1. 线性时不变系统对复指数信号的响应
在研究 L T I LTI LTI(Linear and Time-invariant System)系统时,将信号表示成基本信号的线性组合是很有利的,但这些基本信号应该具有以下两个性质:
- 由这些基本信号能够构成相当广泛的一类有用信号;
- L T I LTI LTI 系统对每一个基本信号的响应应该十分简单,以使得系统对任意输入信号的响应有一个很方便的表示式。
傅里叶分析的很多重要价值都来自于这一点,即连续和离散时间复指数信号集都具有上述两个性质,即连续时间的 e s t e^{st} est 和离散时间的 z n z^n zn,其中 s s s 和 z z z 都是复数。
在研究 L T I LTI LTI 系统时,复指数信号的重要性在于这样一个事实,即一个 L T I LTI LTI 系统对复指数信号的响应也是同样一个复指数信号,不同的只是幅度上的变化,也就是说:
连
续
时
间
:
e
s
t
→
H
(
s
)
e
s
t
连续时间:e^{st} \to H(s)e^{st}
连续时间:est→H(s)est
离
散
时
间
:
z
n
→
H
(
z
)
z
n
离散时间:z^{n} \to H(z)z^{n}
离散时间:zn→H(z)zn
这里
H
(
s
)
H(s)
H(s) 或
H
(
z
)
H(z)
H(z) 是一个复振幅因子,一般来说是复变量
s
s
s 或
z
z
z 的函数。一个信号,若系统对该信号的输出响应仅是一个常数乘以输入,则称该信号为系统的特征函数,而幅度因子称为系统的特征值。
现考虑一个单位冲激响应为 h ( t ) h(t) h(t) 的连续时间 L T I LTI LTI 系统,对任意输入 x ( t ) x(t) x(t),可由卷积积分来确定输出,若令 x ( t ) = e s t x(t)=e^{st} x(t)=est,则有
(1) y ( t ) = ∫ − ∞ + ∞ h ( τ ) x ( t − τ ) d τ = ∫ − ∞ + ∞ h ( τ ) e s ( t − τ ) d τ = e s t ∫ − ∞ + ∞ h ( τ ) e − s τ d τ \tag 1 y(t) = \int_{-\infty}^{+\infty}h(\tau)x(t-\tau)d\tau = \int_{-\infty}^{+\infty}h(\tau)e^{s(t-\tau)}d\tau = e^{st}\int_{-\infty}^{+\infty}h(\tau)e^{-s\tau}d\tau y(t)=∫−∞+∞h(τ)x(t−τ)dτ=∫−∞+∞h(τ)es(t−τ)dτ=est∫−∞+∞h(τ)e−sτdτ(1)
假设 (1)式右边的积分收敛,于是系统对
x
(
t
)
x(t)
x(t) 的响应就为
(2)
y
(
t
)
=
H
(
s
)
e
s
t
\tag 2 y(t) = H(s) e^{st}
y(t)=H(s)est(2)
式中
H
(
s
)
H(s)
H(s) 是一个复常数,其值决定于
s
s
s,并且它与系统单位冲激响应的关系为
(3)
H
(
s
)
=
∫
−
∞
+
∞
h
(
τ
)
e
−
s
τ
d
τ
\tag 3 H(s) =\int_{-\infty}^{+\infty}h(\tau)e^{-s\tau}d\tau
H(s)=∫−∞+∞h(τ)e−sτdτ(3)
可以完全用并行的方式证明,复指数序列也是离散时间
L
T
I
LTI
LTI 系统的特征函数。这就是说单位脉冲响应为
h
[
n
]
h[n]
h[n] 的
L
T
I
LTI
LTI 系统,其输入序列为
(4)
x
[
n
]
=
z
n
\tag 4 x[n] = z^{n}
x[n]=zn(4)
式中
z
z
z 为某一复数,由卷积和可以确定系统的输出为
(5)
y
[
n
]
=
∑
k
=
−
∞
+
∞
h
[
k
]
x
[
n
−
k
]
=
∑
k
=
−
∞
+
∞
h
[
k
]
z
n
−
k
=
z
n
∑
k
=
−
∞
+
∞
h
[
k
]
z
−
k
