企业官网建设流程全解析

每位学习“信号与系统”的同学，遇到“已知 f(t) 的波形，求 f(1-2t) 或 f(-2t+1) 并作图”这类题目时，多少都会紧张一下。原因倒不是题目本身有多难，而是三种基本运算——尺度变换、时移、反转——叠加在一起后，大家经常搞不清楚“先平移还是先压缩”“反转之后区间怎么算”。2024 年成都信息工程大学信号与系统真题第 2.1 题考查的正是这类综合变换作图。本文以该类高频题型为例，把从数学推导到波形绘制的完整流程拆开讲清楚，适合考研复习、期末备考以及正在学习信号与系统课程的同学参考。

1. 背景与核心概念

1.1 什么是信号的尺度、时移、反转综合变换

在信号与系统中，我们经常需要根据已知信号 f(t) 的波形，画出经过自变量变换后的信号波形。最常见的基本变换有三种：

• 时移：f(t) → f(t - t₀)，表示波形在时间轴上整体平移。
• 反转：f(t) → f(-t)，表示波形关于纵轴做镜像翻转。
• 尺度变换：f(t) → f(at)，表示波形在时间轴上被压缩或扩展。

当题目要求画出 f(1 - 2t)、f(-2t + 1)、f(3t + 2) 这类信号时，实际上就是同时使用了上述两种甚至三种运算。这类题的难点不在于单个变换，而在于多个变换的复合顺序：顺序不同，中间过程的波形不同，但最终结果必须一致。

1.2 为什么综合变换题总有人做错

很多同学在初学阶段会凭“感觉”作图：看到系数 2 就认为是压缩，看到 +1 就认为是左移。但实际操作时，经常会得到完全错误的波形。根本原因可以总结为三点。

第一，对“谁在变”理解不深。 y(t) = f(1 - 2t) 中，真正的时间变量是 t，而 1 - 2t 是整个表达式替换掉了原函数 f 的自变量。我们不是直接平移 f(t)，而是把 t 这个变量先做了反转、尺度、时移后再送入 f。

第二，分不清“先平移再压缩”和“先压缩再平移”的区别。以 f(1 - 2t) 为例，它可以写成 f[-2(t - 1/2)]，也可以写成 f[-(2t - 1)]。不同写法对应不同的作图顺序，但最终图像是同一个。很多同学只记住零散的“左加右减、压缩扩展”口诀，却没有掌握统一的自变量替换方法。

第三，关键点坐标算错。波形图本质上是由一些关键点（端点、折点、跳变点）连接而成的。只要这些点的横坐标计算正确，波形形状就不会错。但同学们往往忽略“新的横坐标求解”这一步，直接靠肉眼推测，自然容易出错。

1.3 本文要解决什么问题

本文围绕“已知 f(t) 波形，求 f(1 - 2t) 并作图”这类题型，梳理一套完整的求解方法。这套方法不仅适用于本例题，也适用于任意形如 f(at + b) 的信号变换。文章会先讲清楚三种基本变换的本质，再给出可复用的“关键点法”，最后用 2024 年成都信息工程大学 2.1 这类的真题题型做完整演示，并附上 Python 数值验证代码。

2. 环境准备与工具说明

2.1 手写作图需要的工具

考试和作业场景下，我们通常不需要任何软件，只需要：

• 草稿纸和铅笔；
• 直尺（用于画坐标轴和坐标网格）；
• 一块好用的橡皮。

虽然工具简单，但做题时建议养成“先推导、后作图”的习惯。不要上来就画波形，而是先把关键点的坐标变换关系写清楚，再动笔连线。

2.2 用 Python 做数值验证的环境

如果希望在课后验证自己的手绘结果是否正确，可以使用 Python 配合 NumPy 和 Matplotlib 画图。推荐环境如下：

• 操作系统：Windows / macOS / Linux 均可；
• Python：建议 3.8 及以上版本；
• 第三方库：numpy、matplotlib。

版本需要根据你的项目实际情况调整，本文示例以常见环境为例，重点演示配置思路。如果你本机还没安装相关库，可以在命令行执行：

pip install numpy matplotlib

2.3 示例项目结构

本文的 Python 验证部分只需要一个脚本文件，项目结构非常简单：

signal_transform/ ├── plot_signal.py # 绘制 f(t) 与 f(1-2t) 的对比图 └── requirements.txt # 依赖说明，可选

