测试信号处理 - 谱分析基础知识
简介
信号
- 定义:对信息的表达形式
- 分类:
- 随机、确定:只能通过统计特征加以描述或者可以解析表示
- 连续、离散:根据信号的自变量(往往是时间)是否离散
- 能量型号、功率信号——看看是否绝对可积
e n e r g y : ∫ ∣ x ( t ) ∣ 2 d t < ∞ energy: \int |x(t)|^2dt < \infty energy:∫∣x(t)∣2dt<∞
e n e r g y : ∑ ∣ x ( n ) ∣ 2 < ∞ energy: \sum |x(n)|^2 < \infty energy:∑∣x(n)∣2<∞
p o w e r : 1 T ∫ 0 T ∣ x ( t ) ∣ 2 d t < ∞ power: \frac{1}{T}\int _0^T |x(t)|^2dt < \infty power:T1∫0T∣x(t)∣2dt<∞
p o w e r : 1 N ∑ ∣ x ( n ) ∣ 2 < ∞ power: \frac{1}{N}\sum |x(n)|^2 < \infty power:N1∑∣x(n)∣2<∞
- 离散时间傅里叶变换:运用在离散确定信号。之后本门课主要接触离散随机信号
信号与测试系统
测试信号分析任务
- 软件处理的功能:
- 信号采集、显示、存储
- 去噪:微小运动产生基线漂移的低频干扰,还有高频和工频
- 波形检测(参数提取):模式识别
- 实际应用
测试信号分析与处理的理论
-
信号与系统
- 信号采集(AD、抽样定理、多抽样率)
- 系统分析(系统描述、传递函数、转移函数、单位冲击响应)
- 线性系统理论(系统激励和响应的关系)
-
测试信号分析
- 信号分析(变换技术、时频域分析)
- 信号的估计(针对随机信号、估计理论、相关函数和谱功率估计)
- 信号建模(AR、MA、ARMA)
- 快速算法(FFT、FC、R)
-
测试信号处理
- 滤波技术
- 特殊算法——抽取、差值、信号重建
测试信号分析与处理的实现
- 流程:信号-传感器-放大器-AD-DSP(数字信号处理装置)-DA
- 应用:略
离散傅里叶变化(DFT)
基础公式
对于有限长度序列(一维信号),傅里叶变换,拉普拉斯变换,Z变换与离散傅里叶变换分别用以下三个关系式表示
X
(
e
j
ω
)
=
∑
0
n
=
N
−
1
x
(
n
)
e
j
−
ω
n
X(e^jω)= ∑^{n=N-1}_0 x(n) e^{j-ωn}
X(ejω)=0∑n=N−1x(n)ej−ωn
X
(
z
)
=
∑
0
n
=
N
−
1
x
(
n
)
z
−
n
X(z)= ∑^{n=N-1}_0 x(n)z^{-n}
X(z)=0∑n=N−1x(n)z−n
X
(
k
)
=
∑
0
n
=
N
−
1
x
(
n
)
e
−
j
k
2
π
n
N
X(k)= ∑^{n=N-1}_0 x(n) e^{-jk\frac{2πn}{N}}
X(k)=0∑n=N−1x(n)e−jkN2πn
离散傅里叶变换逆变换是
x
(
n
)
=
1
N
∑
0
k
=
N
−
1
X
(
k
)
e
j
k
2
π
n
N
x(n)= \frac{1}{N}∑^{k=N-1}_0 X(k) e^{jk\frac{2πn}{N}}
x(n)=N10∑k=N−1X(k)ejkN2πn
核函数多个负号,多一个参数
1
N
\frac{1}{N}
N1,也有更一致的形式(都乘
1
N
\frac{1}{\sqrt{N}}
N1)
Z变换注记:z域是s域的进一步映射,z变换和拉普拉斯变换通过某种映射连接在一起
欧拉公式: e i x = c o s x + i s i n x e^{ix}=cosx+isinx eix=cosx+isinx
奇异函数: δ ( 0 ) = ∞ \delta(0)=\infty δ(0)=∞(1/dt)
∫
∞
∞
e
±
j
Ω
t
=
2
π
δ
Ω
\int^{\infty}_{\infty}e^{\pm j\Omega t}=2\pi\delta{\Omega}
