DE 
EnglishDefault
Українська
Polski〰️ Faltung — Wie Filter Signale umformen
Faltung schiebt eine Funktion über eine andere und multipliziert und summiert bei jeder Verschiebung. So verwandelt jeder lineare Filter — Weichzeichnung, Echo, Glättung — sein Eingangssignal.
Über diese Simulation
Faltung schiebt eine Funktion über eine andere und multipliziert und summiert bei jeder Verschiebung. So verwandelt jeder lineare Filter — Weichzeichnung, Echo, Glättung — sein Eingangssignal.
🔬 Was gezeigt wird
Die Faltungsoperation: Ein Kernel g wird über ein Eingangssignal f geschoben, an jeder Position multipliziert und aufsummiert. Dieser einfache Mechanismus liegt jedem linearen Filter zugrunde — von der Bildunschärfe bis zum Hall in der Audiobearbeitung.
🎮 Bedienung
Wählen Sie das Eingangssignal f und den Kernel g (Filter) aus den Dropdown-Menüs, stellen Sie die Kernelbreite und die Geschwindigkeit ein, und nutzen Sie Pause und Zurücksetzen, um den Ablauf zu steuern.
💡 Wussten Sie schon?
Nach dem Faltungssatz wird Faltung im Frequenzbereich zur einfachen Multiplikation — deshalb macht die schnelle Fourier-Transformation (FFT) große Faltungen dramatisch schneller: O(N log N) statt O(N²).
Häufig gestellte Fragen
Was ist eine Impulsantwort und warum ist sie wichtig?
Die Impulsantwort h(t) ist die Ausgabe, die ein System erzeugt, wenn sein Eingang ein einzelner Einheitsimpuls ist. Da sich jedes beliebige Signal als Summe skalierter, zeitverschobener Impulse darstellen lässt, ist die Ausgabe für jeden Eingang einfach die Faltung dieses Eingangs mit der Impulsantwort. Das bedeutet, dass die Kenntnis von h jedes lineare zeitinvariante System vollständig charakterisiert.
Welche realen Systeme nutzen Faltung?
Faltung ist allgegenwärtig: Bildbearbeitungssoftware nutzt sie für Gaußsche Unschärfe, Schärfung und Kantenerkennung; Audio-Workstations verwenden sie für Hall; Ingenieure der drahtlosen Kommunikation modellieren damit Kanalverzerrungen; Radiologen nutzen sie bei der CT- und MRT-Rekonstruktion; und Deep-Learning-Frameworks bauen Faltungsschichten direkt auf diskreter 2D-Faltung auf.
Stimmt es, dass Faltung im Frequenzbereich zur Multiplikation wird?
Ja — das ist der Faltungssatz. Sind F und G die Fourier-Transformierten von f und g, dann ist die Fourier-Transformierte von f*g einfach F mal G (punktweise Multiplikation). Deshalb macht die schnelle Fourier-Transformation (FFT) große Faltungen dramatisch schneller: statt O(N²) Operationen im Zeitbereich braucht die FFT-basierte Faltung nur O(N log N) Schritte.
Verbreiteter Irrtum: Gibt ein breiterer Kernel immer ein besseres Ergebnis?
Nicht unbedingt. Ein breiterer Kernel mittelt oder integriert über einen größeren Teil des Signals, was Rauschen reduziert und Kanten glättet — verwischt aber auch feine Details und verzögert kausale Filter um mehr Abtastwerte. Die Wahl der Kernelbreite ist ein Kompromiss zwischen Rauschunterdrückung und Auflösung.
Wer entwickelte die mathematische Theorie der Faltung?
Die Integralform der Faltung erschien in der Analysis des 18. Jahrhunderts mit Beiträgen von Euler, Laplace und Cauchy im Kontext von Differentialgleichungen. Der Zusammenhang mit der Fourier-Transformation wurde von Joseph Fourier im frühen 19. Jahrhundert etabliert. Die technische Anwendung auf lineare Filter wurde von Oliver Heaviside Ende des 19. Jahrhunderts und später von Claude Shannon und Norbert Wiener systematisiert.
Wie hängt Faltung mit Kreuzkorrelation zusammen?
Kreuzkorrelation ist fast identisch mit Faltung, aber ohne die Kernel-Spiegelung. Wenn f = g (Autokorrelation), misst sie Selbstähnlichkeit bei verschiedenen Verzögerungen. Beim Template-Matching und der Mustererkennung lokalisiert Kreuzkorrelation, wo eine Vorlage am besten zu einem Signal passt. Für symmetrische Kernel (wie einen Gauß-Kernel) liefern Faltung und Kreuzkorrelation identische Ergebnisse.
Wie wird diskrete Faltung in Convolutional Neural Networks (CNNs) verwendet?
In einem CNN wendet jede Faltungsschicht einen kleinen 2D-Kernel (z. B. 3x3 oder 5x5 Pixel) auf eine Eingabe-Feature-Map an, mittels der diskreten Faltungssumme. Die Kernel-Gewichte werden nicht von Hand entworfen — sie werden per Backpropagation aus Daten gelernt. Das Stapeln vieler solcher Schichten lässt das Netz hierarchische Merkmale lernen: Kanten in Schicht 1, Texturen in Schicht 2, Objektteile in Schicht 3.
Was sind aktuelle Forschungsfronten bei der Faltung?
Aktive Forschungsrichtungen umfassen: tiefenweise separierbare Faltungen (verwendet in MobileNet) zur Reduzierung des CNN-Rechenaufwands auf mobilen Geräten; Graph-Faltungsnetze, die Faltung auf unregelmäßige Daten wie soziale Graphen und Molekülstrukturen erweitern; lernbare adaptive Filterbänke; und Quanten-Faltungsalgorithmen, die möglicherweise superpolynomielle Beschleunigungen gegenüber klassischer FFT bieten.