离散傅里叶变换公式推导

离散傅里叶变换公式推导离散傅里叶变换公式推导先抛变换公式:Fm=∑n=0N−1fne−2πimn/N↔fn=1N∑m=0N−1Fme2πimn/NF_m=\sum_{n=0}^{N-1}f_ne^{-2\piimn/N}\leftrightarrowf_n=\frac{1}{N}\sum_{m=0}^{N-1}F_me^{2\piimn/N}Fm​=n=0∑N−1​fn​e−2πimn/N↔fn​=N1​m=0∑N−1​Fm​e2πimn/N式中的N是数据点个数讲道理一开始完全看不懂公式这么来的,一顿百度后我学

大家好,又见面了,我是你们的朋友全栈君。

离散傅里叶变换公式推导

先抛变换公式:
F m = ∑ n = 0 N − 1 f n e − 2 π i m n / N ↔ f n = 1 N ∑ m = 0 N − 1 F m e 2 π i m n / N F_m=\sum_{n=0}^{N-1}f_ne^{-2\pi imn/N}\leftrightarrow f_n=\frac{1}{N}\sum_{m=0}^{N-1}F_me^{2\pi imn/N} Fm=n=0N1fne2πimn/Nfn=N1m=0N1Fme2πimn/N
式中的N是数据点个数
讲道理一开始完全看不懂公式这么来的,一顿百度后我学到了很多,但就是没学到怎么推公式。好吧只能自己推。
先来看一下DFT的物理意义:DFT示意图
(图我网上随便下的)
离散傅里叶变换是把周期性离散信号变换到频域上,大家知道,周期信号变到频域上是离散的。离散就是在个别点 { x n } \{x_n\} {
xn}
有值。我是学物理的,物理里面离散的可以这么表示:
f ( x ) = ∑ n = 0 N − 1 f n δ ( x − x n ) f(x)=\sum_{n=0}^{N-1}f_n\delta(x-x_n) f(x)=n=0N1fnδ(xxn)
δ ( x ) \delta(x) δ(x)是个在 x = 0 x=0 x=0处无穷大,其余位置为0且全空间积分为1的函数 ∫ − ∞ ∞ δ ( x ) d x = 1 \int_{-\infty}^{\infty}\delta(x)dx=1 δ(x)dx=1

周期性信号变到频域上,那不就是傅里叶级数吗。自然有公式
F m = ∫ − T T ∑ n = 0 N − 1 f n δ ( x − x n ) e − i x k m d x = ∑ n = 0 N − 1 ∫ f n δ ( x − x n ) e − i x k m d x = ∑ n = 0 N − 1 f n e − i x n k m \begin{aligned} F_m &= \int_{-T}^{T}\sum_{n=0}^{N-1}f_n\delta(x-x_n)e^{-ixk_m}dx \\&=\sum_{n=0}^{N-1}\int f_n\delta(x-x_n)e^{-ixk_m}dx \\&=\sum_{n=0}^{N-1}f_ne^{-ix_nk_m} \end{aligned} Fm=TTn=0N1fnδ(xxn)eixkmdx=n=0N1fnδ(xxn)eixkmdx=n=0N1fneixnkm
接下来我们假设 d x , d k dx,dk dx,dk分别是 { x n } \{x_n\} {
xn}
, { k n } \{k_n\} {
kn}
的间距,那么:
x n = n d x , k m = m d k x_n=ndx,\qquad k_m = mdk xn=ndx,km=mdk
代入上式:
F m = ∑ n = 0 N − 1 f n e − i x n k m = ∑ n = 0 N − 1 f n e − i m n d x d k \begin{aligned} F_m &=\sum_{n=0}^{N-1}f_ne^{-ix_nk_m} \\&=\sum_{n=0}^{N-1}f_ne^{-imndxdk} \end{aligned} Fm=n=0N1fneixnkm=n=0N1fneimndxdk
是不是和最上面的式子很接近了?还差最后一步,确定 d x d k dxdk dxdk的值。
下面我懒得写了,只说一下做法吧

