离散信号（六）| 非周期信号 | 离散时间傅里叶变换（DTFT）+ DTFT、DFS及CTFT之间的关系

非周期信号的频域分析

与连续信号类似，对于离散的非周期信号，可采用离散时间傅里叶变换（DTFT）进行分析。

（一）从DFS到DTFT

非周期序列可以看作周期为无穷大的周期序列，从这一思想出发，可以在周期序列的傅里叶级数DFS基础上推导非周期序列的傅里叶变换。类似连续信号，对于长度有限的非周期信号$x(n)$，以N为周期，将$x(n)$延拓为周期信号$x_N(n)$，这里，要求N大于$x(n)$的长度，因为此时$x_N(n)$是$x(n)$的原样按周期重复，即
$$x_N(n)=\sum _{m=-\infty }^{\infty }x(n-mN)\text{\hspace{1em}(5)}$$
对于周期序列$x_N(n)$的DFS，考虑周期为无穷大是，即$N\to \infty$，则有${\Omega }_0=2\pi /N\to d\Omega ,k{\Omega }_0\to \Omega =wT$（为连续量）,$\frac{1}{N}=\frac{{\Omega }_0}{2\pi }\to \frac{d\Omega }{2\pi },{\sum }_{k=0}^{N-1}\to {\int }_0^{2\pi },x_N(n)\to x(n)$；同时，由上面的描述刻可知，当k在0和N-1之间变化时，$\Omega$在0和$2\pi$之间变换。另外，由式（5），当$N\to \infty$时，$X(k{\Omega }_0)$的幅值趋于无穷小，如同连续时间信号的傅里叶变换一样处理，利用频谱密度来描述非周期序列频谱的分布规律，可得
$$X(\Omega )=li{m}_{N\to \infty }NX(k{\Omega }_0)=\sum _{n=-\infty }^{n=\infty }x(n)e^{-j\Omega n}\text{\hspace{1em}(6)}$$
和
$$x(n)=\underset{N\to \infty }{\lim }{x}_N(n)=li{m}_{N\to \infty }\sum _{k=0}^{N-1}X(k{\Omega }_0)e^{jk{\Omega }_{0}n}=li{m}_{N\to \infty }\sum _{k=0}^{N-1}\frac{1}{N}X(\Omega )e^{j\Omega n}=\frac{1}{2\pi }{\int }_0^{2\pi }X(\Omega )e^{j\Omega n}d\Omega$$
即
$$x(n)=\frac{1}{2\pi }{\int }_0^{2\pi }X(\Omega )e^{j\Omega n}d\Omega \text{\hspace{1em}(7)}$$
其中，式（6）称为离散时间信号的傅里叶变换，简称为离散时间傅里叶变换DTFT，式（7）则为离散时间傅里叶反变换。

$X(\Omega )$是变量$\Omega$的周期函数，周期为$2\pi$。因为对任意整数q有
$$X(\Omega +2\pi q)=\sum _{n=-\infty }^{\infty }x(n)e^{-j(\Omega +2\pi q)n}=\sum _{n=-\infty }^{\infty }x(n)e^{-j\Omega n}=X(\Omega )$$
通常称满足式（6）和式（7）的$x(n)$和$X(\Omega )$为离散时间傅里叶变换（DTFT）对，并将它们简记为
$$x(n)\stackrel{DTFT}{\leftrightarrow }X(\Omega )$$
由上讨论，已知$X(\Omega )$是数字频率$\Omega$的周期函数，周期为$2\pi$，所以式（6）可以看成是$X(\Omega )$在频域展开为傅里叶级数的表示式，$x(n)$是该级数的系数。它与在时域把一个周期信号展开为傅里叶级数的表示相似，不同的是复指数符号相反。式（7）把序列$x(n)$分解为复指数序列的线性组合，所以是非周期序列时域分析的表示式。这些复指数序列在频率上无限密集，无限靠近，它们的幅度等于$[X(\Omega )d\Omega /(2\pi )]$，式中$X(\Omega )$是频谱密度序列，反映了非周期序列$x(n)$的基本特征，简称为$x(n)$的频谱。$x(n)$持续时间可以是有限长序列也可以是无限长序列，但在无限长情况下，必须考虑式（6）无限项求和的收敛问题。因此DTFT存在条件与连续信号的傅里叶变换（CTFT）相对应，为了保证和式收敛，要求$x(n)$是绝对可和，即
$$\sum _{n=-\infty }^{\infty }|x(n)|<\infty$$
或序列的能量是有限的，即
$$\sum _{n=-\infty }^{\infty }|x(n){|}^2<\infty$$
（二）DTFT与DFS及连续信号傅里叶变换（CTFT）之间的关系

从DTFT的推导过程，说明DTFT是DFS当$N\to \infty$的极限情况，它们的共同点是：在时域它们都是离散的，在频域其频谱都是以$2\pi$为周期，周而复始。不同点是：离散时间周期信号的频谱则是离散的具有谐波性，$X(k{\Omega }_0)$是谐波的复振幅，适用于计算机计算，而离散时间非周期信号的频谱则是连续的频谱，不具有谐波性，$X(\Omega )$表示的是频谱密度，是连续变量$\Omega$的函数，所以不利于利用计算机对频谱进行分析。

DTFT与CTFT有着密切的内在联系。它们的共同点是：在时域，它们的波形均为非周期，在频域，$X(w)$与$X(\Omega )$均表示频谱密度，分别为连续变量$w$及$\Omega$的函数，所以都是连续频谱。而且在满足采样定理的约束条件下，$X(\Omega )$保存$X(w)$的全部信息。不同点是：$X(\Omega )$是周期性而$X(w)$是非周期的频谱，因而在求$x(n)$的公式中只在频域的的一个周期区间$[0,2\pi ]$（或$[-\pi ,\pi ]$）内积分，而在求$x(t)$的公式中积分区间为$[-\infty ,\infty ]$。再则由于离散时间信号是离散的，所以DTFT中$X(\Omega )$的表示式是求和式，而CTFT中$X(w)$的表示式是求积分的变换式。

DTFT与CTFT都是傅里叶变换，必然可以从DTFT求CTFT。特别当离散时间信号是从连续时间信号采样得来时，更有实际意义。为了使计算结果尽量逼近原始的连续信号的频谱，正如采样定理及上面混叠与泄露中所分析的，必须根据信号特点恰当地选取采样频率及截取采样信号的长度，以减少混叠误差与泄露误差带来的影响。