∫∞∞e±jΩt=2πδΩ
∫
δ
(
t
)
x
(
t
)
=
x
(
0
)
\int \delta(t)x(t)=x(0)
∫δ(t)x(t)=x(0)
四种傅里叶变换
FS 傅里叶级数 连续+周期
X
(
K
Ω
0
)
=
1
T
∫
−
T
2
T
2
x
(
t
)
e
−
j
k
Ω
0
t
d
t
X(K\Omega_0)= \frac{1}{T}\int^{\frac{T}{2}}_{-\frac{T}{2}} x(t) e^{-jk\Omega_0 t}dt
X(KΩ0)=T1∫−2T2Tx(t)e−jkΩ0tdt
x
(
t
)
=
∑
k
=
−
∞
∞
X
(
k
Ω
0
)
e
j
k
Ω
0
t
x(t)= \sum^{\infty}_{k=-\infty} X(k\Omega_0) e^{jk\Omega_0 t}
x(t)=k=−∞∑∞X(kΩ0)ejkΩ0t
频谱是离散的谱,所以不能使用积分进行反变换,换言之是通过
δ
\delta
δ函数将其梳开。
频谱间隔是
Ω
0
=
2
π
T
\Omega_0=\frac{2\pi}{T}
Ω0=T2π,如果周期趋近于无限大就会变成连续谱
exp:周期方波函数的傅里叶级数: X ( k Ω 0 ) = A τ T s i n ( k Ω 0 τ / 2 ) k Ω 0 τ / 2 X(k\Omega_0)=\frac{A\tau}{T}\frac{sin(k\Omega_0\tau/2)}{k\Omega_0\tau/2} X(kΩ0)=TAτkΩ0τ/2sin(kΩ0τ/2),其中 τ \tau τ是窗宽,A是幅值
规律:时域连续周期、频域离散非周期。
存在条件: p o w e r : 1 T ∫ 0 T ∣ x ( t ) ∣ 2 d t < ∞ power: \frac{1}{T}\int _0^T |x(t)|^2dt < \infty power:T1∫0T∣x(t)∣2dt<∞
FT 傅里叶变换 连续+非周期
X
(
j
Ω
)
=
∫
−
∞
∞
x
(
t
)
e
−
j
Ω
t
d
t
X(j\Omega)= \int^{\infty}_{-\infty}x(t) e^{-j\Omega t}dt
X(jΩ)=∫−∞∞x(t)e−jΩtdt
x
(
t
)
=
1
2
π
∫
−
∞
∞
X
(
j
Ω
)
e
j
Ω
t
d
Ω
x(t)= \frac{1}{2\pi}\int^{\infty}_{-\infty} X(j\Omega) e^{j\Omega t }d\Omega
x(t)=2π1∫−∞∞X(jΩ)ejΩtdΩ
可以认为 T → ∞ , Ω 0 → 0 , k Ω 0 → Ω T\rightarrow\infty,\Omega_0\rightarrow0,k\Omega_0\rightarrow\Omega T→∞,Ω0→0,kΩ0→Ω
exp:矩形窗函数: X ( k Ω 0 ) = A τ s i n ( Ω τ / 2 ) Ω τ / 2 X(k\Omega_0)=A\tau\frac{sin(\Omega\tau/2)}{\Omega\tau/2} X(kΩ0)=AτΩτ/2sin(Ωτ/2),其中 τ \tau τ是窗宽,A是幅值,主瓣宽度为 4 π τ \frac{4\pi}{\tau} τ4π
存在条件: $energy: \int |x(t)|^2dt < \infty $。周期信号一般不是能量信号,所以使用傅里叶级数分析
exp:冲激串,时域的间隔为T,幅值为A,频域的间隔为 2 π T \frac{2\pi}{T} T2π,幅值为A 2 π T \frac{2\pi}{T} T2π
- 量纲
- X ( j Ω ) X(j\Omega) X(jΩ)在 Ω \Omega Ω处的频谱密度
- X ( k Ω 0 ) X(k\Omega_0) X(kΩ0)在第k次谐波的谐波幅度的大小
- 联系
- 周期和非周期函数的包络是一样的——怎么统一到傅里叶变换上?
