离散傅里叶变换（DFT）

离散傅里叶变换（DFT）

离散傅里叶变换（Discrete Fourier Transform，DFT）是一种将离散时间序列转换到频域的数学工具。DFT 可以将一个有限长的时间序列分解为一组正弦波和余弦波的组合，从而分析信号的频率成分。

DFT 的定义

对于一个长度为$N$的离散时间序列$x[n]$，其离散傅里叶变换$X[k]$定义如下：

$$X[k]=\sum _{n=0}^{N-1}x[n]e^{-j\frac{2\pi }{N}kn},k=0,1,\dots ,N-1$$

其中：
-$X[k]$是频域信号的第$k$个频率分量。
-$x[n]$是时间域信号的第$n$个时间点。
-$j$是虚数单位，满足$j^2=-1$。
-$e^{-j\frac{2\pi }{N}kn}$是复指数函数，表示频率为$\frac{k}{N}$的正弦波和余弦波。

逆离散傅里叶变换（IDFT）

DFT 的逆变换称为逆离散傅里叶变换（Inverse Discrete Fourier Transform，IDFT），用于将频域信号转换回时间域。IDFT 的定义如下：

$$x[n]=\frac{1}{N}\sum _{k=0}^{N-1}X[k]e^{j\frac{2\pi }{N}kn},n=0,1,\dots ,N-1$$

DFT 的性质

1. 周期性：
   -$X[k]$和$x[n]$都是周期性的，周期为$N$。

2. 对称性：

   • DFT 结果$X[k]$的对称性：如果$x[n]$是实数序列，那么$X[k]$的正频率部分和负频率部分是共轭对称的，即$X[k]=X^{\ast }[N-k]$。

3. 能量守恒：

   • Parseval 定理指出，时间域信号的能量等于频域信号的能量总和，即：
     $$\sum _{n=0}^{N-1}|x[n]{|}^2=\frac{1}{N}\sum _{k=0}^{N-1}|X[k]{|}^2$$

DFT 的计算

直接计算 DFT 需要$O(N^2)$次运算，因为每个$X[k]$需要计算$N$项乘法和加法。快速傅里叶变换（FFT）是计算 DFT 的高效算法，可以将计算复杂度降低到$O(N\log N)$。

示例

假设我们有一个长度为 4 的时间序列$x[n]=[1,2,3,4]$。我们计算其 DFT：

1. 定义：
   $$X[k]=\sum _{n=0}^{3}x[n]e^{-j\frac{2\pi }{4}kn}$$

2. 计算各频率分量：

   -$X[0]$:
   $$X[0]=1\cdot e^{-j0}+2\cdot e^{-j0}+3\cdot e^{-j0}+4\cdot e^{-j0}=1+2+3+4=10$$

   -$X[1]$:
   $$X[1]=1\cdot e^{-j\frac{2\pi }{4}\cdot 0}+2\cdot e^{-j\frac{2\pi }{4}\cdot 1}+3\cdot e^{-j\frac{2\pi }{4}\cdot 2}+4\cdot e^{-j\frac{2\pi }{4}\cdot 3}$$
   计算复数指数部分：
   $$X[1]=1+2(-j)+3(-1)+4(j)=1-3+2j+4j=-2+2j$$

   -$X[2]$:
   $$X[2]=1\cdot e^{-j\frac{2\pi }{4}\cdot 0}+2\cdot e^{-j\frac{2\pi }{4}\cdot 2}+3\cdot e^{-j\frac{2\pi }{4}\cdot 4}+4\cdot e^{-j\frac{2\pi }{4}\cdot 6}$$
   由于$e^{-j\pi }=-1$，计算结果为：
   $$X[2]=1+2(-1)+3(1)+4(-1)=1-2+3-4=-2$$

   -$X[3]$:
   $$X[3]=1\cdot e^{-j\frac{2\pi }{4}\cdot 0}+2\cdot e^{-j\frac{2\pi }{4}\cdot 3}+3\cdot e^{-j\frac{2\pi }{4}\cdot 6}+4\cdot e^{-j\frac{2\pi }{4}\cdot 9}$$
   计算复数指数部分：
   $$X[3]=1+2(j)+3(-1)+4(-j)=1-3-2j-4j=-2-2j$$

所以，时间序列$x[n]=[1,2,3,4]$的 DFT 结果为$X[k]=[10,-2+2j,-2,-2-2j]$。

总结

离散傅里叶变换（DFT）是将时间序列转换到频域的重要工具。通过 DFT，我们可以分析信号的频率成分。在实际应用中，快速傅里叶变换（FFT）提供了高效计算 DFT 的方法，被广泛用于信号处理、图像分析等领域。在 Autoformer 模型中，DFT 被用于查询和键向量的频域变换，帮助模型捕捉时间序列中的周期性模式。