线性非时变系统理论 俗称LTI 系统理论应用数学 ，直接在核磁共振頻譜學 、地震学 、电路 、信号处理 和控制理论 等技术领域运用。它研究的是线性 、非时变系统 图像处理 和场论 时，LTI 系统在空间维度上也有轨迹。因此，这些系统也被称为线性非時變平移 ，在最一般的范围理论给出此理论。在离散（即采样）系统中对应的术语是线性非時變平移系统 。由电阻、电容、电感组成的电路是LTI系统的一个很好的例子。[ 1]
顾名思义，线性非时变系统必须同時满足线性 和非时变性 ：
线性 ，指系统的输入和输出之间的关系是一个线性映射 ：如果输入
x
1
(
t
)
{\displaystyle x_{1}(t)\,}
y
1
(
t
)
{\displaystyle y_{1}(t)\,}
x
2
(
t
)
{\displaystyle x_{2}(t)\,}
y
2
(
t
)
{\displaystyle y_{2}(t)\,}
放缩 和加和 输入
a
1
x
1
(
t
)
+
a
2
x
2
(
t
)
{\displaystyle a_{1}x_{1}(t)+a_{2}x_{2}(t)\,}
a
1
y
1
(
t
)
+
a
2
y
2
(
t
)
{\displaystyle a_{1}y_{1}(t)+a_{2}y_{2}(t)\,}
a
1
{\displaystyle a_{1}}
a
2
{\displaystyle a_{2}}
实 标量 。此性质可以拓展到任意项，于是对于实数
c
1
,
c
2
,
…
,
c
k
{\displaystyle c_{1},c_{2},\ldots ,c_{k}}
输入
∑
k
c
k
x
k
(
t
)
{\displaystyle \sum _{k}c_{k}\,x_{k}(t)}
∑
k
c
k
y
k
(
t
)
.
{\displaystyle \sum _{k}c_{k}\,y_{k}(t).\,}
特别地， 输入
∫
−
∞
∞
c
ω
x
ω
(
t
)
d
ω
{\displaystyle \int _{-\infty }^{\infty }c_{\omega }\,x_{\omega }(t)\,\operatorname {d} \omega }
∫
−
∞
∞
c
ω
y
ω
(
t
)
d
ω
{\displaystyle \int _{-\infty }^{\infty }c_{\omega }\,y_{\omega }(t)\,\operatorname {d} \omega \,}
Eq.1
其中，
c
ω
{\displaystyle c_{\omega }}
x
ω
{\displaystyle x_{\omega }}
ω
{\displaystyle \omega }
连续统 内变化。因此，如果输入函数可以由一个连续统的输入函数像上面展示的那样，“线性”组合而成，则对应的输出函数，可以通过相应连续统的输出函数以相同的方式缩放 和求和 得到。 时不变性 ，指如果将系统的输入信号延迟
τ
{\displaystyle \tau }
τ
{\displaystyle \tau }
x
(
t
)
{\displaystyle x(t)}
y
(
t
)
{\displaystyle y(t)}
x
(
t
+
τ
)
{\displaystyle x(t+\tau )}
y
(
t
+
τ
)
{\displaystyle y(t+\tau )}
LTI系统的理论的基本结论是任何LTI系统都可以完全用一个单一方程来表示，称为系统的冲激响应 。系统的输出可以简单表示为输入信号与系统的冲激响应的卷积 。这种分析方法通常称为時域
时域和频域之间的关系 同理，任何LTI系统的特征可由频域 的系统传递函数 刻画，它是系统冲激响应的拉普拉斯变换 （在离散时间系统的情况下为Z变换）。由于这些变换的性质，该系统在频域的输出是传递函数与输入的变换的乘积。换句话说，时域中的卷积相当于频域中的乘法。
对于所有的LTI系统中，本征函数 和所用变换的基函数，是复 指数函数 。这即是说，如果一个系统的输入是复波形
A
e
s
t
{\displaystyle Ae^{st}}
A
{\displaystyle A}
s
{\displaystyle s}
B
{\displaystyle B}
B
e
s
t
{\displaystyle Be^{st}}
B
/
A
{\displaystyle B/A}
s
{\displaystyle s}
因为是正弦 的复指数与复共轭频率的总和，如果输入到该系统是一个正弦波，则系统的输出也将是一个正弦波，或许具有不同振幅 和不同相位 的，但总是在相同的频率达到稳定状态。LTI系统不能产生频率成分中没有的输入。
LTI系统理论善于描述了许多重要的系统。至少相对于时间变化的和/或非线性的情况下最LTI系统被认为是“容易”来分析。任何可以被模拟为常系数线性齐次微分方程 系统是LTI系统。这类系统的实例是电路 由电阻器 R，电感 L和电容器 C（RLC电路）的。理想的弹簧 - 质量 - 阻尼系统也是LTI系统，并且在数学上是等效的RLC电路。
LTI系统概念都是连续时间和离散时间（线性移位不变）的情况下相似。在图像处理中，时间变量被替换为2空间变量，时间不变性的概念被替换为二维移不变性。当分析滤波器组s和MIMO系统中，常常是有用考虑的信号矢量 。
线性系统不是时不变可以用其他方法来解决，如格林函数 方法。同样的方法时，必须使用问题的初始条件是不为空。
输入信号为x(t)，输出信号为y(t)的线性时不变系统的行为可以用卷积积分描述：[ 2]
y
(
t
)
=
x
(
t
)
∗
h
(
t
)
{\displaystyle y(t)=x(t)*h(t)\,}
=
d
e
f
∫
−
∞
∞
x
(
t
−
τ
)
⋅
h
(
τ
)
d
τ
{\displaystyle {}\quad {\stackrel {\mathrm {def} }{=}}\ \int _{-\infty }^{\infty }x(t-\tau )\cdot h(\tau )\,\operatorname {d} \tau }
=
∫
−
∞
∞
x
(
τ
)
⋅
h
(
t
−
τ
)
d
τ
,
{\displaystyle {}\quad =\int _{-\infty }^{\infty }x(\tau )\cdot h(t-\tau )\,\operatorname {d} \tau ,}
