离散傅里叶变换和离散时间傅里叶变换_离散傅里叶变换求相位

离散傅里叶变换和离散时间傅里叶变换_离散傅里叶变换求相位1.离散时间傅里叶变换的导出针对离散时间非周期序列,为了建立它的傅里叶变换表示,我们将采用与连续情况下完全类似的步骤进行。考虑某一序列$x[n]$,它具有有限持续期;也就是说,对于某个整数$

大家好,又见面了,我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。

Jetbrains全系列IDE使用 1年只要46元 售后保障 童叟无欺

1. 离散时间傅里叶变换的导出

针对离散时间非周期序列,为了建立它的傅里叶变换表示,我们将采用与连续情况下完全类似的步骤进行。

考虑某一序列 \(x[n]\),它具有有限持续期;也就是说,对于某个整数 \(N_1\)\(N_2\),在 $ -N_1 \leqslant N \leqslant N_2$ 以外,\(x[n]=0\)。下图给出了这种类型的一个信号。

离散傅里叶变换和离散时间傅里叶变换_离散傅里叶变换求相位

由这个非周期信号可以构成一个周期序列 \(\tilde x[n]\),使 \(x[n]\) 就是 \(\tilde x[n]\) 的一个周期。随着 \(N\) 的增大,\(x[n]\) 就在一个更长的时间间隔内与 \(\tilde x[n]\) 相一致。而当 \(N\to \infty\),对任意有限时间值 \(n\) 而言,有 \(\tilde x[n]=x[n]\)

现在我们来考虑一下 \(\tilde x[n]\) 的傅里叶级数表示式

\[\tag{1}\tilde x[n] = \sum_{k=(N)}a_ke^{jk{(2\pi/N)}n} \]

\[\tag{2}a_k = \frac{1}{N} \sum_{n=(N)} \tilde x[n]e^{-jk{(2\pi/N)}n} \]

因为在 $ -N_1 \leqslant N \leqslant N_2$ 区间的一个周期上 \(\tilde x[n]=x[n]\),因此我们将上式的求和区间就选在这个周期上

\[\tag{3}a_k = \frac{1}{N} \sum_{n=-N_1}^{N_2} x[n]e^{-jk{(2\pi/N)}n} = \frac{1}{N} \sum_{n=-\infty}^{+\infty} x[n]e^{-jk{(2\pi/N)}n} \]

现定义函数

\[\tag{4}X(e^{j\omega})=\sum_{n=-\infty}^{+\infty}x[n]e^{-j\omega n} \]

可见这些系数 \(a_k\) 正比于 \(X(e^{j\omega})\) 的各样本值,即

\[\tag{5}a_k = \frac{1}{N}X(e^{jk\omega_0}) \]

式中,\(\omega_0=2\pi/N\) 用来记作在频域中的样本间隔。将(1) 和 (5)结合在一起,\(\tilde x[n]\) 就可以表示为

\[\tag{6}\tilde x[n] = \sum_{k=(N)} \frac{1}{N}X(e^{jk\omega_0})e^{jk\omega_0n} = \frac{1}{2\pi}\sum_{k=(N)} X(e^{jk\omega_0})e^{jk\omega_0n}\omega_0 \]

随着 \(N\to \infty\)\(\tilde x[n]\) 趋近于 \(x[n]\),式(6)的极限就变成 \(x[n]\) 的表达式。再者,当 \(N\to \infty\) 时,有 \(\omega_0\to 0\),式(6)的右边就过渡为一个积分。

离散傅里叶变换和离散时间傅里叶变换_离散傅里叶变换求相位

右边的每一项都可以看作是高度为 \(X(e^{jk\omega_0})e^{jk\omega_0n}\) 宽度为 \(\omega_0\) 的矩形的面积。而且,因为这个求和是在 \(N\)\(\omega_0=2\pi/N\) 的间隔内完成的,所以总的积分区间总是有一个 \(2\pi\) 的宽度。式(6)和式(4)就分别变成

\[\tag{7}\boxed{ x[n]=\frac{1}{2\pi}\int_{2\pi} X(e^{j\omega})e^{j\omega n}d\omega} \]

\[\tag{8}\boxed{X(e^{j\omega})=\sum_{n=-\infty}^{+\infty}x[n]e^{-j\omega n}} \]

(7)式和 (8)式被称为离散时间傅里叶变换对。函数 \(X(j\omega)\) 称为 \(X(t)\)离散时间傅里叶变换,也通常被称为频谱

  • 例 1
    离散傅里叶变换和离散时间傅里叶变换_离散傅里叶变换求相位

  • 例 2
    离散傅里叶变换和离散时间傅里叶变换_离散傅里叶变换求相位

2. 周期信号的傅里叶变换

考虑如下信号

\[\tag{9} x[n] = e^{j\omega_0 n} \]

其傅里叶变换是如下的冲激串

\[\tag{10}X(e^{j\omega}) = \sum_{l=-\infty}^{+\infty}2\pi\delta(\omega-\omega_0-2\pi l) \]

