循环卷积（转）

淩亂°似流年 2022-06-04 04:06 318阅读 0赞

**循环卷积（转）**

循环卷积我理解是使用DFT(FFT)计算线性卷积时的衍生品。

首先连续时间没有循环卷积概念。

离散时间时，不妨假设x(n)为L点信号， 仅在0~L-1有非零值；h(n)为M点信号，仅在0~M-1有非零值。以x(n)为输入信号通过以h(n)为单位冲激响应的线性时不变系统得到输出 y(n) = x(n) \* h(n)，线性卷积，直接计算的复杂度为 O(LM)。

卷积计算通常比较复杂，一种可能的简化思路是考虑放到频域计算， DTFT上场。

> 时域卷积，频域相乘

DTFT\[ y(n) \] = DTFT\[ x(n) \] DTFT\[ h(n) \]

但是DTFT由于频域连续不便处理，

![DTFT\[x(n)\] := \\sum^\{\\infty\}\_\{n=-\\infty\} x(n)e^\{-jwn\} \\\\ = \\sum^\{L-1\}\_\{n=0\} x(n)e^\{-jwn\} = X(e^\{jw\})][DTFT_x_n_ _ _sum_infty_n_-_infty_ x_n_e_-jwn_ _ _ _sum_L-1_n_0_ x_n_e_-jwn_ _ X_e_jw]

因此找到DFT, 它将频域离散化了，因此很方便计算机处理， 特别是DFT还有快速算法FFT。

那么IDFT\[ DFT\[ x(n) \] DFT\[ h(n) \] \] 是否等于IDFT\[ DFT\[ y(n) \] \] 呢？ 如果是，那简直是极好的；如果不是，那二者又存在何种关系呢？

![IDFT\[DFT\[x(n)\] DFT\[h(n)\]\] \\stackrel\{?\}\{=\} IDFT\[DFT\[x(n)\*h(n)\]\]][IDFT_DFT_x_n_ DFT_h_n_ _stackrel_ IDFT_DFT_x_n_h_n]

其中

![DFT\[x(n)\] := \\sum^\{N-1\}\_\{n=0\} x(n)e^\{-j n k\\frac\{2\\pi\}\{N\}\} =X(k), k=0,...,N-1 \\\\ IDFT\[X(k)\] := \\frac\{1\}\{N\}\\sum^\{N-1\}\_\{k=0\} X(k)e^\{j n k\\frac\{2\\pi\}\{N\}\} =\\hat\{x\}(n), n=0,...,N-1][DFT_x_n_ _ _sum_N-1_n_0_ x_n_e_-j n k_frac_2_pi_N_ _X_k_ k_0_..._N-1 _ IDFT_X_k_ _ _frac_1_N_sum_N-1_k_0_ X_k_e_j n k_frac_2_pi_N_ _hat_x_n_ n_0_..._N-1]

很遗憾，上式成立是有条件的，这个条件我会在后面分析。注意所有的DFT/IDFT都隐含了一个相同的参数 N， 为DFT的点数， 而上式成立条件正是跟N有关。

那么![IDFT\[DFT\[x(n)\] \\bullet DFT\[h(n)\]\]][IDFT_DFT_x_n_ _bullet DFT_h_n]究竟和![x(n), h(n)][x_n_ h_n]满足什么样的关系呢？ 根据频域相乘时域卷积的特点，结果应该类似卷积，但又不是卷积，而按照定义求解后发现表达式中有周期延拓（循环）的过程，那就将其定义为循环卷积吧。

![IDFT\[DFT\[x(n)\] \\bullet DFT\[h(n)\]\] = x(n) \\otimes h(n)][IDFT_DFT_x_n_ _bullet DFT_h_n_ _ x_n_ _otimes h_n]

循环卷积的点数和DFT/IDFT点数相同。

![x(n) \\otimes h(n) := \\left \[\\sum^\{N-1\}\_\{m=0\} x(m)h((n-m))\_N \\right \] R\_N(n) \\\\ = \\left \[\\sum^\{N-1\}\_\{m=0\} h(m)x((n-m))\_N \\right \] R\_N(n)][x_n_ _otimes h_n_ _ _left _sum_N-1_m_0_ x_m_h_n-m_N _right _ R_N_n_ _ _ _left _sum_N-1_m_0_ h_m_x_n-m_N _right _ R_N_n]  
其中