交换律 ）
其中
h
(
t
)
{\displaystyle \textstyle h(t)}
x
(
τ
)
=
δ
(
τ
)
{\displaystyle \textstyle x(\tau )=\delta (\tau )}
冲激 响应。因此
y
(
t
)
{\displaystyle \textstyle y(t)}
x
(
τ
)
{\displaystyle \textstyle x(\tau )}
h
(
−
τ
)
{\displaystyle \textstyle h(-\tau )}
t
{\displaystyle \textstyle t}
t
{\displaystyle \textstyle t}
τ
{\displaystyle \textstyle \tau }
h
(
τ
)
{\displaystyle \textstyle h(\tau )}
y
(
t
)
{\displaystyle \textstyle y(t)}
t
{\displaystyle \textstyle t}
x
{\displaystyle \textstyle x}
因果系统 。
要理解为何LTI系统的输出可以用卷积产生，就令记号
{
x
(
u
−
τ
)
;
u
}
{\displaystyle \textstyle \{x(u-\tau );\ u\}}
u
{\displaystyle \textstyle u}
τ
{\displaystyle \textstyle \tau }
x
(
u
−
τ
)
{\displaystyle \textstyle x(u-\tau )}
{
x
}
{\displaystyle \textstyle \{x\}\,}
{
x
(
u
)
;
u
}
{\displaystyle \textstyle \{x(u);\ u\}}
{
x
}
,
{\displaystyle \textstyle \{x\},}
{
y
}
{\displaystyle \textstyle \{y\}}
y
(
t
)
=
def
O
t
{
x
}
,
{\displaystyle y(t)\ {\stackrel {\text{def}}{=}}\ O_{t}\{x\},}
其中
O
t
{\displaystyle \textstyle O_{t}}
t
{\displaystyle \textstyle t}
y
(
t
)
{\displaystyle \textstyle y(t)}
t
{\displaystyle \textstyle t}
x
{\displaystyle \textstyle x}
t
{\displaystyle \textstyle t}
对一个线性系统，
O
{\displaystyle \textstyle O}
Eq.1
O
t
{
∫
−
∞
∞
c
τ
x
τ
(
u
)
d
τ
;
u
}
=
∫
−
∞
∞
c
τ
y
τ
(
t
)
⏟
O
t
{
x
τ
}
d
τ
.
{\displaystyle O_{t}\left\{\int _{-\infty }^{\infty }c_{\tau }\ x_{\tau }(u)\,\operatorname {d} \tau ;\ u\right\}=\int _{-\infty }^{\infty }c_{\tau }\ \underbrace {y_{\tau }(t)} _{O_{t}\{x_{\tau }\}}\,\operatorname {d} \tau .\,}
Eq.2
而时不变系统的要求是：
O
t
{
x
(
u
−
τ
)
;
u
}
=
y
(
t
−
τ
)
=
def
O
t
−
τ
{
x
}
.
{\displaystyle {\begin{aligned}O_{t}\{x(u-\tau );\ u\}\ &{\stackrel {\quad }{=}}\ y(t-\tau )\\&{\stackrel {\text{def}}{=}}\ O_{t-\tau }\{x\}.\,\end{aligned}}}
Eq.3
在这种记号下，我们可以把冲激响应 写成
h
(
t
)
=
def
O
t
{
δ
(
u
)
;
u
}
{\displaystyle \textstyle h(t)\ {\stackrel {\text{def}}{=}}\ O_{t}\{\delta (u);\ u\}}
同样：
h
(
t
−
τ
)
{\displaystyle h(t-\tau )\,}
=
def
O
t
−
τ
{
δ
(
u
)
;
u
}
{\displaystyle {}{\stackrel {\text{def}}{=}}\ O_{t-\tau }\{\delta (u);\ u\}}
=
O
t
{
δ
(
u
−
τ
)
;
u
}
.
{\displaystyle {}=O_{t}\{\delta (u-\tau );\ u\}.\,}
Eq.3
将此结果代入卷积积分：
x
(
t
)
∗
h
(
t
)
=
∫
−
∞
∞
x
(
τ
)
⋅
h
(
t
−
τ
)
d
τ
=
∫
−
∞
∞
x
(
τ
)
⋅
O
t
{
δ
(
u
−
τ
)
;
u
}
d
τ
,
{\displaystyle {\begin{aligned}x(t)*h(t)&=\int _{-\infty }^{\infty }x(\tau )\cdot h(t-\tau )\,\operatorname {d} \tau \\&=\int _{-\infty }^{\infty }x(\tau )\cdot O_{t}\{\delta (u-\tau );\ u\}\,\operatorname {d} \tau ,\,\end{aligned}}}
该形式为
c
τ
=
x
(
τ
)
{\displaystyle \textstyle c_{\tau }=x(\tau )}
x
τ
(
u
)
=
δ
(
u
−
τ
)
{\displaystyle \textstyle x_{\tau }(u)=\delta (u-\tau )}
Eq.2 Eq.2
x
(
t
)
∗
h
(
t
)
=
O
t
{
∫
−
∞
∞
x
(
τ
)
⋅
δ
(
u
−
τ
)
d
τ
;
u
}
=
O
t
{
x
(
u
)
;
u
}
=
def
y
(
t
)
.