\tag 5 y[n] = \sum_{k=-\infty}^{+\infty}h[k]x[n-k] = \sum_{k=-\infty}^{+\infty}h[k]z^{n-k} = z^n\sum_{k=-\infty}^{+\infty}h[k]z^{-k}
y[n]=k=−∞∑+∞h[k]x[n−k]=k=−∞∑+∞h[k]zn−k=znk=−∞∑+∞h[k]z−k(5)
假设 (5)式右边的求和收敛,于是系统对
x
[
n
]
x[n]
x[n] 的响应就为
(6)
y
[
n
]
=
H
(
z
)
z
n
\tag 6 y[n] = H(z) z^{n}
y[n]=H(z)zn(6)
式中
H
(
z
)
H(z)
H(z) 是一个复常数,为
(7)
H
[
z
]
=
∑
k
=
−
∞
+
∞
h
[
k
]
z
−
k
\tag 7 H[z] =\sum_{k=-\infty}^{+\infty}h[k]z^{-k}
H[z]=k=−∞∑+∞h[k]z−k(7)
针对更一般的情况,若一个连续时间
L
T
I
LTI
LTI 系统的输入表示成复指数的线性组合,即
(8)
x
(
t
)
=
∑
k
a
k
e
s
k
t
\tag 8 x(t) = \sum_k a_k e^{s_kt}
x(t)=k∑akeskt(8)
那么输出就一定是
(9)
y
(
t
)
=
∑
k
a
k
H
(
s
k
)
e
s
k
t
\tag 9 y(t) = \sum_k a_kH(s_k) e^{s_kt}
y(t)=k∑akH(sk)eskt(9)
对于离散情况,完全类似,若一个离散时间
L
T
I
LTI
LTI 系统的输入表示成复指数的线性组合,即
(10)
x
[
n
]
=
∑
k
a
k
z
k
n
\tag {10} x[n] = \sum_k a_k z_k^n
x[n]=k∑akzkn(10)
那么输出就一定是
(11)
y
[
n
]
=
∑
k
a
k
H
(
z
k
)
z
k
n
\tag {11} y[n] = \sum_k a_kH(z_k) z_k^n
y[n]=k∑akH(zk)zkn(11)
2. 连续时间周期信号的傅里叶级数表示
2.1. 成谐波关系的复指数信号的线性组合
周期复指数信号
(12)
x
(
t
)
=
e
j
ω
0
t
\tag{12}x(t) = e^{j \omega_0 t}
x(t)=ejω0t(12)
的基波频率为
ω
0
\omega_0
ω0,基波周期
T
=
2
π
/
ω
0
T=2\pi / \omega_0
T=2π/ω0。与之有关的成谐波关系的复指数信号集就是
(13)
ϕ
k
(
t
)
=
e
j
k
ω
0
t
=
e
j
k
(
2
π
/
T
)
t
,
k
=
0
,
±
1
,
±
2
,
⋅
⋅
⋅
\tag{13}\phi_k(t) = e^{j k\omega_0 t}=e^{j k(2\pi / T) t}, k=0, \pm1, \pm2,\cdot \cdot \cdot
ϕk(t)=ejkω0t=ejk(2π/T)t,k=0,±1,±2,⋅⋅⋅(13)
这些信号中的每一个都有一个基波频率,它是
ω
0
\omega_0
ω0 的倍数。因此每个信号对周期
T
T
T 来说都是周期的。于是,一个由成谐波关系的复指数信号线性组合形成的信号
(14)
x
(
t
)
=
∑
k
=
−
∞
∞
a
k
e
j
k
ω
0
t
=
∑
k
=
−
∞
∞
a
k
e
j
k
(
2
π
/
T
)
t
\tag{14}x(t) = \sum_{k=-\infty}^{\infty}a_ke^{j k\omega_0 t}=\sum_{k=-\infty}^{\infty}a_ke^{j k(2\pi / T) t}
x(t)=k=−∞∑∞akejkω0t=k=−∞∑∞akejk(2π/T)t(14)
对周期
T
T
T 来说也是周期的。 在式(14)中,
k
=
0
k=0
k=0 这一项是个常数,
k
=
+
1
k=+1
k=+1 和
k
=
−
1
k=-1
k=−1这两项都有基波频率等于
ω
0
\omega_0
ω0,两者合在一起称之为基波分量或称一次谐波分量。
k
=
+
2
k=+2
k=+2 和
k
=
−
2
k=-2