![x((n))\_N = \\sum^\{+\\infty\}\_\{r=-\\infty\} x(n+rN)][x_n_N _ _sum_infty_r_-_infty_ x_n_rN]

![R\_N(n)=\\begin\{cases\}1, & 0 \\le n \\le N-1 \\\\ 0, &else \\end\{cases\}][R_N_n_begin_cases_1_ _ 0 _le n _le N-1 _ 0_ _else _end_cases]

当然，按照循环卷积的定义，任意两个信号，我完全可以在时域上按照定义去计算，而丝毫不关DFT/IDFT什么事，但是正常两个信号，没毛病我搞个又是循环又是卷积的这么奇怪的运算算个什么事！ 因此，我理解循环卷积是使用DFT计算线性卷积的衍生品。

下面分析IDFT\[ DFT\[ x(n) \] DFT\[ h(n) \] \] = IDFT\[ DFT\[ y(n) \] \] 成立的条件，前面已经提到这个条件跟DFT点数N有关。

由定义

![DFT\[x(n)\] := \\sum^\{N-1\}\_\{n=0\} x(n)e^\{-jnk\\frac\{2\\pi\}\{N\}\} =X(k), k=0,...,N-1][DFT_x_n_ _ _sum_N-1_n_0_ x_n_e_-jnk_frac_2_pi_N_ _X_k_ k_0_..._N-1]  
注意这里N和L未必相同，显然若![N\\ge L][N_ge L], 则

![X(k) = X(e^\{jw\})|\_\{w=k\\frac\{2\\pi\}\{N\}\}, k=0,...,N-1][X_k_ _ X_e_jw_w_k_frac_2_pi_N_ k_0_..._N-1]

而![N <L][N _L]时，x(N), ... , x(L-1) 被丢弃了，因此上式的采样关系不复存在，我们自然不希望如此。  
  
注意到对![X(e^\{jw\})][X_e_jw]采样其对应时域![x(n)][x_n]将周期延拓，而![x(n)][x_n]为有限长L点序列，因此只要延拓周期 ![N \\ge L][N _ge L]，则可根据采样信号![X(k)][X_k]无失真重建原频域信号![X(e^\{jw\})][X_e_jw]，此时频域采样间隔为![2\\pi/N][2_pi_N].  
  
有了上面讨论的基础，下面就简单明了了。  
我们知道，

![Y(e^\{jw\}) = X(e^\{jw\})H(e^\{jw\})][Y_e_jw_ _ X_e_jw_H_e_jw]  
  
因此  
  
![Y(e^\{jw\}) |\_\{w=\\frac\{2\\pi\}\{N\}\}= X(e^\{jw\}) |\_\{w=\\frac\{2\\pi\}\{N\}\}H(e^\{jw\}) |\_\{w=\\frac\{2\\pi\}\{N\}\}][Y_e_jw_ _w_frac_2_pi_N_ X_e_jw_ _w_frac_2_pi_N_H_e_jw_ _w_frac_2_pi_N]

这种采样点间的关系是恒成立的，关键是能否转换成DFT形式，这要求做DFT的点数N不能比原信号短。

我们首先假设![N \\ge L][N _ge L]且![N \\ge M][N _ge M], 这样右边的DTFT采样形式可以转换成DFT形式，即

![Y(e^\{jw\})|\_\{w=k\\frac\{2\\pi\}\{N\}\} = X(k) H(k),k=0,...,N-1][Y_e_jw_w_k_frac_2_pi_N_ _ X_k_ H_k_k_0_..._N-1]

我们知道y(n)的长度为L+M-1 (由卷积定义可确定），因此当![N \\ge L+M-1][N _ge L_M-1]时，左边也正是Y(k) ，两边做IDFT，得

![y(n) = x(n)\*h(n) = x(n) \\otimes h(n)][y_n_ _ x_n_h_n_ _ x_n_ _otimes h_n]

而当![N < L+M-1][N _ L_M-1]时，左边时域将按N点进行周期延拓产生混叠，最终取主值区。

![\\hat\{y\}(n)=IDFT\\left\[Y(e^\{jw\})|\_\{w=k\\frac\{2\\pi\}\{N\}\} \\right\] = \\sum^\{+\\infty\}\_\{r=-\\infty\} y(n+rN) , n=0,...,N-1][hat_y_n_IDFT_left_Y_e_jw_w_k_frac_2_pi_N_ _right_ _ _sum_infty_r_-_infty_ y_n_rN_ _ n_0_..._N-1]