{\displaystyle {\begin{aligned}x(t)*h(t)&=O_{t}\left\{\int _{-\infty }^{\infty }x(\tau )\cdot \delta (u-\tau )\,\operatorname {d} \tau ;\ u\right\}\\&=O_{t}\left\{x(u);\ u\right\}\\&\ {\stackrel {\text{def}}{=}}\ y(t).\,\end{aligned}}}
综上所述，输入函数
{
x
}
{\displaystyle \textstyle \{x\}}
Eq.1 响应 的连续统来表示系统的响应。而时不变特性允许用卷积积分来表示这种组合。
上述数学运算可以用一个简单的图形模拟。[ 3]
本徵函數 是算子输出为经过放缩的相同函数的函数。即，
H
f
=
λ
f
{\displaystyle {\mathcal {H}}f=\lambda f}
其中f 是本征函数而
λ
{\displaystyle \lambda }
特征值 （一个常数）。
指数函数
A
e
s
t
{\displaystyle Ae^{st}}
A
,
s
∈
C
{\displaystyle A,s\in \mathbb {C} }
线性 时不变 算子的本徵函數 。可以用一个简单的证明来说明这个概念。假设输入是
x
(
t
)
=
A
e
s
t
{\displaystyle x(t)=Ae^{st}}
h
(
t
)
{\displaystyle h(t)}
∫
−
∞
∞
h
(
t
−
τ
)
A
e
s
τ
d
τ
{\displaystyle \int _{-\infty }^{\infty }h(t-\tau )Ae^{s\tau }\,\operatorname {d} \tau }
由卷积 的交换性质，上式等价于
∫
−
∞
∞
h
(
τ
)
A
e
s
(
t
−
τ
)
d
τ
⏞
H
f
=
∫
−
∞
∞
h
(
τ
)
A
e
s
t
e
−
s
τ
d
τ
=
A
e
s
t
∫
−
∞
∞
h
(
τ
)
e
−
s
τ
d
τ
=
A
e
s
t
⏟
Input
⏞
f
H
(
s
)
⏟
Scalar
⏞
λ
,
{\displaystyle {\begin{aligned}\overbrace {\int _{-\infty }^{\infty }h(\tau )\,Ae^{s(t-\tau )}\,\operatorname {d} \tau } ^{{\mathcal {H}}f}&=\int _{-\infty }^{\infty }h(\tau )\,Ae^{st}e^{-s\tau }\,\operatorname {d} \tau &=Ae^{st}\int _{-\infty }^{\infty }h(\tau )\,e^{-s\tau }\,\operatorname {d} \tau \\&=\overbrace {\underbrace {Ae^{st}} _{\text{Input}}} ^{f}\overbrace {\underbrace {H(s)} _{\text{Scalar}}} ^{\lambda },\end{aligned}}}
其中标量
H
(
s
)
=
def
∫
−
∞
∞
h
(
t
)
e
−
s
t
d
t
{\displaystyle H(s)\ {\stackrel {\text{def}}{=}}\ \int _{-\infty }^{\infty }h(t)e^{-st}\,\operatorname {d} t}
只与参数s 有关。
因此，系统的响应是一个缩放的输入。特别地，对任意I
A
,
s
∈
C
{\displaystyle A,s\in \mathbb {C} }
A
e
s
t
{\displaystyle Ae^{st}}
H
(
s
)
{\displaystyle H(s)}
A
e
s
t
{\displaystyle Ae^{st}}
本徵函數 ，对应的特征向量 为
H
(
s
)
{\displaystyle H(s)}
也可以用复指数直接导出LTI系统的本征函数。
我们令
v
(
t
)
=
e
i
ω
t
{\displaystyle v(t)=e^{i\omega t}}
v
a
(
t
)
=
e
i
ω
(
t
+
a
)
{\displaystyle v_{a}(t)=e^{i\omega (t+a)}}
对常数
e
i
ω
a
{\displaystyle e^{i\omega a}}
H
[
v
a
]
(
t
)
=
e
i
ω
a
H
[
v
]
(
t
)
{\displaystyle H[v_{a}](t)=e^{i\omega a}H[v](t)}
由
H
{\displaystyle H}
H
[
v
a
]
(
t
)
=
H
[
v
]
(
t
+
a
)
{\displaystyle H[v_{a}](t)=H[v](t+a)}
所以
H
[
v
]
(
t
+
a
)
=
e
i
ω
a
H
[
v
]
(
t
)
{\displaystyle H[v](t+a)=e^{i\omega a}H[v](t)}
t
=
0
{\displaystyle t=0}
H
[
v
]
(
τ
)
=
e
i
ω
τ
H
[
v
]
(
0
)
{\displaystyle H[v](\tau )=e^{i\omega \tau }H[v](0)}
即复指数
e
i
ω
τ
{\displaystyle e^{i\omega \tau }}
本征函数的指数函数性质对分析和了解LTI系统都是很有用处的。拉普拉斯变换
H
(
s
)
=
def
L
{
h
(
t
)
}
=
def
∫
−
∞
∞
h
(
t
)
e
−
s
t
d
t
{\displaystyle H(s)\ {\stackrel {\text{def}}{=}}\ {\mathcal {L}}\{h(t)\}\ {\stackrel {\text{def}}{=}}\ \int _{-\infty }^{\infty }h(t)e^{-st}\,\operatorname {d} t}
就是从冲激响应得到特征值的方法。纯正弦（即形式为
e
j
ω
t
{\displaystyle e^{j\omega t}}
ω
∈
R
{\displaystyle \omega \in \mathbb {R} }
j
=
def
−
1
{\displaystyle j\ {\stackrel {\text{def}}{=}}\ {\sqrt {-1}}}
傅里叶变换
H
(
j
ω
)
=
F
{
h
(
t
)
}
