傅里叶变换（Part III）

本系列主要介绍傅里叶变换和离散傅里叶变换的概念及理解，文本为该系列第三篇

离散傅里叶变换

离散傅里叶变换做的是一件什么事呢，是对一段有限长的离散信号，找出它含有的各个频率的正弦波分量。

接着上一篇的取样，如果取样后函数为$\tilde{f}(t)$，其傅里叶变换为$\tilde{F}(\mu )$，上一篇说到$\tilde{F}(\mu )$和原函数的傅里叶变换$F(\mu )$之间的关系，下面我们从另一个角度来看$\tilde{F}(\mu )$

$\tilde{F}(\mu )={\int }_{-\infty }^{\infty }\tilde{f}(t)e^{-j2\pi \mu t}dt={\int }_{-\infty }^{\infty }{\Sigma }_{n=-\infty }^{\infty }f(t)\delta (t-n\Delta T)e^{-j2\pi \mu t}dt={\Sigma }_{n=-\infty }^{\infty }{\int }_{-\infty }^{\infty }f(t)\delta (t-n\Delta T)e^{-j2\pi \mu t}dt={\Sigma }_{n=-\infty }^{\infty }{f}_n{e}^{-j2\pi \mu n\Delta T}$

其中${\int }_{-\infty }^{\infty }f(t)\delta (t-n\Delta T)dt=f_n=f(n\Delta T)$

正如上一篇所说，$\tilde{F}(\mu )$为周期函数，我们通过对一个周期进行采样来描述$\tilde{F}(\mu )$的一个周期，相当于$F(\mu )$。假设我们在$\mu =0$到$\mu =1/\Delta T$之间得到M个等间距的样本，即依次在$\mu =\frac{m}{M\Delta T},m=0,1,2,\dots ,M-1$处采样，得到$F(m)={\Sigma }_{n=0}^{M-1}{f}_n{e}^{-j2\pi mn/M}$，同时离散傅里叶反变换为$f_n=\frac{1}{M}{\Sigma }_{m=0}^{M-1}{F}_m{e}^{j2\pi mn/M}$

所以其实可以发现，DFT所做的只是选取了在给定长度$M$内振动了整数个周期的正弦和余弦波作为基，每个正弦余弦波的周期为$\frac{2\pi }{2\pi m/M}=\frac{M}{m}$，即在给定长度$M$内，振动了$m$个周期。

上面的$F(m)$也可以理解成在所有采样点处得到的$[f_0,f_1,\dots ,f_{M-1}]$与频率为$2\pi m/M$的基的内积或者相关性。

傅里叶变换与深度学习之间的关系

（1）深度学习在学习的时候是先去学目标函数的低频成分，再逐渐去学目标函数的高频成分
（2）early stopping：如果目标函数在频率空间低频占优，在学好低频的规律之后，可以及时防止去学高频的噪声成分，防止测试误差的上升，泛化性能的下降

参考资料：
《数字图像处理》第三版
上交课程《统计计算与机器学习》
https://www.zhihu.com/question/21314374