- 通过引入冲激函数 δ \delta δ,通过对傅里叶级数做傅里叶变换就可以得到其连续频谱形式,因为傅里叶级数只有基函数(e指数函数)带有t,而基函数是可以用奇异函数展开的
- 本质是在基函数上使用积分内积运算
- 复正弦-w的e指数函数
【FT基本性质】【时频物理量总是互为倒数、共轭变化】
奇偶函数-虚实函数
扩宽-压缩
函数形式变换对
- 线性
- 奇偶虚实性:基函数
e
−
j
Ω
t
=
c
o
s
(
Ω
t
)
−
j
s
i
n
(
Ω
t
)
e^{-j\Omega t}= cos(\Omega t)-jsin(\Omega t)
e−jΩt=cos(Ωt)−jsin(Ωt)
在频域里, X ( Ω t ) = X ∗ ( − Ω t ) X(\Omega t) = X^*(-\Omega t) X(Ωt)=X∗(−Ωt)
x是偶函数:X虚部为0,是实函数
x是实函数:幅度谱是偶函数,相位谱是基函数 - 对称性,大X和小x互为傅里叶变换对,只是量纲和虚实有些不一样
F ( X ( j t ) ) = 2 π x ( − Ω ) F(X(jt)) = 2\pi x(-\Omega) F(X(jt))=2πx(−Ω) - 时移特性: F ( x ( t ± t 0 ) ) = X ( j Ω ) e ± j Ω t 0 F(x(t \pm t_0 )) = X(j\Omega)e^{\pm j\Omega t_0} F(x(t±t0))=X(jΩ)e±jΩt0 幅度谱不变,相位移动,时间提早(左移),则相位超前
- 频移特性: F ( x ( t ) e ± j Ω t 0 ) = X ( j Ω ∓ Ω 0 ) F(x(t )e^{\pm j\Omega t_0}) = X(j\Omega\mp \Omega_0 ) F(x(t)e±jΩt0)=X(jΩ∓Ω0) 。如果是与信号乘以正余弦信号,那么频谱一分为二,左右平移 Ω 0 \Omega_0 Ω0,这个结论可以用上述公式通过欧拉得到。
- 尺度变换: F ( x ( a t ) ) = 1 ∣ a ∣ X ( j Ω a ) F(x(at))=\frac{1}{|a|}X(j\frac{\Omega}{a}) F(x(at))=∣a∣1X(jaΩ)
- 最有用的:卷积定理
x ∗ y = ∫ − ∞ ∞ x ( τ ) y ( t − τ ) d τ x*y = \int_{-\infty}^{\infty} x(\tau)y(t-\tau)d\tau x∗y=∫−∞∞x(τ)y(t−τ)dτ F ( x ⋅ y ) = X ∗ Y F(x·y)=X*Y F(x⋅y)=X∗Y F ( X ∗ Y ) = x ⋅ y 1 2 π F(X*Y)=x·y\frac{1}{2\pi} F(X∗Y)=x⋅y2π1 - 帕塞瓦定理(能量守恒): E n e r g y ( x ( t ) ) = E n e r g y ( X ( ω ) ) 1 2 π Energy(x(t))=Energy(X(\omega))\frac{1}{2\pi} Energy(x(t))=Energy(X(ω))2π1 公式中的系数就是为了能量守恒
DTFT 离散时间傅里叶变换 离散+非周期
X ( e j ω ) = ∑ k = − ∞ ∞ x ( n ) e − j k ω X(e^{j\omega})=\sum_{k=-\infty}^{\infty}x(n)e^{-jk\omega} X(ejω)=k=−∞∑∞x(n)e−jkω x ( n ) = 1 2 π ∫ − π π X ( e j k ω ) d ω x(n)=\frac{1}{2\pi}\int_{-\pi}^{\pi}X(e^{jk\omega})d\omega x(n)=2π1∫−ππX(ejkω)dω
