有人学信号与系统最怕的不是傅里叶变换而是卷积。因为傅里叶变换至少还能查表卷积却是一个连积分区间都要自己推的运算。尤其是被积表达式里一旦出现阶跃信号 u(t)很多同学立刻乱了套上限写 t 还是写常数区间怎么分段分段点从哪里找最后算完一对答案符号错、区间错、常数丢几乎每道题都能找到三个以上的扣分点。这篇文章要讲清楚的主题就是“含阶跃信号的连续时间卷积计算”。它对应 2025 年成都信息工程大学信号与系统课程的典型考题场景也是“小马哥960题”这类题库中反复设定的一类基础计算题。这里先给出全文的核心判断卷积计算的难点从来不是积分本身而是“积分区间”的确定阶跃信号的作用恰恰是为积分区间提供严格的边界约束。谁掌握了这一点谁就能把含阶跃信号的卷积题从“头疼题”变成“送分题”。读完这篇文章你应该能掌握三件事。第一拿到含阶跃信号的卷积题能用图解法快速确定积分区间了解题目该分几段讨论。第二能用解析法写出完整的、可以代入任意时间点验证的分段表达式。第三能利用卷积的微积分性质对自己的答案做快速自检而不是算完就扔。整篇文章只讨论连续时间信号不涉及离散卷积也不打算把傅里叶变换拉进来凑篇幅。1. 为什么含阶跃信号的卷积计算总丢分1.1 卷积在信号与系统课程中的地位卷积积分被多数教材放在第二章这并非随意安排。整个线性时不变LTI系统理论都建立在一个基本结论上系统对任意输入信号的响应等于输入信号与系统单位冲激响应的卷积也就是 y(t)x(t)*h(t)。这一行公式后面学傅里叶变换、拉普拉斯变换、系统响应求解时都会反复出现。如果卷积计算不过关后面课程内容学起来会越来越吃力。在考试层面卷积计算通常以计算大题、画图题、选择题混合考查。特别是含有阶跃信号的连续时间卷积几乎每一套试卷都会出现。以成都信息工程大学信号与系统课程近年的考核风格来看这类题目通常放在连续时间系统的时域分析部分目的是考查考生能否把抽象的积分公式转化为具体的计算能力。它不是在故意为难你而是在替你检查基础是否扎实。1.2 丢分的三个典型原因第一个原因只记公式不知道区间从哪里来。不少同学背下 y(t)∫x(τ)h(t-τ)dτ但真正做题时不知道被积函数什么时候等于零更不知道积分限在哪里。比如计算 u(t)*u(t)如果不考虑阶跃信号的约束直接写成 ∫1dτ不但得不出与 t 有关的答案还会得到无穷大。正确做法是先保留阶跃函数再由 u(τ) 和 u(t-τ) 推出积分范围 0≤τ≤t最后对 t 分区间讨论。第二个原因图解法画了但折叠方向搞反。图解法要求把 h(t-τ) 理解成对 h(τ) 先折叠得到 h(-τ)再沿 τ 轴平移 t。有些同学直接画 h(τ-t)导致所有区间判断错位。常见表现是两个矩形脉冲算卷积结果在 t0 时也有非零值这显然不符合两个因果信号卷积仍为因果信号的规律。第三个原因分段讨论漏点、端点处理随意。卷积积分里出现两个阶跃信号时分段讨论几乎是必然的。很多同学分段时只看了一个约束比如只考虑 f(τ) 里的 0≤τ≤2却忽略了 h(t-τ) 里的 τ≤t导致 t≥2 之后的那段结果算错。还有人在 t0、t2 这样的分界点上不检查连续性得出来的分段函数在分界点跳变一眼就能看出不符合卷积结果连续的性质。1.3 这类题为什么值得专门练含阶跃信号的卷积题有一个明显好处计算套路固定练习成本低、见效快。无论是考研还是期末它都属于性价比很高的题型。“小马哥960题”把含阶跃信号的连续时间卷积计算列为基础题型意图也很清楚在时域部分先建立稳定的计算能力后面学变换域方法时才不会频繁回头补账。学这类题的通用流程可以概括为三步用阶跃信号确定积分区间分段完成积分再用微积分性质验证。这篇文章后续会按照这个流程展开。先讲概念再讲方法然后做例题最后给出错误排查清单。