k=−2 这两项也是周期的,其频率是基波频率的两倍,称为二次谐波分量。一般来说,
k
=
+
N
k=+N
k=+N 和
k
=
−
N
k=-N
k=−N 的分量称为第
N
N
N 次谐波分量。
一个周期信号表示成式(14)的形式,就称为傅里叶级数表示。
2.2. 连续时间周期傅里叶级数表示的确定
假设一个给定的周期信号能表示成式(14)的形式,这就需要一种办法来确定这些系数
a
k
a_k
ak,将式(14)两边各乘以
e
−
j
n
ω
0
t
e^{-jn\omega_0t}
e−jnω0t,可得
(15)
x
(
t
)
e
−
j
n
ω
0
t
=
∑
k
=
−
∞
∞
a
k
e
j
k
ω
0
t
e
−
j
n
ω
0
t
\tag{15} x(t) e^{-jn\omega_0t}= \sum_{k=-\infty}^{\infty}a_ke^{j k\omega_0 t}e^{-jn\omega_0t}
x(t)e−jnω0t=k=−∞∑∞akejkω0te−jnω0t(15)
将上式两边从 0 到
T
=
2
π
/
ω
0
T=2\pi/ \omega_0
T=2π/ω0对
t
t
t 积分,有
(16)
∫
0
T
x
(
t
)
e
−
j
n
ω
0
t
d
t
=
∫
0
T
∑
k
=
−
∞
∞
a
k
e
j
k
ω
0
t
e
−
j
n
ω
0
t
d
t
\tag{16} \int _0^Tx(t) e^{-jn\omega_0t}dt= \int _0^T\sum_{k=-\infty}^{\infty}a_ke^{j k\omega_0 t}e^{-jn\omega_0t}dt
∫0Tx(t)e−jnω0tdt=∫0Tk=−∞∑∞akejkω0te−jnω0tdt(16)
这里
T
T
T 是
x
(
t
)
x(t)
x(t) 的基波周期,以上就是在该周期内积分。将上式右边的积分和求和次序交换后得
(17)
∫
0
T
x
(
t
)
e
−
j
n
ω
0
t
d
t
=
∑
k
=
−
∞
∞
a
k
∫
0
T
e
j
(
k
−
n
)
ω
0
t
d
t
\tag{17} \int _0^Tx(t) e^{-jn\omega_0t}dt= \sum_{k=-\infty}^{\infty}a_k\int _0^Te^{j (k-n)\omega_0 t}dt
∫0Tx(t)e−jnω0tdt=k=−∞∑∞ak∫0Tej(k−n)ω0tdt(17)
式(17)右边括号里的积分是很容易的,为此利用欧拉公式可得
(18) ∫ 0 T e j ( k − n ) ω 0 t d t = ∫ 0 T c o s ( k − n ) ω 0 t d t + j ∫ 0 T s i n ( k − n ) ω 0 t d t \tag{18} \int _0^Te^{j (k-n)\omega_0 t}dt=\int _0^T cos(k-n)\omega_0 tdt+j\int _0^T sin(k-n)\omega_0 tdt ∫0Tej(k−n)ω0tdt=∫0Tcos(k−n)ω0tdt+j∫0Tsin(k−n)ω0tdt(18)
对于
k
̸
=
n
k\not= n
k̸=n,
c
o
s
(
k
−
n
)
ω
0
t
cos(k-n)\omega_0 t
cos(k−n)ω0t 和
s
i
n
(
k
−
n
)
ω
0
t
sin(k-n)\omega_0 t
sin(k−n)ω0t都是周期函数,其基波周期为
(
T
/
∣
k
−
n
∣
)
(T/|k-n|)
(T/∣k−n∣)。现在做的积分是在
T
T
T 区间内进行,而
T
T
T 又一定是它们的基波周期
(
T
/
∣
k
−
n
∣
)
(T/|k-n|)
(T/∣k−n∣) 的整数倍。由于积分可以看做是被积函数在积分区间内所包括的面积,所以式(18) 右边的两个积分对于
k
̸
=
n
k\not= n
k̸=n 来说,其值为 0;而对
k
=
n
k= n
k=n,式左边的被积函数是 1,所以其积分值为
T
T
T 。综合上述得到
(19)
∫
0
T
e
j
(
k
−
n
)
ω
0
t
d
t
=
{
T
,
k
=
n
0
,
k
̸
=
n