其中 ω = Ω T s , t = n T s \omega = \Omega T_s,t=nT_s ω=ΩTs,t=nTs,也就是把FT中的连续信号变成连续的。Ts是采样时间间隔。记 Ω = w π f \Omega = w\pi f Ω=wπf是实际频率,而 ω = ω T s \omega = \omega T_s ω=ωTs是弧度频率(圆周频率), 归一化平频率则是 f ′ = f f s f'=\frac{f}{f_s} f′=fsf。
s平面的虚轴是z平面单位圆,X的周期是
2
π
2\pi
2π,所以只需要
−
π
-\pi
−π
到
π
到\pi
到π积分就可以了。
DTFT和FT的联系(为什么会产生周期):对非周期函数用周期梳状函数进行了采样,原本FT是非周期函数的X,采样完之后,相当原本的X在因为每个梳状函数产生了移位,因此会成为周期为
ω
=
2
π
\omega=2\pi
ω=2π的,周期性延拓的函数。
矩形窗信号常常用来加窗截取有效计算范围,时域上相乘,频域上卷积,卷积的的准确性要求频域的主瓣窄。
性质
(1)-(6) 都和FT的行之一样
线性卷积
y
(
n
)
=
∑
x
(
k
)
h
(
n
−
k
)
y(n)=\sum x(k)h(n-k)
y(n)=∑x(k)h(n−k)
(7). 相关定理 (FT应该也有)
R
x
y
(
m
)
=
∑
x
(
n
)
y
(
n
+
m
)
R_{xy}(m)=\sum x(n)y(n+m)
Rxy(m)=∑x(n)y(n+m)
D
T
F
T
[
R
x
y
]
=
X
∗
(
e
j
w
)
Y
(
e
j
w
)
DTFT[R_xy] = X^*(e^{jw}) Y(e^{jw})
DTFT[Rxy]=X∗(ejw)Y(ejw)
R
x
y
(
m
)
=
lim
N
→
∞
1
N
∑
x
(
n
)
y
(
n
+
m
)
R_{xy}(m)=\lim_{N \rarr \infty} \frac{1}{N}\sum x(n)y(n+m)
Rxy(m)=limN→∞N1∑x(n)y(n+m)
(8). 帕赛瓦定理
时域功率 - 自相关函数为0时候的值
频域功率 - 时域功率函数的DTFT
1
2
π
∫
−
π
π
∣
S
(
e
j
ω
)
∣
2
=
∑
−
∞
∞
∣
x
(
n
)
∣
2
\frac{1}{2\pi}\int_{-\pi}^{\pi}|S(e^{j\omega})|^2 = \sum_{-\infty}^{\infty}|x(n)|^2
2π1∫−ππ∣S(ejω)∣2=−∞∑∞∣x(n)∣2
FT-LT
LT是广义的单边傅里叶变换
DFS 离散傅里叶级数 离散+周期 生成DFS
X ( K ) = ∑ n = 0 N − 1 x ( n ) e − j 2 π N n k X(K)=\sum_{n=0}^{N-1}x(n)e^{-j\frac{2\pi}{N}nk} X(K)=n=0∑N−1x(n)e−jN2πnk x ( k ) = 1 N ∑ k = 0 N − 1 X ( k ) e j 2 π N n k x(k)=\frac{1}{N}\sum_{k=0}^{N-1}X(k)e^{j\frac{2\pi}{N}nk} x(k)=N1k=0∑N−1X(k)ejN2πnk
认为周期是N,时间上间隔是
T
s
T_s
Ts,频域的周期也是
N
N
N,间隔是
Ω
0
\Omega_0
Ω0
n
,
k
=
−
∞
,
.