离散傅里叶变换和离散时间傅里叶变换_离散傅里叶变换求相位

为了验证该式,必须求出其对应的反变换

\[\tag{11} \frac{1}{2\pi}\int_{2\pi} X(e^{j\omega}) e^{j\omega n}d\omega = \frac{1}{2\pi}\int_{2\pi} \sum_{l=-\infty}^{+\infty}2\pi\delta(\omega-\omega_0-2\pi l) e^{j\omega n}d\omega \]

注意,在任意一个长度为 \(2\pi\) 的积分区间内,在上式的和中真正包括的只有一个冲激,因此,如果所选的积分区间包含在 \(\omega_0+2\pi r\) 处的冲激,那么

\[\tag{12} \frac{1}{2\pi}\int_{2\pi} X(e^{j\omega}) e^{j\omega n}d\omega = e^{j(\omega_0+2\pi r) n} = e^{j\omega_0 n} \]

现在考虑一周期序列 \(x[n]\),周期为 \(N\),其傅里叶级数为

\[\tag{13} x[n] = \sum_{k=(N)} a_k e^{jk(2\pi/N)n} \]

这时,傅里叶变换就是

\[\tag{14} X(e^{j\omega}) = \sum_{k=-\infty}^{+\infty} {2\pi} a_k \delta (\omega-\frac{2\pi k}{N}) =\sum_{l=-\infty}^{+\infty} \sum_{k=(N)}{2\pi} a_k \delta (\omega – k\omega_0 – 2\pi l) \]

这样,一个周期信号的傅里叶变换就能直接从它的傅里叶级数系数得到。

离散傅里叶变换和离散时间傅里叶变换_离散傅里叶变换求相位

离散傅里叶变换和离散时间傅里叶变换_离散傅里叶变换求相位

3. 离散时间傅里叶变换性质

为了方便,我们将 \(x[n]\)\(X(e^{j\omega})\) 这一对傅里叶变换用下列符号表示

\[x[n] \overset{{\displaystyle {\mathcal {F}}}}{\leftrightarrow} X(e^{j\omega}) \]

3.1. 离散时间傅里叶变换的周期性

\[\tag{15} \boxed{ X(e^{j(\omega+2\pi)}) = X(e^{j\omega})} \]

3.2. 线性

\[x_1[n] \overset{{\displaystyle {\mathcal {F}}}}{\leftrightarrow} X_1(e^{j\omega}) \]

\[x_2[n] \overset{{\displaystyle {\mathcal {F}}}}{\leftrightarrow} X_2(e^{j\omega}) \]

\[\tag{16} \boxed{ ax_1[n]+bx_2[n] \overset{{\displaystyle {\mathcal {F}}}}{\leftrightarrow} aX_1(e^{j\omega})+bX_2(e^{j\omega})} \]

3.3. 时移与频移性质

\[x[n] \overset{{\displaystyle {\mathcal {F}}}}{\leftrightarrow} X(e^{j\omega}) \]

\[\tag{17} \boxed{ x[n-n_0] \overset{{\displaystyle {\mathcal {F}}}}{\leftrightarrow} e^{-j\omega n_0}X(e^{j\omega})} \]

\[\tag{18} \boxed{ e^{j\omega_0 n}x[n] \overset{{\displaystyle {\mathcal {F}}}}{\leftrightarrow} X(e^{j(\omega-\omega_0)})} \]

3.4. 共轭及共轭对称性

\[x[n] \overset{{\displaystyle {\mathcal {F}}}}{\leftrightarrow} X(e^{j\omega}) \]

\[\tag{19} \boxed{ x^*[n] \overset{{\displaystyle {\mathcal {F}}}}{\leftrightarrow} X^*(e^{-j\omega})} \]

共轭性质就能证明,若 \(x(t)\) 为实函数,那么 \(X(j\omega)\) 就具有共轭对称性,即

\[\tag{20} \boxed{ X(e^{j\omega}) = X^*(e^{-j\omega}) \qquad [x[n] 为实]} \]

这就是说,离散傅里叶变换的实部是频率的偶函数,而虚部则是频率的奇函数

3.5. 差分与累加

\[\tag{21} \boxed{ x[n]-x[n-1] \overset{{\displaystyle {\mathcal {F}}}}{\leftrightarrow} (1-e^{-j\omega}) X(e^{j\omega})} \]

\[\tag{22} \boxed{ \sum_{m=-\infty}^{n}x[m] \overset{{\displaystyle {\mathcal {F}}}}{\leftrightarrow} \frac{1}{1-e^{-j\omega}} X(e^{j\omega})+\pi X(e^{j0}) \sum_{k=-\infty}^{+\infty}\delta(\omega-2\pi k)} \]

3.6. 时间反转

\[\tag{23} \boxed{ x[-n] \overset{{\displaystyle {\mathcal {F}}}}{\leftrightarrow} X(e^{-j\omega})} \]

3.7. 时域扩展

若令 是一个正整数,并且定义

\[\tag{24} x_{(k)}[n] = \begin{cases} x[n/k] &\text 当\space n \space为\space k\space的整数倍 \\ 0, &\text 当\space n \space不为\space k\space的整数倍 \end{cases}\]