\tag{19}\int _0^Te^{j (k-n)\omega_0 t}dt= \begin{cases} T, &\text k=n \\ 0, &\text k\not=n \end{cases}
∫0Tej(k−n)ω0tdt={T,0,k=nk̸=n(19)
这样式(17)的右边就变成了
T
a
n
Ta_n
Tan,因此有
(20) a n = 1 T ∫ 0 T x ( t ) e − j n ω 0 t d t \tag{20} a_n = \frac{1}{T}\int _0^Tx(t)e^{-j n\omega_0 t}dt an=T1∫0Tx(t)e−jnω0tdt(20)
另外,在求式(18)时我们仅仅用到了积分是在一个 T T T 的时间间隔内进行,而该 T T T 又是 c o s ( k − n ) ω 0 t cos(k-n)\omega_0 t cos(k−n)ω0t 和 s i n ( k − n ) ω 0 t sin(k-n)\omega_0 t sin(k−n)ω0t 周期的整数倍。因此,**如果是在任意 T T T 的间隔做积分,结果应该是相同的。**也就是说,若以 ∫ T \int _T ∫T 表示在任意一个 T T T 间隔内的积分,则应该有
(21)
∫
T
e
j
(
k
−
n
)
ω
0
t
d
t
=
{
T
,
k
=
n
0
,
k
̸
=
n
\tag{21}\int _Te^{j (k-n)\omega_0 t}dt= \begin{cases} T, &\text k=n \\ 0, &\text k\not=n \end{cases}
∫Tej(k−n)ω0tdt={T,0,k=nk̸=n(21)
因此
(22)
a
n
=
1
T
∫
T
x
(
t
)
e
−
j
n
ω
0
t
d
t
\tag{22} a_n = \frac{1}{T}\int _Tx(t)e^{-j n\omega_0 t}dt
an=T1∫Tx(t)e−jnω0tdt(22)
上述过程可归结下:如果 x ( t ) x(t) x(t) 能表示成一组成谐波关系的复指数信号的线性组合,那么傅里叶级数中系数就由式(22)所确定,这一对关系就定义为一个周期连续信号的傅里叶计数。
x ( t ) = ∑ k = − ∞ ∞ a k e j k ω 0 t = ∑ k = − ∞ ∞ a k e j k ( 2 π / T ) t \boxed{x(t) = \sum_{k=-\infty}^{\infty}a_ke^{j k\omega_0 t}=\sum_{k=-\infty}^{\infty}a_ke^{j k(2\pi / T) t}} x(t)=k=−∞∑∞akejkω0t=k=−∞∑∞akejk(2π/T)t
a k = 1 T ∫ T x ( t ) e − j k ω 0 t d t = 1 T ∫ T x ( t ) e − j k ( 2 π / T ) t d t \boxed{a_k = \frac{1}{T}\int _Tx(t)e^{-j k\omega_0 t}dt=\frac{1}{T}\int _Tx(t)e^{-j k(2\pi/T) t}dt} ak=T1∫Tx(t)e−jkω0tdt=T1∫Tx(t)e−jk(2π/T)tdt
第一个式子称为综合公式,第二个式子称为分析公式。系数 a k {a_k} ak 往往称为 x ( t ) x(t) x(t) 的傅里叶级数系数或频谱系数。
- 例 1
- 例 2
2.3. 傅里叶级数的收敛
对于任何周期信号,我们总是能利用式(22)求得一组傅里叶系数。然而,在某些情况下式(22)的积分可能不收敛,也就是说求得的某些系数可能是无穷大。再者,即使求得的全部系数都是有限值,当把这些系数代入式(14)时所得到的无限项级数也可能不收敛于原信号。
狄里赫利条件:
-
在任何周期内, x ( t ) x(t) x(t) 必须绝对可积,即
(23) ∫ T ∣ x ( t ) ∣ d t < ∞ \tag{23}\int_T|x(t)|dt < \infty ∫T∣x(t)∣dt<∞(23)
这一条件保证了每一系数 a k a_k ak 都是有限值,因为
