傅里叶变换及其应用笔记(part 1)

斯坦福EE261

录)

预备内容：

由Fourier级数过渡到Fourier分析(源于周期性，空间周期性和时间周期性)
傅里叶变换作为Fourier级数的极限情况，用来分析非周期现象，有些概念两者通用，有些不同
分析：分解一个函数（信号）为一些简单的部分
合成：吧基本部分重组成信号本身
分析和合成是由线性运算完成的，就是积分和序列
Fourier分析是线性系统的一部分
和群论有关的研究对称性

周期性：三角函数表示复杂函数

并非所有现象都有周期性，即使为周期现象，最终也会消失，然而cos，sin是无限的，但在一段时间内，即使没有周期性也可以用周期延拓使其成为周期现象

用来表示复杂信号（函数），使用cos和sin（通过改变相位和频率相加）周期为1
$$\sum _{k=1}^N{A}_k\sin (s\pi kt+{\phi }_k)$$
可以看成音频的叠加（音乐音符的组合）可以产生声音
上式的另一个形式为
$$\sum _{k=1}^N{a}_k\sin 2\pi kt+b_k\cos 2\pi kt$$
再加一个常数
$$\frac{a_0}{2}+\sum _{k=1}^N{a}_k\sin 2\pi kt+b_k\cos 2\pi kt$$
由$e^{2\pi ikt}=\cos 2\pi kt+i\sin 2\pi kt$得
$$\begin{gathered} \cos 2\pi kt=\frac{e^{2\pi ikt}+e^{-2\pi ikt}}{2} \\ \sin 2\pi kt=\frac{e^{2\pi ikt}-e^{-2\pi ikt}}{2i} \end{gathered}$$
得，和式可表示为($c_k$为复数，满足对称性$c_{-k}=\overline{c_k}$，因为结果为实数)
$$\sum _{k=-N}^N{c}_k{e}^{2\pi ikt}$$
对于一个周期性为1的函数$f(t)$,它能表示成
$$f(t)=\sum _{k=-n}^n{c}_k{e}^{2\pi ikt}$$
先不管为什么，我们假设等式成立，那么怎么求$c_k$，分离系数

$$c_m{e}^{2\pi imt}=f(t)-\sum _{k̸=m}{e}^{2\pi ikt}$$
两边乘$e^{-2\pi imt}$,的

$$c_m=f(t)e^{-2\pi imt}-\sum _{k̸=m}{e}^{2\pi ikt}{e}^{-2\pi imt}$$
做积分(其实就是内积)
$$c_m={\int }_0^1{c}_{m}dt={\int }_0^{1}f(t)e^{-2\pi imt}dt+0$$

将一般周期函数表为简单周期函数和

考虑前面剩下的问题：为什么能这么表示，什么时候能表示
记$\hat{f}(k)={\int }_0^{1}f(t)e^{-2\pi ikt}dt$表示$f(t)$的第$k$个系数

上面阶梯函数是不能表示成有限和的，对于

就算上面这样的连续函数也是不行的，因为无限可微的函数的有限组合也是无限可微的，所以表示成有限和的必要条件是无限可微，对于不是很光滑的地方，我们就需要更高频的成分去弥补它
所以为了表示更一般的周期现象，必须考虑无限和
$$\sum _{-\infty }^{\infty }f(t)e^{2\pi ikt}$$
还要确定它是否收敛，需要一些消去技巧(见傅里叶分析导论)
连续的情况它收敛于$f(t)$，为逐点收敛
如果$f(t)$可微，那么级数一致收敛到$f(t)$
对于不连续的情况，如果$t_0$为跳跃不连续点，那么它收敛于$\frac{1}{2}(f(t_0^{+})+f(t_0^{-}))$
当满足一些情况的时候，级数均方收敛
只要有一点不光滑，就会产生无穷的傅里叶级数
补充，内积定义：见分析学，可以定义内积为如下
$⟨f,g⟩={\int }_0^{1}f(t)\overline{g(t)}dt$
范数为$⟨f,f⟩=\Vert f{\Vert }^2={\int }_0^{1}f(t)\overline{f(t)}dt={\int }_0^1|f(t){|}^{2}dt$
可以证明$e^{2\pi int},n\in \mathbb{Z}$是$L^2(0,1)$的正交基，并且是完备的
傅里叶级数可以看成分到正交基上分量的和

瑞利等式（Rayleigh equality）：
$${\int }_0^1|f{|}^{2}dt=\sum _{-\infty }^{\infty }|\hat{f}(k){|}^2$$
可以看成能量部分和为总和

应用(热方程)

heat flow（热流）物理导致傅里叶分析的快速发展
有一个空间区域，有初始温度分布$f(x)$，温度如何随时间和位置变化
关注一个热环（周长为1），$u(x,t)$为我们所要找的

温度为空间的周期函数，$u(x+1,t)=u(x,t)$，对$x$进行展开
$$u(x,t)=\sum _{-\infty }^{\infty }{c}_k{e}^{2\pi ikx}=\sum _{-\infty }^{\infty }{c}_k(t)e^{2\pi ikx}$$

Heat equation (热方程，下标表示偏导，这是偏微分方程)：
温度随时间变化跟周围温度差大小成正比，原理见另一篇博客
多变量微积分中散度定理关于扩散方程的推导
一维：$u_t=a{u}_{xx}$($a$和物理特性有关），为了方便这里令$a=\frac{1}{2}$
$u_t=\frac{1}{2}{u}_{xx}$
$$u_t=\sum _{-\infty }^{\infty }{c}_k^{\prime }(t)e^{2\pi ikx}$$
$$u_{xx}=\sum _{-\infty }^{\infty }{c}_k(t)(2\pi ik{)}^2{e}^{2\pi ikx}$$
对应项相等，得到$c_k^{\prime }(t)=-\frac{1}{2}{c}_k(t)(4{\pi }^2{k}^2)$
即
$$c_k^{\prime }(t)=-2{\pi }^2{k}^2{c}_k(t)$$
这是一个ODE解为
$$c_k(t)=c_k(0)e^{-2{\pi }^2{k}^{2}t}$$

由$$u(x,t)=\sum _{-\infty }^{\infty }{c}_k(t)e^{2\pi ikx}$$
令$t=0$,
$$u(x,0)=\sum _{-\infty }^{\infty }{c}_k(0)e^{2\pi ikx}$$
也就是
$$f(x)=u(x,0)=\sum _{k=-\infty }^{\infty }{c}_k(0)e^{2\pi ikx}$$
故$$c_k(0)=\int f(x)e^{-2\pi ikx}dx=\hat{f}(k)$$
代入上面的，得到
$$u(x,t)=\sum _{k=-\infty }^{\infty }\hat{f}(k)e^{-2{\pi }^2{k}^{2}t}{e}^{2\pi ikx}$$

以另一种方式写
$$\hat{f}(k)={\int }_0^1{e}^{-2\pi iky}f(y)dy$$
$$\begin{array}{rl}u(x,t)& =\sum _{k=-\infty }^{\infty }{c}_k(t)e^{2\pi ikx}\\ & =\sum _{k=-\infty }^{\infty }{c}_k(0)e^{-2{\pi }^2{k}^{2}t}{e}^{2\pi ikx}\\ & =\sum _{k=-\infty }^{\infty }{\int }_0^{1}f(y)e^{-2\pi iky}dy{e}^{-2{\pi }^2{k}^{2}t}{e}^{2\pi ikx}\\ & ={\int }_0^1\left(\sum _{k=-\infty }^{\infty }{e}^{-2\pi iky}{e}^{-2{\pi }^2{k}^{2}t}{e}^{2\pi ikx}\right)f(y)dy\\ & ={\int }_0^1\left(e^{2\pi ik(x-y)}{e}^{-2{\pi }^2{k}^{2}t}\right)f(y)dy\end{array}$$
记
$$g(x,t)=e^{2\pi ikx}{e}^{-2{\pi }^2{k}^{2}t}$$
则
$$u(x,t)={\int }_0^{1}g(x-y,t)f(y)dy$$
这表达了$u(xmt)$是$f(x)$与热核函数$g(x,t)$的卷积
g的不同叫法：热核函数也称为格林函数
（泊松核和狄利克雷问题也会类似）

傅里叶变换（周期现象到非周期现象）

将非周期函数看做周期无限函数。傅里叶 变换是一种一般（也就是另一种极限的情况，即周期无限）情况，即傅里叶级数的极限形式
对于周期T的函数（再让$T\to \infty$）
傅里叶基为$e^{2\pi ik(t/T)}$，傅里叶级数为
$$\begin{gathered} f(t)=\sum c_k{e}^{2\pi i(k/T)t} \\ {c}_k=\frac{1}{T}{\int }_0^1{e}^{-2\pi i(k/T)t}f(t)dt \end{gathered}$$
(缩放即可，然而为什么基完备这是另一个问题)
可写成
$$c_k=\frac{1}{T}{\int }_{-\frac{T}{2}}^{\frac{T}{2}}{e}^{-2\pi i(k/T)t}f(t)dt$$

频谱Picture of frequency( spectrum)

它是对称的因为$c$对称，周期为$T$，则间隔为$\frac{1}{T}$
当$T\to \infty$的时候，频谱变得连续。
不能直接让$T\to \infty$得到傅里叶变换，因为当$T\to \infty$时，由
$$c_k=\frac{1}{T}{\int }_{-\frac{T}{2}}^{\frac{T}{2}}{e}^{-2\pi i(k/T)t}f(t)dt$$
计算的$c_k$趋于0
比如$f(t)$是一个只在[a,b]上不为0的函数，将其周期延$-\frac{T}{2}$到$\frac{T}{2}$包含[a,b]即可)
我们计算$$\begin{array}{rl}{c}_k& =\frac{1}{T}{\int }_{-\frac{T}{2}}^{\frac{T}{2}}{e}^{-2\pi i(k/T)t}f(t)dt\\ & =\frac{1}{T}{\int }_a^b{e}^{-2\pi i(k/T)t}f(t)dt\end{array}$$
$$\begin{array}{rl}|c_k|& =\frac{1}{T}\left|{\int }_a^b{e}^{-2\pi i(k/T)t}f(t)dt\right|\\ & \le \frac{1}{T}{\int }_a^b\left|e^{-2\pi i(k/T)t}\right|\left|f(t)\right|dt\\ & \le \frac{1}{T}{\int }_a^b\left|f(t)\right|dt\\ & \le \frac{M}{T}\to 0\end{array}$$
这不能得到有用的结果，必须寻找其他途径