{\displaystyle H(j\omega )={\mathcal {F}}\{h(t)\}}
H
(
s
)
{\displaystyle H(s)}
H
(
j
ω
)
{\displaystyle H(j\omega )}
系统函数 、系统响应 或传递函数 。
拉普拉斯变换通常用于单边信号的背景下，即t 小于某个值时信号的所有值为零。通常，“起始时间”设置为零，为方便起见，不失一般性，变换都从零到无穷积分（上述变换的下限为负无穷的积分称作双边拉普拉斯变换 ）。
傅里叶变换是用来分析系统处理无穷限信号的，如调制的正弦信号，即使它不能直接应用在非平方可积 维纳－辛钦定理 用在无穷信号光谱上，即使在信号的傅里叶变换不存在的时候。
由于这两种变换的卷积性质，在变换存在的条件下，能够给出系统输出的卷积可以转换为变换域的乘积
y
(
t
)
=
(
h
∗
x
)
(
t
)
=
def
∫
−
∞
∞
h
(
t
−
τ
)
x
(
τ
)
d
τ
=
def
L
−
1
{
H
(
s
)
X
(
s
)
}
{\displaystyle y(t)=(h*x)(t)\ {\stackrel {\text{def}}{=}}\ \int _{-\infty }^{\infty }h(t-\tau )x(\tau )\,\operatorname {d} \tau \ {\stackrel {\text{def}}{=}}\ {\mathcal {L}}^{-1}\{H(s)X(s)\}}
计算变换、乘积和反变换不仅比原始的卷积容易，而且还能从系统响应了解系统的行为。可以观察系统函数 |H (s )| 的模来看出输入
exp
(
s
t
)
{\displaystyle \exp({st})}
通过 这个系统或被此系统拒绝 或削弱 （不通）。
一个线性时不变算子的简单实例是导数 。
d
d
t
(
c
1
x
1
(
t
)
+
c
2
x
2
(
t
)
)
=
c
1
x
1
′
(
t
)
+
c
2
x
2
′
(
t
)
{\displaystyle {\frac {\operatorname {d} }{\operatorname {d} t}}\left(c_{1}x_{1}(t)+c_{2}x_{2}(t)\right)=c_{1}x'_{1}(t)+c_{2}x'_{2}(t)}
d
d
t
x
(
t
−
τ
)
=
x
′
(
t
−
τ
)
{\displaystyle {\frac {\operatorname {d} }{\operatorname {d} t}}x(t-\tau )=x'(t-\tau )}
取导数的拉普拉斯变换，得到一个简单的与拉普拉斯变换变量s 的乘积。
L
{
d
d
t
x
(
t
)
}
=
s
X
(
s
)
{\displaystyle {\mathcal {L}}\left\{{\frac {\operatorname {d} }{\operatorname {d} t}}x(t)\right\}=sX(s)}
导数的拉普拉斯变换如此简单一定程度上说明了拉普拉斯变换的用途。
A
{
x
(
t
)
}
=
def
∫
t
−
a
t
+
a
x
(
λ
)
d
λ
{\displaystyle {\mathcal {A}}\left\{x(t)\right\}\ {\stackrel {\text{def}}{=}}\ \int _{t-a}^{t+a}x(\lambda )\,\operatorname {d} \lambda }
因为积分是线性的所以它也是线性的
A
{
c
1
x
1
(
t
)
+
c
2
x
2
(
t
)
}
=
∫
t
−
a
t
+
a
(
c
1
x
1
(
λ
)
+
c
2
x
2
(
λ
)
)
d
λ
=
c
1
∫
t
−
a
t
+
a
x
1
(
λ
)
d
λ
+
c
2
∫
t
−
a
t
+
a
x
2
(
λ
)
d
λ
=
c
1
A
{
x
1
(
t
)
}
+
c
2
A
{
x
2
(
t
)
}
,
{\displaystyle {\begin{aligned}{\mathcal {A}}\left\{c_{1}x_{1}(t)+c_{2}x_{2}(t)\right\}&=\int _{t-a}^{t+a}\left(c_{1}x_{1}(\lambda )+c_{2}x_{2}(\lambda )\right)\,\operatorname {d} \lambda \\&=c_{1}\int _{t-a}^{t+a}x_{1}(\lambda )\,\operatorname {d} \lambda +c_{2}\int _{t-a}^{t+a}x_{2}(\lambda )\,\operatorname {d} \lambda \\&=c_{1}{\mathcal {A}}\left\{x_{1}(t)\right\}+c_{2}{\mathcal {A}}\left\{x_{2}(t)\right\},\end{aligned}}}
此外，它也是时不变的
A
{
x
(
t
−
τ
)
}
=
∫
t
−
a
t
+
a
x
(
λ
−
τ
)
d
λ
=
∫
(
t
−
τ
)
−
a
(
t
−
τ
)
+
a
x
(
ξ
)
d
ξ
=
A
{
x
}
(
t
−
τ
)
,
{\displaystyle {\begin{aligned}{\mathcal {A}}\left\{x(t-\tau )\right\}&=\int _{t-a}^{t+a}x(\lambda -\tau )\,\operatorname {d} \lambda \\&=\int _{(t-\tau )-a}^{(t-\tau )+a}x(\xi )\,\operatorname {d} \xi \\&={\mathcal {A}}\{x\}(t-\tau ),\end{aligned}}}
实际上，
A
{\displaystyle {\mathcal {A}}}
矩形脉冲函数
Π
(
t
)
{\displaystyle \Pi (t)}
A
{
x
(
t
)
}
=
∫
−
∞
∞
Π
(
λ
−
t
2
a
)
x
(
λ
)
d
λ
,
{\displaystyle {\mathcal {A}}\left\{x(t)\right\}=\int _{-\infty }^{\infty }\Pi \left({\frac {\lambda -t}{2a}}\right)x(\lambda )\,\operatorname {d} \lambda ,}
其中矩形脉冲函数是
Π
(
t
)
=
def
{
1
if
|
t
|
<
1
2
,
0
if
|
t
|
>
1
2
.
