傅里叶变换离散傅里叶变换

傅里叶级数

$f(t)$ 是周期为T的周期函数，在周期 $[-\frac{T}{2},\frac{T}{2}]$ 内满足狄利克雷条件
则 $f(t)$ 可以表示为：
$f(t)=C+\sum_{n=1}^{\infty} (a_n \cdot sin(\frac{2 \pi n}{T}t)+b_n \cdot cos(\frac{2 \pi n}{T}t))$

函数向量的点积是这么定义的：
$\vec{f(x)}\cdot\vec{g(x)}=\int^T_0 f(x)g(x)dx$
正交定义为：
$\vec{f(x)}\cdot\vec{g(x)}=0$
则向量函数 $f(t)$ 的正交基为 $[1,sin(\frac{2 \pi n}{T}t), cos(\frac{2 \pi n}{T}t)]$ ，而 $[C,a_n,b_n]$ 则是向量函数 $f(t)$ 在正交基中的坐标。

图片.png

\vec{u}

、

\vec{v}

是正交基，则

\vec{w}

在

\vec{u}

的坐标可以表示为：

\alpha=\frac{\vec{w}\cdot\vec{u}}{\vec{u}\cdot\vec{u}}

同样的，

a_n=\frac{\vec{f(t)}\cdot\vec{cos(\frac{2 \pi n}{T}t)}}{\vec{cos(\frac{2 \pi n}{T}t)}\cdot\vec{cos(\frac{2 \pi n}{T}t)}}

a_n=\frac{\int^{\frac{T}{2}}_{-\frac{T}{2}} f(t)cos(\frac{2 \pi n}{T}t)dt}{\int^{\frac{T}{2}}_{-\frac{T}{2}} cos^2(\frac{2 \pi n}{T}t)dt}

a_n=\frac{2}{T}\int^{\frac{T}{2}}_{-\frac{T}{2}} f(t)cos(\frac{2 \pi n}{T}t)dt

b_n=\frac{\vec{f(t)}\cdot\vec{sin(\frac{2 \pi n}{T}t)}}{\vec{sin(\frac{2 \pi n}{T}t)}\cdot\vec{sin(\frac{2 \pi n}{T}t)}}

b_n=\frac{\int^{\frac{T}{2}}_{-\frac{T}{2}} f(t)sin(\frac{2 \pi n}{T}t)dt}{\int^{\frac{T}{2}}_{-\frac{T}{2}} sin^2(\frac{2 \pi n}{T}t)dt}

b_n=\frac{2}{T}\int^{\frac{T}{2}}_{-\frac{T}{2}} f(t)sin(\frac{2 \pi n}{T}t)dt

C=\frac{a_0}{2}

则

f(t)

傅里叶级数展开可以表示为：

f(t)=\frac{a_0}{2}+\sum_{n=1}^{\infty} (a_n \cdot sin(\frac{2 \pi n}{T}t)+b_n \cdot cos(\frac{2 \pi n}{T}t))

