1. 离散时间傅里叶变换
1.1. 周期序列的离散傅里叶级数 DFS
连续时间周期信号可以表示成一系列复指数信号的线性加权之和(FS),离散的周期序列也可以表示成傅里叶级数的形式。
1.1.1. 计算公式
设离散周期序列 x[n] 的周期为 N,则基频为 Ω0=2πN,傅里叶系数对为:
X[k]=1N∑n=<N>x[n]e−jΩ0knx[n]=∑k=<N>X[k]ejΩ0kn
1.1.2. 离散傅里叶级数的性质
与连续时间周期信号相比,离散周期序列的傅里叶级数有以下区别:
- 有限性。x[n] 的傅里叶系数 X[k] 是有限的,为 N 项,而连续时间的周期信号傅里叶系数一般是无限的;
- 周期性。X[k] 具有周期性,周期为 N,因此任取一个周期内(k∈[k0,k0+N−1])的傅里叶级数,都可以唯一确定原来的序列。
- 不存在收敛问题。不同于连续时间傅里叶级数,任何一个离散周期序列均可以通过有限项的傅里叶级数来表示,因此不存在收敛问题,也不存在吉伯斯现象。
产生与连续时间信号傅里叶级数不同的原因是:离散复指数信号的周期性,频率相差 2π 的离散复指数信号是相同,因此对于 ejΩ0kn 只有 N 个不同的谐波分量。
ejΩ0(k+N)n=ejΩ0kn
1.2. 离散时间傅里叶变换 DTFT
1.2.1. 计算公式
X(ejΩ)=∞∑n=−∞x[n]e−jnΩx[n]=12π∫<2π>X(ejΩ)ejnΩdΩ
其中,X(ejΩ)ejnΩ 是周期函数,周期为 2π,所以积分区间可以是任意长度为 2π 的区间。
推导过程:
- 非周期序列 x[n] 可以等效为一个周期无限长的周期序列 ~x[n]。x[n] 相当于 ~x[n] 的一个周期,当周期 N 越大的时候,~x(n) 有更大的一部分与 x[n] 等效,即
x[n]=limN→+∞~x[n]
-
对周期序列 ~x[n] 进行傅里叶级数展开,即
~X[k]=1N∑n=<N>x[n]e−j2πNkn
考虑到 x[n] 的非零区间为 [−N1,N1],可以令在此区间的傅里叶级数的包络为
X(ejΩ)=∞∑n=−∞x[n]e−jnΩ
傅里叶系数与包络的关系为
X[k]=1NX(ejΩ)|Ω=kΩ0
-
周期信号可以表示为包络的等间隔采样,即
~x[n]=∑k=<N>1NX(ekΩ0)ejΩ0kn=12π∑k=<N>X(ekΩ0)ejΩ0knΩ0
-
当周期 N→+∞ 时,有~x[n]→x[n],Ω0→0,则求和中的每一项表示的物理意义是一个宽度为 Ω0,高度为 X(kΩ0)ejΩ0kn 的矩形的面积。根据微积分的定义,可以将其改写为积分的形式。总共有 N 个宽度为 Ω0 的矩形,所以最终的积分区间为 N×Ω0=2π,
x[n]=12π∫<2π>X(ejΩ)ejΩndΩ
收敛条件:
- 上面的推导虽然是有限长的序列的情况,但对于某些的无限长的序列也是成立的。
- 要求序列必须绝对可和或者序列的能量是有限的(有限长的序列都满足,无限长的必须满足此条件)
+∞∑n=−∞|x[n]|<∞,+∞∑n=−∞|x[n]|2<∞
1.2.2. 性质
1.2.2.1. 唯一性
序列与离散时间的傅里叶变换是一一对应的。
1.2.2.2. 奇偶不变性
离散时间傅里叶变换不改变奇偶性,即奇序列的离散时间傅里叶变换仍是奇函数,偶序列的离散时间傅里叶变换仍是偶函数。
1.2.2.3. 周期性
- X(ejΩ) 是一个周期函数,周期为 2π,X(ejΩ)=X(eΩ+2π);
- 靠近 π 的奇数倍为信号的高频部分;
- 靠近 π 的偶数倍为信号的低频部分。
1.2.2.4. 线性
ax1[n]+bx2[n]↔aX1(ejΩ)+bX2(ejΩ)
1.2.2.5. 共轭对称性
x∗[n]↔X∗(e−jΩ)
- 信号的偶分量 xe[n] 对应 Re[X(ejΩ)];
- 信号的奇分量 xo[n] 对应 Im[X(ejΩ)];
- 如果 x[n] 为实信号,则 X(ejΩ) 是共轭对称函数(实部为偶,虚部为奇/幅度为偶,相位为奇),实部就相当于 X(ejΩ) 的偶分量,虚部就相当于 X(ejΩ) 的奇分量。(特别注意,前提条件是实序列)
- 根据奇偶不变性,若 x[n] 为实偶序列,则 X(eΩ) 只存在为偶分量的实部;若 x[n] 为实奇序列,则 X(eΩ) 只存在为奇分量的虚部;
1.2.2.6. 时移、频移特性
1.2.2.7. 尺度变换特性
离散序列的时间尺度的变换定义为:(要求 k 是一个正整数)
x(k)[n]={x[n/k],n是k的倍数0,其他
例如:k=3,相当于在原序列的每项之间插(3−1)个0,则在频域上傅里叶变换被压缩了,
x(k)[n]↔X(ejkΩ),k≥1
【例】
已知序列 x[n]=δ[n+1]+δ[n−1],可以分别求得:
x[n]↔2cosΩx(2)[n]↔2cos(2Ω)x(3)[n]↔2cos(3Ω)
【注意】
- 时域扩展后,频域是被压缩了,但是幅度是没发生变换,因为插 0 不会丢失原信号的信息,不会改变序列的总能量;
- k 必须是正整数,上式才成立。若 k<1 例如 k=1/2,相当于从原序列中每隔一个元素抽取一个元素组成一个新的序列,与原序列相比是丢失很多信息的,例如:计算 Xk(ejΩ) 的过程就是一个累加的过程,显然,抽取之后参与累加的元素变少了,抽取后的傅里叶函数至少在幅度上会发生变化,故上式是不成立的。
1.2.2.8. 差分、求和特性
后向差分特性
▽x[n]=x[n]−x[n−1]↔(1−e−jΩ)X(ejΩ)
求和特性
n∑k=−∞x[k]↔11−e−jΩX(ejw)+πX(0)+∞∑k=−∞δ(Ω−2πk)
其中,X(0) 是 x[n] 的直流分量,即 X(0)=∑kx[k].