(24) ∣ a k ∣ ⩽ 1 T ∫ T ∣ x ( t ) e j k ω 0 t ∣ d t = 1 T ∫ T ∣ x ( t ) ∣ d t \tag{24}|a_k| \leqslant \frac{1}{T}\int_T|x(t)e^{jk\omega_0t}|dt=\frac{1}{T}\int_T|x(t)|dt ∣ak∣⩽T1∫T∣x(t)ejkω0t∣dt=T1∫T∣x(t)∣dt(24)
不满足狄里赫利第一条件的周期信号可以举例如下:
(25) x ( t ) = 1 t , 0 < t ⩽ 1 \tag{25}x(t)=\frac{1}{t}, 0<t\leqslant1 x(t)=t1,0<t⩽1(25)
-
在任意有限区间内, x ( t ) x(t) x(t) 具有有限个起伏变化,也就是说,在任何单个周期内, x ( t ) x(t) x(t) 的最大值和最小值的数目有限。
满足条件 1 而不满足条件 2 的一个函数是
(26)
x
(
t
)
=
s
i
n
(
2
π
t
)
,
0
<
t
⩽
1
\tag{26}x(t)=sin(\frac{2\pi}{t}),0<t\leqslant1
x(t)=sin(t2π),0<t⩽1(26)
- 在 x ( t ) x(t) x(t) 的任何有限区间内,只有有限个不连续点,而且在这些不连续点上,函数都是有限值。
不满足条件 3 的一个例子如下所示,这个信号的周期为 T = 8 T=8 T=8,它是这样组成的:后一个阶梯的高度和宽度都是前一个阶梯的一半。
2.4. 傅里叶级数的性质
3. 离散时间周期信号的傅里叶级数表示
3.1. 成谐波关系的复指数信号的线性组合
周期复指数信号
(27)
x
[
n
]
=
e
j
(
2
π
/
N
)
n
\tag{27}x[n] = e^{j (2 \pi/N)n}
x[n]=ej(2π/N)n(27)
基波频率为
ω
0
=
2
π
/
N
\omega_0 = 2\pi / N
ω0=2π/N,基波周期为
N
N
N。与之有关的成谐波关系的复指数信号集就是
(28)
ϕ
k
[
n
]
=
e
j
k
ω
0
n
=
e
j
k
(
2
π
/
N
)
n
,
k
=
0
,
±
1
,
±
2
,
⋅
⋅
⋅
\tag{28}\phi_k[n] = e^{j k\omega_0 n}=e^{j k(2\pi / N) n}, k=0, \pm1, \pm2,\cdot \cdot \cdot
ϕk[n]=ejkω0n=ejk(2π/N)n,k=0,±1,±2,⋅⋅⋅(28)
这些信号中的每一个都有一个基波频率,它是
2
π
/
N
2\pi / N
2π/N 的倍数。由式(28)给出的信号集中只有
N
N
N 个信号是不相同的,这是由于离散时间复指数信号在频率上相差
2
π
/
N
2\pi / N
2π/N 的整数倍都是一样的缘故。因此有
(29)
ϕ
k
[
n
]
=
ϕ
k
+
r
N
[
n
]
\tag{29}\phi_k[n] = \phi_{k+rN}[n]
ϕk[n]=ϕk+rN[n](29)
这就是说,当
k
k
k 变化一个的
N
N
N 整数倍时,就得到一个完全一样的序列。现在我们希望利用序列
ϕ
k
[
n
]
\phi_k[n]
ϕk[n] 的线性组合来表示更一般的周期序列,这样一个线性组合就有如下形式
(30)
x
[
n
]
=
∑
k
a
k
ϕ
k
[
n
]
=
∑
k
a
k
e
j
k
ω
0
n
=
∑
k
a
k
e
j
k
(
2
π
/
N
)
n
\tag{30}x[n] = \sum_{k}a_k\phi_k[n]=\sum_{k}a_ke^{j k\omega_0 n}=\sum_{k}a_ke^{j k(2\pi / N) n}
x[n]=k∑akϕk[n]=k∑akejkω0n=k∑akejk(2π/N)n(30)
因为序列
ϕ
k
[
n
]
\phi_k[n]
ϕk[n] 只有在
k
k
k 的
N
N
N 个相继值的区间是不同的,因此,式(30)的求和仅仅需要包括
N
N
N 项。为了指出这一点,特将求和限表示成
k
=
<
N
>
k=<N>
k=<N>,即
(31)
x
[
n
]
=
∑
k
=
<
N
>
a
k
ϕ