记线性算子$$\mathcal{F}f(\frac{k}{T})={\int }_{-\frac{T}{2}}^{\frac{T}{2}}{e}^{-2\pi i(k/T)t}f(t)dt$$
则$$f(t)=\sum _{k=-\infty }^{\infty }\mathcal{F}f(\frac{k}{T})e^{2\pi i(k/T)t}\frac{1}{T}$$
当$T\to \infty$时，$\frac{k}{T}$趋于连续，记为$s\in (-\infty ,\infty )$，则求和变成积分
$$\mathcal{F}f(s)={\int }_{-\infty }^{\infty }{e}^{-2\pi ist}f(t)dt$$
$$f(t)={\int }_{-\infty }^{\infty }\mathcal{F}f(s)e^{2\pi ist}ds$$
我们需要知道积分的收敛问题。
傅里叶变换将$f(t)$分解为组成成分$e^{2\pi ist}$，逆变换则从组成成分合成原函数
$f(t)$定义在时域，$\mathcal{F}f(s)$定义在频域
信号都有一个频谱，频谱确定了信号

正逆变换
$$\begin{gathered} \mathcal{F}f(s)={\int }_{-\infty }^{\infty }{e}^{-2\pi ist}f(t)dt \\ {\mathcal{F}}^{-1}g(t)={\int }_{-\infty }^{\infty }{e}^{2\pi ist}g(s)ds \end{gathered}$$

傅里叶 变换表明，对函数的傅里叶变换进行反变换得到原函数
$$\begin{gathered} {\mathcal{F}}^{-1}\mathcal{F}f=f \\ \mathcal{F}{\mathcal{F}}^{-1}g=g \end{gathered}$$
在0点处，傅里叶变换为函数的平均值
$$\mathcal{F}f(0)={\int }_{-\infty }^{\infty }{e}^{2\pi i0t}f(t)dt={\int }_{-\infty }^{\infty }f(t)dt$$
$${\mathcal{F}}^{-1}g(0)={\int }_{-\infty }^{\infty }g(s)ds$$

Examples:
矩形函数，或者叫$-\frac{1}{2}到\frac{1}{2}的特征函数$
$$\Pi (t)=\{\begin{array}{l}\begin{array}{rl}1& |t|<\frac{1}{2}\\ 0& |t|\ge \frac{1}{2}\end{array}\end{array}$$

$$\begin{array}{rl}\mathcal{F}\Pi (s)& ={\int }_{-\infty }^{\infty }{e}^{-2\pi ist}\Pi (t)dt\\ & ={\int }_{-\frac{1}{2}}^{\frac{1}{2}}{e}^{-2\pi ist}dt\\ & =\left[\frac{1}{-2\pi is}{e}^{-2\pi ist}\right]|{}_{-\frac{1}{2}}^{\frac{1}{2}}=\frac{-1}{2\pi is}{e}^{-\pi is}+\frac{1}{2\pi is}{e}^{\pi is}\\ & =\frac{1}{\pi s}\left(\frac{e^{\pi is}-e^{-\pi is}}{2i}\right)=\frac{\sin \pi s}{\pi s}\end{array}$$
最后这个函数就是sinc函数$sinc(s)=\frac{\sin \pi s}{\pi s}$
函数图像：

三角形函数

$$\Lambda (t)=\{\begin{array}{ll}1-|t|& |t|\le 1\\ 0& |t|\ge 1\end{array}$$
$$\begin{array}{rl}\mathcal{F}\Lambda (s)& ={\int }_{-\infty }^{\infty }{e}^{-2\pi ist}\Lambda (t)dt\\ & ={\int }_{-1}^0{e}^{-2\pi ist}(1+t)dt+{\int }_0^1{e}^{-2\pi ist}(1-t)dt\\ & =\frac{{\sin }^2\pi s}{{\pi }^2{s}^2}=sin{c}^2(s)\end{array}$$

傅里叶变换符号

在不同的上下文和材料中，傅里叶的定义和符号是变化的（不是唯一的）
比如
$$\hat{f}(s)=\mathcal{F}f(s)$$
$$\check{f}(t)={\mathcal{F}}^{-1}f(t)$$
或者
$$f(t)，F(s)$$

有时候将正变换表示为（正负变换相调换）
$$\mathcal{F}f(s)={\int }_{-\infty }^{\infty }{e}^{-2\pi ist}f(t)dt$$
有时候表示为
$$\mathcal{F}f(s)={\int }_{-\infty }^{\infty }{e}^{2\pi ist}f(t)dt$$

高斯函数

$$f(t)=e^{-\pi t^2}$$指数加$\pi$使得面积为1，则
$$\mathcal{F}f(s0=e^{-\pi s^2}$$
为本身。我们得到结论，高斯函数的傅里叶变换等于本身
证明：
$$F(s)={\int }_{-\infty }^{\infty }{e}^{-2\pi ist}{e}^{-\pi t^2}dt$$
求微分
$$\begin{array}{rl}{F}^{\prime }(s)& ={\int }_{-\infty }^{\infty }\frac{d}{ds}\left(e^{-2\pi ist}{e}^{-\pi t^2}\right)dt\\ & ={\int }_{-\infty }^{\infty }-2\pi it{e}^{-2\pi ist}{e}^{-\pi t^2}dt\\ & =i{\int }_{-\infty }^{\infty }{e}^{-2\pi ist}(-2\pi t{e}^{-\pi t^2})dt\end{array}$$
分部积分
$$\begin{array}{rl}& =i{\int }_{-\infty }^{\infty }{e}^{-2\pi ist}d{e}^{-\pi t^2}\\ & =i{e}^{-2\pi ist}{e}^{-\pi t^2}{|}_{-\infty }^{\infty }-i{\int }_{-\infty }^{\infty }{e}^{-\pi t^2}d{e}^{-2\pi ist}\\ & =-{\int }_{-\infty }^{\infty }2\pi s{e}^{-\pi t^2}{e}^{-2\pi ist}dt\\ & =-2\pi s{\int }_{-\infty }^{\infty }{e}^{-2\pi ist}{e}^{-\pi t^2}dt\\ & =-2\pi sF(s)\end{array}$$
于是我们得到等式
$$F^{\prime }(s)=-2\pi sF(s)$$

(这个ODE表明)$F(是）=F(0)e^{-\pi s^2}$
而$$F(0)={\int }_{-\infty }^{\infty }f(t)dt=1$$
故$$F(s)=e^{-\pi s^2}$$
证明完毕

对偶性（傅里叶变换的对偶性质）

根据定义有
$$\mathcal{F}f(-s)={\mathcal{F}}^{-1}f(s)$$
$$\mathcal{F}f(s)={\mathcal{F}}^{-1}f(-s)$$

定义$f^{-}(t)=f(-t)$(反转信号)，按照记号记$(\mathcal{F}f{)}^{-}(s)=\mathcal{F}f(-s)$(这是一个记号)，则按前面有
$$(\mathcal{F}f{)}^{-}={\mathcal{F}}^{-1}f$$
还有
$$\mathcal{F}(f^{-})={\mathcal{F}}^{-1}f$$
所以
$$(\mathcal{F}f{)}^{-}=\mathcal{F}(f^{-})={\mathcal{F}}^{-1}f$$
根据前面有
$$\mathcal{F}\mathcal{F}f=f^{-}$$
因为$\mathcal{F}\mathcal{F}f=\mathcal{F}{\mathcal{F}}^{-1}{f}^{-}=f^{-}$

例子：$sinc=\frac{\sin \pi t}{\pi t}$
根据对偶性质
$$\mathcal{F}sinc=\mathcal{F}\mathcal{F}\pi ={\pi }^{-}=\pi$$
如果直接按照定义求解积分，积分存在严重的收敛问题，难以计算
同样可以得到$$\mathcal{F}sin{c}^2=\Lambda$$

三个重要问题：时延(delays),时域尺度变换，卷积

时延：如果信号移动b，傅里叶变换会怎样
$$f(t)\leftrightarrow F(s)$$
$$f(t-b)\leftrightarrow ?$$

$$F(s)={\int }_{-\infty }^{\infty }-e^{-2\pi ist}f(t)dt$$

$$\begin{array}{rl}\mathcal{F}f(t-b)& ={\int }_{-\infty }^{\infty }{e}^{-2\pi ist}f(t-b)dt\\ & ={\int }_{-\infty }^{\infty }{e}^{-2\pi is(u+b)}f(u)du\\ & =e^{-2\pi isb}{\int }_{-\infty }^{\infty }{e}^{-2\pi isu}f(u)du\\ & =e^{-2\pi isb}F(s)\end{array}$$
即(时延定理)，时域的位移导致频域的位移
$$\mathcal{F}\left(f(t\pm b)\right)(s)=e^{\pm 2\pi isb}F(s)$$
记(复数表示成幅度乘以角度)
$$F(s)=|F(s)|e^{2\pi i\theta (s)}$$
故
$$e^{-2\pi isb}F(s)=|F(s)|e^{2\pi i(\theta (s)-sb)}$$
时域的位移导致频域角度的变换，幅度不变
接下来是尺度变换
$$f(t)\leftrightarrow F(s)$$
$$f(at)\leftrightarrow ?$$

$$\mathcal{F}\left(f(at)\right)(s)={\int }_{-\infty }^{\infty }{e}^{-2\pi ist}f(at)dt$$
$ifa>0$,令$u=at$
$$\begin{array}{rl}\mathcal{F}\left(f(at)\right)(s)& =\frac{1}{a}{\int }_{-\infty }^{\infty }{e}^{-2\pi i(s/a)u}f(u)du\\ & =\frac{1}{a}{\int }_{-\infty }^{\infty }{e}^{-2\pi i(s/a)u}f(u)du=\frac{1}{a}F(\frac{s}{a})\end{array}$$
$ifa<0$,令$u=at$
$$\mathcal{F}\left(f(at)\right)(s)=-\frac{1}{a}{\int }_{-\infty }^{\infty }{e}^{-2\pi i(s/a)u}f(u)du=-\frac{1}{a}F(\frac{s}{a})$$
综上
$$\mathcal{F}\left(f(at)\right)(s)=\frac{1}{|a|}F(\frac{s}{a})$$
$$f(at)\leftrightarrow \frac{1}{|a|}F(\frac{s}{a})$$
这个结果说明，当$|a|>1$时，频谱被拉长了，而且变矮，$|a|<1$则相反
即时域压缩（伸长），则频域伸长（压缩）
Heisenberg测不准定理实际上也是依赖傅里叶变换证明，不能同事间压缩时域和频域，即不能同时知道位置和速度

