【数字信号处理】傅里叶变换的离散性与周期性

傅里叶变换的离散性与周期性

2023年11月21日
#elecEngeneer


文章目录

  • 傅里叶变换的离散性与周期性
    • 1. 符号说明
    • 2. 具体分析
    • 3. 序列的序号表示的DFT
    • 下链


1. 符号说明

t : 连续时间(时域)变量 ω : 频域变量,aka角频率 g : 时域函数 G : 频域函数 n : 时域采样序列序号 k : 频域采样序列序号 T p : 时域函数的周期,单位s T s : 时域采样周期,时间序列的间隔,单位s ω p : 频域函数的周期,单位rad/s ω s : 频域采样周期,频率序列的间隔,单位rad/s,也是傅里叶变换的分辨率 N : 采样序列长度 频谱 : 频域函数的幅度图像 \begin{align*} t& \text{ : 连续时间(时域)变量} \\ \omega & \text{ : 频域变量,aka角频率} \\ g& \text{ : 时域函数} \\ G& \text{ : 频域函数} \\ n& \text{ : 时域采样序列序号} \\ k & \text{ : 频域采样序列序号} \\ T_p & \text{ : 时域函数的周期,单位s} \\ T_s& \text{ : 时域采样周期,时间序列的间隔,单位s} \\ \omega_{p} & \text{ : 频域函数的周期,单位rad/s} \\ \omega_s & \text{ : 频域采样周期,频率序列的间隔,单位rad/s,也是傅里叶变换的分辨率} \\ N & \text{ : 采样序列长度} \\ \text{频谱} & \text{ : 频域函数的幅度图像} \end{align*} tωgGnkTpTsωpωsN频谱 : 连续时间(时域)变量 : 频域变量,aka角频率 : 时域函数 : 频域函数 : 时域采样序列序号 : 频域采样序列序号 : 时域函数的周期,单位s : 时域采样周期,时间序列的间隔,单位s : 频域函数的周期,单位rad/s : 频域采样周期,频率序列的间隔,单位rad/s,也是傅里叶变换的分辨率 : 采样序列长度 : 频域函数的幅度图像
傅里叶变换 : Fourier Transform, FT 离散时间傅里叶变换 : Discrete Time Fourier Transform, DTFT 傅里叶级数 : Fourier Series, FS 离散傅里叶变换 : Discrete Fourier Transform, DFT \begin{align*} &\text{傅里叶变换 : Fourier Transform, FT} \\ &\text{离散时间傅里叶变换 : Discrete Time Fourier Transform, DTFT} \\ &\text{傅里叶级数 : Fourier Series, FS} \\ &\text{离散傅里叶变换 : Discrete Fourier Transform, DFT} \end{align*} 傅里叶变换 : Fourier Transform, FT离散时间傅里叶变换 : Discrete Time Fourier Transform, DTFT傅里叶级数 : Fourier Series, FS离散傅里叶变换 : Discrete Fourier Transform, DFT
通过傅里叶级数,我们可以发现连续周期函数可以转换为一系列离散频率的波的叠加。
通过Z变换,我们可以发现时域的离散序列可以表示为频域里连续的周期函数。
我们可以发现傅里叶变换的一个对称性;
离散 ↔ 周期 \text{离散} \leftrightarrow \text{周期} 离散周期
时域离散,则频域周期;
时域周期,则频域离散;
时域非离散非周期,频域非离散非周期;
时域离散且周期,频域也离散且周期;
下面来具体分析一下这种对称性。