{\displaystyle \Pi (t)\ {\stackrel {\text{def}}{=}}\ {\begin{cases}1&{\text{if }}|t|<{\frac {1}{2}},\\0&{\text{if }}|t|>{\frac {1}{2}}.\end{cases}}}
因果性和稳定性是描述系统的两个重要性质。如果独立变量是时间，那么因果性是必须的，但并不是所有系统的独立变量都是时间。例如，一个处理静止图像的系统不需要具备因果性。非因果系统可以建立，并可以在许多情况下发挥作用。即使是非实数 系统也可以构建，并且在很多场合也是非常有用的。
如果系统输出只与当前以及过去的输入有关，那么该系统就是因果系统。因果性的充分必要条件是
h
(
t
)
=
0
∀
t
<
0
,
{\displaystyle h(t)=0\quad \forall t<0,}
其中
h
(
t
)
{\displaystyle h(t)}
收敛域 之后才能确定该系统的因果性。
如果系统对每个有界输入来说输出都是有界的，那么系统就是有界输入有界输出稳定的 （BIBO稳定），用数学方法表示就是如果每个输入满足
‖
x
(
t
)
‖
∞
<
∞
{\displaystyle \ \|x(t)\|_{\infty }<\infty }
就会导致输出满足
‖
y
(
t
)
‖
∞
<
∞
{\displaystyle \ \|y(t)\|_{\infty }<\infty }
（也就是说
x
(
t
)
{\displaystyle x(t)}
最大绝对值
y
(
t
)
{\displaystyle y(t)}
h
(
t
)
{\displaystyle h(t)}
L1 中（其L1 范数有限）的：
‖
h
(
t
)
‖
1
=
∫
−
∞
∞
|
h
(
t
)
|
d
t
<
∞
{\displaystyle \ \|h(t)\|_{1}=\int _{-\infty }^{\infty }|h(t)|\,\operatorname {d} t<\infty }
在频域中，收敛域 必须包含虚轴
s
=
j
ω
{\displaystyle s=j\omega }
作为一个例子，冲激响应等于Sinc函数 的理想低通滤波器 不是BIBO稳定的，因为Sinc函数不具有有限的L1 范数。因此，对于一些有界输入，理想低通滤波器的输出是无界的。特别地，若对
t
<
0
{\displaystyle t<0\,}
t
>
0
{\displaystyle t>0\,}
截止頻率 ，则在非过零时刻输出是无界的。
几乎所有的连续时间系统都能找到与之对应的离散时间系统。
在许多情况下，离散时间（DT）系统实际上是较大的连续时间（CT）系统的一部分。例如，数字录音系统记录模拟声音、数字化、或许对数字信号进行处理、然后重放模拟信号。
正式场合下所研究的离散时间信号几乎总是连续时间信号的均匀采样。如果
x
(
t
)
{\displaystyle x(t)}
模数转换器 将把它转换成离散时间信号
x
[
n
]
{\displaystyle x[n]}
x
[
n
]
=
x
(
n
T
)
{\displaystyle x[n]=x(nT)}
其中T 是采样周期 。为了保证离散信号能够忠实地表示输入信號，非常重要的一点就是需要限制输入信号的频率范围。根据采样定理 ，离散时间信号所包括的最大频率范围是
1
/
(
2
T
)
{\displaystyle 1/(2T)}
混叠 信号。
我们从一个冲激响应是二维函数的时变系统开始来看看时不变这个条件是如何将系统降到一维的。例如，假设输入信号是
x
[
n
]
{\displaystyle x[n]}
n
∈
Z
{\displaystyle n\in \mathbb {Z} }
线性算子
H
{\displaystyle {\mathcal {H}}}
h
[
n
1
,
n
2
]
where
n
1
,
n
2
∈
Z
{\displaystyle h[n_{1},n_{2}]{\mbox{ where }}n_{1},n_{2}\in \mathbb {Z} }
由于
H
{\displaystyle {\mathcal {H}}}
x
[
n
]
{\displaystyle x[n]}
累加 和所表示的线性变换
y
[
n
1
]
=
∑
n
2
=
−
∞
∞
h
[
n
1
,
n
2
]
x
[
n
2
]
,
{\displaystyle y[n_{1}]=\sum _{n_{2}=-\infty }^{\infty }h[n_{1},n_{2}]\,x[n_{2}],}
如果线性算子
H
{\displaystyle {\mathcal {H}}}
时不变 的，那么
h
[
n
1
,
n
2
]
=
h
[
n
1
+
m
,
n
2
+
m
]
∀
m
∈
Z
{\displaystyle h[n_{1},n_{2}]=h[n_{1}+m,n_{2}+m]\qquad \forall \,m\in \mathbb {Z} }
如果取
m
=
−
n
2
,
{\displaystyle m=-n_{2},\,}
那么
h
[
n
1
,
n
2
]
=
h
[
n
1
−
n
2
,
0
]
.