a_n=\frac{2}{T}\int^{\frac{T}{2}}_{-\frac{T}{2}} f(t)cos(\frac{2 \pi n}{T}t)dt

b_n=\frac{2}{T}\int^{\frac{T}{2}}_{-\frac{T}{2}} f(t)sin(\frac{2 \pi n}{T}t)dt

傅里叶级数的指数形式

根据欧拉公式
$e^{i\theta}=cos(\theta)+i \cdot sin(\theta)$
可得：
$cos \theta = \frac{e^{i \theta}+e^{-i \theta}}{2}$
$sin \theta = \frac{e^{i \theta}-e^{-i \theta}}{2i}$
$f(t)=\frac{a_0}{2}+\sum_{n=1}^{\infty} (a_n \cdot \frac{e^{i (\frac{2 \pi n}{T})t}+e^{-i (\frac{2 \pi n}{T})t}}{2}+b_n \cdot \frac{e^{i (\frac{2 \pi n}{T})t}-e^{-i (\frac{2 \pi n}{T})t}}{2i})$
$f(t)=\frac{a_0}{2}+\sum_{n=1}^{\infty} (\frac{a_n-i b_n}{2}e^{i (\frac{2 \pi n}{T})t}+\frac{a_n+ib_n}{2}e^{-i (\frac{2 \pi n}{T})t})$
令 $c_0=\frac{1}{T}\int^{\frac{T}{2}}_{-\frac{T}{2}}f(t)dt$
$c_n=\frac{a_n-i b_n}{2}=\frac{1}{T}\int^{\frac{T}{2}}_{-\frac{T}{2}}f(t)e^{-i (\frac{2 \pi n}{T})t}dt$
$c_{-n}=\frac{a_n+i b_n}{2}=\frac{1}{T}\int^{\frac{T}{2}}_{-\frac{T}{2}}f(t)e^{i (\frac{2 \pi n}{T})t}dt$
综合 $c_0$ 、 $c_n$ 、 $c_{-n}$ ，指数形式的傅里叶级数展开可以表示为：
$f(t)=\frac{1}{T}\sum_{n=-\infty}^{\infty}[\int^{\frac{T}{2}}_{-\frac{T}{2}}f(\tau)e^{-i (\frac{2 \pi n}{T})\tau}d\tau]e^{i (\frac{2 \pi n}{T})t}$

傅里叶积分定理

任何一个非周期函数可以看成 $T\rightarrow +\infty$ 的周期函数，所以对于任意的函数有：
$f(t)=\frac{1}{2\pi}\int_{-\infty}^{\infty}[\int^{\infty}_{-\infty}f(\tau)e^{-i \omega\tau}d\tau]e^{i \omega t}d\omega$
其中 $\omega = \frac{2 \pi }{T}$

傅里叶变换

$F(\omega)=\int^{\infty}_{-\infty}f(t)e^{-i \omega t}dt$
$G(f)=\int^{\infty}_{-\infty}g(t)e^{-i 2\pi f t}dt$

逆傅里叶变换

$f(t)=\frac{1}{2\pi}\int_{-\infty}^{\infty}F(\omega)e^{i \omega t}d\omega$

离散傅里叶变换 DFT

$G(f)=\sum^{\infty}_{k=-\infty}g(k\Delta t)e^{-i 2\pi f k\Delta t}$
对于有限长度为N的信号：
$G(p)=\sum^{N-1}_{k=0}g(k)e^{-i 2\pi \frac{p}{N} k}$
采样频率 $f_s=\frac{N}{T}$ ，频率 $G(p)$ 的取值也是离散的，取0、 $\frac{1}{N}f_s$ 、 $\frac{2}{N}f_s$ 、 $\cdots$ 、 $\frac{p}{N}f_s$ 、 $\cdots$ 、 $\frac{1}{2}f_s$
$G(p)=\sum^{N-1}_{k=0}g(k)e^{-i 2\pi \frac{p}{N} k}=\sum^{N-1}_{k=0}g(k)W_N^{pk}$
$W_N=e^{-i 2\pi \frac{1}{N}}$
首先,离散付立叶变换的定义本身比连续付立叶变换少了一个dt(采样时间间隔）；
然后,对于单频率成分的信号来说,经过矩形窗截断后的频谱在其信号频率处将放大T（做谱时间长度）倍,同样,对于相隔较远的多频率成分信号来说,相应的频率成分的幅值均将因截断而被放大T倍.
综合考虑这两种原因的话,也就是说我们用FFT做出的谱实际上是放大了T/dt=N（做谱点数）倍,因此,必须将此结果除以N.
单边谱乘以2就是实际的幅值

采样定律

处理的是离散的时域信号，相当于时域信号与采样函数（周期单位的脉冲函数，多个偏移量不同的脉冲信号加和，单位脉冲信号经傅里叶变换后恒为1）相乘，根据傅里叶变换的乘法定律，变换后的频域函数会以采样频率 $f_s$ 重复.
根据奈奎斯特采样定律，如果信号的频率范围是 $-f_{max}$ ~ $f_{max}$ ，采样频率要高于 $2f_{max}$ ，才不会发生混叠。