建议你准备一张纸和一支笔把例题亲手算一遍再去看后面的 Python 数值验证部分。动手算过一遍和只看一遍效果完全不同。2. 基础概念阶跃信号与卷积积分2.1 阶跃信号的定义与性质阶跃信号通常记作 u(t)定义如下当 t0 时 u(t)1当 t0 时 u(t)0在 t0 这一点不同教材定义不同有的取 1有的取 1/2有的干脆不定义。对于连续时间卷积计算和 LTI 系统分析来说t0 这一点的取值不影响积分结果所以做题时不必纠结。阶跃信号的图形是一条从 t0 开始向右延伸的水平直线左侧严格为 0。它像一个“开关”告诉系统信号从 t0 开始有效。利用这个性质我们可以把任意一个在 t0 时为零的信号写成 x(t)u(t) 的形式这是做卷积题时非常重要的一步。阶跃信号与冲激信号之间有直接的微积分关系u(t)δ(t)。这个关系很关键。它意味着如果两个信号的卷积结果可以求导那么求导后的卷积关系会变得更简单。这也是后面用微积分性质自检答案的理论基础。2.2 卷积积分的定义两个连续时间信号 f(t) 和 h(t) 的卷积积分定义为$$y(t)f(t)*h(t)\int_{-\infty}^{\infty} f(\tau)h(t-\tau),d\tau$$这里的 τ 是积分变量t 是参变量。h(t-τ) 表示对 h 先折叠得到 h(-τ)再沿正方向平移 t。卷积的物理意义可以理解为加权叠加把输入信号分解成无穷多个冲激每个冲激经过 LTI 系统产生一个冲激响应最后把这些响应按时间顺序叠加起来。理解物理意义当然有帮助但做题时更要紧的是把公式写对、把区间算对。公式里的 f(τ) 和 h(t-τ) 必须原样代入尤其是阶跃函数不能随手丢掉。下面所有例题都会遵循这个原则。2.3 卷积的基本性质性质数学表达式备注交换律f(t)*g(t)g(t)*f(t)可以把形式更简单的信号放在后面分配律f(t)*[g(t)h(t)]f(t)*g(t)f(t)*h(t)拆分复杂信号时使用结合律f(t)*[g(t)*h(t)][f(t)*g(t)]*h(t)级联系统化简时使用时移性质f(t)*g(t-T)y(t-T)卷积结果整体平移与冲激函数卷积f(t)*δ(t-T)f(t-T)冲激可以“提取”信号微积分性质y(t)f(t)*g(t)f(t)*g(t)常用于答案验证这六条性质里前三条决定了“能不能拆”最后三条决定了“拆完之后怎么简化”。做含阶跃信号的卷积题时使用频率最高的是分配律、冲激卷积性质和微积分性质。2.4 阶跃信号在卷积中的两个作用第一个作用是确定积分区间。比如 f(τ) 中含 u(τ)那么 τ0 时被积函数为 0积分下限可以从 0 开始h(t-τ) 中含 u(t-τ)那么 τt 时被积函数为 0积分上限最多到 t。写卷积积分时这两个限制缺一不可。第二个作用是限定最终结果的表示形式。分段积分完成后会得到不同区间上不同的表达式。用阶跃函数可以把它们统一写成一个紧凑式子例如 t·u(t)或者 (1-e^{-t})[u(t)-u(t-2)] 这样的形式。这种写法在画波形、求导验证时都更方便。3. 三类核心计算方法3.1 图解法反折、平移、相乘、积分图解法分四步。第一步反折以纵轴为对称轴把 h(τ) 折叠成 h(-τ)。第二步平移把 h(-τ) 沿 τ 轴平移 t得到 h(t-τ)。这里的 t 是参数画图时把它当作一个可以滑动的常量。第三步相乘在同一张图上画出 f(τ) 和 h(t-τ)找到两者重叠的部分把对应的函数值相乘。第四步积分求乘积在 τ 轴上的积分得到当前 t 时刻的卷积值。图解法最大的价值是帮助判断“区间分几段”。比如两个矩形脉冲卷积当 t 从小到大变化时重叠区域的长度会经历从无到有、从小到大、再从大到小、最后到无的过程。