卷积运算

关于怎样使用一个函数对另一个函数或信号进行调制，大部分情况下着手于改变信号的频谱
eg.线性和叠加性
$$\mathcal{F}(f+g)=\mathcal{F}(f)+\mathcal{F}(g)$$
通过改变频谱调制信号
如果是相乘呢
$$(\mathcal{F}g)(\mathcal{F}f)=\mathcal{F}(??f和g的某种组合？)$$
$$\begin{array}{rl}\mathcal{G}g(s)\mathcal{F}f(s)& ={\int }_{-\infty }^{\infty }{e}^{-2\pi ist}g(t)dt{\int }_{-\infty }^{\infty }{e}^{-2\pi isx}f(x)dx\\ & ={\int }_{-\infty }^{\infty }{\int }_{-\infty }^{\infty }{e}^{-2\pi is(t+x)}g(t)f(x)dtdx\\ & ={\int }_{-\infty }^{\infty }\left({\int }_{-\infty }^{\infty }{e}^{-2\pi is(t+x)}g(t)dt\right)f(x)dx\end{array}$$
令$u=t+x,du=dt,t=u-x$，的上式为
$${\int }_{-\infty }^{\infty }\left({\int }_{-\infty }^{\infty }{e}^{-2\pi isu}g(u-x)du\right)f(x)dx$$
改变积分顺序
$${\int }_{-\infty }^{\infty }\left({\int }_{-\infty }^{\infty }g(u-x)f(x)dx\right)e^{-2\pi isu}du$$

定义$h(u)={\int }_{-\infty }^{\infty }g(u-x)f(x)dx$，上面就是
$${\int }_{-\infty }^{\infty }{e}^{-2\pi isu}h(u)du=\mathcal{F}h(s)$$
即$$(\mathcal{F}g)(\mathcal{F}f)=\mathcal{F}h(s)$$
$h(u)$即称为$g$和$f$的卷积函数，定义$g$和$f$的卷积:
$$(g\ast f)(x)={\int }_{-\infty }^{\infty }g(x-y)f(y)dy$$
依照上面的卷积定理我们有
$$\mathcal{F}(g\ast f)=\mathcal{F}(g)\mathcal{F}(f)$$
Briggs, William L.Henson写的离散傅里叶手册中有很好的问题例子

eg.:浑浊度研究：与测量睡的清澈度有关，假如得到一张测量数据$T$。这个数据有很多的毛刺，我们需要去除掉这些毛刺，使之平滑。在频域进行处理，去掉高频的成分，方法是呈上一个矩形函数（也叫低通滤波）${\Pi }_{2V_c}(在-V_c和V_c之间为1，其他为0)$得到
$${\Pi }_{2V_c}\mathcal{F}T$$
转换到时域得
$$2V_{c}sinc(2V_{c}t)\ast T(t)$$
滤波通常（不总是）等同于卷积
在频域中（频域滤波）
$G(s)=F(s)H(s)$（$H(s)$为传递函数），设计滤波器就是设计一个$H$。
比较常见的事低通滤波器，高通滤波器和带通滤波器
在频域更容易理解滤波器而在时域中转换为卷积就没那么好理解
有时卷积并不容易计算，甚至不能显式表示，如
$${\int }_{-\infty }^{\infty }sinc(x-y)f(y)dy$$

有什么关于卷积更好的解释？ 有很多的解释
在很多情况下，卷积核滤波或平均相关
通常$f$和$g$的卷积比单独考虑$f,g$更好（更平滑），比如
$$\Pi \ast \Pi =\Lambda$$
左边不连续，右边连续
如果$f$可微$g$不可微，则$f\ast g$可微：$(f\ast g{)}^{\prime }=f^{\prime }\ast g$

怎样利用卷积求热方程??

首先
$$\mathcal{F}(f^{\prime })(s)=2\pi is\mathcal{F}f(s)$$
相似的
$$\mathcal{F}(f^{(n)})(s)=(2\pi is{)}^n\mathcal{F}f(s)$$
证明：
假设当$t\to \pm \infty ,f(t)\to 0$(一种特殊情形，一般要把函数限制在一个族里面，分析学专门讨论)
$$\begin{array}{rl}\mathcal{F}(f^{\prime })(s)& ={\int }_{-\infty }^{\infty }{e}^{-2\pi ist}{f}^{\prime }(t)dt\\ & =e^{-2\pi ist}f(t){|}_{-\infty }^{\infty }+2\pi is{\int }_{-\infty }^{\infty }{e}^{-2\pi ist}f(t)dt\\ & =0+2\pi is\mathcal{F}f(s)\end{array}$$
研究无限长实线热方程，$u(x,t),u(x,0)=f(x)$无限周期$u_t=\frac{1}{2}{u}_{xx}$
记$u(x,t)$关于$x$的傅里叶变换为$u(s,t)$，则
$$\begin{array}{rl}\mathcal{F}{u}_t& ={\int }_{-\infty }^{\infty }{e}^{-2\pi isx}\frac{\partial u(x,t)}{\partial t}dx\\ & =\frac{\partial }{\partial t}\left({\int }_{-\infty }^{\infty }{e}^{-2\pi isx}u(x,t)dx\right)\\ & =\frac{\partial }{\partial t}u(s,t)\end{array}$$
$$\mathcal{F}{u}_{xx}=(2\pi is{)}^{2}u(s,t)$$
联合上面，得到热方程为
$$\frac{\partial }{\partial t}u(s,t)=-2(\pi s{)}^{2}u(s,t)$$
这是一个普通的微分方程，解得
$$u(s,t)=u(s,0)e^{-2{\pi }^2{s}^{2}t}$$
$$u(s,0)={\int }_{-\infty }^{\infty }{e}^{-2\pi isx}u(x,0)dx={\int }_{-\infty }^{\infty }{e}^{-2\pi isx}f(x)=F(s)$$
所以
$$u(s,t)=F(s)e^{-2{\pi }^2{s}^{2}t}$$
由于
$$\mathcal{F}\left(\frac{1}{\sqrt{2\pi t}}{e}^{-x^2/2t}\right)=e^{-2{\pi }^2{s}^{2}t}$$
故
$$u(x,t)=f(x)\ast \left(\frac{1}{\sqrt{2\pi t}}{e}^{-x^2/2t}\right)$$

卷积核中心极限定理(conbolution and the Central Limit Theorem,CLT)

CLT某种程度上阐述了一般钟形曲线的一般形式，也就是概率论中的高斯分布
大部分概率事件，可以看做可以按照钟形曲线进行计算和近似，或者说有高斯函数决定
$$p(x)=\frac{1}{\sqrt{2\pi }}{e}^{-x^2/2}$$
$$p(a\le measurement)\le b={\int }_a^b\frac{1}{\sqrt{2\pi }}{e}^{-x^2/2}dx$$
对矩形函数自身做一次卷积，得到一个三角形函数，做三次卷积则得到一个钟形（更平滑），做四个更平滑。令人惊叹(spooky)的是，不仅对矩形函数，对任意函数，自身卷积做若干次以后，将类似于一个钟形函数
建立：
$X$为随机变量，$x$为时机测量值，测量$x$如何分布$P_X(x)$,$P_{a,b}(a\le x\le b）={\int }_a^{b}p(x)dx$
$${\int }_{-\infty }^{\infty }p(x)dx=1,p(x)\ge 0$$
怎么和卷积联系起来
假设$x_1,x_2$是独立随机变量$p_1(x_1),p_2(x_2),x_1+x_2$的分布为$p_1\ast p_2$(利用积分变量替换即可得到)
同样可以得到
$$p(x_1+\cdots +x_n)=p_1\ast p_2\ast \cdots \ast p_n$$
CLT建立过程
设$x_1,\cdots ,x_n$是独立同分布随机变量(iid)，记为p(均值为0，方差为1）
即
$${\int }_{-\infty }^{\infty }xp(x)dx=0$$
$${\int }_{-\infty }^{\infty }{x}^{2}p(x)dx=1$$
$${\int }_{-\infty }^{\infty }p(x)dx=1$$
$S_n=x_1+\cdots +x_n$，则 ,$\mathbb{E}(S_n)=0,\sqrt{\mathbb{E}(S_n^2)}=\sqrt{n}$(标准差)
故，$\frac{S_n}{\sqrt{n}}$方差为1
CLT：当$n\to \infty$时，
$$\underset{n\to \infty }{\lim }prob(a\le \frac{S_n}{\sqrt{n}}\le b)=\frac{1}{\sqrt{2\pi }}{\int }_a^b{e}^{-x^2/2}dx$$
非积分形式：如果$P_n(x)$为$\frac{S_n}{\sqrt{n}}$的分布，则当$n\to \infty$时，
$$P_n(x)\to \frac{1}{\sqrt{2\pi }}{e}^{-x^2/2}$$

