1.1 Fourier Series
当一个函数是一个周期函数的时候，我们能够将其分解成Fourier Series。一个周期函数能够分解成Fourier Series需要满足狄利赫里条件：
1：在任何周期内，函数必须可积。
2：在任一优先区间中，函数只能够取有限个最大值和最小值。
2：在任何有限区间上，函数只能有有限个第一类间断点。
详细解释请阅读该文章：https://blog.csdn.net/constantin_ouc/article/details/78881709
1.2 Gibbs phenomenon
如果一个函数有有限个间断点那么该函数能够分解成Fourier Series，但是Fourier Series是连续的所以函数和Fourier Series并不是点点收敛的而是一致收敛的。
一致收敛：应该是给定任意数e>0，可以找到这样一个固定数N，对于所有x，使得当n>N，不等式
∣
f
n
(
x
)
−
f
(
x
)
∣
<
e
|f_n(x)-f(x)|<e
∣fn(x)−f(x)∣<e，其图像以一定规律趋近于f(x)。
我们发现就算Fourier Series的项数不断增加，Fourier Series组成的图像仍存在着overshoot和undershoot.我们称这个现象为Gibbs现象。
我们对Fourier Series求导然后解得倒数为0的点，这个点即为Gibbs现象的overshoot点，我们将该overshoot点带入Fourier Series求解发现结果为1.0895（对方波的Fourier Series）而函数实际值为1。所以我们发现当项数足够大的时候Fourier Series的overshoot地方仍与函数有一定的差距，但是该差距随着项数的增加而减小。
以上就是Gibbs现象。
1.3 Fouruer transform as a limiting case of Fourier series
当函数的周期无限大的时候我们就得到了Fouruer transform。
在Fourier series中每一项的f=n/T,为离散的，当T为无穷大的时候f就为无穷小即dx,所以周期无限大的函数的Fouruer transform为连续函数。同样此类函数的Fouruer transform也要满足狄利赫里条件。
方波的Fouruer transform为sinc函数，但是sinc函数却不满足狄利赫里的可积条件，所以sinc函数没有Fouruer transform，但是这类函数的Fouruer transform是很有用的所以额外为他们定义了扩展的Fouruer transform。
1.4 Sampling by averaging, distributions and delta function
我们由上知道rect的傅里叶变换是一个sinc函数，而delta函数是有rect函数变换而来，
δ
(
x
)
=
l
i
m
2
L
−
>
0
(
1
2
L
r
e
c
t
(
x
2
L
)
)
\delta(x)=lim_{2L->0}(\frac{1}{2L}rect(\frac{x}{2L}))
δ(x)=lim2L−>0(2L1rect(2Lx))所以当L趋近于0的时候，sinc函数为常数即1，所以delta函数的Fouruer transform为常数1即所有频率对delta函数的贡献相等。
1.5 Properties of delta function
1.Sampling property
2.Delta function with scaling
3.Relation between delta function and unit step
d
u
(
x
)
d
x
=
δ
(
x
)
\frac{du(x)}{dx}=\delta(x)
dxdu(x)=δ(x).
1.6 Fourier transform of unit step and sign functions
step函数的导数是delta函数，于是利用delta函数求得step函数的傅里叶变换为
U
(
f
x
)
=
1
i
2
π
f
x
+
1
2
δ
(
f
x
)
U(f_x)=\frac{1}{i2\pi f_x}+\frac12\delta(f_x)
U(fx)=i2πfx1+21δ(fx)
而符号函数
s
g
n
(
x
)
=
2
u
(
x
)
−
δ
(
f
x
)
sgn(x)=2u(x)-\delta(f_x)
sgn(x)=2u(x)−δ(fx),所以
F
(
s
g
n
(
x
)
)
=
1
i
π
f
x
\mathscr{F}(sgn(x))=\frac{1}{i\pi f_x}
F(sgn(x))=iπfx1.
1.7 Fourier transform of a train of delta functions
另梳状函数的T等于1，其Fourier transform仍然是一个梳状函数。
1.8 Fourier transform of a Gaussian
计算高斯函数的Fourier transform 有一个trick.
J
=
∫
−
∞
∞
d
x
  
e
x
p
(
−
π
x
2
)
.
J=\int^{\infty}_{-\infty}dx\;exp(-\pi x^2).
J=∫−∞∞dxexp(−πx2).
J
2
=
∬
d
x
d
y
  
e
x
p
[
−
π
(
x
2
+
y
2
)
]
J^2=\iint dxdy\;exp[-\pi(x^2+y^2)]
J2=∬dxdyexp[−π(x2+y2)]=1.
所以J=1.
利用上式求得
F
{
e
x
p
(
−
π
x
2
)
}
=
e
x
p
(
−
π
f
x
2
)
\mathscr{F}\{exp(-\pi x^2)\}=exp(-\pi f^2_x)
F{exp(−πx2)}=exp(−πfx2)
1.9 Fourier transform of chirp phase
F
{
e
x
p
(
i
π
x
2
)
}
=
e
x
p
(
i
π
/
4
)
e
x
p
(
−
i
π
f
x
2
)
\mathscr{F}\{exp(i\pi x^2)\}=exp(i\pi /4)exp(-i\pi f^2_x)
F{exp(iπx2)}=exp(iπ/4)exp(−iπfx2)
这个函数和高斯函数很相似，但是注意区别。
1.10 Properties of Fourier transform
1.Linearity
2.Scaling property
F
{
g
(
x
a
)
}
=
∣
a
∣
G
(
a
f
x
)
\mathscr{F}\{g(\frac xa)\}=|a|G(af_x)
F{g(ax)}=∣a∣G(afx)
3.Shifting property
F
{
g
(
x
−
a
)
}
=
e
x
p
(
−
i
2
π
f
x
a
)
G
(
f
x
)
\mathscr{F}\{g(x-a)\}=exp(-i2\pi f_xa)G(f_x)
F{g(x−a)}=exp(−i2πfxa)G(fx)
4.Energy(Parseval)theorem
就是说傅里叶变换后和变换前的能量即L2 范数是不变的，因为傅里叶变化后虽有吉布斯现象但是overshoot和undershoot相互抵消所以他们能量恒定。
5.Convolution theorem
即卷积的傅里叶变换等于傅里叶变换的乘积.
1.11.Fourier transform of the 2D circ function
circ(r/a)即半径a内等于1，半径处等于1/2半径外等于0。
F
{
c
i
r
c
(
r
a
)
}
=
(
π
a
2
)
j
i
n
c
(
2
a
ρ
)
\mathscr{F}\{circ(\frac ra)\}=(\pi a^2)jinc(2aρ)
F{circ(ar)}=(πa2)jinc(2aρ)
其中:
j
i
n
c
(
u
)
=
2
J
1
(
2
π
a
ρ
)
(
2
π
a
ρ
)
jinc(u)=2\frac{J_1(2\pi aρ)}{(2\pi aρ)}
jinc(u)=2(2πaρ)J1(2πaρ)
其中J为贝塞尔函数。
1.12 Fourier slice theorem
太麻烦就不写了，请参考这篇博客：
https://blog.csdn.net/kevinoop/article/details/79871723
1.13 Wigner distribution
请参考这篇博客：
https://blog.csdn.net/iscassucess/article/details/7880122
扫一扫
4万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