如果你只是在 Jupyter Notebook 中运行，那连项目结构都不需要，直接在一个 cell 中写代码即可。下面我们在第 4 节给出完整可运行的 Python 脚本。

3. 核心方法：关键点法求解信号变换

3.1 关键点法的基本思想

“关键点法”的思路非常简单：

1. 找到原信号 f(t) 波形上的所有关键横坐标，例如折点、端点、跳变点；
2. 代入变换关系式，求出这些关键点在新信号中的横坐标；
3. 保持每个关键点对应的函数值不变，在新坐标系中重新连线。

为什么关键点法有效？因为绝大多数信号与系统课程中的作图题，给出的都是分段折线信号。这类信号可以完全由少数几个关键点确定。只要关键点的位置准确，折线连接后波形自然正确。

例如原信号 f(t) 的关键点为 t = -1, 0, 1, 2，要画 y(t) = f(1 - 2t)，只需要求解方程：

1 - 2t = -1 1 - 2t = 0 1 - 2t = 1 1 - 2t = 2

得到新的横坐标，再把原函数值一一对应地搬过来即可。

3.2 三种基本变换的本质

在运用关键点法之前，必须先理解三种基本变换的本质。

先看时移。 y(t) = f(t - t₀) 表示把 f(t) 的波形整体向右平移 t₀ 个单位（t₀ > 0 时）。这里的“右移”是相对于 t 轴而言的，验证方法很简单：原信号在 t = 0 处的值，会移动到 t = t₀ 处，因为令 t - t₀ = 0，解得 t = t₀。

再看反转。 y(t) = f(-t) 表示把 f(t) 的波形关于纵轴翻转。原信号在 t = 1 处的值，会移动到 t = -1 处，因此左右完全镜像。

最后看尺度变换。 y(t) = f(at) 的压缩或扩展取决于 |a| 的大小：

• |a| > 1 时，波形在时间轴上被压缩；
• 0 < |a| < 1 时，波形在时间轴上被扩展；
• a < 0 时，除了压缩/扩展，还伴随反转。

举一个最小例子：若 f(t) 是一个在 [0, 2] 上的三角波，那么 f(2t) 的波形会压缩在 [0, 1] 上；而 f(t/2) 的波形会扩展到 [0, 4] 上。

3.3 综合变换的统一推导方式

对于 y(t) = f(1 - 2t)，可以令中间变量 u = 1 - 2t。此时 y(t) = f(u)。反解出：

u = 1 - 2t t = (1 - u) / 2

利用这个关系式，原信号 u 的每一个关键点都可以映射到新坐标 t。例如原信号在 u = -1 处取值 0，代入 t = (1 - u)/2 得到 t = 1，说明新信号在 t = 1 处取值为 0。

这种“代入反解”的方式是求解所有信号变换题的通用方法。它不依赖“先平移还是先压缩”的直觉，只要会解一元一次方程，就能算对所有关键点。

3.4 区间端点与跳变点的处理

如果原信号包含矩形脉冲或阶跃跳变，那么除了折点，还要关注跳变点的位置。跳变点同样使用上述反解公式求新坐标，但要注意：

• 函数值保持原样时，跳变方向不变；
• 如果两个关键点在新坐标下发生了顺序颠倒（例如原信号从左到右是 A、B、C，新信号从左到右变成 C、B、A），说明整体波形发生了反转，连线顺序也要跟着反转；
• 跳变点如果被压缩到同一点，需要单独判断是否出现重叠。

4. 完整实战：以 2024 年成都信息工程大学 2.1 题题型为例

4.1 题目条件与波形

2024 年成都信息工程大学信号与系统真题第 2.1 题考查的就是尺度、时移、反转综合变换作图，具体风格为：已知信号 f(t) 的波形，画出 f(1 - 2t) 的波形。这里我们采用与该题型完全一致的同构题作为演示。