因为$x_1+\cdots +x_n$的分布为$p^{\ast n}(x)=(\underset{n个}{\underbrace{p\ast \cdots \ast p}})$，则
$\frac{x_1+\cdots +x_n}{\sqrt{n}}$的分布为$\sqrt{n}{p}^{\ast n}(\sqrt{n}x)$. $(x分布为p(x),则ax的分布为\frac{1}{a}p(\frac{x}{a})$

$$\begin{array}{rl}Pr(aX\le x)& =Pr(X\le \frac{x}{a})={\int }_{-\infty }^{}p(t)dt\\ & ={\int }_{-\infty }^{x}p\left(\frac{t}{a}\right)d\frac{t}{a}=\frac{1}{a}{\int }_{-\infty }^{x}p\left(\frac{t}{a}\right)dt\end{array}$$

做傅里叶变换$$\begin{array}{rl}\mathcal{F}(p_n(x))& =\sqrt{n}\mathcal{F}\left(p^{\ast n}(\sqrt{n}x)\right)\\ & =\sqrt{n}\ast \frac{1}{\sqrt{n}}\mathcal{F}\left(p^{\ast n}\right)\left(\frac{s}{\sqrt{n}}\right)\\ & =(\mathcal{F}p{)}^n\left(\frac{s}{\sqrt{n}}\right)\\ & ={\left(\mathcal{F}p\left(\frac{s}{\sqrt{n}}\right)\right)}^n\end{array}$$
使用泰勒级数（展开）$(e^x=1+x+\frac{x^2}{2}+\cdots )$
$$\begin{array}{rl}\mathcal{F}p\left(\frac{s}{\sqrt{n}}\right)& ={\int }_{-\infty }^{\infty }{e}^{-2\pi i(s/\sqrt{n})x}p(x)dx\\ & ={\int }_{-\infty }^{\infty }\left(1-\frac{2\pi isx}{\sqrt{n}}-\frac{1}{2}{\left(\frac{2\pi isx}{\sqrt{n}}\right)}^2+\cdots \right)p(x)dx\\ & =\underset{=1}{\underbrace{{\int }_{-\infty }^{\infty }p(x)dx}}-\frac{2\pi is}{\sqrt{n}}\underset{=0}{\underbrace{{\int }_{-\infty }^{\infty }xp(x)dx}}-\frac{2{\pi }^2{s}^2}{n}\underset{=1}{\underbrace{{\int }_{-\infty }^{\infty }{x}^{2}p(x)dx}}+\cdots \\ & =1-\frac{2{\pi }^2{s}^2}{n}+\epsilon \approx 1-\frac{2{\pi }^2{s}^2}{n}\end{array}$$
所以
$${\left(\mathcal{F}p\left(\frac{s}{\sqrt{n}}\right)\right)}^n\approx {\left(1-\frac{2{\pi }^2{s}^2}{n}\right)}^n$$
当$n\to +\infty$,${\left(1-\frac{2{\pi }^2{s}^2}{n}\right)}^n⟶e^{-2{\pi }^2{s}^2}$
利用傅里叶反变换，饿到原分布密度为
$$p_n(x)\approx \frac{1}{\sqrt{2\pi }}{e}^{-x^2/2}$$

讨论积分收敛问题

需要傅里叶变换的更严谨的定义才能处理一般信号。如果积分不收敛，怎么利用傅里叶变换
两种方式处理这种情况
1.一种是使用特定方法(ad hot)
2.重新研究基础，给出一个另外的定义
第一个例子: $f(t)=\Pi (t)$积分收敛可以进行傅里叶变换，然而问题出现在反变换上${\mathcal{F}}^{-1}sinc=\Pi$
$${\mathcal{F}}^{-1}sinc={\int }_{-\infty }^{\infty }{e}^{2\pi ist}\frac{\sin \pi s}{\pi s}ds=\{\begin{array}{ll}1,& |s|<\frac{1}{2}\\ 0,& |s|>\frac{1}{2}\end{array}$$
（无法用简单积分算出，需要用一些技巧）
在边界上即不连续点上$s=\pm \frac{1}{2}$有些问题，收敛于$\frac{1}{2}$而不是0或者1
第二个例子中，$f(t)=1$,傅里叶积分是无意义的
$${\int }_{-\infty }^{\infty }{e}^{-2\pi ist}dt=\frac{1}{-2\pi is}{e}^{-2\pi ist}{|}_{-\infty }^{\infty }=0$$
例子3：$f(t)=\sin (2\pi t),g(t)=\cos (2\pi t)$

$${\int }_{-\infty }^{\infty }{e}^{-2\pi ist}\sin (2\pi t)dt$$
是无法收敛的。对于等等这些情况，我们必须重新定义收敛的问题
怎样选取基本现象来啊研究其他一切现象
1940年代解决了这个问题。退一步，最好的情形是什么（定义为$s$，Schwarz）
我们需要两个性质：
1.如果$f\in s$,那么$\mathcal{F}\in s$
2.傅里叶由方程定义
$$\mathcal{F}{\mathcal{F}}^{-1}f=f$$
更进一步的性质（Parseval等式Rayleigh 等式）
$${\int }_{-\infty }^{\infty }|g(s){|}^{2}ds={\int }_{-\infty }^{\infty }|f(t){|}^{2}dt$$
怎样定义$s$（Laurent Schwartz找到了这个类）:s指的就是这类速降函数
$$\{\begin{array}{l}f(x)为光滑函数\\ 对任意m,n\ge 0,当x\to \pm \infty ,|x{|}^n|\frac{d^m}{d{x}^m}f(x)|\to 0\end{array}$$
即递降速度非常快，比$x^n$快. 存在这样的函数吗
$$\{\begin{array}{l}f(x)=e^{-\pi x^2}就是这样的函数\\ 在一个区间外全为0的光滑函数（紧支集光滑函数）\end{array}$$
这是从导数定理中来的
$$\mathcal{F}(f^{(m)})(s)=(2\pi is{)}^m\mathcal{F}f(s)$$
这表明可微性和递降速率的关系
Parseval等式适用于s函数，适用于不涉及收敛问题的函数
$${\int }_{-\infty }^{\infty }|\mathcal{F}(f)(s){|}^{2}ds={\int }_{-\infty }^{\infty }|f(t){|}^{2}dt$$
下面证明一个更一般的等式
$${\int }_{-\infty }^{\infty }\mathcal{F}f(s)\overline{\mathcal{F}g(s)}ds={\int }_{-\infty }^{\infty }f(t)\overline{g(t)}dt$$
令$g(t)={\int }_{-\infty }^{\infty }{e}^{2\pi ist}\mathcal{F}g(s)ds$,即$g(t)={\mathcal{F}}^{-1}\mathcal{F}g$
两边取共轭，将共轭算子放进积分中
$$\overline{g(t)}={\int }_{-\infty }^{\infty }{e}^{-2\pi ist}\overline{\mathcal{F}g(s)}ds$$
故
$$\begin{array}{rl}{\int }_{-\infty }^{\infty }f(x)\overline{g(t)}dt& ={\int }_{-\infty }^{\infty }f(t)\left({\int }_{-\infty }^{\infty }{e}^{-2\pi ist}\overline{\mathcal{F}g(s)}ds\right)dt\\ & ={\int }_{-\infty }^{\infty }\overline{\mathcal{F}g(s)}\left({\int }_{-\infty }^{\infty }f(t)e^{-2\pi ist}dt\right)ds\\ & ={\int }_{-\infty }^{\infty }\mathcal{F}f(s)\overline{\mathcal{F}g(s)}ds\end{array}$$