显然，![N \\ge L+M-1][N _ge L_M-1]时，![y(n) = \\hat\{y\}(n)][y_n_ _ _hat_y_n]

综上，当![N \\ge L][N _ge L] 且 ![N \\ge M][N _ge M]时，循环卷积和线性卷积的关系如下：

![(x \\otimes h)(n) = \\sum^\{+\\infty\}\_\{r=-\\infty\} (x\*h)(n+rN), n=0,...,N-1][x _otimes h_n_ _ _sum_infty_r_-_infty_ _x_h_n_rN_ n_0_..._N-1]

下面解决一下遗留问题：当 N < L 或/与 N < M 时，将会怎样？

不妨假设 N < L， 此时定义x(n)信号的截断信号为：

![x'(n) =x(n)R\_N(n)][x_n_ _x_n_R_N_n]

![R\_N(n)=\\begin\{cases\}1, & 0 \\le n \\le N-1 \\\\ 0, &else \\end\{cases\}][R_N_n_begin_cases_1_ _ 0 _le n _le N-1 _ 0_ _else _end_cases]

那么，信号x都变了，期望得到的循环卷积和线性卷积的关系就无从说起了。

![(x' \\otimes h)(n) = \\sum^\{+\\infty\}\_\{r=-\\infty\} (x'\*h)(n+rN), n=0,...,N-1][x_ _otimes h_n_ _ _sum_infty_r_-_infty_ _x_h_n_rN_ n_0_..._N-1]

**复杂度分析**

上面讨论了当![N \\ge L+M-1][N _ge L_M-1]时，

![x(n)\*h(n) = x(n) \\otimes h(n) = IDFT \\left\[ DFT\[x(n)\]\\bullet DFT\[h(n)\] \\right\]][x_n_h_n_ _ x_n_ _otimes h_n_ _ IDFT _left_ DFT_x_n_bullet DFT_h_n_ _right]

从而可以考虑通过FFT(也就是DFT的快速算法）间接求解两个信号的卷积。 由上式可知，需要做3次N点FFT(两次正变换，一次反变换），一次N点复数乘法。 N点FFT的时间复杂度为 O(N logN)，对比直接卷积的时间复杂度O(LM)。 忽略系数，仅考虑数量级差距， 在 L, M相当时, ![L \\approx M \\approx N/2][L _approx M _approx N_2]

因此直接卷积的时间复杂度为 ![O(N^2)][O_N_2]大于通过FFT实现的间接卷积时间复杂度![O(NlogN)][O_NlogN].

**注意**，许多情况下，信号长度远远大于滤波器长度，滤波器长度M为常数，

![N \\approx L \\gg M][N _approx L _gg M]

此时直接卷积的效率反而优于基于FFT实现的卷积。 （O(M N) V.S. O(N logN) )

这种情况下，通常会把信号分成许多小段，每个小段长度和滤波器长度相当， 通过重叠相加法（Overlap-Add method）或重叠保留法（Overlap-Save method）来进行加速。而每个小段与滤波器的卷积通过FFT间接得到。 对于很大的图像与相对特别小的卷积核卷积时同样可以类似通过对图像分块来获得加速。

**DFT定义分析**

最后，我们补充分析一下DFT/IDFT的定义。我们来看DFT/IDFT的定义，最常见的定义方式如下

这是一个纯数学意义上的定义，你不需要理解时频对称问题，不需要理解采样定理，也无需处理可能的混叠问题，你仅需把DFT当成一个正交变换，对信号做一个旋转。

![X = Wx \\\\ \\hat\{x\} = \\frac\{1\}\{N\}W^HX][X _ Wx _ _hat_x_ _ _frac_1_N_W_HX]

其中x, X为N维向量， W为 ![N\\times N][N_times N]矩阵； 系数1/N放到正、反变换中均可，也可以分两个![1/\\sqrt\{N\}][1_sqrt_N]分别放到正反变换中，那样变换矩阵就是真正的正交阵了，传统上系数常放在反变换中。 按照这种定义，可以证明，

![\\frac\{1\}\{N\}W^HW = I][frac_1_N_W_HW _ I]

