离散傅里叶变换(Example)

UTF8gbsn

注意，不建议读者直接阅读离散傅里叶变换，而是应该先阅读并理解傅里叶级数、和（连
续）傅里叶变换。这样才能够理解离散的傅里叶变换。

Introduction

在工程上，我们通常需要对离散的信号进行处理。所以我们必须要应用一种离散的傅里叶
变换。傅里叶级数的表示形式。如果们又信号$f(t)$
$${\alpha }_k=\frac{1}{2l}{\int }_{-l}^{l}f(x)e^{-i\frac{k\pi x}{l}}dx,(k=0,\pm 1,\pm 2,...)$$ 令$l=\pi$,我们有，注意一点$i$是虚数单位。不是下标
$${\alpha }_k=\frac{1}{2\pi }{\int }_0^{2\pi }f(t)e^{-ikt}dt,(k=0,\pm 1,\pm 2,...)$$
我们看${\alpha }_k$对应频率成分是$\frac{k}{2\pi }$,那么我们可以看到。那么我们可以
看到，我们恒可以把离散的数据 y = { y i } , y = ( 1 , 2 , . . . , n ) y=\{y_i\},y=(1,2,...,n) y={yi​},y=(1,2,...,n)，看做一个周期$2\pi$上的
采样点。因为$y$是一定离散的数据。

那么我们如何来计算${\alpha }_k$？因为 f ( t ) = { y i } f(t)=\{y_i\} f(t)={yi​},是离散信号。所以我们必须变换
${\alpha }_k$为如下的等式,注意有一点儿，也就是$i$是虚数单位，不是标号。

$${\alpha }_k=\frac{1}{n}\sum _{j=0}^{n-1}f(\frac{2\pi j}{n})e^{\frac{-2\pi ijk}{n}}$$
也就是说

$${\hat{y}}_k/n\approx {\alpha }_k\approx \frac{1}{n}\sum _{j=0}^{n-1}{y}_j{\overline{w}}^{jk}$$

$$y_j=f(\frac{2\pi j}{n}),w=e^{\frac{2\pi i}{n}}$$
我们把${\hat{y}}_k$叫做离散傅里叶变换。

Discrete Fourier Analysis

我们来看看离散傅里叶级数的一些分析，离散傅里叶变换，实际上就是对下面的公式进行
离散化。也就是离散$(0,2\pi )$，用离散的数据来替代。所以积分${\int }_0^{2\pi }$变
成了累加${\sum }_{j=0}^{n-1}$,$f(t)\mapsto y_j$

$${\alpha }_k=\frac{1}{2\pi }{\int }_0^{2\pi }f(t)e^{-ikt}dt,(k=0,\pm 1,\pm 2,...)$$

$${\hat{y}}_k/n\approx {\alpha }_k\approx \frac{1}{n}\sum _{j=0}^{n-1}{y}_j{\overline{w}}^{jk}$$

所以不难理解，这是用离散的值来计算${\alpha }_k$的直接表现。那么下面我们来看看当
$k>n$时会发生什么

一般我们只计算${\hat{y}}_0,...,{\hat{y}}_{n-1}$,为什么我们不计算
${\hat{y}}_n$?,让我们来看看为什么？

$k=n$,首先计算下${\overline{w}}^n=w=(e^{\frac{2\pi i}{n}}{)}^n=e^{2\pi i}=w^0$，
同理，$w^{n+1}=w,w^{n+2}=w^2$，所以，实际上我们实在计算重复的东西。另外，这也
解释了一定采样频率的信号，不可能含有比采样频率更高频率的信号。于是我们得出结论
${\overline{y}}_0,...,{\overline{y}}_{n-1}$就是我们需要的离散傅里叶变换。

Matrix Form

$$F_n=\left(\begin{array}{ccccc}1& 1& 1& ...& 1\\ 1& \omega & {\omega }^2& ...& {\omega }^{n-1}\\ 1& {\omega }^2& {\omega }^4& ...& {\omega }^{2(n-1)}\\ ⋮& & & & ⋮\\ 1& {\omega }^{n-1}& {\omega }^{2(n-1)}& ...& {\omega }^{(n-1{)}^2}\end{array}\right)$$