傅里叶变换扩展（重新定义傅里叶变换，广义傅里叶变换）

傅里叶变换的最佳集合，速降函数集合s
为什么这个对于傅里叶变幻时最佳的
$\Pi \notin s,\Lambda ,\sin ,\cos ,sinc\notin s,常数c\notin s$，许多常见的函数都不属于$s$,怎么办，必须采取一条特别的路，那就是广义函数（也称为分布）
脉冲函数$\delta$(单独考虑是没有意义的)
通常定义$\delta$为
$$\begin{gathered} \delta (0)=0,x̸=0 \\ \delta (0)=\infty \end{gathered}$$
$${\int }_{-\infty }^{\infty }\delta (x)dx=1$$
$${\int }_{-\infty }^{\infty }\delta (0)\phi (x)dx=\phi (0)$$
上面的定义完全是垃圾。
$\delta$函数是一个只关注一点的函数，考虑经典的那些函数，当他们变得越来越窄，取极限的时候。eg.:考虑一个长方形函数，变窄，变高，积分不变
$$\begin{array}{rl}{\int }_{-\infty }^{\infty }\frac{1}{\epsilon }{\Pi }_{\epsilon }(x)\phi (x)dx& =\frac{1}{\epsilon }{\int }_{-\frac{\epsilon }{2}}^{\frac{\epsilon }{2}}\phi (x)dx\\ & =\frac{1}{\epsilon }{\int }_{-\frac{\epsilon }{2}}^{\frac{\epsilon }{2}}\phi (0)+{\phi }^{\prime }(c)x+\frac{{\phi }^{\prime \prime }(c)}{2}{x}^2+\cdots dx\\ & =\phi (0)+O(\epsilon )⟶\phi (0)\end{array}$$
即
$$\underset{\epsilon \to 0}{\lim }{\int }_{-\infty }^{\infty }\frac{1}{\epsilon }{\Pi }_{\epsilon }(x)\phi (x)dx=\phi (0)$$
单独考虑${\lim }_{\epsilon \to 0}\frac{1}{\epsilon }{\Pi }_{\epsilon }(x)$是没有意义的，而是和其他函数成对出现才有意义，这才是$\delta$函数通常出现的形式，$\delta$单独出现没有意义。把视角放在结果而不是过程
定义：1）从分布测试函数$\phi$开始（那些最优的函数）
2)和测试函数相关的叫广义函数或者分布的集合，一个分布较$T$，是一个作用于测试函数的线性泛函.$T(\phi )$是一个数，$T(a{\phi }_1+b{\phi }_2)=aT({\phi }_1)+bT({\phi }_2)$
3）如果${\varphi }_n\to \phi$(序列趋近于$\phi$)，那么$T({\phi }_n)\to T(\phi )$
一个分布于一个测试函数配对，符号$<T,\phi >$
重新定义$\delta$，通过$<\delta ,\phi >=\phi (0)$，显然是线性的，而且${\varphi }_n\to \phi \Rightarrow {\varphi }_n(0)\to \phi (0)$这才是$\delta$的定义
定义位移$\delta$函数，${\delta }_a$为一个分布$<{\delta }_a,\phi >=\phi (a)$,并满足1),2),3)
怎样才能是的那些不符合测试函数的函数回到视野中来（傅里叶变换变得有意义）
通过一种特别的方式合理化
eg.:怎样将常函数看做一个分布，怎样定义匹配$1$和$\phi$(通过积分实现)
$$<1,\phi >={\int }_{-\infty }^{\infty }1\phi (x)dx={\int }_{-\infty }^{\infty }\phi (x)dx$$
同样对于矩形函数
$$<\Pi ,\phi >={\int }_{-\infty }^{\infty }\Pi (x)\phi (x)dx$$
三角函数
$$<\sin (2\pi x),\phi >={\int }_{-\infty }^{\infty }\sin (2\pi x)\phi (x)dx$$
对于大部分函数，将$f(x)$看成分布，$<f,\phi >=\int f(x)\phi (x)dx$这包括基本的所有函。
下面正式介绍广义函数（分布）傅里叶变换
测试集合（速降函数集合）$\mathcal{T}$，和上面那样定义$<T,\phi >$，${\varphi }_n\to \phi \Rightarrow T({\phi }_n)\to T(\phi )$
比较难的是定义函数的收敛性（这里不讨论）
分布的集合是一系列测试函数的对偶空间（dual space）
定义$<f,\phi >={\int }_{-\infty }^{\infty }f(x)\phi (x)dx$（如果积分都收敛），大部分的函数都是分布
故$<e^{2\pi iax},\phi >={\int }_{-\infty }^{\infty }{e}^{2\pi iax}\phi (x)dx$是有意义的
把测试函数看做$s$，那么
$$①\phi \in s,\mathcal{F}\phi \in s,{\mathcal{F}}^{-1}\phi \in s$$
$$\begin{gathered} ②\mathcal{F}{\mathcal{F}}^{-1}\phi =\phi \\ {\mathcal{F}}^{-1}\mathcal{F}=\phi \end{gathered}$$
与之对应的分布，通常也称为缓增广义函数
如果$T$是一个缓增广义函数，则通过傅里叶变换，变成另一个缓增广义函数
我们现在需要定义$<\mathcal{F}T,\phi >$
假设，所有性质都很好地满足,则
$$\begin{array}{rl}<\mathcal{F}T,f>& ={\int }_{-\infty }^{\infty }\mathcal{F}T(x)f(x)dx\\ & ={\int }_{-\infty }^{\infty }{\int }_{-\infty }^{\infty }{e}^{-2\pi ixy}f(x)dxT(y)dy\\ & ={\int }_{-\infty }^{\infty }\mathcal{F}f(y)T(y)dy\\ & =<T,\mathcal{F}f>\end{array}$$
所以定义$<\mathcal{F}T,\phi >=<T,\mathcal{F}\phi >$
同样定义$<{\mathcal{F}}^{-1}T,\phi >=<T,{\mathcal{F}}^{-1}\phi >$
容易证明这样定义是合理的，即$<\mathcal{F}{\mathcal{F}}^{-1}T,\phi >=<T,\phi >$,$<{\mathcal{F}}^{-1}\mathcal{F}T,\phi >=<T,\phi >$

根据定义
$$<\mathcal{F}\delta ,\phi >=<\delta ,\mathcal{F}\phi >=\mathcal{F}\phi (0)={\int }_{-\infty }^{\infty }1\phi (x)dx=<1,\phi >$$
故(频域分散，时域聚集)
$$\mathcal{F}\delta =1$$
同样
$$\mathcal{F}{\delta }_a=e^{-2\pi iax}$$
$$\mathcal{F}{e}^{-2\pi iax}={\delta }_a$$

而由$\cos (2\pi ax)=\frac{1}{2}(e^{2\pi iax}+e^{-2\pi iax})$，得
$$\mathcal{F}\cos (2\pi ax)=\frac{1}{2}({\delta }_a+{\delta }_{-a})$$
必须证明这和原来的是不矛盾的

分布的导数和卷积

$$<T^{\prime },\phi >=?$$
如果$T$由一个函数给出
$$\begin{array}{rl}<T^{\prime },\phi >& ={\int }_{-\infty }^{\infty }{T}^{\prime }(x)\phi (x)dx\\ & =[T(x)\phi (x)]{|}_{-\infty }^{\infty }-{\int }_{-\infty }^{\infty }T(x){\phi }^{\prime }(x)dx\\ & =-{\int }_{-\infty }^{\infty }T(x){\phi }^{\prime }(x)dx\\ & =-<T,{\phi }^{\prime }>\end{array}$$
把它作为定义
$$<T^{\prime },\phi >=-<T,{\phi }^{\prime }>$$

Example: (跳跃函数Heaviside函数)
$$u(x)=\{\begin{array}{ll}1,& x>0\\ 0,& x\le 0\end{array}$$
$$\begin{array}{rl}<u^{\prime },\phi >& =-<u,{\phi }^{\prime }>=-{\int }_{-\infty }^{\infty }ux(x){\phi }^{\prime }(x)dx\\ & =-{\int }_0^{\infty }{\phi }^{\prime }(x)dx=-\phi (x){|}_0^{\infty }=<\delta ,\phi >\end{array}$$
所以$u^{\prime }=\delta$
同理得到
$$signx=\{\begin{array}{ll}1,& x>0\\ 0,& x=0\\ -1,& x<0\end{array}$$
$$sig{n}^{\prime }=2\delta$$
傅里叶变换的导数和导数的傅里叶变换
$(\mathcal{F}T{)}^{\prime }=\mathcal{F}(-2\pi itT)$
$\mathcal{F}(T^{\prime })=2\pi is\mathcal{F}T$
$$\begin{array}{rl}<(\mathcal{F}T{)}^{\prime },\phi >& =-<\mathcal{F}T,{\phi }^{\prime }>=-<T,\mathcal{F}{\phi }^{\prime }>\\ & =-<T,2\pi it\mathcal{F}\phi >=<-2\pi itT,\mathcal{F}\phi >=<\mathcal{F}(-2\pi itT),\phi >\end{array}$$
$$\begin{array}{rl}<\mathcal{F}(T^{\prime }),\phi >& =<T^{\prime },\mathcal{F}\phi >=-<T,(\mathcal{F}\phi {)}^{\prime }>\\ & =-<T,\mathcal{F}(-2\pi is\phi )>=<2\pi is\mathcal{F}T,\phi >\end{array}$$

利用这个来找$sgnx$的傅里叶变换，由于$sg{n}^{\prime }=2\delta$
$$\mathcal{F}(sg{n}^{\prime })=2\delta =2$$
另外有
$$\mathcal{F}(sg{n}^{\prime })=2\pi is\mathcal{F}(sgn)$$
故
$$\mathcal{F}(sgn)=\frac{2}{2\pi is}=\frac{1}{\pi is}$$

需要注意的是，如果$S,T$都是分布，那么$ST$是没有定义的。特殊情况是当$f$为函数(满足一定条件，使得$f\phi \in s$)，$<fT,\phi >=<T,f\phi >$

例子
$$<f\delta ,\phi >=<\delta ,f\phi >=f(0)\phi (0)=<f(0)\delta ,\phi >$$
即
$$f\delta =f(0)\delta$$
同理
$$f{\delta }_a=f(a){\delta }_a$$
这是$\delta$的采样性质

如果$T,S$是分布，如何定义卷积(必须对分布进行限制，不知所有都有定义)
以下许多情况下是可以的
$f\ast T$,当$f$作为一个函数，并且卷积定理成立
$$\mathcal{F}(f\ast T)=(\mathcal{F}f)(\mathcal{F}T)$$
一个特例，当$T=\delta$(根据卷积定理和前面的结果有)
$$f\ast \delta =f$$
$$(f\ast {\delta }_a)(x)=f(x-a)$$
$\delta$的缩放性质，$\delta (ax)$定义为?
当$a>0$，$$\begin{array}{rl}<\delta (ax),\phi (x)>& ={\int }_{-\infty }^{\infty }\delta (ax)\phi (x)dx=\frac{1}{a}{\int }_{-\infty }^{\infty }\delta (u)\phi (\frac{u}{a})du\\ & =<\delta ,\frac{1}{a}\phi (\frac{x}{a})>=\frac{1}{a}\phi (0)=\frac{1}{a}<\delta ,\phi >\end{array}$$
当$a<0$同理$<\delta (ax),\phi (x)>=-\frac{1}{a}<\delta ,\phi >$
所以$$<\delta (ax),\phi (x)>=\frac{1}{|a|}<\delta ,\phi >$$

傅里叶变换与衍射(diffraction)

衍射是光的一种现象
透过过光阑或者小孔。光来自远处光源，光偷过光屏（光屏上有一些小孔），在远处有一接受屏，可以看到衍射现象
假设光是震荡的电磁场，并假设为单色光，衍射图形和光接收屏的位置有关
两种衍射$\{\begin{array}{l}近场衍射：菲涅尔衍射\\ 远场衍射：夫琅禾费衍射\end{array}$
下面介绍夫琅禾费衍射

光波可以表示为$E{e}^{2\pi i\nu t}$,$E$为衍射屏上（光栅）的电场强度$\nu$为频率
假设$E$为常数，接受屏上一点$p$的电场强度怎么表示？不同光沿不同的路径到达同一点$p$，会产生怎样的叠加
波阵面上的各点，可以看做新的光源（惠更斯Huygens原理）