已知 f(t) 的波形如图 1 所示（用 ASCII 简图表示）：

f(t) 1 | ________ | / \ 0 |_____/ \_____ +----+----+----+----+----> t -1 0 1 2 3

对应的分段函数表达式为：

⎧ t + 1, -1 ≤ t < 0 f(t) = ⎨ 1, 0 ≤ t ≤ 1 ⎩ -t + 2, 1 < t ≤ 2

也就是说，原信号 f(t) 是一个上升段、平顶段、下降段组成的折线波形，定义在 t ∈ [-1, 2] 上。关键点为：

现在要求画出 y(t) = f(1 - 2t) 的波形。为了与手写步骤对应，下面同时给出两条等价作图路径。

4.2 路径一：先反转、再尺度、后时移

路径一的思路是把 f(1 - 2t) 改写成 f[-2(t - 1/2)]。从内向外拆解：

f(t) → f(-t) → f(-2t) → f(-2(t - 1/2))

第一步：反转。 f(t) → f(-t)。

原信号定义域 [-1, 2]，反转后定义域变为 [-2, 1]。上升段变为下降段，下降段变为上升段。关键点坐标变为：

第二步：尺度压缩。 f(-t) → f(-2t)。

横坐标整体除以 2（注意这里是针对自变量 t 的压缩，系数绝对值 2 表示波形压缩为原来的一半）。定义域由 [-2, 1] 变为 [-1, 0.5]。关键点坐标变为：

第三步：时移。 f(-2t) → f(-2(t - 1/2))。

这里要特别小心： f(-2(t - 1/2)) = f(-2t + 1)，所以需要对自变量整体加上 1/2，等价于波形向右平移 1/2 个单位。定义域由 [-1, 0.5] 变为 [-0.5, 1]。关键点坐标最终变为：

因此最终 y(t) = f(1 - 2t) 的定义域为 t ∈ [-0.5, 1]，波形从 (-0.5, 0) 上升，经过 (0, 1) 和 (0.5, 1) 的平顶，再下降到 (1, 0)。

4.3 路径二：先时移、再尺度、后反转

路径二的思路是把 f(1 - 2t) 改写成 f[-(2t - 1)]。从内向外拆解：

f(t) → f(t - 1) → f(2t - 1) → f(1 - 2t)

第一步：时移。 f(t) → f(t - 1)。

原信号整体右移 1 个单位，定义域由 [-1, 2] 变为 [0, 3]。关键点坐标变为：

第二步：尺度压缩并反转（即整体乘以 2 再取负）。 f(t - 1) → f(2t - 1)。

为什么是“乘以 2 再取负”？因为 f(1 - 2t) = f(-(2t - 1))，而 f(2t - 1) 是原始信号自变量乘以 2 后平移 -1 的结果。这一步是先把上一步的坐标乘以 2，再整体反转。

上一步的关键点为 t = 0, 1, 2, 3。先做尺度乘以 2：坐标变为 0, 2, 4, 6；再做反转取负：坐标变为 0, -2, -4, -6。此时得到的信号是 f(-2t) 还是 f(-2t？) 需要仔细核验。

实际上，更严谨的拆法是：

f(t) → f(2t) → f(2t - 1) → f(1 - 2t)

但这样拆解时， f(2t - 1) 变成 f(1 - 2t) 的过程是“自变量取负并加 1”，同样容易混淆。为了减少中间过程的认知负担，这里推荐使用 4.2 节的路径一，或者直接使用下一小节的关键点法。

4.4 关键点法直接求解

如果觉得分步作图太绕，可以直接使用关键点法，一步到位。

目标：已知 f(u) 的关键点为 u = -1, 0, 1, 2，求 y(t) = f(1 - 2t)。

令：

u = 1 - 2t t = (1 - u) / 2

逐个代入：

将新坐标从小到大排列：

可以看到，新波形在 t ∈ [-0.5, 1] 上有定义，从左到右依次经过 (-0.5, 0) → (0, 1) → (0.5, 1) → (1, 0)。这恰好是原信号先反转、再压缩 2 倍的结果。手绘波形如下：

y(t) = f(1-2t) 1 | _______ | / \ 0 |__/ \___ +----+----+----+----+----> t -0.5 0 0.5 1 1.5

需要特别提醒的是：这里“新坐标从小到大排列”这一步很关键。因为 u = 1 - 2t 是 t 的减函数，所以原信号从左到右的 A、B、C、D 点，对应到新信号中会变成从右到左的 D、C、B、A 点。如果忽略排序，就会把波形画反。