2. 具体分析

先从连续时间与连续频率出发,即一般的傅里叶变换
G ( ω ) = FT  ∫ − ∞ ∞ g ( t ) e − j ω t d t G( \omega ) \stackrel{\text{ FT }}{=} \int_{ -\infty }^{ \infty } g(t) e^{-j \omega t} \mathrm dt G(ω)= FT g(t)etdt
g ( t ) = IFT  ∫ − ∞ ∞ G ( ω ) e j ω t d ω g(t) \stackrel{\text{ IFT }}{=} \int_{ -\infty }^{ \infty } G( \omega ) e^{j \omega t} \mathrm d \omega g(t)= IFT G(ω)etdω
时域非离散非周期,频域非离散非周期。下面对时域信号进行采样,采样周期 T s {T_s} Ts ,采样 N {N} N 个点。则
g ( t ) → g ( n T s ) , n = 0 , 1 , 2 , ⋯ , N − 1 g(t) \to g(nT_s) \,\,,\,\, n=0,1,2,\cdots,N-1 g(t)g(nTs),n=0,1,2,,N1
g ( n T s ) = ∑ n = 0 N − 1 g ( t ) δ ( n T s ) g(nT_s)= \sum_{n=0}^{ N-1}g(t) \delta (nT_s) g(nTs)=n=0N1g(t)δ(nTs)
g ( n T s ) {g(nT_s)} g(nTs) 相当于从连续函数转化成了一系列冲激函数的叠加。将其代入一般的傅里叶变换,就得到了离散时间傅里叶变换(DTFT)的公式,或者说Z变换,对应离散时间与连续周期频率
G ( ω ) = DTFT  ∫ 0 ( N − 1 ) T s g ( t ) e − j ω t d t , t = n T s = g ( 0 ) e − j 0 + g ( T ) e − j ω T s + g ( 2 T ) e − j ω 2 T s + ⋯ + g ( ( N − 1 ) T ) e − j ω ( N − 1 ) T s = ∑ n = 0 N − 1 g ( n T s ) e − j ω n T s \begin{align*} G(\omega ) \stackrel{\text{ DTFT }}{=} & \int_{ 0 }^{ (N-1)T_s } g(t) e^{-j \omega t} \mathrm dt \,\,,\,\, t=nT_s \\ \\ =&g(0) e^{-j0}+g(T)e^{-j \omega T_s}+g(2T)e^{-j \omega 2T_s}+ \cdots +g((N-1)T)e^{-j \omega (N-1)T_s} \\ \\ =& \sum_{n=0}^{ N-1} g(nT_s)e^{-j \omega nT_s} \end{align*} G(ω)= DTFT ==0(N1)Tsg(t)etdt,t=nTsg(0)ej0+g(T)eTs+g(2T)e2Ts++g((N1)T)e(N1)Tsn=0N1g(nTs)ejωnTs
DTFT的频谱是连续的,频谱的周期通过观察DTFT的公式得到
G ( ω ) = G ( ω + ω p ) G(\omega )=G(\omega + \omega_p ) G(ω)=G(ω+ωp)
ω n T s = ω n T s + 2 π n = ( ω + 2 π T s ) n T s = ( ω + ω p ) n T s \begin{align*} \omega nT_s= \omega nT_s+2\pi n=(\omega + \frac{2\pi}{T_s})nT_s=(\omega + \omega _p)nT_s \end{align*} ωnTs=ωnTs+2πn=(ω+Ts2π)nTs=(ω+ωp)nTs
ω p = 2 π T s (1) \omega_p= \frac{2\pi}{T_s} \tag{1} ωp=Ts2π(1)
这个式子说明了傅里叶变换频域函数的周期与时域采样周期的关系。
再看傅里叶级数,傅里叶级数对应连续周期时间与离散频率,使用 T p {T_p} Tp 为周期的时域周期函数,则
g ( t ) = g ( t + T p ) g(t)=g(t+T_p) g(t)=g(t+Tp)
由傅里叶反变换的公式,有
e j ω t = e j ω ( t + T p ) e^{j \omega t}=e^{j \omega (t+T_p)} et=e(t+Tp)
∴ ω T p = 2 k π , k ∈ Z \therefore \omega T_p=2k\pi \,\,,\,\, k\in \mathbb Z ωTp=2,kZ
ω = 2 π T p k \omega = \frac{2\pi}{T_p} k ω=Tp2πk
ω s = 2 π T p (2) \omega_s=\frac{2\pi}{T_p} \tag{2} ωs=Tp2π(2)
这个式子说明了傅里叶变换时域函数的周期与频域采样周期的关系。
∴ G ( ω ) → G ( k ω s ) = ∑ k = − ∞ ∞ G ( ω ) δ ( k ω s ) \therefore G(\omega )\to G(k \omega_s) = \sum_{k=-\infty}^{ \infty} G(\omega ) \delta (k \omega_s) G(ω)G(kωs)=k=G(ω)δ(kωs)
代入傅里叶反变换的公式,就得到了周期信号傅里叶级数(Fourier Series)的公式:
g ( t ) = FS  ∫ − ∞ ∞ G ( ω ) e j ω t d ω , ω = k ω s = ∑ k = − ∞ ∞ G ( k ω s ) e j k ω s t \begin{align*} g(t) \stackrel{\text{ FS }}{=}& \int_{ -\infty }^{ \infty } G( \omega ) e^{j \omega t} \mathrm d \omega \,\,,\,\, \omega =k \omega_s \\ \\ =& \sum_{k=-\infty}^{ \infty}G(k \omega_s) e^{jk \omega_st} \end{align*} g(t)= FS =G(ω)etdω,ω=kωsk=G(kωs)ejkωst
将DTFT的有限长时间序列做为无限长周期时间序列的其中一个周期,即延拓成周期序列,再做傅里叶变换,得到的应该是离散且有周期性的频谱。这个变换就是离散傅里叶变换(DFT)。
综合式子(1)到(2),有:
1 T s = ω p 2 π 1 T p = ω s 2 π \begin{align*} \frac{1}{T_s} \tag{1} = \frac{\omega_p}{2\pi} \\ \frac{1}{T_p} \tag{2} = \frac{\omega_s}{2\pi} \end{align*} Ts1=2πωpTp1=2πωs(1)(2)
可以知道,时域一个周期内的离散点数量等于频域一个周期内的离散点数量,即
T p T s = ω p ω s = N (3) \frac{T_p}{T_s}= \frac{\omega_p}{\omega_s}=N \tag{3} TsTp=ωsωp=N(3)
所以我们只关注其中一个周期。设从 0 {0} 0 开始一个周期内有 N {N} N 个点,则
ω = 0 , 2 π T p , 2 π T p × 2 , ⋯ , 2 π T p × k , ⋯ , 2 π T p × ( N − 1 ) \omega =0 , \frac{2\pi}{T_p} , \frac{2\pi}{T_p}\times 2 , \cdots , \frac{2\pi}{T_p} \times k , \cdots , \frac{2\pi}{T_p}\times (N-1) ω=0,Tp2π,Tp2π×2,,Tp2π×k,,Tp2π×(N1)
代入DTFT的公式,就得到DFT的公式:
G ( k ω s ) = DFT  ∑ n = 0 N − 1 g ( n T s ) e − j 2 π T p k n T s = ∑ n = 0 N − 1 g ( n T s ) e − j 2 π N k n \begin{align*} G(k \omega_s ) \stackrel{\text{ DFT }}{=} &\sum_{n=0}^{ N-1} g(nT_s)e^{-j \frac{\large 2\pi}{\large T_p}k nT_s} \\ \\ =&\sum_{n=0}^{ N-1} g(nT_s)e^{-j \frac{\large 2\pi}{\large N}k n} \end{align*} G(kωs)= DFT =n=0N1g(nTs)ejTp2πknTsn=0N1g(nTs)ejN2πkn
请添加图片描述


