斯坦福EE261
目录
- 预备内容:
- 周期性:三角函数表示复杂函数
- 将一般周期函数表为简单周期函数和
- 应用(热方程)
- 傅里叶变换(周期现象到非周期现象)
- 傅里叶变换符号
- 高斯函数
- 对偶性(傅里叶变换的对偶性质)
- 三个重要问题:时延(delays),时域尺度变换,卷积
- 卷积核中心极限定理(conbolution and the Central Limit Theorem,CLT)
- 讨论积分收敛问题
- 傅里叶变换扩展(重新定义傅里叶变换,广义傅里叶变换)
- 分布的导数和卷积
- 傅里叶变换与衍射(diffraction)
- 晶体成像
- 采样于差值 sampling and interpolation
- 音乐上的采样,离散变换
- 离散傅里叶变换及其性质
- FFT(Fast Fourier Transform)的主要思想
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
∑
k
=
1
N
A
k
sin
(
s
π
k
t
+
φ
k
)
\sum_{k=1}^N A_k \sin(s\pi k t + \varphi_k)
k=1∑NAksin(sπkt+φk)
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
∑
k
=
1
N
a
k
sin
2
π
k
t
+
b
k
cos
2
π
k
t
\sum_{k=1}^N a_k \sin 2\pi kt +b_k \cos 2\pi kt
k=1∑Naksin2πkt+bkcos2πkt
再加一个常数
a
0
2
+
∑
k
=
1
N
a
k
sin
2
π
k
t
+
b
k
cos
2
π
k
t
\frac{a_0}{2}+\sum_{k=1}^N a_k \sin 2\pi kt +b_k \cos 2\pi kt
2a0+k=1∑Naksin2πkt+bkcos2πkt
由
e
2
π
i
k
t
=
cos
2
π
k
t
+
i
sin
2
π
k
t
e^{2\pi i kt} = \cos 2\pi kt + i \sin 2\pi kt
e2πikt=cos2πkt+isin2πkt得
cos
2
π
k
t
=
e
2
π
i
k
t
+
e
−
2
π
i
k
t
2
sin
2
π
k
t
=
e
2
π
i
k
t
−
e
−
2
π
i
k
t
2
i
\cos 2\pi kt = \frac{e^{2\pi i kt} + e^{-2\pi i kt}}{2}\\ \sin 2\pi kt = \frac{e^{2\pi i kt} - e^{-2\pi i kt}}{2i}
cos2πkt=2e2πikt+e−2πiktsin2πkt=2ie2πikt−e−2πikt
得,和式可表示为(
c
k
c_k
ck为复数,满足对称性
c
−
k
=
c
k
‾
c_{-k} = \overline{c_k}
c−k=ck,因为结果为实数)
∑
k
=
−
N
N
c
k
e
2
π
i
k
t
\sum_{k = -N}^Nc_k e^{2\pi i kt}
k=−N∑Ncke2πikt
对于一个周期性为1的函数
f
(
t
)
f(t)
f(t),它能表示成
f
(
t
)
=
∑
k
=
−
n
n
c
k
e
2
π
i
k
t
f(t) = \sum_{k = -n}^nc_k e^{2\pi i kt}
f(t)=k=−n∑ncke2πikt
先不管为什么,我们假设等式成立,那么怎么求
c
k
c_k
ck,分离系数
c
m
e
2
π
i
m
t
=
f
(
t
)
−
∑
k
 
≠
m
e
2
π
i
k
t
c_m e^{2\pi i m t} = f(t) - \sum_{k \,\ne m} e^{2\pi i kt}
cme2πimt=f(t)−k̸=m∑e2πikt
两边乘
e
−
2
π
i
m
t
e^{-2\pi i m t}
e−2πimt,的
c
m
=
f
(
t
)
e
−
2
π
i
m
t
−
∑
k
 
≠
m
e
2
π
i
k
t
e
−
2
π
i
m
t
c_m = f(t)e^{-2\pi i m t} - \sum_{k \,\ne m} e^{2\pi i kt} e^{-2\pi i m t}
cm=f(t)e−2πimt−k̸=m∑e2πikte−2πimt
做积分(其实就是内积)
c
m
=
∫
0
1
c
m
d
t
=
∫
0
1
f
(
t
)
e
−
2
π
i
m
t
d
t
+
0
c_m = \int_0^1 c_m dt =\int_0^1 f(t)e^{-2\pi i m t} dt + 0
cm=∫01cmdt=∫01f(t)e−2πimtdt+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
f
^
(
k
)
=
∫
0
1
f
(
t
)
e
−
2
π
i
k
t
d
t
\hat{f}(k)=\int_0^1 f(t)e^{-2\pi i k t} dt
f^(k)=∫01f(t)e−2πiktdt表示
f
(
t
)
f(t)
f(t)的第
k
k
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