.
.
,
∞
n,k = -\infty, ... , \infty
n,k=−∞,...,∞
DFT:离散傅立叶变换
如果认为信号的w间隔没有必要那么小,那么频谱就是离散的,这样来看可以得到离散时间傅里叶变换的近似形式,也就就是DFT。也可以认为,实际上是给一个无现场信号加窗,认为它成为一个有限长信号。
X ( K ) = ∑ n = 0 N − 1 x ( n ) e − j 2 π N n k X(K)=\sum_{n=0}^{N-1}x(n)e^{-j\frac{2\pi}{N}nk} X(K)=n=0∑N−1x(n)e−jN2πnk x ( k ) = 1 N ∑ k = 0 N − 1 X ( k ) e j 2 π N n k x(k)=\frac{1}{N}\sum_{k=0}^{N-1}X(k)e^{j\frac{2\pi}{N}nk} x(k)=N1k=0∑N−1X(k)ejN2πnk
n , k = 0 , . . . , N − 1 n,k = 0, ... , N-1 n,k=0,...,N−1
- DFT的由来、定义、性质
DFS的n和k实际上没必要取到无穷,而是取其中的一个周期参与运算即可。
原理上,x和X各取一个周期的数据参与运算就可以还原完整序列。
需求上,计算机需要有限长离散数据。
记
W
N
=
e
−
j
2
π
N
W_N = e^{-j\frac{2\pi}{N}}
WN=e−jN2π
有
X
(
K
)
=
∑
n
=
0
N
−
1
x
(
n
)
W
N
n
k
X(K)=\sum_{n=0}^{N-1}x(n)W_N^{nk}
X(K)=n=0∑N−1x(n)WNnk
x
(
k
)
=
1
N
∑
k
=
0
N
−
1
X
(
k
)
W
N
−
n
k
x(k)=\frac{1}{N}\sum_{k=0}^{N-1}X(k)W_N^{-nk}
x(k)=N1k=0∑N−1X(k)WN−nk
-
这里认为所有信号都是余弦信号有限求和构成(无限和破坏周期),因此认为是以 2 π 2\pi 2π做周期
-
DFT 中,对离散信号采样,N个点内,实信号是以 N 2 \frac{N}{2} 2N为偶对称,相位谱以 N 2 \frac{N}{2} 2N奇对称。因此有效数据点只有 N 2 \frac{N}{2} 2N个,N点只是为了计算。
-
如果不满足采样定理,在 N 2 \frac{N}{2} 2N以后可能会产生频率交叠,课上所说的实际频率是指信号的实际频率分量。
-
循环移位
这里的以为是已经进行周期延拓的信号进行的移位
D F T ( x ( n + m ) ) = W N − k m X ( k ) DFT(x(n+m))=W_N^{-km}X(k) DFT(x(n+m))=WN−kmX(k) I D F T ( X ( k + m ) ) = W N k m x ( k ) IDFT(X(k+m))=W_N^{km}x(k) IDFT(X(k+m))=WNkmx(k)- 实际上频移是 m m o d N m~mod~N m mod N
-
卷积运算(循环卷积,需要均为N点序列)
y ( n ) = ∑ k = 0 ∞ x ( k m o d N ) h ( n − k m o d N ) y(n) = \sum_{k=0}^{\infty}x(k~mod~N)h(n-k~mod~N) y(n)=k=0∑∞x(k mod N)h(n−k mod N) -
如果要计算线性卷积(N和M点序列),可以对周期序列补0,补到L个零(L=N+M-1),按循环卷积计算,再去前N个值即线性卷积结果。
- DFT的分辨率
-
窗的宽度越小越好,频域的窄则频域的分辨率高,时域的窄则时域的分辨率更高。窗函数要是太宽,也会发生频域泄露,直接导致不准。
-