3. 序列的序号表示的DFT

通过序列的序号表示DFT,即
g ( n T s ) → g [ n ] G ( k ω s ) → G [ k ] \begin{align*} g(nT_s)\to g[n]\\ \\ G(k\omega_s ) \to G[k] \end{align*} g(nTs)g[n]G(kωs)G[k]
设从 0 {0} 0 开始一个周期内有 N {N} N 个点,则
T s ′ = 1 , ω p ′ = 2 π T_s'=1 \,\,,\,\, \omega_p'=2\pi Ts=1,ωp=2π
T p ′ = N , ω s ′ = 2 π N T_p'=N \,\,,\,\, \omega_s'= \frac{2\pi}{N} Tp=N,ωs=N2π
从而可以推出序列序号表示DFT的时间、频率与真实时间、频率之间的关系:
T s = T p N T s ′ T_s= \frac{T_p}{N} T_s' Ts=NTpTs
ω s = N T p ω s ′ \omega_s= \frac{N}{T_p} \omega_s' ωs=TpNωs
T p = T p N T p ′ T_p= \frac{T_p}{N}T_p' Tp=NTpTp
ω p = N T p ω p ′ \omega_p = \frac{N}{T_p} \omega_p' ωp=TpNωp
序列序号表示的DFT如下:
G [ k ] = DFT  ∑ n = 0 N − 1 g [ n ] e − j 2 π N k n , k = 0 , 1 , ⋯ , N − 1 G[k] \stackrel{\text{ DFT }}{=} \sum_{n=0}^{ N-1} g[n]e^{-j \frac{\large 2\pi}{\large N} kn} \,\,,\,\, k=0,1, \cdots ,N-1 G[k]= DFT n=0N1g[n]ejN2πkn,k=0,1,,N1
n {n} n 个点的真实时间为
n T s = n T p N nT_s=n \frac{T_p}{N} nTs=nNTp
k {k} k 个点的真实频率为
k ω s = k N T p ⋅ 2 π N = k 2 π T p k \omega_s=k \frac{N}{T_p}\cdot \frac{2\pi}{N}=k \frac{2\pi}{T_p} kωs=kTpNN2π=kTp2π


下链

[[DFT与FFT]]


本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.hqwc.cn/news/212862.html

如若内容造成侵权/违法违规/事实不符,请联系编程知识网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Qt/QML编程学习之心得:一个Qt工程的学习笔记(九)

