音乐处理原理第二章：信号傅里叶分析

简述傅里叶变换

模拟信号

波形函数通式：$Asin(2\pi (\omega t-\phi ))$；其中$A$是振幅，$\omega$是频率， $\phi$是相位。
为了方便研究，只对一段很小时间段内声音模拟信号进行分析，一般认为这一小段波形的振幅大致是相等，即功率相等。此时的模拟信号函数$f(t)$可以看作多个频率不等的波形函数叠加而成。

波形函数相似

• 借助定积分 ${\int }_{t\in R}f(t)\cdot g(t)dt$，如果$f$和$g$越相似，则定积分会越大。
• 对于相同振幅相同频率下的两个波形函数，相位越接近则两个波形函数越相似
• 引入一个标准波形函数：${\cos }_{\omega ,\phi }(t)=\sqrt{2}\cos (2\pi (\omega t-\phi ))$，易得$\phi \in [0,1)$。

傅里叶变换的定义

对任一个模拟信号函数$f(t)$，可以定义：
$$\begin{gathered} d_{\omega }=\underset{\phi \in [0,1)}{\max }({\int }_{t\in \mathbb{R}}f(t){\cos }_{\omega ,\phi }(t)dt), \\ {\phi }_{\omega }=\underset{\phi \in [0,1)}{\mathrm{argmax}}({\int }_{t\in \mathbb{R}}f(t){\cos }_{\omega ,\phi }(t)dt) \end{gathered}$$
$d_{\omega }$表示模拟信号函数$f$在频率$\omega$下的最大强度，${\phi }_{\omega }$表示到达最大强度下的相位。而$f(t)$的傅里叶变换即获取$f(t)$在所有频率下的$d_{\omega }$和${\phi }_{\omega }$。(即找出所有频率的最相似波形函数)
根据这个定义，要计算机算最优值是很困难的。可以利用复数概念重新定义傅里叶变换。

复数的极坐标表达

一个复数的定义式为$c=a+bi$，$a$是实数轴上的值，$b$是虚数轴上的值。那么复数在直角坐标系上的点为$(a,b)$，转换成用极坐标表示则为$(\rho \cos \theta ,\rho \sin \theta )$，那么复数$c=\rho (\cos \theta +i\sin \theta )$。利用公式$e^{i\theta }=\cos \theta +i\sin \theta$，则有：
$$\begin{gathered} c=\rho e^{i\theta }{,}_{其中\rho 即为|c|，故：} \\ c=|c|\cdot e^{i\theta } \end{gathered}$$

傅里叶变换的复数定义

将$f(t)$在频率$\omega$下的$d_{\omega }$和${\phi }_{\omega }$看作一个极坐标点$(d_{\omega },-2\pi {\phi }_{\omega })$。将其转换成复数表达则为$d_{\omega }\cos (-2\pi {\phi }_{\omega })+i{d}_{\omega }\sin (-2\pi {\phi }_{\omega })$。那么令$c_{\omega }$
$$\begin{gathered} c_{\omega }=(d_{\omega }\cos (-2\pi {\phi }_{\omega })+i{d}_{\omega }\sin (-2\pi {\phi }_{\omega }))/\sqrt{2} \\ =\frac{d_{\omega }}{\sqrt{2}}\cdot e^{-2\pi i{\phi }_{\omega }} \end{gathered}$$
那么$f(t)$傅里叶变换后的函数$\hat{f}$即是一个关于从$\omega$到复数$c_{\omega }$的函数：
$$\hat{f}(\omega )=c_{\omega }$$
傅里叶转换后的$c_{\omega }$为傅里叶系数Fourier coefficient。那么傅里叶变换可以用以下方式表达：
$$\begin{gathered} \hat{f}(\omega )={\int }_{t\in \mathbb{R}}f(t)e^{-2\pi i\omega t}dt \\ ={\int }_{t\in \mathbb{R}}f(t)\cos (2\pi \omega t)dt+i{\int }_{t\in R}f(t)\sin (-2\pi \omega t)dt \end{gathered}$$
由公式可得$c_{\omega }$的实数部是信号函数$f$和余弦函数相似度，虚数部是$f$和正弦函数相似度。通过傅里叶变换的复数表达，把求最优值(这里用到正交的概念)转变成求一个积分，$c_{\omega }$的模$|c_{\omega }|$是傅里叶系数的幅度magnitude。把函数$f$变换成$|\hat{f}|$称为幅度傅里叶变换magnitude Fourier transform
根据$c_{\omega }$定义可以反推$d_{\omega }$和${\phi }_{\omega }$：
$$\begin{gathered} d_{\omega }=\sqrt{2}|\hat{f}(\omega )| \\ {\phi }_{\omega }=-\frac{{\gamma }_{\omega }}{2\pi } \\ |\hat{f}(\omega )|和{\gamma }_{\omega }即c_{\omega }的极坐标 \end{gathered}$$

傅里叶逆变换

根据上述傅里叶变换公式，可以推出傅里叶逆变换：
$$\begin{gathered} f(t)={\int }_{w\in {\mathbb{R}}_{+}}\sqrt{2}{d}_{\omega }\cdot \cos (2\pi (\omega t-{\phi }_{\omega }))d\omega \\ ⟹{\int }_{w\in \mathbb{R}}{c}_{\omega }\cdot e^{2\pi i\omega t}d\omega \end{gathered}$$

信号和信号空间

数字信号

数字信号则是离散时间下的模拟信号。一般对模拟信号用采样sampling来获取数字信号。
采样操作：
$$x(n)=f(n\cdot T)$$
$x(n)$则称作在$n\cdot T$时刻下对$f(t)$的采样。$T>0$且$n\in Z$。
采样之后，则还要对数字信号进行量化quantization，即通过数字信号去计算任意时刻的值。
量化操作：
$$Q(a)=signum(a)\cdot \Delta \cdot \lfloor \frac{|a|}{\Delta }+\frac{1}{2}\rfloor$$
称函数$Q$为一个量化器quantizer。$\Delta$是步长。
采样和量化都是有损操作，都会损失原本的信息量。

信号空间

引入泛函分析概念，因为模拟信号函数$f$和数字信号函数$x$都具备线性性质，可以把它们都放在线性空间中研究。和向量空间类似。现在开始记$f,g$为一个模拟信号函数，$x,y$为一个数字信号函数。现在把模拟信号函数看成是$R\to C$的函数，数字信号看成$Z\to C$的函数。
类似向量，信号函数可在 希尔伯特空间 内给定义无穷维的内积：
$$\begin{gathered} 1.若空间满足\sum _Z\Vert x(n)\Vert 有极限，称为{\ell }^2(\mathbb{Z})空间，此时有内积： \\ ⟨x|y⟩=\sum _{\mathbb{Z}}x(n)\overline{y(n)} \\ 2.若空间满足{\int }_R\Vert f(t)\Vert dt有极限，称为L^2(\mathbb{R})空间，此时有内积： \\ ⟨f|g⟩={\int }_{\mathbb{R}}f(t)\overline{g(t)}dt \end{gathered}$$
如果f(t)是周期函数，那么总能把周期限定在[0,1)内，则有：
$$3.若空间满足{\int }_{[0,1)}\Vert f(t)\Vert dt有极限，称为L^2([0,1)$$