最后编辑于：2018.11.11 14:41:03

人面猴
序言：七十年代末，一起剥皮案震惊了整个滨河市，随后出现的几起案子，更是在滨河造成了极大的恐慌，老刑警刘岩，带你破解...
沈念sama阅读 159,569评论 4赞 363
死咒
序言：滨河连续发生了三起死亡事件，死亡现场离奇诡异，居然都是意外死亡，警方通过查阅死者的电脑和手机，发现死者居然都...
沈念sama阅读 67,499评论 1赞 294
救了他两次的神仙让他今天三更去死
文/潘晓璐我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
开封第一讲书人阅读 109,271评论 0赞 244
道士缉凶录：失踪的卖姜人
文/不坏的土叔我叫张陵，是天一观的道长。经常有香客问我，道长，这世上最难降的妖魔是什么？我笑而不...
开封第一讲书人阅读 44,087评论 0赞 209
港岛之恋（遗憾婚礼）
正文为了忘掉前任，我火速办了婚礼，结果婚礼上，老公的妹妹穿的比我还像新娘。我一直安慰自己，他们只是感情好，可当我...
茶点故事阅读 52,474评论 3赞 287
恶毒庶女顶嫁案：这布局不是一般人想出来的
文/花漫我一把揭开白布。她就那样静静地躺着，像睡着了一般。火红的嫁衣衬着肌肤如雪。梳的纹丝不乱的头发上，一...
开封第一讲书人阅读 40,670评论 1赞 222
城市分裂传说
那天，我揣着相机与录音，去河边找鬼。笑死，一个胖子当着我的面吹牛，可吹牛的内容都是我干的。我是一名探鬼主播，决...
沈念sama阅读 31,911评论 2赞 313
双鸳鸯连环套：你想象不到人心有多黑
文/苍兰香墨我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
开封第一讲书人阅读 30,636评论 0赞 202
万荣杀人案实录
序言：老挝万荣一对情侣失踪，失踪者是张志新（化名）和其女友刘颖，没想到半个月后，有当地人在树林里发现了一具尸体，经...
沈念sama阅读 34,397评论 1赞 246
护林员之死
正文独居荒郊野岭守林人离奇死亡，尸身上长有42处带血的脓包…… 初始之章·张勋以下内容为张勋视角年9月15日...
茶点故事阅读 30,607评论 2赞 246
白月光启示录
正文我和宋清朗相恋三年，在试婚纱的时候发现自己被绿了。大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
茶点故事阅读 32,093评论 1赞 261
活死人
序言：一个原本活蹦乱跳的男人离奇死亡，死状恐怖，灵堂内的尸体忽然破棺而出，到底是诈尸还是另有隐情，我是刑警宁泽，带...
沈念sama阅读 28,418评论 2赞 254
日本核电站爆炸内幕
正文年R本政府宣布，位于F岛的核电站，受9级特大地震影响，放射性物质发生泄漏。R本人自食恶果不足惜，却给世界环境...
茶点故事阅读 33,074评论 3赞 237
男人毒药：我在死后第九天来索命
文/蒙蒙一、第九天我趴在偏房一处隐蔽的房顶上张望。院中可真热闹，春花似锦、人声如沸。这庄子的主人今日做“春日...
开封第一讲书人阅读 26,092评论 0赞 8
一桩弑父案，背后竟有这般阴谋
文/苍兰香墨我抬头看了看天上的太阳。三九已至，却和暖如春，着一层夹袄步出监牢的瞬间，已是汗流浃背。一阵脚步声响...
开封第一讲书人阅读 26,865评论 0赞 196
情欲美人皮
我被黑心中介骗来泰国打工，没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留，地道东北人。一个月前我还...
沈念sama阅读 35,726评论 2赞 276
代替公主和亲
正文我出身青楼，却偏偏与公主长得像，于是被迫代替她去往敌国和亲。传闻我的和亲对象是个残疾皇子，可洞房花烛夜当晚...
茶点故事阅读 35,627评论 2赞 270

傅里叶变换 离散傅里叶变换