∑
−
∞
∞
f
(
t
)
e
2
π
i
k
t
\sum_{-\infty}^{\infty}f(t) e^{2\pi i kt}
−∞∑∞f(t)e2πikt
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
)
f(t)
f(t),为逐点收敛
如果
f
(
t
)
f(t)
f(t)可微,那么级数一致收敛到
f
(
t
)
f(t)
f(t)
对于不连续的情况,如果
t
0
t_0
t0为跳跃不连续点,那么它收敛于
1
2
(
f
(
t
0
+
)
+
f
(
t
0
−
)
)
\frac{1}{2}(f(t_0^+)+f(t_0^-))
21(f(t0+)+f(t0−))
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
>
=
∫
0
1
f
(
t
)
g
(
t
)
‾
d
t
\left<f,g\right>=\int_0^1 f(t) \overline{g(t)}dt
⟨f,g⟩=∫01f(t)g(t)dt
范数为
<
f
,
f
>
=
∥
f
∥
2
=
∫
0
1
f
(
t
)
f
(
t
)
‾
d
t
=
∫
0
1
∣
f
(
t
)
∣
2
d
t
\left<f,f \right>=\|f\|^2 =\int_0^1 f(t) \overline{f(t)}dt =\int_0^1 |f(t)|^2dt
⟨f,f⟩=∥f∥2=∫01f(t)f(t)dt=∫01∣f(t)∣2dt
可以证明
e
2
π
i
n
t
,
n
∈
Z
e^{2\pi i nt},n \in \mathbb{Z}
e2πint,n∈Z是
L
2
(
0
,
1
)
L^2(0,1)
L2(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):
∫
0
1
∣
f
∣
2
d
t
=
∑
−
∞
∞
∣
f
^
(
k
)
∣
2
\int_0^1 |f|^2 dt = \sum_{-\infty}^\infty |\hat{f}(k)|^2
∫01∣f∣2dt=−∞∑∞∣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
)
f(x)
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
)
u(x,t)
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
)
u(x+1,t) = u(x,t)
u(x+1,t)=u(x,t),对
x
x
x进行展开
u
(
x
,
t
)
=
∑
−
∞
∞
c
k
e
2
π
i
k
x
=
∑
−
∞
∞
c
k
(
t
)
e
2
π
i
k
x
u(x,t) = \sum_{-\infty}^\infty c_k e^{2\pi i kx} = \sum_{-\infty}^\infty c_k(t) e^{2\pi i kx}
u(x,t)=−∞∑∞cke2πikx=−∞∑∞ck(t)e2πikx
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
x
x
u_t = au_{xx}
ut=auxx(
a
a
a和物理特性有关),为了方便这里令
a
=
1
2
a=\frac{1}{2}
a=21
u
t
=
1
2
u
x
x
u_t = \frac{1}{2}u_{xx}
ut=21uxx
u
t
=
∑
−
∞
∞
c
k
′
(
t
)
e
2
π
i
k
x
u_t=\sum_{-\infty}^\infty c_k'(t) e^{2\pi i kx}
ut=−∞∑∞ck′(t)e2πikx
u
x
x
=
∑
−
∞
∞
c
k
(
t
)
(
2
π
i
k
)
2
e
2
π
i
k
x
u_{xx}=\sum_{-\infty}^\infty c_k(t) (2\pi i k)^2e^{2\pi i kx}
uxx=−∞∑∞ck(t)(2πik)2e2πikx
对应项相等,得到
c
k
′
(
t
)
=
−
1
2
c
k
(
t
)
(
4
π
2
k
2
)
c_k'(t)=-\frac{1}{2}c_k(t)(4\pi^2k^2)
ck′(t)=−21ck(t)(4π2k2)
即
c
k
′
(
t
)
=
−
2
π
2
k
2
c
k
(
t
)
c_k'(t) = -2\pi^2 k^2 c_k(t)
ck′(t)=−2π2k2ck(t)
这是一个ODE解为
c
k
(
t
)
=
c
k
(
0
)
e
−
2
π
2
k
2
t
c_k(t) = c_k(0)e^{-2\pi^2k^2t}
ck(t)=ck(0)e−2π2k2t
由
u
(
x
,
t
)
=
∑
−
∞
∞
c
k
(
t
)
e
2
π
i
k
x
u(x,t) = \sum_{-\infty}^\infty c_k(t) e^{2\pi i kx}
u(x,t)=−∞∑∞ck(t)e2πikx
令
t
=
0
t=0
t=0,
u
(
x
,
0
)
=
∑
−
∞
∞
c
k
(
0
)
e
2
π
i
k
x
