La convolución ayuda a comprender el comportamiento de un sistema basado en eventos actuales y pasados.
Imagine que gana la Lotería en enero, obtiene un ascenso laboral en marzo, su GF lo engañó en junio y su perro muere en noviembre. ¿Cómo sería tu Navidad? ¿Cómo sería si los eventos estuvieran revueltos?
Claramente, algunos eventos tendrán un efecto diferente en su Navidad dependiendo de cuán buenos / malos y recientes hayan sido, por lo que la intensidad y el historial de cada evento se suman al efecto neto al final del año.
- ¿Cómo usamos la aplicación BHIM?
- ¿Qué debe contener un sitio web inmobiliario?
- ¿Qué es LabView y dónde se usa?
- ¿Cuál es el mejor instituto para pruebas de software?
- ¿Cuáles son algunos buenos programas de recursos humanos?
Entonces, al relacionar este extraño ejemplo con el procesamiento de señales, su estado de ánimo en Navidad sería la convolución de su estado de ánimo predeterminado en enero, junio, septiembre y noviembre, y los eventos que ocurrieron en esas fechas.
En el filtrado de señales, el estado de ánimo predeterminado a lo largo del año es la señal de entrada , la recopilación de eventos buenos / malos y sus fechas son la función del núcleo del filtro . Por lo tanto, el filtrado de señales se trata de diseñar funciones de kernel para cambiar la señal de entrada de alguna manera.
Por ejemplo, en un filtro de paso bajo, el núcleo maximiza la influencia de los eventos más antiguos y reduce la influencia de los eventos recientes en el resultado: “ Después de todo, este fue un buen año, gané la lotería y me ascendieron. Puedo arreglar el resto ”
En los filtros de paso alto, el núcleo hace que el sistema responda mejor a los eventos recientes y reduce la influencia de las entradas antiguas a largo plazo: ” Este año apesta, mi perro murió el mes pasado “.