因此， ![\\hat\{x\} = \\frac\{1\}\{N\}W^HX = \\frac\{1\}\{N\}W^HWx = x][hat_x_ _ _frac_1_N_W_HX _ _frac_1_N_W_HWx _ x], 也即可以完美重建原信号， 当然对于DFT点数不够，小于原信号长度时，那么就是对截断信号进行变换了，自然也能够通过反变换恢复截断信号。因为只是正交变换转过去又转回来嘛。

但是很多时候你做FFT时是考虑着信号频域特征的，也即心里是考虑着物理意义的。此时应该把DFT理解成DTFT频域等间隔采样， 而根据采样定理如果采样间隔足够小，是能够由采样值序列恢复出连续的DTFT频谱的，此时可以认为二者等价。 当你做FFT后，你实际上得到了原时域信号的频谱，那么后续对X(k)的处理也就是对频谱![X(e^\{jw\})][X_e_jw]的处理。而根据时频对称性，你心里应该很清楚对应时域究竟在做着什么事情，反之亦然。

作者：水木八刀  
链接：https://www.zhihu.com/question/25525824/answer/93515223  
来源：知乎

[DTFT_x_n_ _ _sum_infty_n_-_infty_ x_n_e_-jwn_ _ _ _sum_L-1_n_0_ x_n_e_-jwn_ _ X_e_jw]: https://www.zhihu.com/equation?tex=DTFT%5Bx%28n%29%5D+%3A%3D+%5Csum%5E%7B%5Cinfty%7D_%7Bn%3D-%5Cinfty%7D+x%28n%29e%5E%7B-jwn%7D+%5C%5C+%3D+%5Csum%5E%7BL-1%7D_%7Bn%3D0%7D+x%28n%29e%5E%7B-jwn%7D+%3D+X%28e%5E%7Bjw%7D%29
[IDFT_DFT_x_n_ DFT_h_n_ _stackrel_ IDFT_DFT_x_n_h_n]: https://www.zhihu.com/equation?tex=IDFT%5BDFT%5Bx%28n%29%5D+DFT%5Bh%28n%29%5D%5D+%5Cstackrel%7B%3F%7D%7B%3D%7D+IDFT%5BDFT%5Bx%28n%29%2Ah%28n%29%5D%5D+
[DFT_x_n_ _ _sum_N-1_n_0_ x_n_e_-j n k_frac_2_pi_N_ _X_k_ k_0_..._N-1 _ IDFT_X_k_ _ _frac_1_N_sum_N-1_k_0_ X_k_e_j n k_frac_2_pi_N_ _hat_x_n_ n_0_..._N-1]: https://www.zhihu.com/equation?tex=DFT%5Bx%28n%29%5D+%3A%3D+%5Csum%5E%7BN-1%7D_%7Bn%3D0%7D+x%28n%29e%5E%7B-j+n+k%5Cfrac%7B2%5Cpi%7D%7BN%7D%7D+%3DX%28k%29%2C+k%3D0%2C...%2CN-1+%5C%5C+IDFT%5BX%28k%29%5D+%3A%3D+%5Cfrac%7B1%7D%7BN%7D%5Csum%5E%7BN-1%7D_%7Bk%3D0%7D+X%28k%29e%5E%7Bj+n+k%5Cfrac%7B2%5Cpi%7D%7BN%7D%7D+%3D%5Chat%7Bx%7D%28n%29%2C+n%3D0%2C...%2CN-1
[IDFT_DFT_x_n_ _bullet DFT_h_n]: https://www.zhihu.com/equation?tex=IDFT%5BDFT%5Bx%28n%29%5D+%5Cbullet+DFT%5Bh%28n%29%5D%5D
[x_n_ h_n]: https://www.zhihu.com/equation?tex=x%28n%29%2C+h%28n%29
[IDFT_DFT_x_n_ _bullet DFT_h_n_ _ x_n_ _otimes h_n]: https://www.zhihu.com/equation?tex=IDFT%5BDFT%5Bx%28n%29%5D+%5Cbullet+DFT%5Bh%28n%29%5D%5D+%3D+x%28n%29+%5Cotimes+h%28n%29
[x_n_ _otimes h_n_ _ _left _sum_N-1_m_0_ x_m_h_n-m_N _right _ R_N_n_ _ _ _left _sum_N-1_m_0_ h_m_x_n-m_N _right _ R_N_n]: https://www.zhihu.com/equation?tex=x%28n%29+%5Cotimes+h%28n%29+%3A%3D+%5Cleft+%5B%5Csum%5E%7BN-1%7D_%7Bm%3D0%7D+x%28m%29h%28%28n-m%29%29_N+%5Cright+%5D+R_N%28n%29+%5C%5C+%3D+%5Cleft+%5B%5Csum%5E%7BN-1%7D_%7Bm%3D0%7D+h%28m%29x%28%28n-m%29%29_N+%5Cright+%5D+R_N%28n%29