u(x,0) = \sum_{-\infty}^\infty c_k(0) e^{2\pi i kx}
u(x,0)=−∞∑∞ck(0)e2πikx
也就是
f
(
x
)
=
u
(
x
,
0
)
=
∑
k
=
−
∞
∞
c
k
(
0
)
e
2
π
i
k
x
f(x) = u(x,0) = \sum_{k=-\infty}^\infty c_k(0) e^{2\pi i kx}
f(x)=u(x,0)=k=−∞∑∞ck(0)e2πikx
故
c
k
(
0
)
=
∫
f
(
x
)
e
−
2
π
i
k
x
d
x
=
f
^
(
k
)
c_k(0)=\int f(x) e^{-2\pi i k x}dx = \hat{f}(k)
ck(0)=∫f(x)e−2πikxdx=f^(k)
代入上面的,得到
u
(
x
,
t
)
=
∑
k
=
−
∞
∞
f
^
(
k
)
e
−
2
π
2
k
2
t
e
2
π
i
k
x
u(x,t) = \sum_{k=-\infty}^\infty \hat{f}(k) e^{-2\pi^2 k^2 t }e^{2\pi ikx}
u(x,t)=k=−∞∑∞f^(k)e−2π2k2te2πikx
以另一种方式写
f
^
(
k
)
=
∫
0
1
e
−
2
π
i
k
y
f
(
y
)
d
y
\hat{f}(k) = \int_0^1 e^{-2\pi i ky}f(y)dy
f^(k)=∫01e−2πikyf(y)dy
u
(
x
,
t
)
=
∑
k
=
−
∞
∞
c
k
(
t
)
e
2
π
i
k
x
=
∑
k
=
−
∞
∞
c
k
(
0
)
e
−
2
π
2
k
2
t
e
2
π
i
k
x
=
∑
k
=
−
∞
∞
∫
0
1
f
(
y
)
e
−
2
π
i
k
y
d
y
 
e
−
2
π
2
k
2
t
e
2
π
i
k
x
=
∫
0
1
(
∑
k
=
−
∞
∞
e
−
2
π
i
k
y
e
−
2
π
2
k
2
t
e
2
π
i
k
x
)
f
(
y
)
d
y
=
∫
0
1
(
e
2
π
i
k
(
x
−
y
)
e
−
2
π
2
k
2
t
)
f
(
y
)
d
y
\begin{aligned}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^2t} e^{2\pi ikx} \\ &= \sum_{k=-\infty}^\infty \int_0^1 f(y) e^{-2\pi i k y }dy \,e^{-2\pi^2 k^2t} e^{2\pi ikx}\\ &=\int_0^1\left(\sum_{k=-\infty}^\infty e^{-2\pi i k y }e^{-2\pi^2 k^2t} e^{2\pi ikx} \right) f(y) dy\\ &=\int_0^1\left(e^{2\pi i k(x - y)}e^{-2\pi^2 k ^2 t} \right) f(y) dy\end{aligned}
u(x,t)=k=−∞∑∞ck(t)e2πikx=k=−∞∑∞ck(0)e−2π2k2te2πikx=k=−∞∑∞∫01f(y)e−2πikydye−2π2k2te2πikx=∫01(k=−∞∑∞e−2πikye−2π2k2te2πikx)f(y)dy=∫01(e2πik(x−y)e−2π2k2t)f(y)dy
记
g
(
x
,
t
)
=
e
2
π
i
k
x
e
−
2
π
2
k
2
t
g(x,t)=e^{2\pi i kx}e^{-2\pi^2 k ^2 t}
g(x,t)=e2πikxe−2π2k2t
则
u
(
x
,
t
)
=
∫
0
1
g
(
x
−
y
,
t
)
f
(
y
)
d
y
u(x,t) = \int_0^1 g(x - y,t) f(y) dy
u(x,t)=∫01g(x−y,t)f(y)dy
这表达了
u
(
x
m
t
)
u(xmt)
u(xmt)是
f
(
x
)
f(x)
f(x)与热核函数
g
(
x
,
t
)
g(x,t)
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
→
∞
T\rightarrow \infty
T→∞)
傅里叶基为
e
2
π
i
k
(
t
/
T
)
e^{2\pi i k (t/T)}
e2πik(t/T),傅里叶级数为
f
(
t
)
=
∑
c
k
e
2
π
i
(
k
/
T
)
t
c
k
=
1
T
∫
0
1
e
−
2
π
i
(
k
/
T
)
t
f
(
t
)
d
t
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
f(t)=∑cke2πi(k/T)tck=T1∫01e−2πi(k/T)tf(t)dt
(缩放即可,然而为什么基完备这是另一个问题)
可写成
c
k
=
1
T
∫
−
T
2
T
2
e
−
2
π
i
(
k
/
T
)
t
f
(
t
)
d
t
c_k = \frac{1}{T} \int_{-\frac{T}{2}}^{\frac{T}{2}} e^{-2\pi i (k/T)t}f(t) dt
ck=T1∫−2T2Te−2πi(k/T)tf(t)dt
