企业官网建设流程全解析

这次我们来看一道典型的信号与系统考研题：信号的奇偶分解绘图。题目来源是“小马哥960题”系列里的 2025 年成都信息工程大学真题 2.2。

这类题在成信大这类学校的专业课试卷里出现频率很高，分值不大，但非常考基本功。它不要求你背复杂公式，而是要求你真正理解“偶分量 + 奇分量 = 原信号”这个分解关系，并且能把分解后的两条曲线画对、画完整。很多同学平时刷题只盯着傅里叶变换、卷积，遇到这种“画图题”反而容易丢分。

这篇文章我会从三个方面展开：先讲清楚奇偶分解的数学定义和几何意义；再给一套可用于手绘的分步画法；最后用 Python 和 MATLAB 各写一段完整代码，把任意分段线性信号拆成偶分量和奇分量，直接画出对比图。如果你正在刷 960 题，或者目标是成都信息工程大学 0854 电子与信息类专业课，建议把文末的易错点清单看完再动手画。

1. 核心能力速览：这类题到底在考什么

在展开方法之前，先给一个速览表，方便你判断这个知识点值不值得投入时间。

这里需要先说明一点：由于不同版本的真题扫描件清晰度不同，网上能搜到的“2025 成信大 2.2 题”原图可能略有差异。本文下面采用一个具有代表性的分段线性信号作为示例，完整演示“奇偶分解 + 绘图验证”的全流程。遇到真题原图时，把你手里的参数代进去，方法完全一致。

2. 适用场景与信号分析价值

奇偶分解这个知识点，表面上是“画两条曲线”，实际上它贯穿了信号与系统后半本书的思考方式。一个实信号 f(t) 可以唯一分解为：

f(t) = f_e(t) + f_o(t)

其中偶分量 f_e(t) 和奇分量 f_o(t) 的定义是：

f_e(t) = [f(t) + f(-t)] / 2

f_o(t) = [f(t) - f(-t)] / 2

从几何意义上看，偶分量关于纵轴对称，奇分量关于原点对称。这个分解的物理意义在于：很多系统分析工具会分别处理对称成分。比如三角傅里叶级数中，偶函数只含余弦项，奇函数只含正弦项；实信号的频谱实部来自偶分量，虚部来自奇分量。也就是说，你现在画的两条曲线，直接对应将来傅里叶变换里的“余弦部分”和“正弦部分”。

所以这个知识点的适用场景不光是应付考试，它还是理解“信号在对称性维度上如何拆解”的第一课。尤其对于要考成信大这类学校的同学来说，专业课里信号与系统占 150 分，这类基础画图题属于“送分题”和“拉分题”的分界线。送分是因为方法固定，拉分是因为粗心出错的人很多。

不适合什么场景呢？如果你只想背公式、不想理解波形翻转的关系，那这道题确实可以死记硬背，但后面学到周期信号傅里叶级数、非周期信号傅里叶变换时，你会发现偶分量和奇分量反复出现，到那时再补就费劲了。因此建议把它当作一次“练手”的机会。

3. 奇偶分解手绘方法：一套可以稳定复制的分步流程

手绘奇偶分解，最忌讳看到波形后凭感觉乱画。下面给出一套我建议的流程，能够保证你面对任何分段线性信号都按同一个套路走。

3.1 第一步：画出 f(-t)，即原信号的翻转信号

先把原信号 f(t) 以纵轴为轴翻转，得到 f(-t)。这一步是后面所有操作的基础。翻转时要注意：

• 原来在 t 大于 0 区间上的波形，会翻到 t 小于 0 区间；
• 原来在 t 小于 0 区间上的波形，会翻到 t 大于 0 区间；
• 阶跃点、跳变点也要跟着翻转。比如 f(t) 在 t=1 处有一个断点，那么 f(-t) 会在 t=-1 处出现同样的断点。