如图，$x$点处的场强大小为$dx$处的场强$E_0{e}^{2\pi i\nu t}dx$(一点的场强)
$x$点的光，到$p$(经过距离为$r$)，相位改变多少（经过多少周期）
$\lambda$为波长，那么经过了$\frac{r}{\lambda }$个周期，改变相位为$\frac{2\pi r}{\lambda }$，所以$x$点的电磁场到$p$点处的电场为$$dE=E_0{e}^{2\pi i\nu t}{e}^{-2\pi ir/\lambda }dx$$
总电场为
$$E=\int E_0{e}^{2\pi i\nu t}{e}^{-2\pi ir/\lambda }dx=E_0{e}^{2\pi i\nu t}\int e^{-2\pi ir/\lambda }dx$$
实际上看到的场强是$|E|$
引入Fraunhofer近似，假设$r\gg x$
$$r_0-x\sin \theta \approx r$$
代入积分得到
$$\begin{array}{rl}E& =E_0{e}^{2\pi i\nu t}\int e^{-2\pi i(r_0-x\sin \theta )/\lambda }dx\\ & =E_0{e}^{2\pi i\nu t}{e}^{-2\pi i{r}_0/\lambda }\int e^{2\pi ix\sin \theta /\lambda }dx\end{array}$$
令$p=\sin \theta /\lambda$，积分变为
$$E_0{e}^{2\pi i\nu t}{e}^{-2\pi i{r}_0/\lambda }{\int }_{aperture}{e}^{2\pi ipx}dx$$
引入孔径函数$$A(x)=\{\begin{array}{l}1,x\in aperture\\ 0,x\notin aperture\end{array}$$
后边的积分可以写成$${\int }_{-\infty }^{\infty }{e}^{2\pi ixp}A(x)dx={\mathcal{F}}^{-1}A(p)$$
在物理学上记为$\mathcal{F}A(p)$而不是${\mathcal{F}}^{-1}A(p)$(因为物理学上傅里叶和这里的相反)
结果就是说，远场衍射电场强度是孔径函数傅里叶变换的幅值

Example
a slit（狭缝），宽度为$a$写成${\Pi }_a(x)$
接受屏的光强为$$asinc\left(\frac{a\sin \theta }{\lambda }\right)=asinc(ap)$$ $$p=\frac{\sin \theta }{\lambda }$$
如果光阑尾一个点光源，则狭缝变为$\delta$，接收屏是均匀亮度。这是对$\delta$傅里叶变换的物理实验解释

另一个实验室杨氏双缝干涉实验（Young’s double-slit experiment）
孔径函数为$$A(x）={\Pi }_a\left(x-\frac{b}{2}\right)+{\Pi }_a\left(x+\frac{b}{2}\right)$$
其傅里叶变换为
$$a\left(sinc(ap)\right)2\cos (\pi bp),p=\frac{\sin \theta }{\lambda }$$

晶体成像

X射线1895年由伦琴（Roentgen）发现，它是波吗？ 如果是，那么波长为10.8cm，太短，不好测量
晶体结构有原子结构组成，排列成晶格，劳厄(Max Von Laue)1912年做了一系列实验
他假设
1)X射线为波，可以进行衍射
2)晶体具有周期原子结构
3)原子间距和X射线波长相比拟

考虑一维的情况（一维晶体间距为p）

要研究晶体的电子云密度，晶体的电子云密度为单个原子电子密度的周期形式
$${\rho }_p(x)=\sum _{k=-\infty }^{\infty }\rho (x-kp)$$
晶体的衍射条纹是由$\mathcal{F}{\rho }_p$决定的，将${\rho }_p(x)$写成卷积
$$\rho (x-kp)=\rho (x)\ast \delta (x-kp)$$
故
$$\begin{gathered} {\rho }_p(x)=\sum _{k=-\infty }^{\infty }\rho (x)\ast \delta (x-kp) \\ =\rho (x)\ast \sum _{k=-\infty }^{\infty }\delta (x-kp) \end{gathered}$$
使用(间隔为$p$的$Ш$(Shah)函数)$${Ш}_p(x)=\sum _{k=-\infty }^{\infty }\delta (x-kp)$$

故
$${\rho }_p(x)=\rho (x)\ast {Ш}_p(x)$$
$$\mathcal{F}{\rho }_p=(\mathcal{F}p)(\mathcal{F}{Ш}_p)$$
问题是$\mathcal{F}{Ш}_p=?$

让$p=1$，$Ш(x)={\sum }_{k=-\infty }^{\infty }\delta (x-k)$，这是一个有意义的分布，为什么
因为$<Ш,\phi >={\sum }_{k=-\infty }^{\infty }\phi (k)$收敛，所以$\mathcal{F}Ш$也有意义
$$\mathcal{F}Ш=\sum _{k=-\infty }^{\infty }\mathcal{F}(\delta (x-k))=\sum _{k=-\infty }^{\infty }{e}^{-2\pi iks}$$
不符合一般的收敛，但对于分布仍然有意义

$$<\mathcal{F}Ш,\phi >=<Ш,\mathcal{F}\phi >=\sum _{k=-\infty }^{\infty }\mathcal{F}\phi (k)$$
引入泊松（poison）求和公式(后面证明)。$\phi$为速将函数，则
$$\sum _{k=-\infty }^{\infty }\phi (k)=\sum _{k=-\infty }^{\infty }\mathcal{F}\phi (k)$$
用这个来推导$\mathcal{F}Ш$

$$<\mathcal{F}Ш,\phi >=<Ш,\mathcal{F}\phi >=\sum _{k=-\infty }^{\infty }\mathcal{F}\phi (k)=\sum _{k=-\infty }^{\infty }\phi (k)=<Ш,\phi >$$
那么$\mathcal{F}{Ш}_p=?$
$$\begin{array}{rl}{Ш}_p(x)& =\sum _{k=-\infty }^{\infty }\delta (x-kp)=\sum _{k=-\infty }^{\infty }\delta \left(p\left(\frac{x}{p}\right)-k\right)\\ & =\frac{1}{p}\sum _{k=-\infty }^{\infty }\delta \left(\frac{x}{p}-k\right)=\frac{1}{p}Ш\left(\frac{x}{p}\right)\end{array}$$

$$\mathcal{F}{Ш}_p=\frac{1}{p}\mathcal{F}\left[Ш\left(\frac{x}{p}\right)\right]=\frac{1}{p}p(\mathcal{F}Ш)(px)=Ш(px)$$
$$Ш(px)=\sum _{k=-\infty }^{\infty }\delta (px-k)=\frac{1}{p}\sum _{k=-\infty }^{\infty }\delta (x-\frac{k}{p})=\frac{1}{p}{Ш}_{\frac{1}{p}}(x)$$
即$$\mathcal{F}{Ш}_p=\frac{1}{p}{Ш}_{\frac{1}{p}}(x)$$

泊松(poison)等式的证明，
$$\sum _{k=-\infty }^{\infty }\phi (k)=\sum _{k=-\infty }^{\infty }\mathcal{F}\phi (k)$$
证明：
将$\phi$周期延拓（变成周期为1）
$$\Phi (x)=\sum _{k=-\infty }^{\infty }\phi (x-k)$$
一方面
$$\Phi (0)=\sum _{k=-\infty }^{\infty }\phi (-k)=\sum _{k=-\infty }^{\infty }\phi (k)$$
另一方面，展开成傅里叶级数
$$\Phi (x)=\sum _{k=-\infty }^{\infty }\hat{\Phi }(k)e^{2\pi ikx}$$
$$\hat{\Phi }(k)=\mathcal{F}\phi (k)$$
故$$\Phi (x)=\sum _{k=-\infty }^{\infty }\mathcal{F}\phi (k)e^{2\pi ikx}$$
得到
$$\Phi (0)=\sum _{k=-\infty }^{\infty }\mathcal{F}\phi (k)$$
因此poison等式成立

回头来看晶体
$${\rho }_p(x)=\rho (x)\ast {Ш}_p(x)$$
$$\begin{array}{rl}\mathcal{F}{\rho }_p& =\left(\mathcal{F}\rho \right)\left(\frac{1}{p}{Ш}_{\frac{1}{p}}\right)\\ & =\frac{1}{p}\mathcal{F}\rho (x)\sum _{k=-\infty }^{\infty }\delta \left(x-\frac{k}{p}\right)\\ & =\frac{1}{p}\sum _{k=-\infty }^{\infty }\rho (x)\delta \left(x-\frac{k}{p}\right)\\ & =\frac{1}{p}\sum _{k=-\infty }^{\infty }\rho \left(\frac{k}{p}\right)\delta \left(x-\frac{k}{p}\right)\end{array}$$
测量这些间隔，它和原子距离成反比

采样于差值 sampling and interpolation

一些性质（关于$Ш$）
1)采样性质
$$f(x){Ш}_p(x)=\sum _{k=-\infty }^{\infty }f(kp)\delta (x-kp)$$
2)卷积性质
$$\left(f\ast {Ш}_p\right)(x)=\sum _{k=-\infty }^{\infty }f(x-kp)$$
3)傅里叶变换性质
$$\mathcal{F}{Ш}_p=\frac{1}{p}{Ш}_{\frac{1}{p}}$$
$${\mathcal{F}}^{-1}{Ш}_p=\frac{1}{p}{Ш}_{\frac{1}{p}}$$