频谱Picture of frequency( spectrum)
它是对称的因为
c
c
c对称,周期为
T
T
T,则间隔为
1
T
\frac{1}{T}
T1
当
T
→
∞
T\rightarrow \infty
T→∞的时候,频谱变得连续。
不能直接让
T
→
∞
T\rightarrow \infty
T→∞得到傅里叶变换,因为当
T
→
∞
T\rightarrow \infty
T→∞时,由
c
k
=
1
T
∫
−
T
2
T
2
e
−
2
π
i
(
k
/
T
)
t
f
(
t
)
d
t
c_k = \frac{1}{T} \int_{-\frac{T}{2}}^{\frac{T}{2}} e^{-2\pi i (k/T)t}f(t) dt
ck=T1∫−2T2Te−2πi(k/T)tf(t)dt
计算的
c
k
c_k
ck趋于0
比如
f
(
t
)
f(t)
f(t)是一个只在[a,b]上不为0的函数,将其周期延
−
T
2
-\frac{T}{2}
−2T到
T
2
\frac{T}{2}
2T包含[a,b]即可)
我们计算
c
k
=
1
T
∫
−
T
2
T
2
e
−
2
π
i
(
k
/
T
)
t
f
(
t
)
d
t
=
1
T
∫
a
b
e
−
2
π
i
(
k
/
T
)
t
f
(
t
)
d
t
\begin{aligned}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{aligned}
ck=T1∫−2T2Te−2πi(k/T)tf(t)dt=T1∫abe−2πi(k/T)tf(t)dt
∣
c
k
∣
=
1
T
∣
∫
a
b
e
−
2
π
i
(
k
/
T
)
t
f
(
t
)
d
t
∣
≤
1
T
∫
a
b
∣
e
−
2
π
i
(
k
/
T
)
t
∣
∣
f
(
t
)
∣
d
t
≤
1
T
∫
a
b
∣
f
(
t
)
∣
d
t
≤
M
T
→
0
\begin{aligned}|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}\rightarrow 0 \end{aligned}
∣ck∣=T1∣∣∣∣∣∫abe−2πi(k/T)tf(t)dt∣∣∣∣∣≤T1∫ab∣∣∣e−2πi(k/T)t∣∣∣∣f(t)∣dt≤T1∫ab∣f(t)∣dt≤TM→0
这不能得到有用的结果,必须寻找其他途径
记线性算子
F
f
(
k
T
)
=
∫
−
T
2
T
2
e
−
2
π
i
(
k
/
T
)
t
f
(
t
)
d
t
\mathcal{F}f(\frac{k}{T})=\int_{-\frac{T}{2}}^{\frac{T}{2}}e^{-2\pi i (k/T)t}f(t) dt
Ff(Tk)=∫−2T2Te−2πi(k/T)tf(t)dt
则
f
(
t
)
=
∑
k
=
−
∞
∞
F
f
(
k
T
)
e
2
π
i
(
k
/
T
)
t
1
T
f(t) = \sum_{k = -\infty}^\infty\mathcal{F}f(\frac{k}{T}) e^{2\pi i (k/T)t}\frac{1}{T}
f(t)=k=−∞∑∞Ff(Tk)e2πi(k/T)tT1
当
T
→
∞
T\rightarrow \infty
T→∞时,
k
T
\frac{k}{T}
Tk趋于连续,记为
s
∈
(
−
∞
,
∞
)
s\in (-\infty,\infty)
s∈(−∞,∞),则求和变成积分
F
f
(
s
)
=
∫
−
∞
∞
e
−
2
π
i
s
t
f
(
t
)
d
t
\mathcal{F}f(s)=\int_{-\infty}^{\infty}e^{-2\pi i st}f(t) dt
Ff(s)=∫−∞∞e−2πistf(t)dt
f
(
t
)
=
∫
−
∞
∞
F
f
(
s
)
e
2
π
i
s
t
d
s
f(t) = \int_{-\infty}^\infty \mathcal{F} f(s) e^{2\pi i st} ds
f(t)=∫−∞∞Ff(s)e2πistds
我们需要知道积分的收敛问题。
傅里叶变换将
f
(
t
)
f(t)
f(t)分解为组成成分
e
2
π
i
s
t
e^{2\pi i st}
e2πist,逆变换则从组成成分合成原函数
f
(
t
)
f(t)
f(t)定义在时域,
F
f
(
s
)
\mathcal{F}f(s)
Ff(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
F
f
(
s
)
=
∫
−
∞
∞
e
−
2
π
i
s
t
f
(
t
)
d
t
F
−
1
g
(
t
)
=
∫
−
∞
∞
e
2
π
i
s
t
g
(
s
)
d
s
\mathcal{F}f(s) = \int_{-\infty}^\infty e^{-2\pi i st}f(t) dt\\ \mathcal{F}^{-1}g(t) = \int_{-\infty}^\infty e^{2\pi i st}g(s) ds
Ff(s)=∫−∞∞e−2πistf(t)dtF−1g(t)=∫−∞∞e2πistg(s)ds