只要找出重叠区间起点和终点的变化时刻分段点就全部出来了。图解法也有局限。当信号是无限长的指数信号或纯阶跃信号时图形上的重叠区间虽然不多但代数计算本身也不复杂此时不一定非要画图。另外图解法对作图精度要求不高但对分段点的推导要求很高绝对不能凭感觉画。3.2 解析法让 u(t) 帮你确定积分限解析法的核心是把所有条件用公式锁死不依赖画图。具体步骤如下。第一步把参与卷积的两个信号写成带阶跃函数的形式。例如 f(t)e^{-t}u(t)不要只写 e^{-t}因为后者在 t0 时不等于零会让积分区间彻底错掉。第二步代入卷积积分式把阶跃函数完整保留在被积函数里$$y(t)\int_{-\infty}^{\infty} f(\tau)u(\tau)\cdot h(t-\tau)u(t-\tau),d\tau$$第三步根据两个阶跃函数写出的约束条件找出同时满足的 τ 范围。这个范围一般是一个区间 [A(t),B(t)]A、B 可能是常数也可能是 t 的一次函数。第四步对每个区间计算定积分并把结果整理成分段函数或带阶跃函数的紧凑形式。解析法的优点在于步骤固定、不容易漏条件。缺点是当分段点很多时需要花时间整理每一段的表达式。实际考试中大部分含阶跃信号的卷积题用解析法都能走通。3.3 性质法冲激提取与微积分验证性质法不是一种独立的解法而是一组加速计算和验证答案的技巧。常用的有三个。第一个是冲激卷积。任何信号与冲激函数卷积等于它本身即 f(t)*δ(t)f(t)。如果冲激位于 t-T则 f(t)*δ(t-T)f(t-T)。这个性质可以用来快速处理组合信号中的冲激项。第二个是分配律。当某个信号是两个简单信号的叠加时先拆开再分别卷积能明显降低计算难度。比如后面会遇到的 h(t)δ(t-2)u(t)就可以拆成两个卷积之和。第三个是微积分性质。如果 y(t)f(t)*g(t)那么 y(t)f(t)*g(t)f(t)*g(t)。这个性质最实用的场景是验证答案把算好的 y(t) 求导再与 f(t)*g(t) 对比如果不一致说明某段区间或者某个常数项出了问题。3.4 方法对比方法核心操作适合场景短板图解法反折、平移、相乘、积分矩形、三角等有限宽度信号分段多时画图繁琐解析法保留阶跃函数确定积分限指数信号、半无限信号分段讨论容易漏点性质法冲激卷积、分配律、微积分性质含冲激信号、验证答案需要额外变换思路实际做题时这三种方法不是互斥的。常见组合是先用图解法或解析法确定区间再用性质法快速计算某一段最后用微积分性质整体验证。4. 四个典型题型完整推导4.1 基础题型u(t)*u(t)t·u(t)这是所有含阶跃信号卷积题的母题。题目本身很简单但推导过程可以完整展示解题套路。设 f(t)u(t)h(t)u(t)则$$y(t)u(t)*u(t)\int_{-\infty}^{\infty}u(\tau)u(t-\tau),d\tau$$由 u(τ) 可知 τ≥0由 u(t-τ) 可知 t-τ≥0即 τ≤t。因此积分非零区间为 0≤τ≤t。当 t0 时区间 0≤τ≤t 为空y(t)0。当 t≥0 时$$y(t)\int_0^t 1,d\taut$$统一写成$$u(t)*u(t)t,u(t)$$这个结果的几何意义是两个因果阶跃重叠区域的长度。它也是一个非常重要的记忆点阶跃函数与自身卷积得到斜坡函数。进一步扩展可以记住$$u(t)*u(t)*u(t)\frac{t^2}{2}u(t)$$这个结果可以通过 u(t)*u(t)t·u(t)再与 u(t) 卷积得到。这类“母题”结论在快速计算多层卷积时很节省时间。4.2 指数信号与阶跃信号卷积设 f(t)e^{-at}u(t)h(t)u(t)其中 a0。