建立内插值问题
我们需要对一组离散数据进行插值，需要一些假设
在相等时间间隔内进行采样，很多种插值的可能（或拟合），拐弯越多，越不可能
一种比较好的方法
假设：把高于某个值的频率去掉，把注意力投向满足这种性质的函数上
对于一个有限带宽函数$f(t)$,如果当$|s|>\ge p/2$ ,$\mathcal{F}f(s）=0$,对于某个$p$成立
最小的值$p$称为带宽（傅里叶变换是对称的）
对于有限带宽信号，可以完全解决内差值问题
根据测量值或采样值就可以得到函数的公式，用$(t_k)$表示采样值，$Ш$函数的三个性质是推导的基础
如果原函数频谱为带宽$p$，通过卷积将其周期化
$$\mathcal{F}f\ast {Ш}_p$$
为了得到原函数的变换
$${\Pi }_p(\mathcal{F}f\ast {Ш}_p)=\mathcal{F}f$$
进行反变换，得
$$\begin{array}{rl}f(t)& ={\mathcal{F}}^{-1}\left({\Pi }_p(\mathcal{F}f\ast {Ш}_p)\right)\\ & =({\mathcal{F}}^{-1}{\Pi }_p)\ast {\mathcal{F}}^{-1}(\mathcal{F}f\ast {Ш}_p)\\ & =psinc(pt)\ast \left[(f)\left(\frac{1}{p}{Ш}_{\frac{1}{p}}\right)\right]\end{array}$$
后面部分
$$\frac{1}{p}f{Ш}_{\frac{1}{p}}(t)=\frac{1}{p}f(t)\sum _{k=-\infty }^{\infty }\delta \left(t-\frac{k}{p}\right)=\frac{1}{p}\sum _{k=-\infty }^{\infty }f\left(\frac{k}{p}\right)\delta \left(t-\frac{k}{p}\right)$$
则得
$$\begin{array}{rl}f(t)& =psinc(pt)\ast \left(\frac{1}{p}\sum _{k=-\infty }^{\infty }f\left(\frac{k}{p}\right)\delta \left(t-\frac{k}{p}\right)\right)\\ & =sinc(pt)\ast \left(\sum _{k=-\infty }^{\infty }f\left(\frac{k}{p}\right)\delta \left(t-\frac{k}{p}\right)\right)\\ & =\sum _{k=-\infty }^{\infty }f\left(\frac{k}{p}\right)sinc(pt)\ast \delta \left(t-\frac{k}{p}\right)(卷积线性性质)\\ & =\sum _{k=-\infty }^{\infty }f\left(\frac{k}{p}\right)sinc\left(p\left(t-\frac{k}{p}\right)\right)\\ & =\sum _{k=-\infty }^{\infty }f\left(\frac{k}{p}\right)sinc\left(pt-k\right)\end{array}$$

这叫采样定理，也叫香农采样公式(Shannon sampling theorem)或者叫惠特克(Whittaker)采样公式
简单重述一遍
当$\mathcal{F}f(s)=0,|s|\ge \frac{p}{2}$，即可得到
$$\mathcal{F}f={\Pi }_p(\mathcal{F}f\ast {Ш}_p)$$
$$f(t)=\sum _{k=-\infty }^{\infty }f\left(\frac{k}{p}\right)sinc\left(pt-k\right)$$
就是说，频域中的周期化，转化成了时域中的采样$k/p$为采样点，称$p$为采样速率
p（每秒采样p次）
可以称为奈奎斯特（Nyquist）速率，p能够改变，仍然成立(p变得更大依然成立)，如果p降低，结构就不正确，因为频谱重叠。插值依靠无限点，对于实际应用则采光近似，当然有误差

一个信号不可能同时在频域和时域都受限制，即不可能都是紧集
证明：
$\mathcal{F}f(s)\equiv 0,|s|\ge \frac{p}{2}$，那么$f(t)̸\equiv 0,\forall t>|T|$
因为
$$\mathcal{F}f={\Pi }_p(\mathcal{F}f)$$
$$\begin{gathered} f(t)={\mathcal{F}}^{-1}\mathcal{F}f=psinc(pt)\ast f(t) \\ =p{\int }_{-\infty }^{\infty }sinc(pt-px)f(x)dx \end{gathered}$$
因为$sinc$无限长，故不能为0

接下来探讨混叠和插值关系
$f(t)$受限，$\mathcal{F}f(s)=0,|s|\ge p/2,\mathcal{F}f\equiv {\Pi }_p(\mathcal{F}f\ast {Ш}_p)$
如果采样速率$p$取得太小，可以构造$\mathcal{F}f\ast {Ш}_p$，但会产生重叠
记$g$为采样速率过小，得到的原函数
$$g(t)=\sum _{k=-\infty }^{\infty }f\left(\frac{k}{p^{\prime }}\right)sinc\left(p^{\prime }\left(t-\frac{k}{p^{\prime }}\right)\right)$$
$g$和$f$虽然不相等，但是$g\left(\frac{k}{p^{\prime }}\right)=f\left(\frac{k}{p^{\prime }}\right)$
因为
$$g\left(\frac{m}{p^{\prime }}\right)=\sum _{k=-\infty }^{\infty }f\left(\frac{k}{p^{\prime }}\right)sinc(m-k)$$
而
$$sinc(m-k)=\{\begin{array}{l}0,m̸=k\\ 1,m=k\end{array}$$
所以$$g\left(\frac{k}{p^{\prime }}\right)=f\left(\frac{k}{p^{\prime }}\right)$$
说$g$为$f$的混叠
Example
$f(t)=\cos (\frac{9\pi }{2}t)$
$$\mathcal{F}f=\frac{1}{2}\left(\delta \left(s+\frac{9}{4}\right)+\delta \left(s-\frac{9}{4}\right)\right)$$
要取$p>\frac{9}{2}$才能 与${Ш}_p$卷积不重叠,如果$p$太小，比如$p=1$
那么$$\begin{array}{rl}{\Pi }_1\left(\mathcal{F}f\ast {Ш}_1\right)& ={\Pi }_1\left(\frac{1}{2}\left(\delta \left(s+\frac{9}{4}\right)+\delta \left(s-\frac{9}{4}\right)\right)\ast {Ш}_1\right)\\ & =\frac{1}{2}\left(\delta \left(s+\frac{1}{4}\right)+\delta \left(s-\frac{1}{4}\right)\right)\end{array}$$
做逆变换$$\begin{array}{rl}{\mathcal{F}}^{-1}{\Pi }_1\left(\mathcal{F}f\ast {Ш}_1\right)& =\frac{1}{2}{\mathcal{F}}^{-1}\left(\delta \left(s+\frac{1}{4}\right)+\delta \left(s-\frac{1}{4}\right)\right)\\ & =\cos \left(\frac{\pi t}{2}\right)\end{array}$$
当$t\in \mathbb{Z}$时，$\cos \left(\frac{\pi t}{2}\right)=\cos \left(\frac{9}{4}\pi t\right)$

音乐上的采样，离散变换

人类大概能听上限为20000Hz的声音。采样频率超过$40000Hz$的速率的声音，人就分不出差别。实际上CD的采样速率为$44.1kHz>40000Hz$
混叠（低频成分变成高频成分，高频变低频的重叠）

从连续向离散DFT（离散傅里叶变换）过度
三部分
$f(t)$是连续的
1)合理的离散逼近$f(t)$
2)合理的离散啊傅里叶变换
3)找到一种从$f$的离散形式到傅里叶变换的离散变换
将它建立在采样的"换用"上
做一些假设
$f(t)$有限，限制在$0\le t\le L$
$\mathcal{F}f(s)$限制在$0\le s\le 2B$(之所以是2B而不是B是为了索引方便)
区间外的值忽略不计
为了得到一个可靠的近似（离散近似），以$\frac{1}{2B}$的间隔进行采样（频率为2B）
取采样点为$N=2BL$,样本$t_0=0,t_1=\frac{1}{2B},\cdots ,t_{N-1}=\frac{N-1}{2B}$,共N个点
采样结果为
$$f_{discrete}=f(t)\sum _{k=0}^{N-1}\delta (t-t_k)=\sum _{k=0}^{N-1}f(t_k)\delta (t-t_k)$$
它的傅里叶变换是
$$\mathcal{F}{f}_{discrete}=\sum _{k=0}^{N-1}f(t_k)e^{-2\pi is{t}_k}$$
仍为连续函数，怎么得到离散点。怎样在频域采样
对频域以$\frac{1}{L}$的间隔采样，共$2BL=N$个点
$$s_0=0,s_1=\frac{1}{L},\cdots ,s_{N-1}=\frac{N-1}{L}$$
$$\begin{gathered} (\mathcal{F}{f}_{discrete})\sum _{k=0}^{N-1}\delta (s-s_k)=\left(\sum _{k=0}^{N-1}f(t_k)e^{-2\pi is{t}_k}\right)\left(\sum _{k=0}^{N-1}\delta (s-s_k)\right) \\ =\sum _{k,m=0}^{N-1}f(t_k)e^{-2\pi i{s}_m{t}_k}\delta (s-s_m) \end{gathered}$$
定这些值为
$$F(s_m)=\sum _{k=0}^{N-1}f(t_k)e^{-2\pi i{s}_m{t}_k},m=0,\cdots ,N-1$$
把这些点，作为$\mathcal{F}f$的近似，准确来说是$\mathcal{F}{f}_{discrete}$的近似。
它也是连续傅里叶变换的离散形式(积分近似和归一化系数)，解释如下
首先依照傅里叶变换$$\mathcal{F}f(s){\int }_0^L{e}^{-2\pi ist}f(t)dt$$
也就有
$$\mathcal{F}f(s_m){\int }_0^L{e}^{-2\pi i{s}_{m}t}f(t)dt$$
利用积分的黎曼和近似
$$\begin{array}{rl}\mathcal{F}f(s_m)& ={\int }_0^L{e}^{-2\pi i{s}_{m}t}f(t)dt\approx \sum _{k=0}^{N-1}f(t_k)e^{-2\pi i{s}_m{t}_k}\Delta t\\ & =\frac{1}{2B}\sum _{k=0}^{N-1}f(t_k)e^{-2\pi i{s}_m{t}_k}=\frac{1}{2B}F(s_m)\end{array}$$

