Signal Representation/The Convolution Theorem and Operation

1. Signal Representation
2. Aperiodic Signals - Impulses
3. The Convolution Theorem and Operation

• Previous page
• Next page

• Previous page
• Next page

Convolution in Time Domain

The „convolution theorem” is one of the most important laws of the Fourier transform, to which an own subchapter is dedicated in this tutorial.

We will first consider the convolution theorem in the time domain and assume that the spectra of two time functions  $x_1(t)$  and  $x_2(t)$  are known:

$$X_1 ( f )\hspace{0.15cm}\bullet\!\!\!-\!\!\!-\!\!\!-\!\!\circ\hspace{0.15cm}x_1( t ),\quad X_2 ( f )\hspace{0.1cm}\bullet\!\!\!-\!\!\!-\!\!\!-\!\!\circ\hspace{0.1cm}x_2 ( t ).$$

Then for the time function of the product  $X_1(f) \cdot X_2(f)$ applies:

$$X_1 ( f ) \cdot X_2 ( f )\hspace{0.15cm}\bullet\!\!\!-\!\!\!-\!\!\!-\!\!\circ\hspace{0.15cm}\int_{ - \infty }^{ + \infty } {x_1 ( \tau )} \cdot x_2 ( {t - \tau } )\hspace{0.1cm}{\rm d}\tau.$$

Here  $\tau$  is a formal integration variable with the dimension of a time.

$\text{Definition:}$  The above connection of the time function  $x_1(t)$  and  $x_2(t)$  is called  convolution  and represents this functional connection with a star:

$$x_{\rm{1} } (t) * x_{\rm{2} } (t) = \int_{ - \infty }^{ + \infty } {x_1 ( \tau ) } \cdot x_2 ( {t - \tau } ) \hspace{0.1cm}{\rm d}\tau = x_{\rm{2} } (t) * x_{\rm{1} } (t) .$$

Thus the above Fourier correspondence can be written as follows:

$$X_1 ( f ) \cdot X_2 ( f )\hspace{0.15cm}\bullet\!\!\!-\!\!\!-\!\!\!-\!\!\circ\hspace{0.15cm}{ {x} }_{\rm{1} } ( t ) * { {x} }_{\rm{2} } (t ).$$

The  Proof  will be shown at the end of the chapter.

Remark:   The convolution is  commutative   ⇒  The order of the operands can be changed:   ${ {x}}_{\rm{1}} ( t ) * { {x}}_{\rm{2}} (t ) ={ {x}}_{\rm{2}} ( t ) * { {x}}_{\rm{1}} (t ) $.

On Calculation of Signal and Spectrum of LTI–Output

$\text{Example 1:}$  Every linear time-invariant (LTI) system can be described by the frequency response  $H(f)$  as well as by the impulse response  $h(t)$  where the relation between these two system quantities is also given by the Fourier transform.

If a signal  $x(t)$  with the spectrum  $X(f)$  is applied to the input, the spectrum of the output signal is:

$$Y(f) = X(f) \cdot H(f)\hspace{0.05cm}.$$

It is possible to calculate the output signal in the time domain with the convolution theorem:

$$y( t ) = x(t) * h( t ) = \int_{ - \infty }^{ + \infty } \hspace{-0.15cm}{x( \tau )} \cdot h( {t - \tau } )\hspace{0.1cm}{\rm d}\tau = \int_{ - \infty }^{ + \infty } \hspace{-0.15cm} {h( \tau )} \cdot x( {t - \tau } )\hspace{0.1cm}{\rm d}\tau = h(t) * x( t ).$$

This equation shows again commutativity  of the convolution operation.

Convolution in the Frequency Domain

The duality between time and frequency domain also allows statements regarding the spectrum of the product signal:

$$x_1 ( t ) \cdot x_2 ( t )\circ\!\!-\!\!\!-\!\!\!-\!\!\bullet\,X_1 (f) * X_2 (f) = \int_{ - \infty }^{ + \infty } {X_1 ( \nu )} \cdot X_2 ( {f - \nu })\hspace{0.1cm}{\rm d}\nu.$$

This result can be proved similarly to the  convolution in the time domain . However, the integration variable  $\nu$  now has the dimension of a frequency.

Convolution in the Frequency Domain with the Example of DSB–AM

$\text{Example 2:}$  The   Double-Sideband Amplitude Modulation  (DSB-AM) without a carrier is described by the drawn graph.