如果在试卷上不方便画出 f(-t)，可以在草稿纸上画，标好关键点的纵坐标。

3.2 第二步：计算 f_e(t) = [f(t) + f(-t)] / 2

把原信号和翻转信号在同一个 t 坐标系下逐点相加，再除以 2。实际操作时不要真的“逐点”去做，而是分段处理：

• 找出所有分界点，包括原信号的折点、断点，以及翻转后新增的对称折点；
• 在每个区间内判断 f(t) 和 f(-t) 是否是直线段；
• 如果两段都是直线，相加除以 2 后仍然是直线，所以只需要计算区间端点的值再连起来。

这一步最需要注意的是：分段区间要以“原折点和翻转折点一起”来确定，而不是只按原信号的折点来。

3.3 第三步：计算 f_o(t) = [f(t) - f(-t)] / 2

和第二步完全同样的流程，只是把加法换成减法再除以 2。

由于 f(t) 和 f(-t) 会在某些区间上完全重合，它们的差可能为 0，所以奇分量会在某些区间出现在横轴上，这是正常现象。同样，如果原信号本身就是偶函数，那么奇分量为 0；如果原信号本身就是奇函数，那么偶分量为 0。但考试通常不会考这么极端的特例。

3.4 第四步：用 f_e + f_o 验证原信号

这一步很关键。如果你画完两条曲线后不确定自己有没有画对，就在关键点上做加法验证：

f_e(t0) + f_o(t0) 必须等于 f(t0)。

逐一检查 t 等于 -2、-1、0、1、2 等分界点，能快速发现画错的位置。

4. 示例信号：一个典型的分段线性波形

为了演示完整流程，这里构造一个典型的分段信号 f(t)：

简单说，这是一个在 [-1, 0] 上从 0 上升到 1，在 [0, 1] 上从 1 下降到 0 的三角波。它在 t=0 处取得最大值 1，左右两侧对称。注意这并不是一个偶函数，因为它只在一个有限区间内非零，它的翻转信号 f(-t) 会落在不同的区间分布上，所以它确实可以拆出一个非零的偶分量和一个非零的奇分量。

不少同学看到这个波形会误以为“三角形本身就对称，所以偶分量就是它自己，奇分量为 0”。这是错的。三角波本身对称，指的是在正时间轴和负时间轴上的“形状”相似，但如果波形只存在于 t>0 一侧，翻转后位置就对不上，奇分量不为 0。

下面我们用数学方法分别算出偶分量和奇分量。先求 f(t) + f(-t)。

f(-t) 的表达式为：

其实严格写比较繁琐。更直观的办法是：f(-t) 的图像是把原波形沿纵轴翻转。原三角波在 [-1, 0] 上升，在 [0, 1] 下降；翻转后在 [0, 1] 上升，在 [-1, 0] 下降。也就是说 f(-t) 在 [-1, 0] 上是 -t + 1，在 [0, 1] 上是 t + 1。

然后做加法除以 2：

在 [-1, 0] 区间上：

f(t) + f(-t) = (t + 1) + (-t + 1) = 2，所以 f_e(t) = 1。

在 [0, 1] 区间上：

f(t) + f(-t) = (-t + 1) + (t + 1) = 2，所以 f_e(t) = 1。

因此偶分量在 [-1, 1] 上恒等于 1，其他区域为 0。这就是一个高度为 1 的门信号，偶对称。

再求奇分量：

在 [-1, 0] 区间上：

f(t) - f(-t) = (t + 1) - (-t + 1) = 2t，所以 f_o(t) = t。

在 [0, 1] 区间上：

f(t) - f(-t) = (-t + 1) - (t + 1) = -2t，所以 f_o(t) = -t。

因此在 [-1, 1] 上，奇分量是一个从 -1 到 1 再回到 -1 的折线，且在 t=0 处为 0，关于原点对称。

最终验证：

f_e(t) + f_o(t) 在 [-1, 0] 上等于 1 + t = t + 1，和原信号一致；在 [0, 1] 上等于 1 - t = -t + 1，和原信号一致。分解正确。