比较关注的是频率分辨率(因为DFT的时域分辨率肯定是不准的)
-
频率分辨率:区别开两个离的很近的谱峰的能力
-
FT
设x的长度为T(有限长), X T X_T XT的分辨率为 2 T \frac{2}{T} T2Hz。
矩形窗函数的主瓣宽度为 Δ Ω = 4 π T \Delta\Omega= \frac{4\pi}{T} ΔΩ=T4π -
DTFT
设抽样间隔为 T S T_S TS, N = T T s N=\frac{T}{T_s} N=TsT,X的分辨率 Δ Ω = 4 π N \Delta\Omega= \frac{4\pi}{N} ΔΩ=N4π
要分辨出两个 ω 1 , ω 2 \omega_1,\omega_2 ω1,ω2,需要满足 4 π ∣ ω 1 − ω 2 ∣ ≤ N \frac{4\pi}{|\omega_1-\omega_2|} \leq N ∣ω1−ω2∣4π≤N
矩形窗函数的主瓣宽度为 Δ Ω = 4 π N \Delta\Omega= \frac{4\pi}{N} ΔΩ=N4π,其他窗函数乘成一个>1的系数 -
DFT
超明显 Δ f = f s N \Delta f = \frac{f_s}{N} Δf=Nfs
增加数据量长度就可以提高分辨率
采样频率提升可以提升最高频率的范围,采样数据量提升可以提升分辨率,好的分析应该是二者同时增大
补零可以让数据长度变成2的整次数次幂,可以起到一定的插值作用
- 补零:补零就是将原序列后增加0,使原序列增长。使DFT有更高密度的谱,但是没有给出一个更高分辨率的谱,可以减轻栅栏效应。
- 因为没有增加新的信息,所以增加的分辨率是伪分辨率,提高的只是计算分辨率。
整周期采样+采样定理+分辨率
-
- DFT的快速算法FFT
通过 W n k W_{nk} Wnk的周期性简化复数幂次计算,然后通过变换求和顺序(逐次分两组),再次降低复数乘法计算量,因此成为一个递归的算法。
核心公式总结
LT
X
(
s
)
=
∫
0
∞
x
(
t
)
e
−
s
t
d
t
X(s)= \int^{\infty}_{0}x(t) e^{-s t}dt
X(s)=∫0∞x(t)e−stdt
s
=
j
Ω
s = j \Omega
s=jΩ
ZT(z变换是采样信号做的Laplace变换,相当于DTFT和FT的关系)
X
(
z
)
=
∑
o
∞
x
(
n
)
z
−
n
X(z) = \sum_o^{\infty}x(n)z^{-n}
X(z)=o∑∞x(n)z−n
z
=
e
s
T
s
=
e
(
σ
+
j
Ω
)
T
s
=
r
e
j
Ω
T
s
z = e^{sT_s} = e^{(\sigma+j\Omega)T_s} = r e ^{j\Omega T_s}
z=esTs=e(σ+jΩ)Ts=rejΩTs
FT(连续+非周期)-> 非周期连续谱
X
(
j
Ω
)
=
∫
−
∞
∞
x
(
t
)
e
−
j
Ω
t
d
t
X(j\Omega)= \int^{\infty}_{-\infty}x(t) e^{-j\Omega t}dt
X(jΩ)=∫−∞∞x(t)e−jΩtdt
x
(
t
)
=
1
2
π
∫
−
∞
∞
X
(
j
Ω
)
e
j
Ω
t
d
Ω
x(t)= \frac{1}{2\pi}\int^{\infty}_{-\infty} X(j\Omega) e^{j\Omega t }d\Omega
x(t)=2π1∫−∞∞X(jΩ)ejΩtdΩ
FS(连续+周期)-> 非周期离散谱(间隔为
Ω
0
=
2
π
T
\Omega_0=\frac{2\pi}{T}
Ω0=T2π)
X
(
K
Ω
0
)
=
1
T
∫
−
T
2
T
2
x
(
t
)
e
−
j
k
Ω
0
t
d
t