离散傅里叶变换和离散时间傅里叶变换_离散傅里叶变换求相位

\[\tag{25} \boxed{ x_{(k)}[n] \overset{{\displaystyle {\mathcal {F}}}}{\leftrightarrow} X(e^{jk\omega})} \]

3.8. 频域微分

\[\tag{26} \boxed{nx[n] \overset{{\displaystyle {\mathcal {F}}}}{\leftrightarrow} j\frac{dX(e^{j\omega})}{d\omega} } \]

3.9. 帕斯瓦尔定理

\[\tag{27} \boxed{\sum_{-\infty}^{+\infty}|\space x[n] \space |^2 =\frac{1}{2\pi}\int_{2\pi}|X(e^{j\omega})|^2d\omega } \]

3.10. 卷积性质

\[\tag{28} \boxed{y[n]=h[n]*x[n] \overset{{\displaystyle {\mathcal {F}}}}{\leftrightarrow} Y(e^{j\omega})=H(e^{j\omega})X(e^{j\omega})} \]

两个信号在时域内的卷积就等于它们傅里叶变换的乘积。

3.11. 相乘性质

\[\tag{29} \boxed{y[n]=x_1[n]x_2[n] \overset{{\displaystyle {\mathcal {F}}}}{\leftrightarrow} Y(e^{j\omega})=\frac{1}{2\pi}\int_{2\pi}X_1(e^{j\theta})X_2(e^{j(\omega-\theta)})d\theta} \]

两个信号在时域内的相乘就对应于频域内的周期卷积

离散傅里叶变换和离散时间傅里叶变换_离散傅里叶变换求相位

4. 傅里叶变换性质和基本傅里叶变化列表

离散傅里叶变换和离散时间傅里叶变换_离散傅里叶变换求相位

离散傅里叶变换和离散时间傅里叶变换_离散傅里叶变换求相位

5. 离散时间傅里叶变换和连续时间傅里叶级数之间的对偶型

离散傅里叶变换和离散时间傅里叶变换_离散傅里叶变换求相位

获取更多精彩,请关注「seniusen」!
离散傅里叶变换和离散时间傅里叶变换_离散傅里叶变换求相位

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/167848.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

  • 大白菜运行ghost备份恢复工具_大白菜备份的系统被隐藏了

    大白菜运行ghost备份恢复工具_大白菜备份的系统被隐藏了不是经常换系统,容易换机,简单记录下先在u盘做一个系统,我用的大白菜电脑启动的时候进入u盘系统根据自己电脑型号查询如果启动的时候可以选择启动菜单是最方面的,直接通过启动菜单启动u盘系统如果启动的时候没有启动菜单,需要去bios里面调整顺序进入大白菜系统后,我选择的ghost备份还原…

  • Nginx + FastCGI架构部署指导

    Nginx + FastCGI架构部署指导本文主要介绍使用Nginx+FastCGI技术,搭建一个简单的WebServer的方法。关于Nignx的相关知识,请点击此处。关于FastCGI的相关知识,请点击此处。1.概述Nginx不能像Apache那样直接执行外部的可执行程序,但是Nginx可以作为代理服务器,将Web请求转发给后端(服务器中的)应用程序,这是Nginx的主要作用之一。在本文…

  • 学习Java大数据需要掌握哪些Java技能?

    学习Java大数据需要掌握哪些Java技能?学习Java大数据需要掌握哪些Java技能?现在大数据发展很速度很多小伙伴想要学习Java大数据技术开发,但是学习大数据为什么需要掌握Java技能呢?一、学大数据为什么要掌握Java?首先,我们学习大数据,为什么要先掌握Java技术?Java是目前使用非常广泛的编程语言,它具有的众多特性,特别适合作为大数据应用的开发语言。Java不仅吸收了C++语言的各种优点,还摒弃了C++里难以理解的多继承、指针等概念,因此Java语言具有功能强大和简单易用两个特征。Java语言作为静态面向对象编程语言的

  • MySQL与SqlServer的区别「建议收藏」

    MySQL与SqlServer的区别「建议收藏」一、MySQL与SqlServer的区别目前最流行的两种后台数据库即为Mysql和SQLServer。这两者最基本的相似之处在于数据存储和属于查询系统,你可以使用SQL来访问这两种数据库的数据,因为它们都支持ANSI-SQL(数据库管理标准)。还有,这两种数据库系统都支持二进制关键字和关键索引,这就大大地加快了查询速度。同时,二者也都提供支持XML的各种格式。根本的区别:SQL服务器的狭隘的、保守的存储引擎而MySQL服务器的可扩展、开放的存储引擎;SQL服务器的引擎是Sybase,而MyS

  • C++实现卷积操作

    C++实现卷积操作卷积操作的C++实现#include<opencv2/opencv.hpp>#include<opencv2/highgui/highgui.hpp>#include<opencv2/core/core.hpp>usingnamespacestd;usingnamespacecv;MatKernel_test_3_3=(…

  • 【风马一族_代码英语】代码英语之一

    【风马一族_代码英语】代码英语之一

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