1、.pro文件 加CONFIG += c++11,才可以使用Lamda表达式(一般用于connect的内嵌槽函数) 2、QWidget 这是Qt新增加的一个类,基类,窗口类,QMainWindow和QDialog都继承与它。 3、Main函数 QApplication a应用程序对象,有且仅有一个 a.exec() 进行消息循环、阻塞 MyWi…

Maven 简单配置阿里云镜像

配置步骤&#xff1a; 1、找到 maven 的安装目录&#xff0c;修改settings.xml 2、在文件中找到<mirrors>标签&#xff0c;然后再标签中添加阿里云配置即可 <mirror><id>aliyunmaven</id><mirrorOf>*</mirrorOf><name>阿里云公共…

基于5G+物联网+SaaS+AI的农业大数据综合解决方案:PPT全文44页,附下载

关键词&#xff1a;智慧农业大数据&#xff0c;5G智慧农业&#xff0c;物联网智慧农业&#xff0c;SaaS智慧农业&#xff0c;AI智慧农业&#xff0c;智慧农业大数据平台 一、智慧农业大数据建设背景 1、应对全球人口快速增长带来的粮食生产压力&#xff0c;未来的粮食生产力必…

upload-labs关卡13(基于白名单的0x00截断绕过)通关思路

文章目录 前言一、回顾上一关知识点二、靶场第十三关通关思路1、看源代码2、bp进行0x00截断绕过3、蚁剑连接 总结 前言 此文章只用于学习和反思巩固文件上传漏洞知识&#xff0c;禁止用于做非法攻击。注意靶场是可以练习的平台&#xff0c;不能随意去尚未授权的网站做渗透测试…

react中的state

没想到hooks中也有state这一说法 看下面的两个案例 1、无state变化不会执行父子函数 2、有state更改执行父子函数

一个千古名方,可治一切目疾!近视眼也可治!常服还可益寿延年!

1 人有三宝&#xff0c;曰精气神&#xff0c;两目有神&#xff0c;眼光清澈&#xff0c;精力自然也旺盛&#xff0c;反之&#xff0c;眼部出现问题&#xff0c;总是要找肝和肾问责的。 《黄帝内经》曰&#xff1a;肝开窍于目&#xff0c;目受血而能视。肝藏血&#xff0c;只有…

linux下磁盘分区、挂载实操

文章目录 一、磁盘分区1.查看磁盘分区情况2.使用fdisk进行分区&#xff08;2T以下&#xff09;3.删除分区4.使用parted对磁盘进行分区&#xff08;大于2T&#xff09; 二、磁盘格式化1.格式化文件系统2.关闭文件系统自检3.禁止检查磁盘文件系统&#xff0c;开机修复错误 三、磁…

2023年【四川省安全员B证】找解析及四川省安全员B证作业模拟考试

题库来源&#xff1a;安全生产模拟考试一点通公众号小程序 四川省安全员B证找解析是安全生产模拟考试一点通总题库中生成的一套四川省安全员B证作业模拟考试&#xff0c;安全生产模拟考试一点通上四川省安全员B证作业手机同步练习。2023年【四川省安全员B证】找解析及四川省安…

vue2生命周期

前言 vue的生命周期其实可以分为两块,一个是vue实例的生命周期,一个是组件的生命周期。 vue实例的生命周期方法共有4个:$mout,$forceUpdate,$nextTick,$destroy vue组件的生命周期钩子共有8个:beforeCreate,created,beforeMount,mounted,beforeUpdate, updated,beforeDestr…

基于JavaWeb+SSM+Vue微信阅读小程序的设计和实现

基于JavaWebSSMVue微信阅读小程序的设计和实现 源码获取入口Lun文目录前言主要技术系统设计功能截图订阅经典源码专栏[Java 源码获取 源码获取入口 Lun文目录 第1章 绪论 1 1.1 课题背景 1 1.2 课题意义 1 1.3 研究内容 1 第2章 开发环境与技术 3 2.1 MYSQL数据库 3 2.2 JSP技…

UDP客户端使用connect与UDP服务器使用send函数和recv函数收发数据

服务器代码编译运行 服务器udpconnectToServer.c的代码如下&#xff1a; #include<stdio.h> #include<stdlib.h> #include<string.h> #include<unistd.h> #include<arpa/inet.h> #include<sys/socket.h> #include<errno.h> #inclu…

HCIP---MPLS---LDP

文章目录 前言一、pandas是什么&#xff1f;二、使用步骤 1.引入库2.读入数据总结 前言 MPLS 基于标签转发表进行转发&#xff0c;与路由表类似&#xff0c;标签转发表有两种获取渠道&#xff1a;一是手动配置(类似静态路由)&#xff0c;二是通过协议自动学习(类似OSPF)。手动配…