1. 连续时间的傅里叶变换
1.1. 周期信号的傅里叶级数 CTFS
1.1.1. 展开的条件
在正余弦信号集和虚指数信号集上可以精准正交分解的信号 f(t) 应满足 Dirichlet 条件(狄利克雷条件):
- 在一个周期内,f(t) 绝对可积,即 ∫t0+Tt0|f(t)|dt<∞
- 在一个周期内,f(t) 只能有有有限个极大值或极小值
- 在一个周期内,f(t) 只能有有限个间断点且不能是瑕点(函数值为无穷)
1.1.2. 计算公式
三角形式的傅里叶级数
a0=1T∫t0+Tt0f(t)dtan=2T∫t0+Tt0f(t)cos(nΩt)dtbn=2T∫t0+Tt0f(t)sin(nΩt)dtf(t)=a0++∞∑n=1[ancos(nΩt)+bnsin(nΩt)]
【注意】
- 基频 Ω=2π/T
- 对于三角形式的傅里叶级数,n 只能取正整数
- 三角形式的傅里叶级数也称为单边谱,an,bn 与单边谱 Fn 多了个系数 2
指数形式的傅里叶级数
Fn=1T∫t0+Tt0f(t)e−jnΩtdtf(t)=+∞∑n=−∞Fnejnωt
【注意】
- 指数形式的傅里叶级数也称为的单边谱,n 取任意整数
- Fn 一般是个复数 Fn=|Fn|ejϕn
三角形式或指数形式傅里叶变换的关系
{an=Fn+F−nbn=Fn−F−n⎧⎪
⎪
⎪
⎪
⎪
⎪⎨⎪
⎪
⎪
⎪
⎪
⎪⎩Fn=12(an−jbn)F−n=12(an+jbn)|Fn|=12√a2n+b2nϕn=arctanbnan
1.1.3. 周期信号的频谱分析
波形对称性与谐波特性的关系
-
周期偶信号
对于三角形式的傅里叶级数,只存在余弦项 an;
对于指数形式的傅里叶级数,Fn 为纯实数;
反推亦成立!
-
周期奇信号
对于三角形式的傅里叶级数,只存在正弦项 bn;
对于指数新式的傅里叶级数,Fn 为纯虚数;
反推亦成立!
-
奇谐信号
奇谐信号是指信号平移半个周期 T/2 后,与原信号相加为0的信号,即 f(t)+f(t±T)=0;
奇谐信号的的傅里叶级数只含有奇次谐波项;
反推亦成立!
-
偶谐信号
偶谐信号是指信号平移半个周期 T/2 后,与原信号相同的信号,即 f(t)=f(t+T2);
奇谐信号的傅里叶级数只含有由此谐波项;
反推亦成立!
【例】
频谱结构与波形参数的关系
时域越宽,频域越窄,典型的例子就是“直流信号的频谱是单位冲激,单位冲激的频谱是直流”;
对于周期信号,周期越大,谱线间的间隔 Ω=2π/T 越小;
周期信号的平均功率
P=1T∫T2−T2∥f(t)∥2dt=1T∫T2−T2f(t)f∗(t)dt=1T∫T2−T2f(t)(+∞∑n=−∞FnejnΩt)∗dt=+∞∑n=−∞F∗n(1T∫T2−T2f(t)e−jnΩt)=∞∑n=−∞F∗nFn=∞∑n=−∞∥Fn∥2=a20+12+∞∑n=1(a2n+b2n)
上式为功率有限信号的巴什瓦等式,其物理意义:周期信号的平均功率等于直流分量及各次谐波平均功率之和(能量守恒)。
1.2. 非周期信号的傅里叶变换 CTFT
1.2.1. 计算公式
F(jw)=∫∞−∞f(t)e−jwtdtf(t)=12π∫∞−∞F(jw)ejwtdw
1.2.2. 性质
-
唯一性
信号和频谱是一一对应的。
-
线性
f1(t)↔F1(jw),f2(t)↔F2(jw)af1(t)+bf2(t)↔aF1(jw)+bF2(jw)
-
奇偶不变性
傅里叶变化不改变信号的奇偶性,即F(jw)与f(t)的奇偶性是相同的。
-
共轭特性
f(t)↔F(jw)f∗(t)↔F∗(−jw)
写成相量的形式,即
F(jw)=|F(jw)|ejφ(w)F(−jw)=|F(−jw)|ejφ(−w)F∗(−jw)=|F(−jw)|e−jφ(−w)
如果f(t)是实信号,则f(t)=f∗(t),再由傅里叶的唯一性,则F(jw)=F∗(−jw)。所以:实信号幅度双边谱是偶函数,相位双边谱是奇函数,即
|F(jw)|=|F(−jw)|jφ(w)=−jφ(−w)
所以实偶信号的频谱为实偶函数,实奇信号的频谱为虚奇函数。
-
对称性
f(t)↔F(jw)F(jt)↔2πf(−ω)
经典应用: Sa(wct)的频谱;f(t)=1`的频谱。
-
时域展缩性
f(t)↔F(jw)f(at)↔1|a|F(jwa)
-
时移,频移特性
时移特性 对应信号的延迟,不改变幅频特性。
f(t)↔F(jw)f(t−t0)↔F(jw)e−jwt0
频移特性 频移体现了调制、解调、变频等信号操作。
f(t)↔F(jw)f(t)ejw0t↔F[j(w−w0)]
【易错点】
- 时移的相位符号,记住延迟后的相位总是落后(所以是减而不是加)与原信号
- 频移的频率符号,由于调制后的信号增加了频率,因此频谱整体向右/高频(所以是减而不是加)移动
【例】
δ(t−t0);Gτ(t−τ2);ejw0t;cos(w0t)=12(ejw0t+e−jw0t);sin(w0t)=12j(ejw0t−e−jw0t);
-
时域 / 频域微分特性
时域微分特性
f(t)↔F(jw)df(t)dt↔jwF(jw)dnf(t)dtn↔(jw)nF(jw)
频域微分特性
f(t)↔F(jw)(−t)f(t)↔dF(jw)d(jw)tf(t)↔jdF(jw)dwtnf(t)↔jndndwnF(jw)
【说明】
- 时域的微分运算可以转换为频域的乘法运算,乘法因子为 jw
- 频域的微分运算可以转换为时域的乘法运算,乘法因子为 −t,注意的频域的微分运算是对 jw的求导
- 幂函数和冲激函数、求导运算很有关联,类似 tn 、(jw)n、δ(n)(t)、δ(n)(w)
【例】
1↔2πδ(w)⇒t×1↔j×2πδ′(w)⇒2πδ(w)u(t)↔πδ(w)+1jw⇒tu(t)↔j(πδ′(w)−1jw2)⇒jπδ′(w)−1w2sgn(t)↔2jw⇒|t|=tsgn(t)↔j(2jw)′=−2w2e−atu(t)↔1a+jw⇒te−atu(t)↔1(a+jw)2
【易错题】
已知 f(t)↔F(jw),求 (−t)f(−t) 的傅里叶变换?