{\displaystyle h[n_{1},n_{2}]=h[n_{1}-n_{2},0].\,}
为了简化通常我们丢弃
h
[
n
1
,
n
2
]
{\displaystyle h[n_{1},n_{2}]}
卷积 和
y
[
n
1
]
=
∑
n
2
=
−
∞
∞
h
[
n
1
−
n
2
]
x
[
n
2
]
=
(
h
∗
x
)
[
n
1
]
{\displaystyle y[n_{1}]=\sum _{n_{2}=-\infty }^{\infty }h[n_{1}-n_{2}]\,x[n_{2}]=(h*x)[n_{1}]}
这样，卷积 和表示一个线性 时不变系统 在任意输入函数上所起的作用，对于类似的有限维参数，参见轮换矩阵
如果我们给系统输入一个离散δ函数 ，由于δ函数是一个理想的脉冲，所以系统的线性时不变变换就是冲激响应 。我们用下式表示：
(
h
∗
δ
)
[
n
]
=
∑
m
=
−
∞
∞
h
[
n
−
m
]
δ
[
m
]
=
h
[
n
]
,
{\displaystyle (h*\delta )[n]=\sum _{m=-\infty }^{\infty }h[n-m]\,\delta [m]=h[n],}
（通过δ函数 的 sifting特性）。
注意
h
[
n
]
=
h
[
n
1
−
n
2
,
0
]
where
n
=
n
1
−
n
2
,
{\displaystyle h[n]=h[n_{1}-n_{2},0]\,\!{\mbox{ where }}n=n_{1}-n_{2},}
这样
h
[
n
]
{\displaystyle h[n]}
这个冲激响应可以按照下面的方法用于得到任意 输入信号的响应。再次应用
δ
[
n
]
{\displaystyle \delta [n]}
x
[
n
]
=
∑
m
=
−
∞
∞
x
[
m
]
δ
[
n
−
m
]
{\displaystyle x[n]=\sum _{m=-\infty }^{\infty }x[m]\delta [n-m]}
输入经过系统变换，
H
x
[
n
]
=
H
∑
m
=
−
∞
∞
x
[
m
]
δ
[
n
−
m
]
{\displaystyle {\mathcal {H}}x[n]={\mathcal {H}}\sum _{m=-\infty }^{\infty }x[m]\delta [n-m]}
=
∑
m
=
−
∞
∞
H
x
[
m
]
δ
[
n
−
m
]
{\displaystyle \quad =\sum _{m=-\infty }^{\infty }{\mathcal {H}}x[m]\delta [n-m]}
H
{\displaystyle {\mathcal {H}}}
=
∑
m
=
−
∞
∞
x
[
n
]
H
δ
[
n
−
m
]
{\displaystyle \quad =\sum _{m=-\infty }^{\infty }x[n]{\mathcal {H}}\delta [n-m]}
x
[
m
]
{\displaystyle x[m]}
n 中是常量并且
H
{\displaystyle {\mathcal {H}}}
=
∑
m
=
−
∞
∞
x
[
m
]
h
[
n
−
m
]
{\displaystyle \quad =\sum _{m=-\infty }^{\infty }x[m]h[n-m]}
h
[
n
]
{\displaystyle h[n]}
系统的所有信息都包含在冲激响应
h
[
n
]
{\displaystyle h[n]}
一个简单的线性时不变算子的实例是延时算子
D
{
x
}
[
n
]
:=
x
[
n
−
1
]
{\displaystyle D\{x\}[n]:=x[n-1]}
D
(
c
1
x
1
[
n
]
+
c
2
x
2
[
n
]
)
=
c
1
x
1
[
n
−
1
]
+
c
2
x
2
[
n
−
1
]
=
c
1
D
x
1
[
n
]
+
c
2
D
x
2
[
n
]
,
{\displaystyle D\left(c_{1}x_{1}[n]+c_{2}x_{2}[n]\right)=c_{1}x_{1}[n-1]+c_{2}x_{2}[n-1]=c_{1}Dx_{1}[n]+c_{2}Dx_{2}[n],}
D
{
x
[
n
−
m
]
}
=
x
[
n
−
m
−
1
]
=
x
[
(
n
−
1
)
−
m
]
=
D
{
x
}
[
n
−
m
]
.
{\displaystyle D\{x[n-m]\}=x[n-m-1]=x[(n-1)-m]=D\{x\}[n-m].\,}
导数取Z变换，就变成一个简单的与Z相乘：
Z
{
D
x
[
n
]
}
=
z
X
(
z
)
{\displaystyle {\mathcal {Z}}\left\{Dx[n]\right\}=zX(z)}
差分的Z变幻如此简单也在一定程度上表明了Z变换的用途。
另外一个简单的线性时不变算子是平均算子
A
{
x
[
n
]
}
=
∑
k
=
n
−
a
n
+
a
x
[
k
]
{\displaystyle {\mathcal {A}}\left\{x[n]\right\}=\sum _{k=n-a}^{n+a}x[k]}
由于和是线性的所以它也是线性的：
A
{
c
1
x
1
[
n
]
+
c
2
x
2
[
n
]
}
{\displaystyle {\mathcal {A}}\left\{c_{1}x_{1}[n]+c_{2}x_{2}[n]\right\}}
=
∑
k
=
n
−
a
n
+
a
(
c
1
x
1
[
k
]
+
c
2
x
2
[
k
]
)
{\displaystyle =\sum _{k=n-a}^{n+a}\left(c_{1}x_{1}[k]+c_{2}x_{2}[k]\right)}
=
c
1
∑
k
=
n
−
a
n
+
a
x
1
[
k
]
+
c
2
∑
k
=
n
−
a
n
+
a
x
2
[
k
]
{\displaystyle =c_{1}\sum _{k=n-a}^{n+a}x_{1}[k]+c_{2}\sum _{k=n-a}^{n+a}x_{2}[k]}
=
c
1
A
{
x
1
[
n
]
}
+
c
2
A
{
x
2
[
n
]
}
{\displaystyle =c_{1}{\mathcal {A}}\left\{x_{1}[n]\right\}+c_{2}{\mathcal {A}}\left\{x_{2}[n]\right\}}
它也是时不变的：
A
{
x
[
n
−
m
]
}
{\displaystyle {\mathcal {A}}\left\{x[n-m]\right\}}
=
∑
k
=
n
−
a
n
+
a
x
[
k
−
m
]
{\displaystyle =\sum _{k=n-a}^{n+a}x[k-m]}
=
∑
k
′
=
(
n
−
m
)
−
a
(
n
−
m
)
+
a
x
[
k
′
]
{\displaystyle =\sum _{k'=(n-m)-a}^{(n-m)+a}x[k']}
=
A
{
x
}
[
n
−
m
]
{\displaystyle ={\mathcal {A}}\left\{x\right\}[n-m]}
因果性和稳定性是系统的重要特性。与连续时间系统不同，我们可以实现非因果的离散时间系统。通过在系统中加入延时就很容易将非因果有限冲激响应 系统变成因果系统。甚至可以构建非因果的无限冲激响应 系统（参见Vaidyanathan and Chen, 1995）。我们也可以构建不稳定的系统，这种系统在很多场合都很有用，甚至也可以构建在很多情况下非常有用的non-real 系统。
如果系统的输出只与当前以及过去的输入有关，那么系统就是因果系统。因果性的必要且充分条件是
h
[
n
]
=
0
∀
n
<
0
,
{\displaystyle h[n]=0\ \forall n<0,}