手工绘制时，你只需要记住两个关键结果：偶分量是一个门信号，奇分量是一个分段折线。接下来我们用代码自动完成这一过程，方便你检查任何自己手绘的结果。

5. Python 实现：对任意分段信号做奇偶分解并绘图

如果你平时做习题时不方便手绘验证，或者想批量检验 960 题里的多道画图题，可以用一段短小的 Python 脚本完成奇偶分解。这里用 NumPy 构造信号，用 Matplotlib 绘图。

import numpy as np import matplotlib.pyplot as plt # 构造示例信号 f(t) def signal_f(t): t = np.asarray(t, dtype=float) # 默认全 0，然后按区间填充 y = np.zeros_like(t) mask1 = (t >= -1) & (t <= 0) mask2 = (t > 0) & (t <= 1) y[mask1] = t[mask1] + 1.0 y[mask2] = -t[mask2] + 1.0 return y # 定义采样时间轴 t = np.linspace(-3, 3, 2001) # 原信号 f = signal_f(t) # 翻转信号 f(-t) f_neg = signal_f(-t) # 偶分量 fe = (f + f_neg) / 2.0 # 奇分量 fo = (f - f_neg) / 2.0 # 验证：偶分量 + 奇分量 应等于原信号 restore = fe + fo print("最大重建误差:", np.max(np.abs(restore - f))) # 绘图 plt.figure(figsize=(10, 6)) plt.subplot(2, 2, 1) plt.plot(t, f, linewidth=2) plt.title("Original Signal f(t)") plt.grid(True) plt.subplot(2, 2, 2) plt.plot(t, f_neg, linewidth=2) plt.title("Flipped Signal f(-t)") plt.grid(True) plt.subplot(2, 2, 3) plt.plot(t, fe, linewidth=2, color="green") plt.title("Even Component fe(t)") plt.grid(True) plt.subplot(2, 2, 4) plt.plot(t, fo, linewidth=2, color="red") plt.title("Odd Component fo(t)") plt.grid(True) plt.tight_layout() plt.show()

重要说明：这里用 2001 个采样点画图，本质上是在离散时间轴上近似连续信号。如果你要验证手绘的“边界点”取值，可以直接取 t=0、t=1 等精确数值计算，而不是从图中读数。运行上面代码后，你会看到四张子图：原信号、翻转信号、偶分量、奇分量，并输出重建误差接近 0，说明分解正确。

6. MATLAB 实现：更适合考研复习对照验证

很多考研同学电脑上装的第一个工具是 MATLAB，下面的代码和 Python 版本思路完全一致，运行起来更轻量。

clear; clc; t = linspace(-3, 3, 2001); % 构造原信号 f(t) f = zeros(size(t)); idx1 = (t >= -1) & (t <= 0); idx2 = (t > 0) & (t <= 1); f(idx1) = t(idx1) + 1; f(idx2) = -t(idx2) + 1; % 翻转信号 f_neg = interp1(t, f, -t, 'linear', 0); % 偶分量与奇分量 fe = (f + f_neg) / 2; fo = (f - f_neg) / 2; % 验证 restore = fe + fo; fprintf('最大重建误差: %e\n', max(abs(restore - f))); % 绘图 subplot(2, 2, 1); plot(t, f, 'LineWidth', 2); title('Original Signal f(t)'); grid on; subplot(2, 2, 2); plot(t, f_neg, 'LineWidth', 2); title('Flipped Signal f(-t)'); grid on; subplot(2, 2, 3); plot(t, fe, 'LineWidth', 2); title('Even Component fe(t)'); grid on; subplot(2, 2, 4); plot(t, fo, 'LineWidth', 2); title('Odd Component fo(t)'); grid on;

这里用interp1对翻转后的时间轴做线性插值，是为了让采样对齐。如果原信号本身是线性分段信号，插值不会引入明显误差。输出重建误差之后，你可以把 MATLAB 生成的图和你自己手绘的结果做对比。