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
F
−
1
F
f
=
f
F
F
−
1
g
=
g
\mathcal{F}^{-1}\mathcal{F}f=f\\ \mathcal{F}\mathcal{F}^{-1}g=g
F−1Ff=fFF−1g=g
在0点处,傅里叶变换为函数的平均值
F
f
(
0
)
=
∫
−
∞
∞
e
2
π
i
0
t
f
(
t
)
d
t
=
∫
−
∞
∞
f
(
t
)
d
t
\mathcal{F} f(0) = \int_{-\infty}^\infty e^{2\pi i 0t} f(t) dt = \int_{-\infty}^\infty f(t)dt
Ff(0)=∫−∞∞e2πi0tf(t)dt=∫−∞∞f(t)dt
F
−
1
g
(
0
)
=
∫
−
∞
∞
g
(
s
)
d
s
\mathcal{F} ^{-1} g(0) = \int_{-\infty}^\infty g(s) ds
F−1g(0)=∫−∞∞g(s)ds
Examples:
矩形函数,或者叫
−
1
2
到
1
2
的
特
征
函
数
-\frac{1}{2}到\frac{1}{2}的特征函数
−21到21的特征函数
Π
(
t
)
=
{
1
∣
t
∣
<
1
2
0
∣
t
∣
≥
1
2
\Pi(t) = \begin{cases} \begin{aligned} 1 \quad &|t| < \frac{1}{2}\\ 0 \quad &|t|\ge \frac{1}{2} \end{aligned} \end{cases}
Π(t)=⎩⎪⎨⎪⎧10∣t∣<21∣t∣≥21
F
Π
(
s
)
=
∫
−
∞
∞
e
−
2
π
i
s
t
Π
(
t
)
d
t
=
∫
−
1
2
1
2
e
−
2
π
i
s
t
d
t
=
[
1
−
2
π
i
s
e
−
2
π
i
s
t
]
∣
−
1
2
1
2
=
−
1
2
π
i
s
e
−
π
i
s
+
1
2
π
i
s
e
π
i
s
=
1
π
s
(
e
π
i
s
−
e
−
π
i
s
2
i
)
=
sin
π
s
π
s
\begin{aligned}\mathcal{F} \Pi(s) &= \int_{-\infty}^\infty e^{-2\pi i st} \Pi(t) dt\\ &= \int_{-\frac{1}{2}}^{\frac{1}{2}}e^{-2\pi i st} dt\\ &=\left[\frac{1}{-2\pi i s} e^{-2\pi i st} \right] \left|_{-\frac{1}{2}}^{\frac{1}{2}} \right. = \frac{-1}{2\pi i s} e^{-\pi i s} + \frac{1}{2\pi i s} e^{\pi i s}\\ &=\frac{1}{\pi s} \left(\frac{e^{\pi i s} - e^{-\pi i s}}{2i} \right) = \frac{\sin \pi s}{\pi s} \end{aligned}
FΠ(s)=∫−∞∞e−2πistΠ(t)dt=∫−2121e−2πistdt=[−2πis1e−2πist]∣∣∣−2121=2πis−1e−πis+2πis1eπis=πs1(2ieπis−e−πis)=πssinπs
最后这个函数就是sinc函数
s
i
n
c
(
s
)
=
sin
π
s
π
s
sinc(s) = \frac{\sin \pi s}{\pi s}
sinc(s)=πssinπs
函数图像:
三角形函数
Λ
(
t
)
=
{
1
−
∣
t
∣
∣
t
∣
≤
1
0
∣
t
∣
≥
1
\Lambda(t) = \begin{cases}1-|t| \quad &|t| \le 1\\ 0 \quad & |t| \ge 1 \end{cases}
Λ(t)={1−∣t∣0∣t∣≤1∣t∣≥1
F
Λ
(
s
)
=
∫
−
∞
∞
e
−
2
π
i
s
t
Λ
(
t
)
d
t
=
∫
−
1
0
e
−
2
π
i
s
t
(
1
+
t
)
d
t
+
∫
0
1
e
−
2
π
i
s
t
(
1
−
t
)
d
t
=
sin
2
π
s
π
2
s
2
=
s
i
n
c
2
(
s
)
\begin{aligned}\mathcal{F} \Lambda(s) &= \int_{-\infty}^\infty e^{-2\pi i st}\Lambda (t) dt\\ &=\int_{-1}^0 e^{-2\pi i st} (1+t) dt + \int_0^1 e^{-2\pi i st}(1-t)dt\\ &=\frac{\sin^2 \pi s}{\pi^2 s^2} =sinc^2 (s)\end{aligned}
FΛ(s)=∫−∞∞e−2πistΛ(t)dt=∫−10e−2πist(1+t)dt+∫01e−2πist(1−t)dt=π2s2sin2πs=sinc2(s)
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
f
^
(
s
)
=
F
f
(
s
)
\hat{f}(s) = \mathcal{F}f(s)