为了方便，用索引代替变量 ，我们记
$$f=(f[0],\cdots ,f[N-1])$$
$$F=(F[0],\cdots ,F[N-1])$$

回顾连续的情况，时域和频域的情况，一个分散，另一个就聚集，反之亦然。在离散的情况，也是类似的。N个抽样点$t_0,\cdots ,t_{N-1}$,间隔为$\Delta t$
同样在时域$s_0,\cdots ,s_{N-1}$间隔为$\Delta s$
$$\{\begin{array}{l}N\Delta t=L\\ N\Delta s=2B\\ 2BL=N\end{array}\Rightarrow \Delta t\Delta s=\frac{1}{N}$$
如果采样时确定$\Delta t$和$N$，么$\Delta s$也就确定了。即频域的分辨率的精度确定，好坏由$\Delta t$和$N$确定
我们让离散情况的公式与连续的情况相似
将展示复指数也源于离散信号（复指数向量）
记
$$\omega =(1,e^{2\pi i/N},e^{2\pi i2/N},\cdots ,e^{2\pi i(N-1)/N}),\omega [m]=e^{2\pi im/N}$$
定义$\omega$的幂次
$${\omega }^n=(1,e^{2\pi in/N},e^{2\pi i2n/N},\cdots ,e^{2\pi in(N-1)/N})$$
我们可以把DFT记为
$$\mathcal{F}f[m]=\sum _{n=1}^{N-1}f[n]{\omega }^{-n}[m]$$
或者
$$\mathcal{F}f=\sum _{n=1}^{N-1}f[n]{\omega }^{-n}$$

有些需要注意
1)输入和输出的周期（后面介绍）
  连续和离散的情况还是要注意的。DFT的定义迫使我们把输入$f$和输出$F$不仅作为$0-N$的离散数值，而是周期为N的离散函数。这是因为$\omega$本身是周期为N的复向量
2)离散复指数的正交性
  如果$k̸=l$，则${\omega }^k$和${\omega }^l$正交
$$\begin{array}{rl}{\omega }^k\cdot {\omega }^l& =\sum _{n=0}^{N-1}{\omega }^k[n]\overline{{\omega }^l[n]}\\ & =\sum _{n=0}^{N-1}{e}^{2\pi ikn/N}{e}^{-2\pi iln/N}\\ & =\sum _{n=0}^{N-1}{e}^{2\pi i(k-l)n/N}\\ & =\frac{1-{\left(e^{2\pi i(k-l)/N}\right)}^N}{1-e^{2\pi i(k-l)/N}}\\ & =0\end{array}$$

$|{\omega }^k{|}^2=N$，不是标准正交的，许多公式引入$N$和$\frac{1}{N}$就是因为这个

DFT逆变换
$${\mathcal{F}}^{-1}F=\frac{1}{N}\sum _{n=0}^{N-1}f[n]{\omega }^n$$

必须证明$$\mathcal{F}{\mathcal{F}}^{-1}f=f,{\mathcal{F}}^{-1}\mathcal{F}f=f$$
直接利用对应的公式代入就可以证明

离散傅里叶变换及其性质

将离散和连续的情况联系（不同的地方比相同的要少）
特殊情形
$$\mathcal{F}f[0]=\sum _{n=0}^{N-1}f[k]{\omega }^{-n}[0]=\sum _{n=0}^{N-1}f[k]$$
$$\mathcal{F}f(0)={\int }_{-\infty }^{\infty }f(t)dt$$
两个特殊信号
  一个是$1=(1,\cdots ,1)$
  另一个是离散$\delta$函数${\delta }_0=(1,0,\cdots ,0)$,${\delta }_k=(0,\cdots ,1,0,\cdots ,1)$第k个位置为1
$$\mathcal{F}{\delta }_0=\sum _{n=0}^{N-1}{\delta }_0[n]{\omega }^{-n}=(1,1,\cdots ,1)=1$$
和 连续的情形一样，同样
$$\mathcal{F}{\delta }_k=\sum _{n=0}^{N-1}{\delta }_k[n]{\omega }^{-n}={\omega }^{-k}$$
$$\mathcal{F}{\omega }^k=N{\delta }_k$$
和连续的差了一个系数N
从稍微不同的角度了解DFT。将DFT看做一个矩阵矩阵变换，即乘以一个矩阵
$$\mathcal{F}f]n]=\sum _{n=0}^{N-1}f[n]{\omega }^{-n}[m]$$
写成矩阵形式为
$$\left[\begin{array}{c}\mathcal{F}f[0]\\ \mathcal{F}f[1]\\ ⋮\\ \mathcal{F}f[N-1]\end{array}\right]=\left[\begin{array}{ccccc}& 1& 1& \cdots & 1\\ & 1& {\omega }^{-1}& \cdots & {\omega }^{-(N-1)}\\ & ⋮& ⋮& \ddots & ⋮\\ & 1& {\omega }^{-(N_1)}& \cdots & {\omega }^{-(N-1)(N-1)}\end{array}\right]\left[\begin{array}{c}f[0]\\ ⋮\\ f[N-1]\end{array}\right]$$
$${\mathcal{F}}^H\mathcal{F}=\mathcal{F}{\mathcal{F}}^H=NI$$
所以$${\mathcal{F}}^{-1}=\frac{1}{N}{\mathcal{F}}^H$$
计算需要$O(N^2)$次运算。有没有更快的算法？ 有的，那就是FFT（后面讨论）

讨论DFT的性质
必须考虑DFT 的输入和输出具有周期N，这是由于$\omega$的周期性。因为可以看成一系列$\omega$的次数相加（线性组合），在连续情况下是没有限制的
①周期性简单但有用的结果是索引的独立性（即无需考虑索引），从哪个位置开始都可以
②对偶性，定义反转信号$$f^{-}[n]=f[-n]$$
则
$$\mathcal{F}(f^{-})=(\mathcal{F}f{)}^{-}$$
$$\mathcal{F}\mathcal{F}f=N{f}^{-}$$
和连续不一样多了个N

FFT（Fast Fourier Transform）的主要思想

事实上存在一系列的FFT，针对不同的问题而设计
时间复杂度的降低$O(n^2)⟶O(nlogn)$
主要发觉DFT矩阵的特征（复指数的特征）
一种精就是将DFT矩阵鞋好吃呢跟另外一种一些列简单矩阵（有许多0）
通过原始公式推导
$$\mathcal{F}f[m]=\sum _{n=0}^{N-1}f[n]{\omega }^{-nm}$$
把和分成奇偶指数形式，是为了将一个N阶DFT写成两个N/2DFT的组合
①假设N为2的幂次（当不是的时候，有一些方法处理，比如0填充）
用$\omega [p,q]$表示$e^{2\pi iq/p}$
$$\omega [p,q_1+q_2]=\omega [p,q_1]+\omega [p,q_2]$$
$$\omega [N,-nm]={\omega }^{-nm}=e^{-2\pi inm/N}$$
$$\omega \left[\frac{N}{2},-nm\right]=e^{-2\pi inm/(N/2)}=\omega [N,-2nm]$$
$$\begin{array}{rl}\omega [N,-(2n+2)m]& =\omega [N,-2nm-m]\\ & =\omega [N,-2nm]\omega [N,-m]\\ & =\omega \left[\frac{N}{2},-nm\right]\omega [N,-m]\end{array}$$
把这些代入原公式
$$\begin{array}{rl}\mathcal{F}f[m]& =\sum _{n=0}^{N-1}f[n]\omega [N,-nm]\\ & =(evenpart)+(oddpart)\\ & =\sum _{n=0}^{\frac{N}{2}-1}f[2n]\omega [N,-2nm]+\sum _{n=0}^{\frac{N}{2}-1}f[2n+1]\omega [N,-(2n+1)m]\\ & =\sum _{n=0}^{\frac{N}{2}-1}f[2n]\omega \left[\frac{N}{2},-nm\right]+\sum _{n=0}^{\frac{N}{2}-1}f[2n+1]\omega \left[\frac{N}{2},-nm\right]\underset{independentofn}{\underbrace{\omega [N,-m]}}\\ & =\sum _{n=0}^{\frac{N}{2}-1}f[2n]\omega \left[\frac{N}{2},-nm\right]+\omega [N,-m]\sum _{n=0}^{\frac{N}{2}-1}f[2n+1]\omega \left[\frac{N}{2},-nm\right]\end{array}$$
最后式子可以看成两部分分别做傅里叶变换
到这里还不能减少计算量，通过分析发现前$N/2$项和后$N/2$项重复计算
当$m\le \frac{N}{2}-1$
$${\mathcal{F}}_{N}f[m]={\mathcal{F}}_{N/2}{f}_{even}[m]+\omega [N,-m]{\mathcal{F}}_{N/2}{f}_{odd}[m]$$
当$m>\frac{N}{2}-1$，记为$m+\frac{N}{2}$
$$\begin{array}{rl}{\mathcal{F}}_{N}f\left[m+\frac{N}{2}\right]& =\sum _{n=0}^{\frac{N}{2}-1}f[2n]\omega \left[\frac{N}{2},-n\left(m+\frac{N}{2}\right)\right]\\ & +\omega \left[N,-\left(m+\frac{N}{2}\right)\right]\sum _{n=0}^{\frac{N}{2}-1}f[2n+1]\omega \left[\frac{N}{2},-n\left(m+\frac{N}{2}\right)\right]\end{array}$$
而由于$\omega \left[\frac{N}{2},-\left(\frac{-nN}{2}\right)\right]=1$，以及
$$\omega \left[N,-n\left(m+\frac{N}{2}\right)\right]=-\omega [N,-m]$$
得到
$${\mathcal{F}}_{N}f\left[m+\frac{N}{2}\right]=\sum _{n=0}^{\frac{N}{2}-1}f[2n]\omega \left[\frac{N}{2},-nm\right]-\omega [N,-m]\sum _{n=0}^{\frac{N}{2}-1}f[2n+1]\left[\frac{N}{2},-nm\right]$$
也就是$${\mathcal{F}}_{N}f\left[m+\frac{N}{2}\right]={\mathcal{F}}_{N/2}{f}_{even}[m]-\omega [N,-m]{\mathcal{F}}_{N/2}{f}_{odd}[m]$$