计算卷积$$y(t)\int_{-\infty}^{\infty}e^{-a\tau}u(\tau)\cdot u(t-\tau),d\tau$$由阶跃函数约束可得 0≤τ≤t。当 t0 时积分区间为空y(t)0。当 t≥0 时$$y(t)\int_0^t e^{-a\tau},d\tau\left[-\frac{1}{a}e^{-a\tau}\right]_0^t\frac{1}{a}(1-e^{-at})$$所以$$e^{-at}u(t)*u(t)\frac{1}{a}(1-e^{-at})u(t)$$注意这里最容易犯的错误是把积分结果漏乘 u(t)。如果忘记乘 u(t)那么在 t0 时结果非零直接违背因果信号卷积仍为因果信号的规律。这个 u(t) 不是可有可无的尾巴它是整个结果的一部分。当 a1 时该结果退化为 (1-e^{-t})u(t)。这是一个在阶跃响应计算里反复出现的形式建议直接记住。4.3 两个矩形脉冲的卷积矩形脉冲本质上就是两个阶跃信号的差。这里以 f(t)u(t)-u(t-2)h(t)u(t)-u(t-1) 为例计算 y(t)f(t)*h(t)。先看 f(τ)在 0≤τ≤2 上为 1其他为 0。再看 h(t-τ)由 h(t-τ)u(t-τ)-u(t-τ-1) 可知当 t-1≤τ≤t 时h(t-τ)1其他为 0。因此卷积积分其实就是两个区间的交集长度$$\text{交集区间 },[0,2],\cap,[t-1,t]$$由于 f(τ)h(t-τ) 在交集上恒为 1卷积值就等于交集区间长度。分区间讨论如下。当 t0 时区间 [0,2] 与 [t-1,t] 无交集y(t)0。当 0≤t1 时交集为 [0,t]长度为 ty(t)t。当 1≤t2 时交集为 [t-1,t]长度为 1y(t)1。当 2≤t3 时交集为 [t-1,2]长度为 2-(t-1)3-ty(t)3-t。当 t≥3 时无交集y(t)0。统一写成带阶跃函数的形式$$y(t)t[u(t)-u(t-1)]1[u(t-1)-u(t-2)](3-t)[u(t-2)-u(t-3)]$$这个波形是一个典型的“梯形”0 到 1 线性上升1 到 2 保持为 12 到 3 线性下降。如果两个矩形宽度相等则得到三角形。这里的核心考察点不是积分运算而是分段点 t0、1、2、3 是否能全部找出。4.4 冲激参与的卷积与分配律冲激信号卷积几乎可以口算但和阶跃信号组合在一起后计算过程能考察分配律的熟练程度。先看一个基础组合设 f(t)e^{-t}u(t)h(t)δ(t-2)u(t)求 y(t)f(t)*h(t)。利用分配律拆开$$y(t)e^{-t}u(t)*\delta(t-2)e^{-t}u(t)*u(t)$$第一部分用冲激卷积性质$$e^{-t}u(t)*\delta(t-2)e^{-(t-2)}u(t-2)$$第二部分直接使用 4.2 节的结果令 a1$$e^{-t}u(t)*u(t)(1-e^{-t})u(t)$$因此$$y(t)e^{-(t-2)}u(t-2)(1-e^{-t})u(t)$$这道题的关键是“看到冲激不慌张”。把 h(t) 拆开之后两个卷积都可以快速完成。这也说明分配律和冲激卷积性质结合在一起能把一个表面复杂的组合题变成两个简单题的叠加。5. 综合实战矩形窗与指数信号的卷积前面几道题分别用了图解法、解析法和性质法。现在看一道综合性更强的题目完整走一遍“确定区间、分段积分、连续性检查、微积分验证”的流程。题目已知 f(t)u(t)-u(t-2)h(t)e^{-t}u(t)求 y(t)f(t)*h(t)。