当前位置 : 主页 > 大数据 > 区块链 >

离散时间傅里叶变换

来源:互联网 收集:自由互联 发布时间:2021-06-22
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

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。

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。

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

  • 例 2

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

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

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。

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,;l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

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

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

3.8. 频域微分

\[\tag{26} \boxed{nx[n] =j\frac{dX(e^{j\omega})}{d\omega} }\]

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

4. 傅里叶变换性质和基本傅里叶变化列表

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

获取更多精彩,请关注「seniusen」!

上一篇:2018-11-3 星期六
下一篇:P2568 GCD
网友评论