  1. 先写出 F m F_m Fm f n f_n fn的逆变换,
    f n = c ∑ n = 0 N − 1 F m e i m n d x d k f_n = c\sum_{n=0}^{N-1}F_me^{imndxdk} fn=cn=0N1Fmeimndxdk
    c c c是个系数,之后应该能计算出是 1 / N 1/N 1/N
  2. 把上面的 F m F_m Fm表达式带进去,就能得到用 f n ′ f_{n’} fn求和表达的 f n f_n fn,这要求 d x d k dxdk dxdk满足一定关系,其实就是满足 d x d k = 2 π N dxdk = \frac{2\pi}{N} dxdk=N2π
  3. 最后把公式里的 d x d k dxdk dxdk替换就完事了

这个公式推导倒是不难,主要问题是理解不要出现偏差。所谓离散傅里叶变换是把周期离散信号变换到周期离散频谱,这是真的离散信号。一开始我以为是连续信号在某些给定点采样得到的值呢(没有学过信号相关的内容,在计算物理中遇到了这个离散傅里叶变换)。

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。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。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。

发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/160837.html原文链接:https://javaforall.cn

【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛

【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...

(0)


相关推荐

  • 卷积神经网络常用模型_keras 卷积 循环 多分类

    卷积神经网络常用模型_keras 卷积 循环 多分类刚刚接触到深度学习,前2个月的时间里,我用一维的卷积神经网络实现了对于一维数据集的分类和回归。由于在做这次课题之前,我对深度学习基本上没有过接触,所以期间走了很多弯路。在刚刚收到题目的要求时,我选择使用TensorFlow来直接编写函数,结果由于没有什么基础,写了一个周我就放弃了,改用keras来完成我的任务。用keras来搭建神经网络其实很简单。网络的前面部分都是在提取一维信号的特征…

  • linux ll命令时间,Linux ll命令显示年月日 时分秒

    linux ll命令时间,Linux ll命令显示年月日 时分秒[root@linuxboot]#ls-lh–time-style=+”%Y-%m-%d%H:%M:%S”total13M-rw-r–r–1rootroot69K2011-01-1406:40:04config-2.6.18-238.el5PAE-rw-r–r–1rootroot69K2016-09-0606:26:21config-2.6….

  • 渗透测试技术_Nessus工具(二) _漏洞扫描工具 Nessus的使用教程

    渗透测试技术_Nessus工具(二) _漏洞扫描工具 Nessus的使用教程漏洞扫描工具Nessus的使用教程1、Nessus使用教程1.1、Nessus登录在浏览器中访问:https://{服务器IP}:8834例如访问:https://10.1.1.191:8834/输入你注册的账号密码进行登录,例如:nessus_casb/liaxx,进入主页面。1.2、新建1个主机扫描1.2.1、点击右上角的”NewScan”新建一个扫描1.2.2、选择“BasicNetworkScan”,进行配置项目名称,对项目的描述,以及最重要的目标I.

    2022年10月18日
  • PyCharm激活码永久有效PyCharm2017.2.6激活码教程-持续更新,一步到位

    PyCharm激活码永久有效PyCharm2017.2.6激活码教程-持续更新,一步到位PyCharm激活码永久有效2017.2.6激活码教程-Windows版永久激活-持续更新,Idea激活码2017.2.6成功激活

  • Java学习之Hibernate框架使用

    Java学习之Hibernate框架使用0x00前言以我看来Hibernate的使用频率其实还是比较可观的,但都说Hibernate比较笨重,这里来学习一波,做个简单记录。0x01使用流程

    2021年12月13日
  • android之cannot convert from Fragment1 to Fragment

    在写一个音乐播放器的时候,用到了fragment,结果在需要返回Fragment的方法里面,无法将Fragment1(Fragment的子类)强制转换成Fragment,很是纳闷,我是参照一个开源代码来做的,源码里面很正常,我这里却报错,后来才发现,是对包的导入出现了差错,在Fragment1中导入的是android.app.Fragment而在出错的那个类里面是用android.su

发表回复

您的电子邮箱地址不会被公开。

关注全栈程序员社区公众号