5.1 第一步写出卷积积分表达式$$y(t)\int_{-\infty}^{\infty}[u(\tau)-u(\tau-2)]\cdot e^{-(t-\tau)}u(t-\tau),d\tau$$由 u(τ)-u(τ-2) 得知 f(τ) 只在 0≤τ≤2 上有值。由 u(t-τ) 得知必须有 τ≤t。两个条件合并τ 的非零积分范围是$$0\le\tau\le\min(2,t)$$5.2 第二步按 t 分区间因为 min(2,t) 在 t2 与 t≥2 时取不同的值所以题目天然分成三段区间。区间一t0。此时 τ≤t0 与 τ≥0 冲突交集为空y(t)0。区间二0≤t2。此时 min(2,t)t积分范围为 0≤τ≤t。区间三t≥2。此时 min(2,t)2积分范围为 0≤τ≤2。5.3 第三步分段积分区间二0≤t2$$y(t)\int_0^t e^{-(t-\tau)},d\taue^{-t}\int_0^t e^{\tau},d\tau1-e^{-t}$$区间三t≥2$$y(t)\int_0^2 e^{-(t-\tau)},d\taue^{-t}\int_0^2 e^{\tau},d\taue^{-t}(e^2-1)$$将三部分合并为分段函数$$ y(t)\begin{cases} 0, t0 \ 1-e^{-t}, 0\le t2 \ (e^2-1)e^{-t}, t\ge 2 \end{cases} $$5.4 第四步连续性检查卷积结果有一个很重要的性质当参与卷积的信号中不含冲激函数时卷积结果是连续的。这是一个免费的自检工具。检查 t2 处。左极限$$\lim_{t\to2^-}y(t)1-e^{-2}$$右极限$$\lim_{t\to2^}y(t)(e^2-1)e^{-2}1-e^{-2}$$两者相等说明 y(t) 在 t2 处连续。如果算出来的分段函数在分界点跳变说明某一段积分上限或常数项一定有问题。5.5 第五步用微积分性质自检对 f(t)u(t)-u(t-2) 求导$$f(t)\delta(t)-\delta(t-2)$$根据微积分性质$$y(t)f(t)*h(t)[\delta(t)-\delta(t-2)]*e^{-t}u(t)$$利用冲激卷积性质$$y(t)e^{-t}u(t)-e^{-(t-2)}u(t-2)$$再看刚才算出的 y(t) 分段求导当 0t2 时y(t)e^{-t}。当 t2 时y(t)-(e^2-1)e^{-t}。而 e^{-t}u(t)-e^{-(t-2)}u(t-2) 在 0t2 时等于 e^{-t}在 t2 时等于$$e^{-t}-e^{-(t-2)}e^{-t}(1-e^2)-(e^2-1)e^{-t}$$两边完全一致验证通过。这套验证方法不需要重新积分只需做求导和简单的冲激卷积速度很快非常适合在考场上对答案做最后检查。6. 数值验证用 Python 检查卷积结果如果手算之后没有把握可以用 Python 做一次数值卷积验证。这里不涉及框架只需要安装三个常用的科学计算库。6.1 环境准备建议使用 Python 3.8 及以上版本并提前安装依赖pip install numpy scipy matplotlib如果是在服务器或无图形界面的环境运行可以把 matplotlib 的画图部分改成保存图片或者直接打印数值进行比较。下面两个示例都在脚本里直接画图便于直观对比。6.2 数值验证 u(t)*u(t)用高密度采样近似连续信号再用 scipy 的快速卷积函数计算数值解并与理论结果 t·u(t) 做对比。