7. 成信大真题常见变式与扩展

2025 年成都信息工程大学第 2.2 题考查的是奇偶分解绘图，但同一考点在不同年份、不同学校会出现多种变式。建议把这几种都练一遍。

7.1 变式一：阶跃信号与门信号组合

把原信号换成由单位阶跃和门信号叠加构成的波形，分解结果可能会出现常数偶分量，奇分量则可能是带正负跳变的折线。这类题比纯三角波更容易在跳变点处出错。

7.2 变式二：离散时间信号的奇偶分解

离散信号 x[n] 的偶分量和奇分量定义为：

x_e[n] = (x[n] + x[-n]) / 2

x_o[n] = (x[n] - x[-n]) / 2

离散情况下不用画曲线，而是画“棒棒图”。要注意 n=0 点必须单独计算，因为它不涉及翻转配对。

7.3 变式三：连续时间信号的冲激与冲激偶

如果原信号包含单位冲激 δ(t) 或冲激偶 δ'(t)，分解要特别注意冲激的位置和面积。偶分量中冲激保持不变，奇分量中冲激偶的符号与位置需要仔细处理。这类题通常出现在选择题或填空题里。

7.4 变式四：判断给定分量是否合法

有些年份不直接要求画图，而是给出 f_e(t) 和 f_o(t)，要求判断它们是否能构成某个因果信号 f(t)。这种题核心思路是：任何信号都唯一对应一组偶分量和奇分量，反过来也成立，你只需要验证 f_e(t) 是否为偶函数、f_o(t) 是否为奇函数即可。

7.5 变式五：与傅里叶变换结合

成信大的真题有时候会在同一道大题里先要求画偶分量和奇分量，再利用奇偶性简化傅里叶变换的计算。这是一个更高阶的考法，建议复习完傅里叶变换性质后再回头做这类综合题。到那时你会更明白，现在画的两条曲线，本质上就是在为“实偶信号对应实偶频谱”这个性质做铺垫。

8. 考研答题规范与评分要点

在考场上，这道题的画图步骤是拿分的重点，但很多同学因为卷面不规范丢分。下面整理一份可以作为自查清单的表格。

尤其注意：如果题目里没有要求，最好不要额外画 f(-t)，而是把 f(-t) 放在草稿纸上。试卷上只需要最终分解结果和必要的推导说明。有些阅卷老师看到多余的曲线反而会混淆。

9. 常见错误与排查方法

下面这组高频错误，基本覆盖了这类画图题的主要失分点。

MATLAB 里用interp1时需要注意的是：翻转信号的时间轴 -t 的范围和原始 t 一致，但如果 t 没有覆盖到原信号的完整定义域，翻转后就会出现超出插值范围的问题。解决办法就是把 t 的下界设得足够负，比如从 -3 开始，确保信号的支撑区间完全落在观测窗口内。

10. 如何用“小马哥960题”刷好这类画图题

“小马哥960题”是一套覆盖信号与系统各章节的题库，里面像“奇偶分解绘图”这样的题目几乎每个学校真题里都有对应。刷这一类题时，不要只满足于“看答案明白了”，更有效的做法是：

• 第一轮：拿到题先不翻答案，自己按第 3 节的分步流程画；
• 第二轮：用 Python 或 MATLAB 代码验证手绘图的关键点是否一致；
• 第三轮：把错题整理成一个“波形变换类”专项，定期回看。

如果在第二轮里发现代码运行结果和手绘结果不一致，先不要怀疑代码，优先检查你的手绘图。因为代码本质上是用数值计算执行了定义公式，只要采样足够密，几乎不会出错。真正容易错的是人工分段时的漏段。

对于时间紧张的同学，可以把“先画翻转信号 f(-t)”这一步作为默认动作。一道题你只要能画出 f(-t)，后面偶分量和奇分量就是两行算术。

11. 总结与下一步

这次我们重点拆解了“信号的奇偶分解绘图”这一类题，并以 2025 年成都信息工程大学 2.2 题为背景，给出了从定义到手绘再到代码验证的完整流程。最值得记住的一点是：偶分量和奇分量不是两种独立信号，而是原信号在纵轴对称性上的两个投影，所有计算都是从 f(t) 和 f(-t) 两组波形做加减除以 2 得到的。

第 9 节的错误清单建议收藏备用，尤其是“偶分量不是偶函数”和“t=0 处取值算错”这两条，几乎每年都有人犯。

下一步如果你正在刷 960 题，建议把这套代码保存下来，遇到任何“画奇偶分量”的题都先跑一遍验证。等你能熟练用它检查手绘图之后，再去做傅里叶变换对称性质的专项练习，你会发现前面画的这些曲线，直接决定了你理解频谱实部虚部的速度。