傅里叶变换总结

1. 傅里叶级数FS

任何周期信号都可以表示为若干个正弦函数和余弦函数之和：
$$f(t)=a_0+\sum _0^{\infty }(a_{n}cos(\frac{2\pi nt}{T})+b_{n}sin(\frac{2\pi nt}{T}))$$
其中$a_0=\frac{1}{T}{\int }_0^{T}f(t)dt$，$a_n=\frac{2}{T}{\int }_0^{T}f(t)\cos \left(\frac{2\pi nt}{T}\right)dt$，$b_n=\frac{2}{T}{\int }_0^{T}f(t)\sin \left(\frac{2\pi nt}{T}\right)dt$。

例子: 假设我们有一个周期为T的方波信号f(t)：
$$\begin{gathered} f(t)=A,0\le t\le \frac{T}{2} \\ f(t)=-A,\frac{T}{2}\le t\le T \end{gathered}$$
因为方波为奇函数，所以只存在奇数次谐波的正弦项$b_n$:
$$b_n=\frac{2}{T}\left({\int }_0^{T/2}A\sin \left(\frac{2\pi nt}{T}\right)dt+{\int }_{T/2}^T-A\sin \left(\frac{2\pi nt}{T}\right)dt\right)$$
将这些系数带入傅里叶级数公式中，我们可以得到方波信号的傅里叶级数展开形式：
$$f(t)=\sum _{k=0}^{\infty }\frac{4A}{(2k+1)\pi }\sin \left(\frac{2\pi (2k+1)t}{T}\right)$$


$$\begin{gathered} f(t)=\frac{a_0}{2}+\sum _{n=1}^{\infty }\left(a_n\cos n\omega t+b_n\sin n\omega t\right) \\ f(t)=\frac{a_0}{2}+\sum _{n=1}^{\infty }\left[a_n\cdot \frac{1}{2}\left(e^{in\omega t}+e^{-in\omega t}\right)-\frac{1}{2i}{b}_n\left(e^{in\omega t}-e^{-in\omega t}\right)\right] \\ f(t)=\sum _{-\infty }^{\infty }{C}_n{e}^{in\omega t} \end{gathered}$$
其中$C_n$表示为：$$\begin{gathered} C_n=\frac{a_0}{2},n=0 \\ {C}_n=\frac{a_n-i{b}_n}{2},n=1,2,3,4,\dots \\ {C}_n=\frac{a_n+i{b}_n}{2},n=-1,-2,-3,-4,\dots \end{gathered}$$
所以周期信号$f(t)=f(t+T)$的傅里叶级数可以总结为：
$$\begin{gathered} f(t)=\sum _{n=-\infty }^{\infty }{C}_n{e}^{in\omega t} \\ {C}_n=\frac{1}{T}{\int }_0^{T}f(t)e^{-in\omega t}dt \end{gathered}$$

2. 傅里叶变换FT

当信号为非周期信号时，即傅里叶级数中的T趋近于无穷大时，傅里叶级数可视为傅里叶变换
$$\begin{gathered} \underset{T\to \infty }{\lim }{f}_T(t)=f(t) \\ {f}_T(t)=f(t+T) \\ {f}_T(t)=\sum _{n=-\infty }^{\infty }{C}_n{e}^{in{\omega }_{0}t} \end{gathered}$$
在傅里叶级数中${\omega }_0=\frac{2\pi }{T}$
$$\Delta \omega =(n+1){\omega }_0-n{\omega }_0={\omega }_0=\frac{2\pi }{T}$$
$\frac{1}{T}=\frac{\Delta \omega }{2\pi }$, 当$T\uparrow ,\Delta \omega \downarrow$，则$\Delta \omega$逐渐由离散趋近于连续。
$$f_T(t)=\sum _{n=-\infty }^{\infty }\left(\frac{1}{T}{\int }_{-\frac{2}{T}}^{\frac{2}{T}}{f}_T(t)e^{-in{\omega }_{0}t}dt\right)e^{in{\omega }_{0}t}\to f_T(t)=f_T(t)=\sum _{n=-\infty }^{\infty }\frac{\Delta \omega }{2\pi }{\int }_{-\frac{T}{2}}^{\frac{T}{2}}{f}_T(t)e^{-in{\omega }_{0}t}dt{e}^{in{\omega }_{0}t}$$
当$$\begin{gathered} T\to \infty :{\int }_{-\frac{T}{2}}^{\frac{T}{2}}dt\to {\int }_{-\infty }^{\infty }dt, \\ n{\omega }_0\to \omega :{\sum }_{n=-\infty }^{\infty }\Delta \omega \to {\int }_{-\infty }^{\infty }d\omega \end{gathered}$$。
所以：
$$f_T(t)=\sum _{n=-\infty }^{\infty }\frac{\Delta \omega }{2\pi }{\int }_{-\frac{T}{2}}^{\frac{T}{2}}{f}_T(t)e^{-in\omega t}dt{e}^{in\omega t}\to f(t)=\frac{1}{2\pi }{\int }_{-\infty }^{\infty }\left({\int }_{-\infty }^{\infty }f(t)e^{-i\omega t}dt\right)e^{i\omega t}d\omega$$
傅里叶变换表达式推导为：
$$\begin{gathered} F(\omega )={\int }_{-\infty }^{\infty }f(t)e^{-i\omega t}dt \\ f(t)=\frac{1}{2\pi }{\int }_{-\infty }^{\infty }F(\omega )e^{i\omega t}d\omega \end{gathered}$$