import numpy as np from scipy.signal import fftconvolve import matplotlib.pyplot as plt fs 5000 t np.linspace(-1, 3, int(4 * fs)) dt t[1] - t[0] u (t 0).astype(float) y_num fftconvolve(u, u, modefull) * dt t_y np.linspace(2 * t[0], 2 * t[-1], len(y_num)) y_theory t_y * (t_y 0) plt.figure(figsize(10, 4)) plt.plot(t_y, y_num, label数值卷积) plt.plot(t_y, y_theory, r--, label理论结果 t*u(t)) plt.xlim(-0.5, 3) plt.ylim(-0.1, 3) plt.xlabel(t) plt.ylabel(y(t)) plt.legend() plt.grid(True) plt.title(u(t) * u(t) 数值验证) plt.show()运行结果中红色虚线是理论曲线蓝色实线是数值卷积曲线。在 t 大于 0 且远离边界的位置两条曲线基本重合。边界处会有轻微偏差这是数值采样和截断效应造成的提高采样率可以减小误差。需要注意的是采样率 fs 越高结果越接近理论值但计算量也会增加。用来验证手算结果时fs5000 通常已经足够。6.3 数值验证综合题下面验证第 5 节综合题的结果f(t)u(t)-u(t-2) 与 h(t)e^{-t}u(t) 的卷积。import numpy as np from scipy.signal import fftconvolve import matplotlib.pyplot as plt fs 10000 t np.linspace(-1, 5, int(6 * fs)) dt t[1] - t[0] f ((t 0) (t 2)).astype(float) h np.exp(-t) * (t 0) y_num fftconvolve(f, h, modefull) * dt t_y np.linspace(2 * t[0], 2 * t[-1], len(y_num)) y_theory np.zeros_like(t_y) mask1 (t_y 0) (t_y 2) mask2 t_y 2 y_theory[mask1] 1 - np.exp(-t_y[mask1]) y_theory[mask2] (np.exp(2) - 1) * np.exp(-t_y[mask2]) mask_plot (t_y -0.5) (t_y 5) plt.figure(figsize(10, 4)) plt.plot(t_y[mask_plot], y_num[mask_plot], label数值卷积) plt.plot(t_y[mask_plot], y_theory[mask_plot], r--, label理论结果) plt.xlabel(t) plt.ylabel(y(t)) plt.legend() plt.grid(True) plt.title(矩形窗与指数信号的卷积验证) plt.show()预期结果是在 0≤t2 区间曲线从 0 上升到 1-e^{-2}在 t≥2 区间曲线指数衰减到接近 0。两段在 t2 处平滑连接无跳变。如果代码绘制的曲线与理论线明显分离优先检查输入信号的阶跃部分是否写对。比如 f 的区间写成 t≤2 而不是 t2会在边界点多出一个采样点虽然影响极小但有时会让人误以为程序有 bug。实际工程中连续信号在间断点取左闭右开区间是更稳妥的离散化方式。7. 常见错误与排查思路很多信号与系统题目的错误是可以提前预防的。下面是含阶跃信号卷积计算里最常出现的几类问题以及对应的排查方向。