4.5 用 Python 绘制验证

为了验证手绘结果，我们可以用 Python 画出 f(t) 和 y(t) = f(1 - 2t) 的对比图。完整代码如下：

# 文件路径：signal_transform/plot_signal.py import numpy as np import matplotlib.pyplot as plt # 定义原始信号 f(t) def f(t): # 默认输出 0，避免区间外出现意外值 out = np.zeros_like(t) # 上升段：-1 <= t < 0 cond1 = (t >= -1) & (t < 0) # 平顶段：0 <= t <= 1 cond2 = (t >= 0) & (t <= 1) # 下降段：1 < t <= 2 cond3 = (t > 1) & (t <= 2) out = np.where(cond1, t + 1, out) out = np.where(cond2, 1.0, out) out = np.where(cond3, -t + 2, out) return out # 生成时间轴 t = np.linspace(-2, 3, 2000) # 原始信号 y_orig = f(t) # 变换后的信号 y(t) = f(1 - 2t) y_new = f(1 - 2 * t) # 绘图 plt.figure(figsize=(10, 4)) plt.subplot(1, 2, 1) plt.plot(t, y_orig, linewidth=2) plt.title('Original Signal $f(t)$') plt.xlabel('t') plt.ylabel('f(t)') plt.grid(True) plt.axhline(0, color='black', linewidth=0.8) plt.axvline(0, color='black', linewidth=0.8) plt.xlim(-2, 3) plt.ylim(-0.2, 1.5) plt.subplot(1, 2, 2) plt.plot(t, y_new, linewidth=2, color='red') plt.title('Transformed Signal $f(1-2t)$') plt.xlabel('t') plt.ylabel('y(t)') plt.grid(True) plt.axhline(0, color='black', linewidth=0.8) plt.axvline(0, color='black', linewidth=0.8) plt.xlim(-2, 3) plt.ylim(-0.2, 1.5) plt.tight_layout() plt.show()

运行这段代码后，会得到两个子图。左图是原始信号 f(t)，右图是变换后的 f(1 - 2t)。右图中可以看到，波形定义域变为 [-0.5, 1]，且从左到右先上升、再平顶、后下降，与手绘结果完全一致。

4.6 结果说明与验证

除了画图，我们还可以选取几个特殊点做数值验证，确保变换关系无误。

验证点 1：t = 0。

y(0) = f(1 - 2×0) = f(1) = 1

验证点 2：t = 0.75。

y(0.75) = f(1 - 1.5) = f(-0.5) = -0.5 + 1 = 0.5

验证点 3：t = 1。

y(1) = f(1 - 2) = f(-1) = 0

验证点 4：t = -0.5。

y(-0.5) = f(1 - 2×(-0.5)) = f(2) = 0

这些特殊点与前面表格中的关键点完全吻合。由此可以确定，关键点法的计算结果是正确的。

5. 常见错误与排查思路

5.1 最容易错的三个地方

综合变换作图题的错误通常集中在三个环节。

第一，时移方向搞反。很多人看到 f(1 - 2t) 中的 +1，就认为波形应该左移。实际上，如果写成 f[-2(t - 1/2)]，可以看到对 t 而言是减 1/2，对应右移 1/2 个单位。不要只看括号内常数项的符号，要统一写成 f[a(t - t₀)] 的形式后再判断。

第二，先平移再压缩时，平移量没有跟着缩放。例如从 f(t) 到 f(2t - 1)，如果一开始先平移 1 个单位，再压缩 2 倍，得到的是 f(2(t - 1)) = f(2t - 2)，这并不等于 f(2t - 1)。正确的拆法是先压缩成 f(2t)，再右移 1/2 个单位，得到 f(2(t - 1/2)) = f(2t - 1)。

第三，忘了反转会导致关键点排序变化。当变换关系式中 t 的系数为负时，原信号从左到右的关键点在新信号中会从右到左排列。很多同学在关键点法中算出了所有新坐标，但没有重新排序，直接按原顺序连线：把本应出现在右侧的点画到了左侧，最后整体镜像错误。

5.2 错误现象与修正对照表

下面给出几种常见错误现象、可能原因和解决思路。

5.3 手写作图自检清单

做完一道题后，推荐按下面的清单检查：

• 是否列出了原信号的所有关键点（端点、折点、跳变点）？
• 是否将每个关键点代入反解公式，求出了新横坐标？
• 是否将新横坐标从小到大重新排序？
• 是否保留了每个关键点对应的函数值？
• 最终定义域是否与题目要求一致？
• 是否用 1 到 2 个特殊点做了代数验证？
• 是否检查了平顶段、上升段、下降段的方向与斜率？