[x_n_N _ _sum_infty_r_-_infty_ x_n_rN]: https://www.zhihu.com/equation?tex=x%28%28n%29%29_N+%3D+%5Csum%5E%7B%2B%5Cinfty%7D_%7Br%3D-%5Cinfty%7D+x%28n%2BrN%29
[R_N_n_begin_cases_1_ _ 0 _le n _le N-1 _ 0_ _else _end_cases]: https://www.zhihu.com/equation?tex=R_N%28n%29%3D%5Cbegin%7Bcases%7D1%2C+%26+0+%5Cle+n+%5Cle+N-1+%5C%5C+0%2C+%26else+%5Cend%7Bcases%7D
[DFT_x_n_ _ _sum_N-1_n_0_ x_n_e_-jnk_frac_2_pi_N_ _X_k_ k_0_..._N-1]: https://www.zhihu.com/equation?tex=DFT%5Bx%28n%29%5D+%3A%3D+%5Csum%5E%7BN-1%7D_%7Bn%3D0%7D+x%28n%29e%5E%7B-jnk%5Cfrac%7B2%5Cpi%7D%7BN%7D%7D+%3DX%28k%29%2C+k%3D0%2C...%2CN-1+
[N_ge L]: https://www.zhihu.com/equation?tex=N%5Cge+L
[X_k_ _ X_e_jw_w_k_frac_2_pi_N_ k_0_..._N-1]: https://www.zhihu.com/equation?tex=X%28k%29+%3D+X%28e%5E%7Bjw%7D%29%7C_%7Bw%3Dk%5Cfrac%7B2%5Cpi%7D%7BN%7D%7D%2C+k%3D0%2C...%2CN-1
[N _L]: https://www.zhihu.com/equation?tex=N+%3CL
[X_e_jw]: /images/20220604/59abc2729ab14f958bb2b001fdc67b29.png
[x_n]: https://www.zhihu.com/equation?tex=x%28n%29
[N _ge L]: https://www.zhihu.com/equation?tex=N+%5Cge+L
[X_k]: https://www.zhihu.com/equation?tex=X%28k%29
[2_pi_N]: /images/20220604/9f7c1db7c0b5406e9ab547ee50a648f2.png
[Y_e_jw_ _ X_e_jw_H_e_jw]: https://www.zhihu.com/equation?tex=Y%28e%5E%7Bjw%7D%29+%3D+X%28e%5E%7Bjw%7D%29H%28e%5E%7Bjw%7D%29
[Y_e_jw_ _w_frac_2_pi_N_ X_e_jw_ _w_frac_2_pi_N_H_e_jw_ _w_frac_2_pi_N]: https://www.zhihu.com/equation?tex=Y%28e%5E%7Bjw%7D%29+%7C_%7Bw%3D%5Cfrac%7B2%5Cpi%7D%7BN%7D%7D%3D+X%28e%5E%7Bjw%7D%29+%7C_%7Bw%3D%5Cfrac%7B2%5Cpi%7D%7BN%7D%7DH%28e%5E%7Bjw%7D%29+%7C_%7Bw%3D%5Cfrac%7B2%5Cpi%7D%7BN%7D%7D
[N _ge M]: https://www.zhihu.com/equation?tex=N+%5Cge+M
[Y_e_jw_w_k_frac_2_pi_N_ _ X_k_ H_k_k_0_..._N-1]: https://www.zhihu.com/equation?tex=Y%28e%5E%7Bjw%7D%29%7C_%7Bw%3Dk%5Cfrac%7B2%5Cpi%7D%7BN%7D%7D+%3D+X%28k%29+H%28k%29%2Ck%3D0%2C...%2CN-1
[N _ge L_M-1]: https://www.zhihu.com/equation?tex=N+%5Cge+L%2BM-1
[y_n_ _ x_n_h_n_ _ x_n_ _otimes h_n]: https://www.zhihu.com/equation?tex=y%28n%29+%3D+x%28n%29%2Ah%28n%29+%3D+x%28n%29+%5Cotimes+h%28n%29