其中
h
[
n
]
{\displaystyle h[n]}
收敛域 确定，系统的因果性也就随之确定。
如果离散系统每个有界的输入，输出都是有界的那么系统就是有界输入输出稳定 （BIBO稳定）。用数学方法表示就是
|
|
x
[
n
]
|
|
∞
<
∞
{\displaystyle ||x[n]||_{\infty }<\infty }
并且
|
|
y
[
n
]
|
|
∞
<
∞
{\displaystyle ||y[n]||_{\infty }<\infty }
（也就是说
x
[
n
]
{\displaystyle x[n]}
y
[
n
]
{\displaystyle y[n]}
最大绝对值 都是有限的），那么系统就是稳定的。必要且充分条件就是冲激响应
h
[
n
]
{\displaystyle h[n]}
|
|
h
[
n
]
|
|
1
=
∑
n
=
−
∞
∞
|
h
[
n
]
|
<
∞
{\displaystyle ||h[n]||_{1}=\sum _{n=-\infty }^{\infty }|h[n]|<\infty }
在频域中，收敛域 必须包含单位圆
|
z
|
=
1
{\displaystyle |z|=1}
^ Hespanha 2009, p. 78.
^ Crutchfield, p. 1. Welcome!
^ Crutchfield, p. 1. Exercises
=e^{i\omega a}H[v](t)}](https://wikimedia.org/api/rest_v1/media/math/render/svg/028bc8c112a60a2c038e1318c3984670ece6f3ff)
=H[v](t+a)}](https://wikimedia.org/api/rest_v1/media/math/render/svg/b83ef94c53fd62b051c30489848de02b7ca690fb)
=e^{i\omega a}H[v](t)}](https://wikimedia.org/api/rest_v1/media/math/render/svg/a9f94f406bff0281e34cdae10b27c0e406fe1494)
=e^{i\omega \tau }H[v](0)}](https://wikimedia.org/api/rest_v1/media/math/render/svg/051d559b68e53a40841ddd44e6478d00a33d38a9)
![{\displaystyle x[n]}](https://wikimedia.org/api/rest_v1/media/math/render/svg/864cbbefbdcb55af4d9390911de1bf70167c4a3d)
![{\displaystyle x[n]=x(nT)}](https://wikimedia.org/api/rest_v1/media/math/render/svg/cf9d6e2763c5e892b633aaf8be4bf00618515188)
![{\displaystyle h[n_{1},n_{2}]{\mbox{ where }}n_{1},n_{2}\in \mathbb {Z} }](https://wikimedia.org/api/rest_v1/media/math/render/svg/5620cbd57fa6d914868c53a8d553a946142b5fd7)
![{\displaystyle y[n_{1}]=\sum _{n_{2}=-\infty }^{\infty }h[n_{1},n_{2}]\,x[n_{2}],}](https://wikimedia.org/api/rest_v1/media/math/render/svg/013b13f33a0bcdb7516b4614356aa34b80e65066)
![{\displaystyle h[n_{1},n_{2}]=h[n_{1}+m,n_{2}+m]\qquad \forall \,m\in \mathbb {Z} }](https://wikimedia.org/api/rest_v1/media/math/render/svg/1449883b216af0e7d680bc3f0d61547335349cea)
![{\displaystyle h[n_{1},n_{2}]=h[n_{1}-n_{2},0].\,}](https://wikimedia.org/api/rest_v1/media/math/render/svg/8dbe2f0643e2c7ff62e7c2747f79449bbde1035e)
![{\displaystyle h[n_{1},n_{2}]}](https://wikimedia.org/api/rest_v1/media/math/render/svg/f01fcf71fee49bbfd5c8b09d8fd332d3953093f2)
![{\displaystyle y[n_{1}]=\sum _{n_{2}=-\infty }^{\infty }h[n_{1}-n_{2}]\,x[n_{2}]=(h*x)[n_{1}]}](https://wikimedia.org/api/rest_v1/media/math/render/svg/69c4046fc063e2ed8e3a271d70e8ee7d7b6f6c0a)
![{\displaystyle (h*\delta )[n]=\sum _{m=-\infty }^{\infty }h[n-m]\,\delta [m]=h[n],}](https://wikimedia.org/api/rest_v1/media/math/render/svg/7eb42605215c613eabfd589d402719ec579a9f92)
![{\displaystyle h[n]=h[n_{1}-n_{2},0]\,\!{\mbox{ where }}n=n_{1}-n_{2},}](https://wikimedia.org/api/rest_v1/media/math/render/svg/2f42a442bf25bc5b1824f374f2da6cb102d6e8ce)
![{\displaystyle h[n]}](https://wikimedia.org/api/rest_v1/media/math/render/svg/89981bbbb05ffd469eeadb828c18359965985e46)
![{\displaystyle \delta [n]}](https://wikimedia.org/api/rest_v1/media/math/render/svg/f2a6caf535cb44fa3526b2f320330a805edfdfaa)
![{\displaystyle x[n]=\sum _{m=-\infty }^{\infty }x[m]\delta [n-m]}](https://wikimedia.org/api/rest_v1/media/math/render/svg/73aedb93fdce086194c8e6e4b1903543489671cd)
![{\displaystyle {\mathcal {H}}x[n]={\mathcal {H}}\sum _{m=-\infty }^{\infty }x[m]\delta [n-m]}](https://wikimedia.org/api/rest_v1/media/math/render/svg/6ea48edae01cda47d62e28387c1272866bcfaea5)
![{\displaystyle \quad =\sum _{m=-\infty }^{\infty }{\mathcal {H}}x[m]\delta [n-m]}](https://wikimedia.org/api/rest_v1/media/math/render/svg/9599d8227c8e0fd67d9c80725b06967b8e5cf8cc)
