导频矢量推导与离散信号傅里叶变换

最新推荐文章于 2023-06-24 12:20:32 发布

动力澎湃

最新推荐文章于 2023-06-24 12:20:32 发布

阅读量1.1k

点赞数

分类专栏：离散时间信号处理文章标签：算法其他

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/m0_61142248/article/details/121289361

版权

离散时间信号处理专栏收录该内容

2 篇文章 0 订阅

订阅专栏

本文探讨了周期信号与非周期信号在傅里叶变换中的特性，包括周期信号的频率间隔和非周期信号的连续频谱。还介绍了傅里叶变换从连续到离散的推导过程，并详细阐述了离散傅里叶变换（DFT）的定义及其与导频矢量的关系。

摘要由CSDN通过智能技术生成

一、周期信号与非周期信号的傅里叶变换

对于一个周期信号而言，信号谐波之间的间隔是 $1/T$ (Hz)。当周期较大时，谐波之间的间隔减小。对于非周期信号 $T\rightarrow \infty$ ，基频和谐波之间的间隔会非常小，即 $\Delta f\rightarrow 0$ ，这时信号的频谱变为连续函数。·

二、傅里叶变换的时域离散化推导

连续信号推广到离散信号，在时间域对信号进行离散采样，连续的时间t变为离散的时间 $nT_{s}$ 。于是离散傅里叶变换为：

$X(f)=\sum_{n=0}^{\infty }x(n)e^{-j2\pi f\frac{n}{f_{s}}})$

三、傅里叶变换的频域离散化推导

由于计算时间的限制，DFT应该在有限的频率范围内进行评估。如果将 $0\sim f_{s}$ 范围内的频带分割成N个离散的点，则可以引入一个离散的变量k,用于频率，如 $k=0\sim N-1$ ，则f表示为：

$f=\frac{kf_{s}}{N}$

于是离散傅里叶变换（式6.18）变为：

$X(\frac{kf_{s}}{N})=\sum_{n=0}^{\infty }x(n)e^{-j2\pi \frac{kf_{s}}{N}\frac{n}{f_{s}}}$

则:

$X(\frac{kf_{s}}{N})=\sum_{n=0}^{\infty }x(n)e^{-j2\pi \frac{kn}{N}}$

即:

$X(k)=\sum_{n=0}^{\infty }x(n)e^{-j2\pi \frac{kn}{N}}$

引入变量W，表示为： $W_{N}=e^{-j\frac{2\pi }{N}}$ ,则:

$X(k)=\sum_{n=0}^{\infty }x(n)W_{N}^{nk}$

上式中 $W_{N}^{nk}$ 即为导频矢量，对于每一个 $k_{0}$ ，其对应的N个标量 $W_{N}^{nk_{0}}$ 组成了对应的导频矢量。全部N（对应k）个导频矢量便可以组成一组滤波器组，该滤波器组可以估计得到该信号的频谱。

·

关注

0
点赞
踩
4

收藏

觉得还不错? 一键收藏
打赏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

打赏作者

动力澎湃 你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20

扫码支付：¥1

获取中

扫码支付

您的余额不足，请更换扫码支付或充值

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。