正解:
tf(t)↔jdF(jw)dw−tf(−t)↔jdF(−jw)d(−w)=−jdF(−jw)d(w)
错解:
tf(t)↔jdF(jw)dw−tf(−t)↔jdF(−jw)dw=jdF(−jw)dw
设 g(t)=tf(t),则 g(−t)=(−t)f(−t),根据时域展缩特性应该有 g(t)↔G(jw),g(−t)↔G(−jw),对于微分运算若有f(t)=dg(t)dt,则f(2t)=dg(2t)d(2t)(推导戳我),所以第一种解法是正确的。
-
时域 / 频域卷积定理
f1(t)∗f2(t)↔F1(jw)F2(jw)f1(t)⋅f2(t)↔12πF1(jw)∗F2(jw)
【注】 频域卷积定理勿忘 12π
-
时域积分定理
∫t−∞f(τ)dτ↔F(jw)jw+πF(0)δ(w),其中F(0)=F(jw)|w=0=∫+∞−∞f(t)dt
可以理解为 f(t) 经过一个积分器,即
f(t)∗u(t)↔F(jw)⋅(1jw+πδ(w))
-
能量有限的巴什瓦等式
∫+∞−∞|f(t)|2dt=12π∫+∞−∞|F(jw)|2dw
【注】 请勿忘 12π
1.2.3. 常见的傅里叶变换对
e−atu(t)↔1a+jw,a>0
Gτ(t)↔τSa(wτ2)
δ(t)↔1
1↔2πδ(ω)
u(t)↔πδ(ω)+1jw
sgn(t)↔2jw
e−a|t|↔2aa2+w2
更多内容可戳这儿!
1.3. 周期信号的傅里叶变换
1.3.1. 公式推导
周期信号的傅里叶变换为一系列冲激函数的线性组合,冲激的发生在各次谐波频率上,强度为相应谐波分量复振幅的 2π 倍。
fT(t)=∞∑n=−∞Fnejn2πTt1↔2πδ(w)ejn2πTt↔2πδ(w−n2πT)
令 FT(t) 的傅里叶变换为 FT(jw),则
FT=F[∞∑n=−∞Fnejn2πTt]=∞∑n=−∞FnF[ejn2πTt]=∞∑n=−∞Fn2πδ(w−n2πT)=∞∑n=−∞2πFnδ(w−n2πT)
周期函数还可以表示为
fT(t)=∞∑n=−∞f(t−nT)=f(t)∗δT(t)
其中,δT(t)=∞∑n=−∞δ(t−nT),且 F[δT(t)]=ΩδΩ(w),则周期信号的傅里叶变换还可以表示为
F[fT(t)]=F(jw)⋅ΩδΩ(w)=F(jw)⋅Ω∞∑n=−∞δ(w−nΩ)=∞∑n=−∞ΩF(jnΩ)δ(w−nΩ)
【说明】
1.3.2. 将周期信号进行时域压缩扩展
设 f(t) 为周期为 T1 的周期信号,傅里叶变换为F(jw);
对 f(t) 进行时域的扩展为 f(2t),显然它也是一个周期信号,但周期变为 T2=T12 (关键);
则 f(2t) 的傅里叶变换为 F2(jw)=w2F(jw2)
考虑时域压缩前后的傅里叶级数:
ak=1T1F(jw)|w=k2πT1=1T1F1(jk2πT1)a′k=1T2F2(jw)|w=k2πT2=2T1⋅12F1(jw2)|w=k2πT1/2=1T1F1(jk2πT1)
两者竟然是一致的!这说明不同周期信号可能对应同一傅里叶级数。
本文作者:Wreng
本文链接:https://www.cnblogs.com/wreng/p/15259028.html
版权声明:本作品采用知识共享署名-非商业性使用-禁止演绎 2.5 中国大陆许可协议进行许可。
【推荐】国内首个AI IDE,深度理解中文开发场景,立即下载体验Trae
【推荐】编程新体验,更懂你的AI,立即体验豆包MarsCode编程助手
【推荐】抖音旗下AI助手豆包,你的智能百科全书,全免费不限次数
【推荐】轻量又高性能的 SSH 工具 IShell:AI 加持,快人一步