6. 最佳实践与考试技巧

6.1 做题流程固定化

在考场上不要临时发挥，建议把信号变换作图题固定为四步流程。

第一步，写变换关系。先把要求的信号写成 y(t) = f(at + b) 的形式，例如 f(1 - 2t) 对应 a = -2，b = 1。

第二步，列关键点表。把原信号所有关键点的横坐标 u 和函数值 f(u) 列出来。

第三步，反解新坐标。利用 u = at + b，得到 t = (u - b)/a，逐个计算新横坐标。

第四步，排序连线。将新坐标从小到大排序，保持函数值不变，依次连线。如果原信号有跳变，用实心点和空心点分别标记起点和终点。

6.2 用代数检验代替图像直觉

图像直觉在初学时很有用，但也很容易误导。更可靠的做法是“代数检验”。

以 f(1 - 2t) 为例，任意取几个简单 t 值，比如 t = 0、t = 0.5、t = 1，计算对应的函数值，再观察手绘图中的位置是否匹配。只要特殊点对上，波形大体就不会错。

当遇到复杂信号时，甚至可以在草稿纸上列一张“点对点”映射表：

这种表格既能辅助作图，也能作为验证手段，比单纯靠“压缩、平移”的直觉可靠得多。

6.3 考研与期末备考的针对性建议

对于 2024 年成都信息工程大学这类“信号与系统”真题，综合变换作图通常不会单独考，而是与后续章节结合。例如：

• 与卷积结合：求两个信号的卷积时，需要先对其中一个信号做反转和平移，这本质上就是综合变换。
• 与傅里叶变换性质结合：尺度变换性质、时移性质在频域中对应着频谱的压缩与相位旋转，理解时域波形变换有助于记住频域性质。
• 与系统响应结合：输入信号经过 LTI 系统后的零状态响应，经常涉及信号的反转和时移。

因此建议备考时不要孤立地背“左加右减”，而是把变换放到系统框图中理解：自变量替换的本质是改变信号的时间尺度与观察起点。

6.4 工程信号处理中的对应意义

或许有同学会问：“这类题除了考试，工程里真的有用吗？”其实非常有意义。在雷达、通信、音频处理中，信号经常需要做时间尺度变换。例如：

• 音频变速不变调处理：本质上是时域尺度变换与频域修正的组合；
• 雷达回波的多普勒效应：回波信号相对于发射信号存在时间压缩或扩展，对应尺度变换；
• 通信系统中的码元同步：接收端需要估计发送端信号的时移量，本质是时移处理；
• 图像缩放与翻转：虽然对象是二维图像，但每一行的处理思路和一维信号的尺度、反转完全一致。

理解了这些工程背景，再看“已知 f(t) 画 f(-2t+1)”这类题，就不会觉得它只是纯数学游戏了。

7. 总结与学习路线

本文以“2024 年成都信息工程大学信号与系统真题 2.1”类题型为例，完整梳理了信号的尺度、时移、反转综合变换作图方法。核心要点如下：

• 三种基本变换中，时移改变观察起点，尺度改变时间轴比例，反转改变时间轴方向；
• 综合变换统一使用“关键点法”，把原信号关键点代入反解公式求新坐标，再排序连线；
• 遇到 f(1 - 2t) 这类表达式时，不要凭直觉判断平移方向，建议先改写成 f[-2(t - 1/2)] 的形式；
• 新横坐标计算完成后，必须从小到大重新排序，否则容易忽略反转导致的左右镜像；
• 手绘完成后，选取特殊点做代数验证，是避免低级错误最有效的方法。

下一步可以继续学习的内容包括：

• 卷积的图形化计算，其中信号反转和平移将频繁出现；
• 傅里叶变换的时移性质和尺度变换性质，建立时域与频域的对应关系；
• LTI 系统的时域分析，理解单位冲激响应与零状态响应之间的卷积关系；
• 采样定理与离散时间信号，体会连续时间尺度变换在离散系统中的对应形式。

实际做题时，优先关注三点风险：一是变换顺序，二是关键点排序，三是端点函数值的闭合性。把这三点处理好，这类题基本不会丢分。建议找教材中的中等难度习题，每天练习 3 到 5 道，熟练后可以尝试用 Python 画出原信号和变换信号进行对照，逐步建立可靠的图形直觉和代数验证能力。