傅里叶分析 & 应用

傅里叶级数：Fourier Serie

• 傅里叶级数针对周期性函数：任意周期函数都可写成三角函数之和
• 公式
  • $f(x)=a_0\times 1+{\sum }_{i=1}^{\infty }(a_i\times cos(\frac{2\times \pi \times i}{T}\times x)+b_i\times sin(\frac{2\times \pi \times i}{T}\times x))={\sum }_{k=-\infty }^{\infty }(g_k(x))$
    • $g_k(x)=a_k\times e^{j\times k\times (\frac{2\times \pi }{T})\times x}$，其中欧拉公式为：$e^{j\times \theta }=cos(\theta )+j\times sin(\theta )$
    • $a_0\in \mathbb{R}$
    • $T$为函数周期
  • 时域：$f(x)$函数
  • 频域：以$(1,cos(i\times x)/sin(i\times x))$为基的对应向量$(a_0,a_i/b_i)$。叠加波的映射
  • 即：级数$i$越大，频域向量维度变高，越密集。周期$T$越大，频域越密集（正弦/余弦图更紧凑）
  • $g_k(x)$是周期为$T$的周期函数，$k$值不同时，周期信号具有谐波关系(即它们都具有一个共同周期$T$)。$k\times (\frac{2\times \pi }{T})$即为$k$次谐波，其中$k=0$时为常值$a_0$
• 本质：是将一个周期的信号分解成无限多分开的（离散的）波

傅里叶变换：Fourier Transformation

• 时域是叠加波，频域就是几条竖线（振幅就是高度），时域很复杂的东西，很可能在频域就很简单。
• $A\times sin(w\times x+\theta )$
  • $A$：振幅
  • $w$：频率，周期的倒数
  • $\theta$：相位
• $F(w)$叫做$f(t)$的象函数，$f(t)$叫做$F(w)$的象原函数
  • 傅里叶变换：$F(w)=\mathcal{F}[f(t)]={\int }_{-\infty }^{\infty }(f(t)\times e^{-i\times w\times t})\mathrm{d}t$
  • 傅里叶逆变换：$f(t)={\mathcal{F}}^{-1}[F(w)]=\frac{1}{2\times \pi }\times {\int }_{-\infty }^{\infty }(F(w)\times e^{i\times w\times t})\mathrm{d}w$
• 指数形式傅里叶变换：欧拉公式

关系

• 傅里叶级数：时域是一个周期且连续的函数，而频域是一个非周期离散函数
• 傅里叶变换：将一个时域非周期的连续信号，转化为一个在频域非周期的连续信号
  
• 一个极度有意思的总结图
  

应用

• 周期时间序列
  • R：fourier。参考$k$为级数
• 滤波（图像，音频，交易信号）：去掉特点的频率成分，在频域就是去掉其对应的竖线
• 求解微分方程：时域的需要计算微分和积分，映射到频域就是加减法
• …

Python API：scipy.fft; numpy.fft

• fft：一维离散傅里叶变换。返回傅里叶级数展开的$y_i$
• ifft：一维离散傅里叶逆变换
• fft2, ifft2：同上
• fftn, ifftn：$n$维
• rfft：入参接受为实数，略掉虚数部分
• irfft：逆函数
• hfft：Compute the FFT of a signal that has Hermitian symmetry

Reference

• 从傅里叶级数到傅里叶变换
• 百度百科 傅里叶级数
• R fourier
• 知乎专栏-与时间无关的故事
  -傅里叶分析：傅里叶级数与变换的关系图片均来源于此
• 百度百科-傅里叶变换