问题现象可能原因排查方式解决方案t0 时结果非零忽略了 u(t-τ) 的约束检查每个区间的积分上下限在积分式中保留 u(τ)u(t-τ)再确定区间结果在 t0 处跳变丢失了结果中的 u(t)把分段表达式画成波形统一结果时补上 u(t)保持因果性矩形卷积结果不是梯形或三角形折叠方向画反重新画 h(-τ) 再向右平移 t记住固定顺序折叠、平移、相乘、积分分段点少了一个只考虑一个阶跃约束列出所有使积分限变化的 t 值同时分析 u(τ) 与 u(t-τ) 两个约束分段点处不连续某段积分上限出错计算 t→t0^- 与 t→t0^ 的极限检查 min(2,t) 这类边界处理微积分性质验证不一致推导中存在符号错误对 y(t) 逐段求导用 yf*h 重新计算一遍数值验证与手算不一致采样率不够或边界效应提高 fs或使用 fftconvolve对比时避开信号跳变点附近除了表格里的问题还有两个高频认知误区需要特别说明。第一个误区认为卷积结果只需要记一个公式。实际上卷积结果的“形状”取决于两个信号的重叠区间公式只是工具分段讨论才是核心。考场上宁可多花三十秒画一个简单的区间示意图也不要直接硬套公式。第二个误区认为分段函数的分界点必须让每一段从零开始。分界点是由两个信号的相对位置决定的不一定与信号的起点相同。矩形脉冲卷积里的分界点 0、1、2、3 就是从两个矩形的边沿位置推算出来的不是随便取的。8. 备考与计算的最佳实践关于含阶跃信号的连续时间卷积计算后半部分再补充几点工程和备考层面的建议。第一养成“先写区间后积分”的书写习惯。做题时不要把积分式直接写成 ∫_0^t而是先写出$$\int_{-\infty}^{\infty}f(\tau)u(\tau),h(t-\tau)u(t-\tau),d\tau$$再写“由阶跃函数可得……”最后再写具体的上下限。这个习惯能有效防止跳步导致的区间错误。第二把常见卷积结果整理成一张速查卡。至少包含u(t)*u(t)t·u(t)e^{-at}u(t)*u(t)(1-e^{-at})/a·u(t)f(t)*δ(t-T)f(t-T)。考前浏览一遍能在计算大题时节省不少时间。第三每道题算完后做两步验证。第一步检查因果性如果输入都是因果信号输出在 t0 时必须为 0。第二步检查连续性只要卷积信号中不含冲激输出就连续。这两步加起来不到一分钟却能挡住大部分低级错误。第四当手算结果让自己犹豫时用 Python 数值卷积快速验证。这里的验证代码可以改造成一个通用模板只需要修改 f 和 h 的定义就能适用于大多数连续时间卷积题。第五后续学习不要停留在时域。学完拉普拉斯变换后可以用复频域乘法重新计算这几道题对比时域卷积和频域乘法得到的结果。这种“同一道题用两种方法做”的训练对理解变换域分析非常有帮助。9. 总结含阶跃信号的连续时间卷积计算表面上是一个积分问题本质上是一个区间划分问题。只要抓住“阶跃信号为积分提供边界”这一点解题流程就非常固定写出带阶跃函数的积分式用两个阶跃约束确定 τ 的取值范围按 t 分区间积分最后用微积分性质和连续性做双重验证。这篇文章用四个典型题型和一道综合实战把图解、解析、性质三种方法都走了一遍。从 u(t)*u(t) 的母题到指数信号、矩形脉冲、冲激组合再到矩形窗与指数信号的卷积覆盖了含阶跃信号卷积最常见的出题角度。每一个分界点、每一次区间讨论都是这类题真正的得分关键。建议你把 4.1 到 4.4 的结论记牢把第 5 节的综合题手算一遍再用第 6 节的 Python 代码对比验证。收藏这篇文章考前半天翻出来过一遍分段讨论的流程比临时抱佛脚翻教材更有用。动手练上三五道题之后你会发现含阶跃信号的卷积确实是最容易拿分的基础计算题。