k
[
n
]
=
∑
k
=
<
N
>
a
k
e
j
k
ω
0
n
=
∑
k
=
<
N
>
a
k
e
j
k
(
2
π
/
N
)
n
\tag{31}x[n] = \sum_{k=<N>}a_k\phi_k[n]=\sum_{k=<N>}a_ke^{j k\omega_0 n}=\sum_{k=<N>}a_ke^{j k(2\pi / N) n}
x[n]=k=<N>∑akϕk[n]=k=<N>∑akejkω0n=k=<N>∑akejk(2π/N)n(31)
譬如说,
k
k
k 即可以取
k
=
0
,
1
,
2
,
⋅
⋅
⋅
⋅
⋅
⋅
,
N
−
1
k=0, 1, 2,\cdot \cdot \cdot \cdot \cdot \cdot, N-1
k=0,1,2,⋅⋅⋅⋅⋅⋅,N−1,也可以取
k
=
3
,
4
,
⋅
⋅
⋅
⋅
⋅
⋅
,
N
+
2
k=3, 4, \cdot \cdot \cdot \cdot \cdot \cdot, N+2
k=3,4,⋅⋅⋅⋅⋅⋅,N+2,不管怎样取,式(31)右边的求和都是一样的。式(31)称为离散时间傅里叶级数,而系数 则称为傅里叶级数系数。
3.2. 离散时间周期傅里叶级数表示的确定
离散时间傅里叶级数对就为
x [ n ] = ∑ k = < N > a k e j k ω 0 n = ∑ k = < N > a k e j k ( 2 π / N ) n \boxed{x[n] =\sum_{k=<N>}a_ke^{j k\omega_0 n}=\sum_{k=<N>}a_ke^{j k(2\pi / N) n}} x[n]=k=<N>∑akejkω0n=k=<N>∑akejk(2π/N)n
a k = 1 N ∑ k = < N > x [ n ] e − j k ω 0 n = 1 N ∑ k = < N > x [ n ] e − j k ( 2 π / N ) n \boxed{ a_k = \frac{1}{N}\sum_{k=<N>}x[n]e^{-j k\omega_0 n}=\frac{1}{N}\sum_{k=<N>}x[n]e^{-j k(2\pi/N) n}} ak=N1k=<N>∑x[n]e−jkω0n=N1k=<N>∑x[n]e−jk(2π/N)n
和连续时间周期信号一样,第一个式子称为综合公式,第二个式子称为分析公式。系数 a k {a_k} ak 往往称为 x [ n ] x[n] x[n] 的频谱系数。
再回到式(31),我们看到若从 0 到
N
−
1
N-1
N−1 范围内取
k
k
k,则有
(32)
x
[
n
]
=
a
0
ϕ
0
[
n
]
+
a
1
ϕ
1
[
n
]
+
⋅
⋅
⋅
+
a
N
−
1
ϕ
N
−
1
[
n
]
\tag{32}x[n]=a_0\phi_0[n]+a_1\phi_1[n]+ \cdot \cdot \cdot+a_{N-1}\phi_{N-1}[n]
x[n]=a0ϕ0[n]+a1ϕ1[n]+⋅⋅⋅+aN−1ϕN−1[n](32)
相类似地,若从 1 到
N
N
N 范围内取
k
k
k,则有
(33)
x
[
n
]
=
a
1
ϕ
1
[
n
]
+
a
2
ϕ
2
[
n
]
+
⋅
⋅
⋅
+
a
N
ϕ
N
[
n
]
\tag{33} x[n]=a_1\phi_1[n]+a_2\phi_2[n]+ \cdot \cdot \cdot+a_{N}\phi_{N}[n]
x[n]=a1ϕ1[n]+a2ϕ2[n]+⋅⋅⋅+aNϕN[n](33)
因为 $ \phi_0[n] = \phi_N[n]$,将式(32)和式(33)作一比较,就可以得出
a
0
=
a
N
a_0 = a_{N}
a0=aN。类似地,若
k
k
k 取任何一组
N
N
N 个相连的整数,就一定有
(34)
a
k
=
a
k
+
N
\tag{34} a_k = a_{k+N}
ak=ak+N(34)
这就是说,倘若我们考虑的
k
k
k 值多余
N
N
N 的话,那么
a
k
a_k
ak 的值必定以
N
N
N 为周期,周期性重复。
- 例 1
3.3. 离散时间傅里叶级数的性质
获取更多精彩,请关注「seniusen」!