f^(s)=Ff(s)
f
ˇ
(
t
)
=
F
−
1
f
(
t
)
\check{f}(t) = \mathcal{F}^{-1}f(t)
fˇ(t)=F−1f(t)
或者
f
(
t
)
,
F
(
s
)
f(t),F(s)
f(t),F(s)
有时候将正变换表示为(正负变换相调换)
F
f
(
s
)
=
∫
−
∞
∞
e
−
2
π
i
s
t
f
(
t
)
d
t
\mathcal{F}f(s) = \int_{-\infty}^\infty e^{-2\pi i st}f(t) dt
Ff(s)=∫−∞∞e−2πistf(t)dt
有时候表示为
F
f
(
s
)
=
∫
−
∞
∞
e
2
π
i
s
t
f
(
t
)
d
t
\mathcal{F}f(s) = \int_{-\infty}^\infty e^{2\pi i st}f(t) dt
Ff(s)=∫−∞∞e2πistf(t)dt
高斯函数
f
(
t
)
=
e
−
π
t
2
f(t) = e^{-\pi t^2}
f(t)=e−πt2指数加
π
\pi
π使得面积为1,则
F
f
(
s
0
=
e
−
π
s
2
\mathcal{F} f(s0 = e^{-\pi s^2}
Ff(s0=e−πs2
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
)
=
∫
−
∞
∞
e
−
2
π
i
s
t
e
−
π
t
2
d
t
F(s) = \int_{-\infty}^\infty e^{-2\pi i st}e^{-\pi t^2}dt
F(s)=∫−∞∞e−2πiste−πt2dt
求微分
F
′
(
s
)
=
∫
−
∞
∞
d
d
s
(
e
−
2
π
i
s
t
e
−
π
t
2
)
d
t
=
∫
−
∞
∞
−
2
π
i
t
e
−
2
π
i
s
t
e
−
π
t
2
d
t
=
i
∫
−
∞
∞
e
−
2
π
i
s
t
(
−
2
π
t
e
−
π
t
2
)
d
t
\begin{aligned} F'(s)&=\int_{-\infty}^\infty \frac{d}{ds} \left(e^{-2\pi i st}e^{-\pi t^2} \right)dt \\ &= \int_{-\infty}^\infty -2\pi i t e^{-2\pi i st}e^{-\pi t^2}dt \\ &=i \int_{-\infty}^\infty e^{-2\pi i st} (-2\pi te^{-\pi t^2})dt \end{aligned}
F′(s)=∫−∞∞dsd(e−2πiste−πt2)dt=∫−∞∞−2πite−2πiste−πt2dt=i∫−∞∞e−2πist(−2πte−πt2)dt
分部积分
=
i
∫
−
∞
∞
e
−
2
π
i
s
t
d
e
−
π
t
2
=
i
e
−
2
π
i
s
t
e
−
π
t
2
∣
−
∞
∞
−
i
∫
−
∞
∞
e
−
π
t
2
d
e
−
2
π
i
s
t
=
−
∫
−
∞
∞
2
π
s
 
e
−
π
t
2
e
−
2
π
i
s
t
d
t
=
−
2
π
s
∫
−
∞
∞
e
−
2
π
i
s
t
e
−
π
t
2
d
t
=
−
2
π
s
F
(
s
)
\begin{aligned} &=i\int_{-\infty}^\infty e^{-2\pi i st} de^{-\pi t^2} \\ &=ie^{-2\pi i st} e^{-\pi t^2} \bigg| ^\infty_{-\infty} - i \int_{-\infty}^\infty e^{-\pi t^2} d e^{-2\pi i st}\\ &=- \int_{-\infty}^\infty 2\pi s \,e^{-\pi t^2}e^{-2\pi i st} dt\\ &=-2\pi s \int_{-\infty}^\infty e^{-2\pi i st} e^{-\pi t^2}dt\\ &=-2\pi s F(s) \end{aligned}
=i∫−∞∞e−2πistde−πt2=ie−2πiste−πt2∣∣∣∣−∞∞−i∫−∞∞e−πt2de−2πist=−∫−∞∞2πse−πt2e−2πistdt=−2πs∫−∞∞e−2πiste−πt2dt=−2πsF(s)
于是我们得到等式
F
′
(
s
)
=
−
2
π
s
F
(
s
)
F'(s) = -2\pi sF(s)
F′(s)=−2πsF(s)
(这个ODE表明)
F
(
是
)
=
F
(
0
)
e
−
π
s
2
F(是) = F(0)e^{-\pi s^2}
F(是)=F(0)e−πs2
而
F
(
0
)
=
∫
−
∞
∞
f
(
t
)
d
t
=
1
F(0) = \int_{-\infty}^\infty f(t) dt= 1
F(0)=∫−∞∞f(t)dt=1
故
F
(
s
)
=
e
−
π
s
2
F(s)=e^{-\pi s^2}
F(s)=e−πs2
证明完毕
对偶性(傅里叶变换的对偶性质)
根据定义有
F
f
(
−
s
)
=
F
−
1
f
(
s
)
\mathcal{F} f(-s) = \mathcal{F}^{-1}f(s)