那么离散傅里叶变换就直接转换为了矩阵算法。方便工程上的实践。

Example

我们来看看一个具体的例子。这个例子我是从别的文章中看到的。我们先来看看原始信号
的

$$f(t)=2+\frac{3}{2}cos(150\pi t+\frac{\pi }{2})+3sin(100\pi t-\frac{\pi }{6})$$
很明显，这个信号含有两种频率成分的信号，一种是$f_1=75Hz,f_2=50Hz$.
我们的采样频 率取 $f_s=512Hz$ ,这样在 $t\in [0,1)$
上我们就可以取512个数据。然后使用傅里叶
变换后。我们会得到512个${\hat{y}}_j$。注意我们得到的是复数。那么我们怎么根据
复数信息来计算频谱成分？

• 数据中大部分都是0，有效的数据为 $$\begin{array}{rlr}{\hat{y}}_0& =& 1024\\ {\hat{y}}_{50}& =& 665.108+384i\\ {\hat{y}}_{75}& =& -384i\\ {\hat{y}}_{437}& =& 384i\\ {\hat{y}}_{462}& =& 665.108-384i\end{array}$$

• 那么我们如何才能够从离散傅里叶变换中找出找出频率成分和相位，还有我们的常
  数项？

  1. 注意我们是将整个采样区间映射到了$0,2l$上，而我们一般采用的是$-l,l$上。
     所以根据我另外一篇文章傅里叶变换中提到的变换方法可以得。

     $$n\ast {\alpha }_{-\lambda }={\hat{y}}_{-50}=665.108-384i$$
     $$n\ast {\alpha }_{-\lambda }={\hat{y}}_{-75}=-384i$$

  2. 我们来利用公式
     $$n\ast {\alpha }_{\lambda }=\frac{1}{\sqrt{2\pi }}\hat{f}(\lambda )=\frac{a_{\lambda }-i{b}_{\lambda }}{2}$$
     $$n\ast {\alpha }_{-\lambda }=\frac{1}{\sqrt{2\pi }}\hat{f}(-\lambda )=\frac{a_{\lambda }+i{b}_{\lambda }}{2}$$

  3. $$n\ast a_{50}=2\ast 665.108,n\ast b_{50}=-2\ast 384,n\ast a_{75}=0,n\ast b_{75}=-2\ast 384$$
     也就是说，我们离散傅里叶变换之后，发现有两个频率的信号.一个是$50Hz$一个是$75Hz$.

  4. 计算$a_0$，其中l是什么？是半周期。而我们的采样频率是$n=512$。也就是说，
     $${\hat{y}}_k/n\approx {\alpha }_k\approx \frac{1}{n}\sum _{j=0}^{n-1}{y}_j{\overline{w}}^{jk}$$
     $${\hat{y}}_0/512=1024/512={\alpha }_0=\frac{a_0}{2}=2$$
     由此我们可以知道$a_0=4$，也就是说$f(x)$的常数项为$\frac{a_0}{2}=2$

  5. $50Hz$ 信号计算。

     回忆一下

     $$a_{50}cos(50\ast 2\pi t)+b_{50}sin(50\ast 2\pi t)$$

     $$A_{50}=\sqrt{(2\times 665.108/512{)}^2+(-2\times 384/512{)}^2}=3$$
     $$\phi =arctan(-384/665.108)=-\frac{\pi }{6}$$

     也就是说，$50Hz$的信号为。

     $$3sin(100\pi t-\frac{\pi }{6})$$

  6. 同理$75Hz$的信号量为

     $$\frac{3}{2}cos(150\pi t+\frac{\pi }{2})$$

The End

最后，我们可以看到，离散傅里叶变换，实际上就是在傅里叶变换的基础上，使用了离散
的信号来计算。本身没有什么特别的地方。只要懂得如何计算就行。还有一点儿就是，大
家一定要记住，复数只是为了更方便计算。我们的具体计算中并没有利用复数计算的便利
性。这是我们忽略的，读者实际上自己思考一下就能明白，利用复数，可以很快的计算出
相位和幅值。至此，我们完成了傅里叶级数，傅里叶变换，离散傅里叶变换的文章。希望
能够给读者带来一些启示。因为我的能力有限。肯定有很多地方写得不好或者是错误的。，还望你们帮忙
指出。我一定，进行修改。