• The time domain representation (blue) shows the modulated signal  $s(t)$  as the product of the message signal  $q(t)$  and the (normalized) carrier signal  $z(t)$.
• According to the convolution theorem it follows for the frequency range (red) that the output spectrum  $S(f)$  is equal to the convolution product of  $Q(f)$  and  $Z(f)$ .

Convolution of a Function With a Dirac Function

The convolution operation becomes very simple, if one of the two operands is a  Dirac function .This applies equally to the convolution in the time and frequency domain.

We will consider the convolution of a function  $x_1(t)$  with the function

$$x_2 ( t ) = \alpha \cdot \delta ( {t - T} ) \quad \circ\,\!\!\!-\!\!\!-\!\!\!-\!\!\bullet \quad X_2 ( f )= \alpha \cdot {\rm{e}}^{ - {\rm{j}}\hspace{0.05cm}\cdot\hspace{0.05cm}2\hspace{0.03cm}{\rm{\pi }}\hspace{0.05cm}\cdot\hspace{0.05cm}f\hspace{0.05cm}\cdot\hspace{0.05cm}T}.$$

For the spectral function of the signal  $y(t) = x_1(t) \ast x_2(t)$  it follows:

$$Y( f ) = X_1 ( f ) \cdot X_2 ( f ) = X_1 ( f ) \cdot \alpha \cdot {\rm{e}}^{ - {\rm{j}}\hspace{0.05cm}\cdot\hspace{0.05cm}2\hspace{0.03cm}{\rm{\pi }}\hspace{0.05cm}\cdot\hspace{0.05cm}f\hspace{0.05cm}\cdot\hspace{0.05cm}T}.$$

The complex exponential function leads to a shift by  $T$   ⇒   Shifting Theorem, the factor  $\alpha$  to a damping  $(\alpha < 1)$  or amplification  $(\alpha > 1)$.

From this follows:

$$x_1 (t) * x_2 (t) = \alpha \cdot x_1 ( {t - T} ).$$

$\text{In Words: }$  The convolution of any function with a Dirac function at  $t = T$  results in the function shifted to the right by  $T$  while the weighting of the Dirac function by the factor  $\alpha$  has to be taken into account.

$\text{Example 3:}$  A square wave signal $x(t)$ is delayed by an LTI-system by the delay time  $\tau = 3\,\text{ ms}$  and attenuated by the factor  $\alpha = 0.5$ .

Convolution of a Rectangle Pulse with a Dirac Function

Shift and attenuation can be recognized by the output signal  $y(t)$  as well as by the impulse response  $h(t)$.

Graphical Convolution

For the descriptions on this page the following convolution operation is assumed:

Screenshot of an older version of the  $\rm LNTwww$–Applet „Convolution”:
    $x_1(t)$  is denoted as  $x(t)$  and  $x_2(t)$  as  $h(t)$

$$y(t) = x_1 (t) * x_2 (t) $$

$$\Rightarrow \hspace{0.3cm}y(t) = \int_{ - \infty }^{ + \infty } {x_1 ( \tau )} \cdot x_2 ( {t - \tau } )\hspace{0.1cm}{\rm d}\tau.$$

The solution of the convolution integral shall be done graphically. It is assumed that  $x_1(t)$  and  $x_2(t)$  are continuous time signals.

Then the following steps are required:

1.   The  time variables' of the two functions  change: 
       $x_1(t) \to x_1(\tau)$,   $x_2(t) \to x_2(\tau)$.
2.   Mirroring the second function:   $x_2(\tau) \to x_2(-\tau)$.
3.   Shifting the mirrorred function by $t$    $x_2(-\tau) \to x_2(t-\tau)$.
4.   Multiplication  of both functions  $x_1(\tau)$  and  $x_2(t-\tau)$.
5.   Integration  over the product respective  $\tau$  between the limits  $-\infty$  to  $+\infty$.

Since the convolution is commutative, instead of  $x_2(\tau)$  also  $x_1(\tau)$  can be mirrored.
Die Thematik wird auch durch das (neuere) HTML 5–Applet  Zur Verdeutlichung der grafischen Faltung  veranschaulicht.

Example of a Convolution:
Jump Function Convoluted With The Exponential Function

$\text{Example 4:}$  The procedure for the graphic convolution is now explained with a detailed example:

• At the input of a filter there is a jump function  $x(t) = \gamma(t)$ .
• The impulse response of the RC low pass filter is  $h( t ) = {1}/{T} \cdot {\rm{e} }^{ - t/d}.$

The graphic shows the red colored input signal  $x(\tau)$, blue the impulse response  $h(\tau)$  and grey the output signal  $y(\tau)$. The time axis is already renamed to $\tau$.