Ff(−s)=F−1f(s)
F
f
(
s
)
=
F
−
1
f
(
−
s
)
\mathcal{F} f(s) = \mathcal{F}^{-1}f(-s)
Ff(s)=F−1f(−s)
定义
f
−
(
t
)
=
f
(
−
t
)
f^-(t) = f(-t)
f−(t)=f(−t)(反转信号),按照记号记
(
F
f
)
−
(
s
)
=
F
f
(
−
s
)
(\mathcal{F}f)^-(s) = \mathcal{F}f(-s)
(Ff)−(s)=Ff(−s)(这是一个记号),则按前面有
(
F
f
)
−
=
F
−
1
f
(\mathcal{F}f)^- = \mathcal{F}^{-1}f
(Ff)−=F−1f
还有
F
(
f
−
)
=
F
−
1
f
\mathcal{F} (f^-) = \mathcal{F}^{-1}f
F(f−)=F−1f
所以
(
F
f
)
−
=
F
(
f
−
)
=
F
−
1
f
(\mathcal{F}f)^- =\mathcal{F} (f^-) = \mathcal{F}^{-1}f
(Ff)−=F(f−)=F−1f
根据前面有
F
F
f
=
f
−
\mathcal{F}\mathcal{F}f = f^-
FFf=f−
因为
F
F
f
=
F
F
−
1
f
−
=
f
−
\mathcal{F}\mathcal{F}f = \mathcal{F}\mathcal{F}^{-1} f^- = f^-
FFf=FF−1f−=f−
例子:
s
i
n
c
=
sin
π
t
π
t
sinc = \frac{\sin \pi t}{\pi t}
sinc=πtsinπt
根据对偶性质
F
s
i
n
c
=
F
F
π
=
π
−
=
π
\mathcal{F} sinc = \mathcal{F}\mathcal{F}\pi = \pi^- = \pi
Fsinc=FFπ=π−=π
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
F
s
i
n
c
2
=
Λ
\mathcal{F}sinc^2 = \Lambda
Fsinc2=Λ
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
)
↔
F
(
s
)
f(t) \leftrightarrow F(s)
f(t)↔F(s)
f
(
t
−
b
)
↔
?
f(t-b) \leftrightarrow ?
f(t−b)↔?
F ( s ) = ∫ − ∞ ∞ − e − 2 π i s t f ( t ) d t F(s) = \int_{-\infty}^\infty -e^{-2\pi i st}f(t) dt F(s)=∫−∞∞−e−2πistf(t)dt
F
f
(
t
−
b
)
=
∫
−
∞
∞
e
−
2
π
i
s
t
f
(
t
−
b
)
d
t
=
∫
−
∞
∞
e
−
2
π
i
s
(
u
+
b
)
f
(
u
)
d
u
=
e
−
2
π
i
s
b
∫
−
∞
∞
e
−
2
π
i
s
u
f
(
u
)
d
u
=
e
−
2
π
i
s
b
F
(
s
)
\begin{aligned}\mathcal{F} f(t - b) &= \int_{-\infty}^\infty e^{-2\pi i st} f( t - b) dt\\ &=\int_{-\infty}^\infty e^{-2\pi i s(u+b)}f(u) du \\ &= e^{-2\pi i sb} \int_{-\infty}^\infty e^{-2\pi i su}f(u) du\\ &= e^{-2\pi i sb}F(s) \end{aligned}
Ff(t−b)=∫−∞∞e−2πistf(t−b)dt=∫−∞∞e−2πis(u+b)f(u)du=e−2πisb∫−∞∞e−2πisuf(u)du=e−2πisbF(s)
即(时延定理),时域的位移导致频域的位移
F
(
f
(
t
±
b
)
)
(
s
)
=
e
±
2
π
i
s
b
F
(
s
)
\mathcal{F}\left(f(t\pm b) \right)(s) =e^{\pm 2\pi i sb} F(s)
F(f(t±b))(s)=e±2πisbF(s)
记(复数表示成幅度乘以角度)
F
(
s
)
=
∣
F
(
s
)
∣
e
2
π
i
θ
(
s
)
F(s) = |F(s)| e^{2\pi i \theta(s)}
F(s)=∣F(s)∣e2πiθ(s)
故
e
−
2
π
i
s
b
F
(
s
)
=
∣
F
(
s
)
∣
e
2
π
i
(
θ
(
s
)
−
s
b
)
e^{-2\pi i sb}F(s) = |F(s)| e^{2\pi i (\theta (s)- sb)}
e−2πisbF(s)=∣F(s)∣e2πi(θ(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
)
↔
F
(
s
)
f(t) \leftrightarrow F(s)
f(t)↔F(s)
f
(
a
t
)
↔
?
f(at) \leftrightarrow ?
f(at)↔?
