解释DFT是DTFT在频域中均匀采样得到的

最新推荐文章于 2024-11-09 21:51:15 发布

dobio猫猫

最新推荐文章于 2024-11-09 21:51:15 发布

阅读量932

点赞数 18

文章标签：算法人工智能

本文链接：https://blog.csdn.net/m0_59160446/article/details/140756380

版权

首先介绍DTFT和DFT的频谱特点是有所不同的

离散时间傅立叶变换 (DTFT) 和离散傅立叶变换 (DFT) 的频谱特点有所不同，这些特点主要体现在频谱的周期性、连续性和采样等方面。下面是它们各自频谱特点的对比：

离散时间傅立叶变换 (DTFT)

特点

周期性:
- DTFT 的频谱是周期的，对所有整数。
- 这种周期性来源于指数函数的周期性。
连续性:
- DTFT 的频谱是一个连续函数，定义在 (-\pi) 到 (\pi) 或 (0) 到 (2\pi) 的区间内。
- 频谱函数是关于的连续函数，这意味着它可以取任何值在这个区间内。
无限长信号:
- DTFT 适用于无限长度的离散时间信号。
- 因此，它可以给出信号完整的频谱特性。

离散傅立叶变换 (DFT)

特点

周期性:
- DFT 的频谱 (X[k]) 本质上是 DTFT 频谱在 ([0, 2\pi)) 区间内的均匀采样，
- DFT 的频谱也是周期性的，周期为 (N)，其中 (N) 是信号的长度。
离散性:
- DFT 的频谱是一个离散函数，定义在 (0) 到 (N-1) 的整数索引上。
- 频谱函数 (X[k]) 是关于 (k) 的离散函数，这意味着它只在 (k = 0, 1, N-1）上有定义。
有限长度信号:
- DFT 适用于有限长度的离散时间信号。
- 它通常用于分析信号的一个片段，这个片段被视为周期信号的一个周期。

总结

DTFT 的频谱是连续的、周期为 (2\pi) 的函数，适用于无限长度的信号。
DFT 的频谱是离散的、周期为 (N) 的函数，适用于有限长度的信号。

频谱泄露与窗口函数

频谱泄露:
- 当使用 DFT 分析非周期信号时，由于信号在时域中的截断，会导致频谱泄露现象。
- 频谱泄露是指信号的真实频谱与 DFT 所得到的频谱之间存在的差异，特别是在频率分量的旁瓣出现额外的能量分布。
窗口函数:
- 为了减少频谱泄露的影响，通常在信号两端应用窗口函数（如汉明窗、海明窗、布莱克曼窗等）。
- 窗口函数可以平滑信号的边缘，减少突然开始和结束所导致的频谱泄露。

应用场景

DTFT 适用于理论分析和无限长度信号的频谱分析。
DFT 适用于实际应用中的信号处理和频谱分析，特别是有限长度信号的分析，如音频信号处理、图像处理等。

通过以上对比，我们可以看到 DTFT 和 DFT 在频谱特点上的明显差异，这些差异决定了它们在不同应用场景中的适用性。

让我们通过一个具体的例子来说明如何从 DTFT 得到 DFT，以及为什么 DFT 可以被认为是 DTFT 在频域中的均匀采样。

例子

假设我们有一个非周期但离散时间的信号 (x[n])，长度为 (N = 8)，我们想要计算这个信号的 DFT 和 DTFT，并观察两者之间的关系。

信号定义

假设信号 (x[n]) 如下：

这是一个简单的矩形脉冲信号，长度为 8 个样本。

DTFT

首先，我们计算信号N=8，矩形序列的 DTFT，

我们可以写出 DTFT 的表达式，

这是一个几何级数，我们可以求出它的和

DFT

接下来，我们计算信号 (x[n]) 的 DFT，对于 (k = 0, 1, \ldots, 7)：

对于 (0 \leq n < 8)，我们可以写出 DFT 的表达式：

这个表达式与 DTFT 的表达式类似，只是 (k) 的取值范围是有限的，是从0到7

DFT 作为 DTFT 的采样

我们可以看到，DFT 的频谱是 DTFT 频谱在 ([0, 2\pi)) 区间内的均匀采样。具体来说，

示例计算


```bash
import numpy as np
import matplotlib.pyplot as plt

# 信号定义
N = 8
n = np.arange(N)
x = np.ones(N)

# 计算 DTFT
def dtft(x, omega):
    return np.sum(x * np.exp(-1j * omega * n))

# 创建频率向量
omega = np.linspace(-np.pi, np.pi, 1000)  # 用于绘制 DTFT

# 计算 DTFT 的幅度谱和相位谱
X_dtft = np.array([dtft(x, w) for w in omega])
magnitude_dtft = np.abs(X_dtft)
phase_dtft = np.angle(X_dtft)

# 计算 DFT
X_dft = np.fft.fft(x)
magnitude_dft = np.abs(X_dft)
phase_dft = np.angle(X_dft)

# 绘制幅度谱
plt.figure(figsize=(12, 6))
plt.subplot(2, 2, 1)
plt.plot(omega, magnitude_dtft)
plt.title('Magnitude Spectrum of DTFT')
plt.xlabel('Frequency (radians)')
plt.ylabel('Magnitude')

plt.subplot(2, 2, 2)
plt.stem(np.arange(N), magnitude_dft)
plt.title('Magnitude Spectrum of DFT')
plt.xlabel('Frequency Index')
plt.ylabel('Magnitude')

# 绘制相位谱
plt.subplot(2, 2, 3)
plt.plot(omega, phase_dtft)
plt.title('Phase Spectrum of DTFT')
plt.xlabel('Frequency (radians)')
plt.ylabel('Phase (radians)')

plt.subplot(2, 2, 4)
plt.stem(np.arange(N), phase_dft)
plt.title('Phase Spectrum of DFT')
plt.xlabel('Frequency Index')
plt.ylabel('Phase (radians)')

plt.tight_layout()
plt.show()

图片结果展示在这里插入图片描述