离散傅里叶变化的直观理解

离散傅里叶变化的直观理解（An Intuitive Discrete Fourier Transform Tutorial）

介绍：

      本文是讲解离散傅立叶变换（DFT：discrete Fourier transform )，试图理解DFT实际是在做什么。现有的文献关于DFT有着很详细的数据公式介绍DFT，但是大多数人并不理解这些数据公式的真正含义。可以有不同的角度理解傅里叶变换（fourier transform），本文将从信号（signal）与各种频率的正弦波（sin）之间的相关性的角度来解释什么是傅里叶变换。

      关于DFT更加严谨的说明，可以阅读以下的两本书：

      Understanding Digital Signal Processing 可读性强，适合初学者。

      Digital Signal Processing - Principles, Algorithms and Applications 较全全面，但是需要较好的数据基础。

     那么什么是DFT呢？DFT是一种获取信号包含有哪些频率的算法。信号表示为一个数字序列，例如下面的包含12个数字的信号，完整的信号here。     

1.00, 0.62, -0.07, -0.87, -1.51, -1.81, -1.70, -1.24, -0.64, -0.15, 0.05, -0.10

用来表示信号，是索引。例如： 等。大多数情况下，信号都是这么来表示的，例如，所有的数字信号都会像这样由一个数字序列来表示。我们考虑使用零均值（zero-mean）信号，零均值信号就是将所有的信号数字相加后的均值是0。本文的最后会解释为什么使用零均值信号。

      当我们试图获取信号的频率的时候，需要首先将复杂的信号分解为各个简单的信号。信号更好的描述的方式是：一个信号是许多单独频率分量信号的组合。离散傅里叶变换就是用来确定一个复杂信号由哪些频率组成的。

相关性

相关性是在信号处理领域被广泛使用的概念，核心是测量两个信号的相似度。如果相关性高，则信号就相似。如果相关性接近于零，则不相似。一般情况下，这样的公式：, x 和y是某种信号，用来计算x和y的相关性（相似度）。但是，这个公式如何计算两个信号的相关性的呢？如果信号x和 信号y相似，那么，当是正数，也是正数，当是负数，通常也是负数。两个正数相乘得到的是正数，两个负数相乘得到的也是正数，将得到的所有正数相加，会得到更大的正数。那么如果两个信号不相似会怎么样呢？ 当是正数，有时会是负数，有时会是正数，反之亦然。那么，将这些有正数也有负数的结果相加，结果接近于零。这是一种理想的情况，非常相似的信号有很高的相关性，非常不同的型号有非常低的相关性，有一些相似的信号的相关性则介于两者之间。

      另外需要说明的，相关性也有可能是负的。任何时刻，当是正数，是负数，这意味结果是负的。一个大的负相关性说明信号也是相似的，只不过一个信号与另外一个信号相反。

Figure 1: Example of correlated and uncorrelated signals

离散傅里叶变换（Discrete Fourier Transform）

相关性怎么帮助我们理解DFT？如下，DFT公式：

k从0到N-1计算所有DFT系数，当我们说’系数’（coefficients），意思指的是X(k)，X(0)是第一个系数，X(1)是第二个系数等等。这个公式和之前的相关性公式十分相似，因为它计算的是信号与函数的相关性。但是，一个信号与一个复指数相似意味着什么呢？将复指数分解为正弦和余弦分量，如下：

如果使得，则新的DFT公式如下：

可以把它变换为如下表示：

这样看起来清晰，存在2个相关性计算，一个是正弦(sin)曲线，另外一个余弦(cos)曲线。我们首先计算信号与某个特定频率余弦(cos)曲线的相关性，这个是复数X(k)的实部。然后，计算信号与某个特定频率正弦(sin)曲线的相关性，这个复数X(k)的虚部。

余弦曲线相关性

余弦和信号之间的相关性告诉我们什么有用的信息？有100个样本点的信号，如下图：（信号样本）

Figure 2: plot of example signal

下面步骤计算信号与不同频率的sin、cos曲线的相关性。模拟计算DFT实数部分的计算，首先使用上面的公式计算当k=0结果如下：

上面计算了信号与只包含一个1的信号（ cos(0) = 1）的相关性，这等于未修改信号的总和。从上面的图（Figure 2）中我们可以看到它应该接近于零，因为从图中可以看出，大约一半的信号大于0一半的信号小于0。实际计算得到结果是1。

当k=1，得到如下的图Figure 3：

图(a)中x(n)是蓝色的曲线，是红色曲线，是黑色曲线。

图(b)是 

图(c)是 

Figure 3: correlation between signal and sinusoids, k=1

图（b）和（c）中的信号看起来大约有一半信号小于于零，一半大于零，当我们将信号相加结果应该接近于0。实际计算结果，

等于1.0，等于0，所以X(1) is 1+i0.

下图（Figure 4）显示的是当k=3的情况，图(a)中是信号x(n), sin，cos曲线。图(b),图(c)分别是信号x(n)与cos，sin相乘的结果。

Figure 4: correlation between signal and sinusoids, k=3

很明显，图(c)几乎都是正数，只有很少的负数。这说明将这些值相加会得到一个很大的正数值。实际计算信号与cos的相关是0，与sin的相关性值是49。说明，当k=3时DFT的系数是X(3)=0+i49。

对于每个k可以继续这个过程，直到得到完整的DFT。

最终得到的DFT的如下图Figure 5，左侧是实部，右侧是虚部：

Figure 5: real (left) and imaginary (right) components of X(k)

从图中可以看出实数部分当k=10达到峰值（说明信号和cos相似），虚数部分当k=3时达到峰值（说明信号和sin相似）。总的来讲，我们不关心是正弦还是余弦。我们只想知道是否存在正弦波，与它的相位无关。因此我们们结合了实部和虚部得到了能量谱（ power spectrum）。

能量谱P(k)没有虚部，计算X(k)的能量谱，结果如下图Figure 6:

Figure 6: Power spectrum of X(k)

从上图中可以很清晰的看出，信号存在2个频率，这即是我们需要得到的。

将k值转换为真实的频率（单位 赫兹），我们需要原始信号的采样率（fs）和以下公式

上面这个公式中fs是采样率，N是信号中sample的个数，在此例子中N是100。

总结

上面的讲解中为了简化讨论，忽略了一些细节，在此需要解释下。我们假定了信号的均值是零，所以当两个信号不相似时值是零。实际上这种假定是不必要的，但是高相关性总是说明信号更相似，而低相关性则不相似。在任何情况下，信号都可以通过减去均值从满足均值为0的假定。

上面的例子中，我们计算DFT 从k=0 到k=20，如果继续计算k更大值的DFT系数，我们就会看到能量谱在N/2附件是对称的。实数部分是k的偶函数，虚数部分是k的奇函数。具体的细节可以参考上面提到的两本书。

（结束）