![{\displaystyle \quad =\sum _{m=-\infty }^{\infty }x[n]{\mathcal {H}}\delta [n-m]}](https://wikimedia.org/api/rest_v1/media/math/render/svg/0db38894a4c6c827d1a1fc009f8ec72d33adf5b9)
![{\displaystyle x[m]}](https://wikimedia.org/api/rest_v1/media/math/render/svg/2571c77d494efae134b6a5904b70d02c27b5e961)
![{\displaystyle \quad =\sum _{m=-\infty }^{\infty }x[m]h[n-m]}](https://wikimedia.org/api/rest_v1/media/math/render/svg/d8558fa35a320dd137012b23da9bb82e1d46b9f7)
![{\displaystyle D\{x\}[n]:=x[n-1]}](https://wikimedia.org/api/rest_v1/media/math/render/svg/8369d780a65badf16501a33af833f1929144db06)
![{\displaystyle D\left(c_{1}x_{1}[n]+c_{2}x_{2}[n]\right)=c_{1}x_{1}[n-1]+c_{2}x_{2}[n-1]=c_{1}Dx_{1}[n]+c_{2}Dx_{2}[n],}](https://wikimedia.org/api/rest_v1/media/math/render/svg/3e7d336499c9fcbf00795f828189752786b90919)
![{\displaystyle D\{x[n-m]\}=x[n-m-1]=x[(n-1)-m]=D\{x\}[n-m].\,}](https://wikimedia.org/api/rest_v1/media/math/render/svg/56f0aaa5d68dbe7b141796c4f88e0c1ee55d5c9b)
![{\displaystyle {\mathcal {Z}}\left\{Dx[n]\right\}=zX(z)}](https://wikimedia.org/api/rest_v1/media/math/render/svg/44847e51d0d6e744c2bcfacb4863f9b1cd86eac8)
![{\displaystyle {\mathcal {A}}\left\{x[n]\right\}=\sum _{k=n-a}^{n+a}x[k]}](https://wikimedia.org/api/rest_v1/media/math/render/svg/ac6e9e168dbbd5639b081589021df34a104ff218)
![{\displaystyle {\mathcal {A}}\left\{c_{1}x_{1}[n]+c_{2}x_{2}[n]\right\}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/52afd95713459f5e2b89dba46e806c47e7c81f93)
![{\displaystyle =\sum _{k=n-a}^{n+a}\left(c_{1}x_{1}[k]+c_{2}x_{2}[k]\right)}](https://wikimedia.org/api/rest_v1/media/math/render/svg/a2c4f6665a56273a50508167d48578fa61d1d5cd)
![{\displaystyle =c_{1}\sum _{k=n-a}^{n+a}x_{1}[k]+c_{2}\sum _{k=n-a}^{n+a}x_{2}[k]}](https://wikimedia.org/api/rest_v1/media/math/render/svg/eff25cc40bd7fba2b1887242b106f127d13a9e0f)
![{\displaystyle =c_{1}{\mathcal {A}}\left\{x_{1}[n]\right\}+c_{2}{\mathcal {A}}\left\{x_{2}[n]\right\}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/ba11d85679c72e1163cd1e25a25d1edb97e500c6)
![{\displaystyle {\mathcal {A}}\left\{x[n-m]\right\}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/f31f2c9d42a079acb3f61c5f0ef6f490305fdc51)
![{\displaystyle =\sum _{k=n-a}^{n+a}x[k-m]}](https://wikimedia.org/api/rest_v1/media/math/render/svg/761f0ac5ac568192e8f759610066c3085add09b2)
![{\displaystyle =\sum _{k'=(n-m)-a}^{(n-m)+a}x[k']}](https://wikimedia.org/api/rest_v1/media/math/render/svg/2484b0e4bde9c4d939689499de1eb03140b549f7)
![{\displaystyle ={\mathcal {A}}\left\{x\right\}[n-m]}](https://wikimedia.org/api/rest_v1/media/math/render/svg/7a723b80e23473e0d9078c9a919fac5eda81b917)
![{\displaystyle h[n]=0\ \forall n<0,}](https://wikimedia.org/api/rest_v1/media/math/render/svg/55e598ad76163467d521d27fd36872677740d338)
![{\displaystyle ||x[n]||_{\infty }<\infty }](https://wikimedia.org/api/rest_v1/media/math/render/svg/4cf04a959f7b3c163fa5793f4049faf694d89643)
![{\displaystyle ||y[n]||_{\infty }<\infty }](https://wikimedia.org/api/rest_v1/media/math/render/svg/ead096cf9682e14783a8f0c91e849828288dfcb5)
![{\displaystyle y[n]}](https://wikimedia.org/api/rest_v1/media/math/render/svg/305428e6d1fb59cd0163a7a96ace52292a262afa)
![{\displaystyle ||h[n]||_{1}=\sum _{n=-\infty }^{\infty }|h[n]|<\infty }](https://wikimedia.org/api/rest_v1/media/math/render/svg/0636919f7ceaf76ebb2fac5d405f30c53bb7e258)