The output signal can be calculated using the following equation, for example:

$$y(t) = h(t) * x(t) = \int_{ - \infty }^{ + \infty } {h( \tau )} \cdot x( {t - \tau } )\hspace{0.1cm}{\rm d}\tau.$$

Noch einige Anmerkungen zur grafischen Faltung:

• Der Ausgangswert bei  $t = 0$  ergibt sich, indem man das Eingangssignal  $x(\tau)$  spiegelt, dieses gespiegelte Signal  $x(-\tau)$  mit der Impulsantwort  $h(\tau)$  multipliziert und darüber integriert.
• Da es hier kein Zeitintervall gibt, bei dem sowohl die blaue Kurve  $h(\tau)$  und gleichzeitig auch die rot gestrichelte Spiegelung  $x(-\tau)$  ungleich Null ist, folgt daraus  $y(t=0)=0$.
• Für jeden anderen Zeitpunkt  $t$ muss  das Eingangssignal verschoben werden   ⇒   $x(t-\tau)$, beispielsweise entsprechend der grün gestrichelten Kurve für  $t=T$.
• Da in diesem Beispiel auch  $x(t-\tau)$  nur  $0$  und  $1$  sein kann, wird die Integration  $($allgemein von  $\tau_1$  bis  $\tau_2)$  sehr einfach und man erhält hier mit  $\tau_1 = 0$  und  $\tau_2 = t$ :

$$y( t) = \int_0^{\hspace{0.05cm} t} {h( \tau)}\hspace{0.1cm} {\rm d}\tau = \frac{1}{T}\cdot\int_0^{\hspace{0.05cm} t} {{\rm{e}}^{ - \tau /T } }\hspace{0.1cm} {\rm d}\tau = 1 - {{\rm{e}}^{ - t /T } }.$$

Die Skizze gilt für  $t=T$  und führt zum Ausgangswert  $y(t=T) = 1 – 1/\text{e} \approx 0.632$.

Clear Interpretation of The Convolution

Wir gehen von einer Impulsantwort  $h(t)$  aus, die zunächst eine Millisekunde lang konstant ist und dann bis zur Zeit  $t = 3 \,\text{ms}$  linear bis auf Null abfällt.

• Legt man an den Eingang dieses Tiefpassfilters einen Diracimpuls  $K_0 \cdot \delta(t)$  an, so ist das Ausgangssignal  $y(t)$  formgleich mit der Impulsantwort  $h(t)$. Der Sachverhalt ist im Bild rot dargestellt.
• Ein um  $T= 1 \,\text{ms}$  späterer Diracimpuls mit Gewicht  $K_1 > K_0$  hat das blau gezeichnete Ausgangssignal  $y_1(t)$  zur Folge, das gegenüber dem roten Signal verzögert und in der Amplitude vergrößert ist.

On a Clear Interpretation of The Convolution

Wir betrachten nun das aus sieben verschieden gewichteten und verschobenen Diracimpulsen bestehende Eingangssignal

$$x( t ) = \sum\limits_{n = 0}^6 {K_n \cdot \delta ( {t - n \cdot T} ),}$$

das als zeitdiskrete Näherung eines zeitkontinuierlichen Signals aufgefasst werden kann.

• Das Signal am Ausgang des linearen Systems ist die Summe der sieben im Bild verschiedenfarbig markierten Teilsignale:

$$y( t ) = \sum\limits_{n = 0}^6 {K_n \cdot h( {t - n \cdot T} ).}$$

• Wir betrachten nun beispielhaft den Signalwert zum Zeitpunkt  $t = 4.5T$  (siehe Strichpunktierung):

$$y( {t = 4.5T} ) = K_2 \cdot h( {2.5T} ) + K_3 \cdot h(1.5 T ) + K_4 \cdot h( 0.5 T ).$$

Der Signalwert $y(t=4.5T)$ wird somit nur durch die Eingangssignalwerte  $K_2$,  $K_3$  und  $K_4$  bestimmt, und zwar ist der Einfluss

• von  $K_4$  wegen  $h(0.5T) = 1$  am stärksten,
• von  $K_3$  wegen  $h(1.5T) = 0.75$  weniger stark,
• von  $K_2$  wegen  $h(2.5T) = 0.25$  am geringsten.