1.2.2.9. 频域微分特性
(−n)x[n]↔dX(ejΩ)d(jΩ)nx[n]↔jdX(ejΩ)dw
频域的微分运算可以转化为时域的乘法运算,因子为 −n.
1.2.2.10. 卷积特性
x[n]∗y[n]↔X(ejΩ)Y(ejΩ)
1.2.2.11. 巴什瓦定律
+∞∑n=−∞|x[n]|2=12π∫<2π>|X(ejΩ)|2dΩ
1.3. 周期序列的离散时间傅里叶变换
周期序列的离散时间傅里叶变换有两种推导方式:
再推导之前,给出以下离散时间傅里叶变换对:
ejΩ0n↔2π∞∑k=−∞δ(Ω−Ω0−2πk)∞∑k=−∞δ[n−kN]↔Ω0∞∑k=−∞δ(Ω−kΩ0)
利用傅里叶级数的推导过程
周期序列可以用傅里叶技术表示,即
~x[n]=∑k=<N>X[k]ej2πNkn↔∑k=<N>2πX[k]∞∑m=−∞δ(Ω−2πNk−2πm)=2πX[0]∞∑m=−∞δ(Ω−2πm)+2πX[1]∞∑m=−∞δ(Ω−2πN−2πm)+2πX[2]∞∑m=−∞δ(Ω−2πN⋅2−2πm)⋯+2πX[N−1]∞∑m=−∞δ(Ω−2πN⋅(N−1)−2πm)=+∞∑k=−∞2πX[k]δ(Ω−2πNk)
利用时域卷积性质的推导过程
同连续时间信号类似,周期序列 ~x[n] 可由非周期序列 x[n] 进行周期延拓得到,即
~x[n]=x[n]∗+∞∑k=−∞δ[n−kN]
根据时域卷积特性,有
~X(ejΩ)↔X(ejΩ)⋅Ω0∞∑k=−∞δ(Ω−kΩ0)=+∞∑k=−∞Ω0X(ejΩ0)δ(Ω−kΩ0)
傅里叶级数与离散时间傅里叶变换的关系为:X[k]=1NX(ej2πNk),两种推导的方式的最终结果是一致的。
对于周期序列,其离散时间傅里叶变换为一系列的冲激函数,也是一个周期函数。在一个周期内,每个冲激的幅度为该谐波分量傅里叶级数的 2π 倍。
1.4. 常见的离散时间傅里叶变换对
离散时间傅里叶变换的计算实际上就是计算等比数列的求和问题。
在实际中,离散时间傅里叶变换用得比较少,z 变换比较多些。
下面给出在求系统响应时常见的变换对:
1.4.1. 单边指数序列
anu[n]↔11−ae−jΩ,|a|<1
1.4.2. 单位采样序列
δ[n]↔1δ[n−n0]↔e−jΩn0
1.4.3. 直流信号
1↔2π∞∑k=−∞δ(Ω−2πk)ejΩ0n↔2π∞∑k=−∞δ(Ω−Ω0−2πk)
1.4.4. 周期样本序列
∞∑k=−∞δ[n−kN]↔Ω0∞∑k=−∞δ(Ω−kΩ0)
直流信号和周期样本序列不能或难以根据定义式求出,其推导过程利用了连续时间采样的一些知识。
1.5. 小结
- 时域的离散性对应了频域的周期性(非周期离散序列的离散时间傅里叶变换为周期连续函数)
- 时域的周期性对应了频域的离散性(周期离散序列的离散时间傅里叶变换为周期的离散冲激族)
- 与连续时间傅里叶变换相比的相同点:唯一性,线性,奇偶不变性,共轭特性,时移频移特性,频域微分特性,时域卷积
- 与连续时间傅里叶变换相比的不相同点:
- 周期性:离散时间傅里叶变换为周期函数
- 时域展缩:序列时域上只能“展”(插0),不能“缩”(抽样)。对于连续时间为 f(at)↔1|a|f(ta),而离散时间为 x(a)[n]↔X(ejaΩ)
- 频域卷积特性:离散时间序列对应的是周期卷积
- 巴什瓦定律:频域的能量的积分区间长度为 2π
本文作者:Wreng
本文链接:https://www.cnblogs.com/wreng/p/15339019.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