X(K\Omega_0)= \frac{1}{T}\int^{\frac{T}{2}}_{-\frac{T}{2}} x(t) e^{-jk\Omega_0 t}dt
X(KΩ0)=T1∫−2T2Tx(t)e−jkΩ0tdt
x
(
t
)
=
∑
k
=
−
∞
∞
X
(
k
Ω
0
)
e
j
k
Ω
0
t
x(t)= \sum^{\infty}_{k=-\infty} X(k\Omega_0) e^{jk\Omega_0 t}
x(t)=k=−∞∑∞X(kΩ0)ejkΩ0t
DTFT(不连续+非周期)–抽样定理–> 周期连续谱(周期为
2
π
2\pi
2π,
ω
=
Ω
T
s
\omega = \Omega T_s
ω=ΩTs,单位是弧度,时域间隔是
T
s
T_s
Ts,频域周期是
ω
s
=
Ω
s
T
s
=
2
π
\omega_s = \Omega_s T_s = 2\pi
ωs=ΩsTs=2π)
X
(
e
j
ω
)
=
∑
k
=
−
∞
∞
x
(
n
)
e
−
j
k
ω
X(e^{j\omega})=\sum_{k=-\infty}^{\infty}x(n)e^{-jk\omega}
X(ejω)=k=−∞∑∞x(n)e−jkω
x
(
n
)
=
1
2
π
∫
−
π
π
X
(
e
j
k
ω
)
d
ω
x(n)=\frac{1}{2\pi}\int_{-\pi}^{\pi}X(e^{jk\omega})d\omega
x(n)=2π1∫−ππX(ejkω)dω
DFS(不连续+周期)-> 周期离散谱(时域间隔为
T
s
T_s
Ts,频域周期为
Ω
s
=
N
Ω
0
\Omega_s = N\Omega_0
Ωs=NΩ0,间隔为
Ω
0
\Omega_0
Ω0,N个点)
X
(
K
)
=
∑
n
=
0
N
−
1
x
(
n
)
e
−
j
2
π
N
n
k
X(K)=\sum_{n=0}^{N-1}x(n)e^{-j\frac{2\pi}{N}nk}
X(K)=n=0∑N−1x(n)e−jN2πnk
x
(
k
)
=
1
N
∑
k
=
0
N
−
1
X
(
k
)
e
j
2
π
N
n
k
x(k)=\frac{1}{N}\sum_{k=0}^{N-1}X(k)e^{j\frac{2\pi}{N}nk}
x(k)=N1k=0∑N−1X(k)ejN2πnk
DFT(连续函数->不连续的周期函数,只是为了便于在计算机上实现,本质DFS)
X
(
K
)
=
∑
n
=
0
N
−
1
x
(
n
)
e
−
j
2
π
N
n
k
X(K)=\sum_{n=0}^{N-1}x(n)e^{-j\frac{2\pi}{N}nk}
X(K)=n=0∑N−1x(n)e−jN2πnk
x
(
k
)
=
1
N
∑
k
=
0
N
−
1
X
(
k
)
e
j
2
π
N
n
k
x(k)=\frac{1}{N}\sum_{k=0}^{N-1}X(k)e^{j\frac{2\pi}{N}nk}
x(k)=N1k=0∑N−1X(k)ejN2πnk
在DFS、DFT中的量
Ω
s
=
N
Ω
0
\Omega_s = N\Omega_0
Ωs=NΩ0
T
=
N
T
s
T = N T_s
T=NTs
Ω
s
=
2
π
T
s
\Omega_s = \frac{2\pi}{T_s}
Ωs=Ts2π
时域的间隔和频域的周期互为倒数,频域的周期和时域的离散间隔互为倒数,这些量隐含在x和X中,自变量是n和k
x
(
n
)
=
x
(
n
T
s
)
x(n) = x(nT_s)
x(n)=x(nTs)
X
(
k
)
=
X
(
k
Ω
0
)
X(k) = X(k\Omega_0)
X(k)=X(kΩ0)
变量取值范围
Z变换:整个z平面
DTFT:单位元
DFT:单位元上的N个离散的点