發生的變化 就是輸入 輸出和所經過的所謂系統,這三者之間的數學關係 所謂線性系統的含義,就是這個所謂的系統帶來的輸出訊號與輸入訊號的數學關係式之間是線性的運算...
關於訊號與系統衝擊響應的問題,訊號與系統衝擊響應
這是表達的需要,h t 是零狀態響應,但如何表達乙個表示式,當t 0時專 0,則需要 用u t 乘以這 屬個表示式。例如 h t 1 exp t 那是t 0時的表示式,但是t 0呢,h t 0。為了方便,例如求h 0 需要把h t 1 exp t u t 再求導,這與直接 對 1 exp t 求導 ...