离散时间傅里叶变换（DTFT）、离散傅里叶变换（DFT）和快速傅里叶变换（FFT）之间的联系和区别

---

一、离散时间傅里叶变换（DTFT）

在时间连续域中，信号一般用带有时间变量的函数表示，系统则用微分方程表示。在频域中，则使用傅里叶变换或拉普拉斯变换表示。
在时间离散域中，信号一般用序列表示，系统则用差分方程表示。在频域中，则使用序列的傅里叶变换或Z变换表示。

时间连续模拟信号的傅里叶变换会得到连续的频域信号。那么时间离散信号（序列）的傅里叶变换呢？

$x(n)$是一个长为M的序列，其离散时间傅里叶变换（DTFT）为：
公式(1)：$X(e^{j\omega })=DTFT[x(n)]={\sum }_{n=-\infty }^{\infty }x(n)e^{-j\omega n}$

离散时间傅里叶逆变换为：
公式(2)：$x(n)=\frac{1}{2\pi }{\int }_{-\pi }^{\pi }X(e^{j\omega })e^{j\omega n}d\omega$

从公式(1)可以看出时间离散信号的DTFT得到的是连续的频域信号！这也是DTFT最明显的特征。

二、离散傅里叶变换（DFT）

$x(n)$是一个长为M的序列，其离散傅里叶变换（DFT）为：
公式(3)：$X(k)=DFT[x(n)]={\sum }_{n=0}^{N-1}x(n)e^{-j\frac{2\pi }{N}kn},k=0,1,2,...,N-1$

离散傅里叶逆变换为：
公式(4)：$x(n)=IDFT[X(k)]=\frac{1}{N}{\sum }_{n=0}^{N-1}X(k)e^{j\frac{2\pi }{N}kn},n=0,1,2,...,N-1$

从公式(3)可以看出时间离散信号的DFT得到的是离散的频域信号！

那么对$x(n)$进行DFT得到的$X(k)$和对$x(n)$进行DTFT得到的$X(e^{j\omega })$之间有什么实际物理关系呢？

公式(5)：$X(k)=X(e^{j\omega }){|}_{\omega =\frac{2\pi }{N}k},k=0,1,2,...,N-1$

因此，从公式(5)可以看出对$x(n)$进行DFT得到的X(k)是对$x(n)$进行DTFT得到的$X(e^{j\omega })$在区间$[0，2\pi ]$上的N点等间隔采样。

由于时域非周期信号的转换到频域会得到周期的频域信号，因此区间$[0，2\pi ]$是指频域信号一个周期内的所有频域分量。在实际的通信系统中，区间$[0，2\pi ]$对应的是信号采样角频率$\omega s=2\pi Fs$的范围。这也正是画频谱时，整个频谱宽度等于采样率$Fs$。

也就是说，对$x(n)$进行DTFT得到的$X(e^{j\omega })$是一个连续的频域信号，而对$x(n)$进行DFT就相当于在频域，在采样频率范围内，对连续的$X(e^{j\omega })$进行N点采样。

三、DTFT和DFT区别的例子

例如序列$x(n)=[0,1,2,3]$，其DTFT为：
$$\begin{gathered} X(e^{j\omega })={\sum }_{n=0}^{3}x(n)e^{-j\omega n} \\ =1+e^{-j\omega }+e^{-j\omega 2}+e^{-j\omega 3} \\ =\frac{1-e^{-j\omega 3}}{1-e^{-j\omega }}=e^{\frac{-j\omega 3}{2}}\frac{sin(\omega 3/2)}{sin(\omega /2)} \end{gathered}$$

其8点DFT为：
$X(k)={\sum }_{n=0}^{7}x(n)e^{\frac{-j2\pi }{8}kn}=e^{\frac{-j3\pi }{8}k}\frac{sin(\frac{\pi }{2}k)}{sin(\frac{\pi }{8}k)},k=0,1,...,7$

它们对应的时域和频域幅度曲线如下所示：

原时间离散序列

DTFT后的频域连续信号

DFT后的频域离散信号

四、快速傅里叶变换（FFT）

直接计算DFT的计算复杂度和点数N的平方成正比，当N较大时，计算量太大。因此，FFT仅仅是降低DFT计算复杂度的各种快速DFT算法的总称。

---

总结

本博文介绍了离散时间傅里叶变换（DTFT）、离散傅里叶变换（DFT）和快速傅里叶变换（FFT）的原理。其中，DTFT最明显的特征是将时域离散信号变换为频域连续信号，DFT是在一个采样角频率范围内对DTFT得到的频域连续信号的等间隔N点采样，而FFT仅仅是在DFT基础上简化复杂度后的各种算法总称。