[N _ L_M-1]: https://www.zhihu.com/equation?tex=N+%3C+L%2BM-1
[hat_y_n_IDFT_left_Y_e_jw_w_k_frac_2_pi_N_ _right_ _ _sum_infty_r_-_infty_ y_n_rN_ _ n_0_..._N-1]: https://www.zhihu.com/equation?tex=%5Chat%7By%7D%28n%29%3DIDFT%5Cleft%5BY%28e%5E%7Bjw%7D%29%7C_%7Bw%3Dk%5Cfrac%7B2%5Cpi%7D%7BN%7D%7D+%5Cright%5D+%3D+%5Csum%5E%7B%2B%5Cinfty%7D_%7Br%3D-%5Cinfty%7D+y%28n%2BrN%29+%2C+n%3D0%2C...%2CN-1
[y_n_ _ _hat_y_n]: https://www.zhihu.com/equation?tex=y%28n%29+%3D+%5Chat%7By%7D%28n%29
[x _otimes h_n_ _ _sum_infty_r_-_infty_ _x_h_n_rN_ n_0_..._N-1]: https://www.zhihu.com/equation?tex=%28x+%5Cotimes+h%29%28n%29+%3D+%5Csum%5E%7B%2B%5Cinfty%7D_%7Br%3D-%5Cinfty%7D+%28x%2Ah%29%28n%2BrN%29%2C+n%3D0%2C...%2CN-1
[x_n_ _x_n_R_N_n]: https://www.zhihu.com/equation?tex=x%27%28n%29+%3Dx%28n%29R_N%28n%29
[x_ _otimes h_n_ _ _sum_infty_r_-_infty_ _x_h_n_rN_ n_0_..._N-1]: https://www.zhihu.com/equation?tex=%28x%27+%5Cotimes+h%29%28n%29+%3D+%5Csum%5E%7B%2B%5Cinfty%7D_%7Br%3D-%5Cinfty%7D+%28x%27%2Ah%29%28n%2BrN%29%2C+n%3D0%2C...%2CN-1
[x_n_h_n_ _ x_n_ _otimes h_n_ _ IDFT _left_ DFT_x_n_bullet DFT_h_n_ _right]: https://www.zhihu.com/equation?tex=+x%28n%29%2Ah%28n%29+%3D+x%28n%29+%5Cotimes+h%28n%29+%3D+IDFT+%5Cleft%5B+DFT%5Bx%28n%29%5D%5Cbullet+DFT%5Bh%28n%29%5D+%5Cright%5D
[L _approx M _approx N_2]: https://www.zhihu.com/equation?tex=L+%5Capprox+M+%5Capprox+N%2F2
[O_N_2]: https://www.zhihu.com/equation?tex=O%28N%5E2%29
[O_NlogN]: /images/20220604/e4d3eb429abb4f2caf63c58990dc77e0.png
[N _approx L _gg M]: https://www.zhihu.com/equation?tex=N+%5Capprox+L+%5Cgg+M
[X _ Wx _ _hat_x_ _ _frac_1_N_W_HX]: https://www.zhihu.com/equation?tex=X+%3D+Wx+%5C%5C+%5Chat%7Bx%7D+%3D+%5Cfrac%7B1%7D%7BN%7DW%5EHX
[N_times N]: https://www.zhihu.com/equation?tex=N%5Ctimes+N
[1_sqrt_N]: /images/20220604/32ffe63c12f04d6286e06fb5df030c13.png
[frac_1_N_W_HW _ I]: https://www.zhihu.com/equation?tex=%5Cfrac%7B1%7D%7BN%7DW%5EHW+%3D+I
[hat_x_ _ _frac_1_N_W_HX _ _frac_1_N_W_HWx _ x]: https://www.zhihu.com/equation?tex=%5Chat%7Bx%7D+%3D+%5Cfrac%7B1%7D%7BN%7DW%5EHX+%3D+%5Cfrac%7B1%7D%7BN%7DW%5EHWx+%3D+x