离散傅里叶变换DFT

对DFT相关的内容做一个梳理。

傅里叶变换（FT）

在学习信号处理的过程中，我们最早接触的是时域连续信号的傅里叶变换：
$$X(j\Omega )={\int }_{-\infty }^{+\infty }x(t)e^{-j\Omega t}dt$$

而在实际应用中，经常接触到的是序列，即时域离散信号。我们可以把上式中的积分变为求和，自然而然地得到时域离散信号的傅里叶变换：
$$X(e^{j\omega })=\sum _{n=-\infty }^{+\infty }x(n)e^{-j\omega n}$$

需要注意的是，$X(e^{j\omega })$具有$2\pi$周期性。$\omega =0$处代表低频，$\omega =\pi$处代表高频（这个下面会有解释）。

离散傅里叶变换（DFT）

上述时域离散信号的FT在频域上是连续的，这样对于计算机来说还是不能处理。这时候，DFT诞生了。设序列$x(n)$长度为M，它的N点DFT为：
$$X(k)=\sum _{n=0}^{N-1}x(n)e^{-j\frac{2\pi }{N}kn},k=0,1,...,N-1$$

要求$N\ge M$（原因见下文）。而$x(n)$的傅里叶变换为：$$X(e^{j\omega })=\sum _{n=-\infty }^{+\infty }x(n)e^{-j\omega n}=\sum _{n=0}^{N-1}x(n)e^{-j\omega n}$$可以看出， { X ( k ) } \{X(k)\} {X(k)}是$X(e^{j\omega })$在$[0,2\pi ]$上的等间隔采样。（因为FT具有$2\pi$周期性，所以在$[0,2\pi ]$上采样就够了）

采样定理

时域采样定理

时域采样定理是这样的：

对模拟信号$x_a(t)$进行时域等间隔理想采样（冲激采样），则理想采样信号${\hat{x}}_a(t)$的频谱是原模拟信号频谱以采样频率为周期的周期延拓。对于带限信号，当采样频率大于2倍信号频率时，可以由采样信号无失真恢复原模拟信号。

上述采样定理针对的是理想采样，这在现实中不可实现。实际中采用的是时域离散采样，即$x(n)=x_a(nT)$（注意：理想采样${\hat{x}}_a(t)$仍是模拟信号，而$x(n)$是时域离散信号）。$x(n)$的傅里叶变换$X(e^{j\omega })$与$x_a(t)$的傅里叶变换$X(j\Omega )$的关系为：
$$X(e^{j\omega })=1/T\times \sum _{k=-\infty }^{+\infty }{X}_a(j\Omega -jk{\Omega }_s)$$

其中，${\Omega }_s=2\pi /T=2\pi F_s$，$\omega =\Omega T$。

$X(e^{j\omega })$是$\omega$的函数，$X_a(j\Omega )$是$\Omega$的函数，二者之间通过一个坐标变换 $\omega =\Omega T$ 联系在了一起。也就是说，时域离散采样信号的频谱是模拟信号频谱以${\Omega }_s$为周期做周期延拓之后，再在横轴上做一个伸缩变换，再乘以一个系数得到的。

同理，对于时域离散采样，也要满足采样频率大于2倍信号频率，才能避免频谱混叠。

根据$\omega =\Omega T$，$\omega =2\pi$对应于$\Omega ={\Omega }_s$，$\omega =\pi$对应于$\Omega ={\Omega }_s/2$。${\Omega }_s/2$是折叠频率，这就是为什么说$\omega =\pi$对应于高频部分了。

进一步地，如果$x(n)$有限长（当然频域就无限长了），那么对$x(n)$做DFT，就相当于对原模拟信号频谱的周期延拓在$[0,{\Omega }_s]$上等间隔采样！

频域采样定理

对任意序列$x(n)$的傅里叶变换$X(e^{j\omega })$，在$[0,2\pi ]$上等间隔采样，得到${\tilde{X}}_N(k)$（这里不限制k的取值范围）。可以知道，${\tilde{X}}_N(k)$是以N为周期的序列。根据离散傅里叶级数理论，${\tilde{X}}_N(k)$必然是某个周期序列${\tilde{x}}_N(n)$的DFS。通过推导可知，${\tilde{x}}_N(n)$是原序列$x(n)$以N为周期的周期延拓。分别取${\tilde{X}}_N(k)$与${\tilde{x}}_N(n)$的主值序列$X_N(k)$和$x_N(n)$，二者构成一对DFT。

从而可以得到频率采样定理：设序列$x(n)$长度为M，对$X(e^{j\omega })$在$[0,2\pi ]$上N点等间隔采样（也就是做N点DFT），仅当 N>=M 时，才能由$X_N(k)$通过IDFT恢复$x(n)$，避免混叠。

对比：
时域采样定理要求信号频率有限；频率采样定理要求序列长度有限。

MATLAB中fft的使用

一、定义信号，注意几个关键量：

Fs = 1000;            % 采样频率   
T = 1/Fs;             % 采样间隔
L = 1500;             % 序列长度
t = (0:L-1)*T;        % 时间向量
S = 0.7*sin(2*pi*50*t) + sin(2*pi*120*t); 		% 两个正弦信号（S是有限长的，可以看成无限长信号加窗）
X = S + 2*randn(size(t));			% 加噪声

二、傅里叶变换

Y = fft(X);			% 得到的是原信号频谱在[0, Fs]上的L点等间隔采样
P2 = (abs(Y/L)).^2;				% 功率谱（这个为什么要除以L，请看下面解释）
P1 = P2(1:L/2+1);		% 实信号的FT是共轭对称的，我们只看半边！
P1(2:end) = 2*P1(2:end);	% 由于是单边谱，所以乘2（除直流分量外）
f = Fs*(0:(L/2))/L;				% 频率轴，采样间隔是Fs/L，频率范围是[0, Fs/2]
plot(f,P1) 

这里有一个疑问是：为什么要对fft得到的结果除以L，按照时域采样定理那一部分的结论：
$$X(e^{j\omega })=1/T\times \sum _{k=-\infty }^{+\infty }{X}_a(j\Omega -jk{\Omega }_s)$$

我们似乎应该对fft的结果乘以T，也就是除以Fs，才能得到原频谱。实际上，除以Fs和除以L都是正确的，这取决于我们的目的是什么。如果要得到原信号的幅度谱，则应该除以Fs；如果要得到功率谱，则应该除以L。参考