Proof of The Convolution Theorem

$\text{Definition: }$  Man nennt die folgende Verknüpfung der Zeitfunktionen  $x_1(t)$  und  $x_2(t)$  die  Faltung  und stellt diesen Funktionalzusammenhang mit einem Stern dar:

$$x_{\rm{1} } (t) * x_{\rm{2} } (t) = \int_{ - \infty }^{ + \infty } {x_1 ( \tau ) } \cdot x_2 ( {t - \tau } ) \hspace{0.1cm}{\rm d}\tau.$$

Daraus ergibt sich die folgende Fourierkorrespondenz:

$$X_1 ( f ) \cdot X_2 ( f )\hspace{0.1cm}\bullet\!\!\!-\!\!\!-\!\!\!-\!\!\circ\hspace{0.1cm}{ {x} }_{\rm{1} } ( t ) * { {x} }_{\rm{2} } (t ).$$

$\text{Proof: }$  Die Fourierintegrale der Funktionen  $x_1(t)$  und  $x_2(t)$  lauten mit veränderten Integrationsvariablen:

$$X_1 ( f ) = \int_{ - \infty }^{ + \infty } {x_1 ( \tau )} \cdot {\rm{e} }^{ - {\rm{j} }2{\rm{\pi } }f\tau }\hspace{0.1cm} {\rm{d } }\tau{\rm{,} }$$

$$X_2 ( f ) = \int_{ - \infty }^{ + \infty } {x_2 ( {t'} ) } \cdot {\rm{e} }^{ - {\rm{j} }2{\rm{\pi } }ft\hspace{0.05cm}'}\hspace{0.1cm} {\rm{d} }t\hspace{0.05cm}'{\rm{.} }$$

• Bildet man das Produkt der Spektralfunktionen, so erhält man:

$$X_1 (f) \cdot X_2 (f) = \int_{ - \infty }^{ + \infty } {\int_{ - \infty }^{ + \infty } {x_1 ( \tau ) \hspace{0.05 cm}\cdot } }\hspace{0.05 cm} x_2 ( {t\hspace{0.05cm}'} ) \cdot {\rm{e} }^{ - {\rm{j} }2{\rm{\pi } }f\left( {\tau + t\hspace{0.05cm}'} \right) }\hspace{0.1cm} {\rm d} \tau \hspace{0.1cm}{\rm d}t\hspace{0.05cm}'{\rm{.} }$$

• Mit der Substitution  $t = \tau + t\hspace{0.05cm}'$  ergibt sich:

$$X_1 ( f ) \cdot X_2 ( f ) = \int_{ - \infty }^{ + \infty } {\left[ {\int_{ - \infty }^{ + \infty } {x_1 ( \tau )} \cdot x_2 ( {t - \tau} )\hspace{0.1cm}{\rm{d } } }\tau \right] } \cdot {\rm{e} }^{ - {\rm{j} }2{\rm{\pi } }ft}\hspace{0.1cm} {\rm{d} }t{\rm{.} }$$

In dieser Gleichung ist bereits berücksichtigt, dass die Exponentialfunktion unabhängig von der inneren Integrationsvariablen  $τ$  ist und deshalb nur als Faktor des inneren Integrals fungiert.

• Bezeichnen wir nun das Produkt der beiden Spektren mit  $P(f)$  und die dazugehörige Zeitfunktion mit  $p(t)$, so lautet das entsprechende Fourierintegral:

$$P(f) = X_1 ( f ) \cdot X_2 ( f ) =\int_{ - \infty }^{ + \infty } {p( t )} \cdot {\rm{e} }^{ - {\rm{j} }2{\rm{\pi } }ft} \hspace{0.1cm}{\rm{d} }t{\rm{.} }$$

• Ein Koeffizientenvergleich der beiden Integrale zeigt, dass folgender Zusammenhang gelten muss:

$$p( t ) = \int_{ - \infty }^{ + \infty } {x_1 ( \tau )} \cdot x_2 ( {t - \tau } )\hspace{0.1cm}{\rm{d } }\tau{\rm{.} }$$

q.e.d.

Exercises for the Chapter

Exercise 3.7: Carrier Recovery

Exercise 3.7Z: Square Wave With Echo

Exercise 3.8: Triple Convolution

Exercise 3.8Z:Convolution of Two Rectangles

Exercise 3.9: Convolution of Rectangle and Gaussian Pulse

Exercise 3.9Z: Convolution of Gaussian Pulses