3. 离散时间傅里叶变换DTFT

DTFT为FT的离散情况（DTFT可视为z变换在单位圆上的值），对FT原本连续的时域信号以$\Delta t$为步进进行取样：
$$F(\omega )={\int }_{-\infty }^{\infty }f(t)e^{-i\omega t}dt\to \sum _{-\infty }^{\infty }f[n]e^{-i\omega n}$$
$$\begin{gathered} 1.t\to n \\ 2.{\int }_{-\infty }^{\infty }dt\to {\sum }_{n=-\infty }^{\infty } \\ 3.e^{-i\omega t}\to e^{-in\omega t}(\Delta t=1)\to e^{in\omega } \end{gathered}$$
详细转换过程如下：

Fig 1. FT and DTFT [Cite From W.Kellermann DSP]

$$x_s(t)=x_c(t)\cdot \sum _{k=-\infty }^{\infty }\delta (t-kT)=\sum _{k=-\infty }^{\infty }{x}_c(kT)\cdot \delta (t-kT)$$
$$\sum _{k=-\infty }^{\infty }\delta (t-kT)\stackrel{\mathcal{F}}{⟷}\frac{2\pi }{T}\sum _{n=-\infty }^{\infty }\delta \left(\omega -\frac{2\pi }{T}n\right)$$
$$X_s(j\omega )=\frac{1}{2\pi }{X}_c(j\omega )\ast \frac{2\pi }{T}\sum _{n=-\infty }^{\infty }\delta \left(\omega -\frac{2\pi }{T}n\right)=\frac{1}{T}\sum _{n=-\infty }^{\infty }{X}_c\left(j\left[\omega -\frac{2\pi }{T}n\right]\right)$$
所以对FT进行采样后，信号频谱以fs为周期重复，信号频谱幅度变为原有的$\frac{1}{T}$, 且采样频率fs需要大于原有信号频谱宽度$f_b$两倍，即满足奈奎斯特采样定理。

此时时域信号是离散的，但在频域上通过DTFT变换得到的频谱是一个连续的周期性函数。这种连续的频谱对于实际的计算机处理来说是一个挑战，因为计算机只能处理离散的数值数据。为了在计算机上进行处理，通常会使用离散傅里叶变换（DFT），这是对DTFT的一个离散化和有限化的版本。DFT在频域上生成离散的频谱，这样就可以在计算机上处理。这也是快速傅里叶变换（FFT）算法的基础，FFT算法可以高效地计算DFT。

4. 离散傅里叶级数DFS

将DTFT中离散非周期的时域信号拓展为周期信号再做傅里叶变换即为DFS：
$$\tilde{x}(n)=\tilde{x}(n+rN)$$
FS:
$$\begin{gathered} f(t)=\sum _{n=-\infty }^{\infty }{C}_n{e}^{in\omega t} \\ {C}_n=\frac{1}{T}{\int }_0^{T}f(t)e^{-in\omega t}dt \end{gathered}$$
将$C_n$代入$f(t)$：
$$f(t)=\sum _{n=-\infty }^{\infty }\left(\frac{1}{T}{\int }_0^{T}f(t)e^{-in\omega t}dt\right)e^{in\omega t}$$
因为DFS的时域信号相较于FS变为离散周期信号，所以：
$$\begin{gathered} 1.t\to n \\ 2.T\to N \\ 3.\hat{x}(t)\to \hat{x}[n] \\ 4.e^{i\frac{2\pi }{T}nt}\to e^{i\frac{2\pi }{N}nk} \end{gathered}$$

$$f(n)=\sum _{n=-\infty }^{\infty }\frac{1}{N}\sum _{n=0}^{N-1}f(n)e^{-i\frac{2\pi }{N}kn}\cdot e^{i\frac{2\pi }{N}kn}$$
DFS:
$$\begin{gathered} \tilde{X}(k)=\sum _{n=0}^{N-1}\tilde{x}(n)e^{-j\frac{2\pi }{N}kn} \\ \tilde{x}(n)=\frac{1}{N}\sum _{k=0}^{N-1}\tilde{X}(k)e^{j\frac{2\pi }{N}kn} \end{gathered}$$

5. 离散傅里叶变换DFT

DFT为DFS第一个周期的DFS：
$$\begin{gathered} X(k)=\sum _{n=0}^{N-1}x(n)e^{-j\frac{2\pi }{N}kn} \\ x(n)=\frac{1}{N}\sum _{k=0}^{N-1}X(k)e^{j\frac{2\pi }{N}kn} \end{gathered}$$
各类型傅里叶变换示意图如下：