F
(
f
(
a
t
)
)
(
s
)
=
∫
−
∞
∞
e
−
2
π
i
s
t
f
(
a
t
)
d
t
\mathcal{F}\left(f(at) \right)(s) = \int_{-\infty}^\infty e^{-2\pi i st} f(at) dt
F(f(at))(s)=∫−∞∞e−2πistf(at)dt
i
f
 
a
>
0
if\, a >0
ifa>0,令
u
=
a
t
u = at
u=at
F
(
f
(
a
t
)
)
(
s
)
=
1
a
∫
−
∞
∞
e
−
2
π
i
(
s
/
a
)
u
f
(
u
)
d
u
=
1
a
∫
−
∞
∞
e
−
2
π
i
(
s
/
a
)
u
f
(
u
)
d
u
=
1
a
F
(
s
a
)
\begin{aligned}\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{aligned}
F(f(at))(s)=a1∫−∞∞e−2πi(s/a)uf(u)du=a1∫−∞∞e−2πi(s/a)uf(u)du=a1F(as)
i
f
 
a
<
0
if\, a <0
ifa<0,令
u
=
a
t
u = at
u=at
F
(
f
(
a
t
)
)
(
s
)
=
−
1
a
∫
−
∞
∞
e
−
2
π
i
(
s
/
a
)
u
f
(
u
)
d
u
=
−
1
a
F
(
s
a
)
\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})
F(f(at))(s)=−a1∫−∞∞e−2πi(s/a)uf(u)du=−a1F(as)
综上
F
(
f
(
a
t
)
)
(
s
)
=
1
∣
a
∣
F
(
s
a
)
\mathcal{F}\left(f(at) \right)(s) = \frac{1}{|a|} F(\frac{s}{a})
F(f(at))(s)=∣a∣1F(as)
f
(
a
t
)
↔
1
∣
a
∣
F
(
s
a
)
f(at) \leftrightarrow \frac{1}{|a|} F(\frac{s}{a})
f(at)↔∣a∣1F(as)
这个结果说明,当
∣
a
∣
>
1
|a|>1
∣a∣>1时,频谱被拉长了,而且变矮,
∣
a
∣
<
1
|a|<1
∣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
F
(
f
+
g
)
=
F
(
f
)
+
F
(
g
)
\mathcal{F}(f+g) = \mathcal{F}(f) + \mathcal{F}(g)
F(f+g)=F(f)+F(g)
通过改变频谱调制信号
如果是相乘呢
(
F
g
)
(
F
f
)
=
F
(
?
?
f
和
g
的
某
种
组
合
?
)
(\mathcal{F}g)(\mathcal{F}f) = \mathcal{F}(??f和g的某种组合?)
(Fg)(Ff)=F(??f和g的某种组合?)
G
g
(
s
)
F
f
(
s
)
=
∫
−
∞
∞
e
−
2
π
i
s
t
g
(
t
)
d
t
∫
−
∞
∞
e
−
2
π
i
s
x
f
(
x
)
d
x
=
∫
−
∞
∞
∫
−
∞
∞
e
−
2
π
i
s
(
t
+
x
)
g
(
t
)
f
(
x
)
d
t
d
x
=
∫
−
∞
∞
(
∫
−
∞
∞
e
−
2
π
i
s
(
t
+
x
)
g
(
t
)
d
t
)
f
(
x
)
d
x
\begin{aligned}\mathcal{G} g(s) \mathcal{F} f(s) &= \int_{-\infty}^\infty e^{-2\pi i st } g(t) dt \int_{-\infty}^\infty e^{-2\pi i sx } f(x) dx\\ &= \int_{-\infty}^\infty \int_{-\infty}^\infty e^{-2\pi i s(t+ x) } g(t) f(x) dt dx\\ &= \int_{-\infty}^\infty \left( \int_{-\infty}^\infty e^{-2\pi i s(t+ x) } g(t)dt \right) f(x) dx\end{aligned}
Gg(s)Ff(s)=∫−∞∞e−2πistg(t)dt∫−∞∞e−2πisxf(x)dx=∫−∞∞∫−∞∞e−2πis(t+x)g(t)f(x)dtdx=∫−∞∞(∫−∞∞e−2πis(t+x)g(t)dt)f(x)dx
令
u
=
t
+
x
,
d
u
=
d
t
,
t
=
u
−
x
u=t+x,du=dt,t=u-x
u=t+x,du=dt,t=u−x,的上式为
∫
−
∞
∞
(
∫
−
∞
∞
e
−
2
π
i
s
u
g
(
u
−
x
)
d
u
)
f
(
x
)
d
x
\int_{-\infty}^\infty \left( \int_{-\infty}^\infty e^{-2\pi i su } g(u-x)du \right) f(x) dx
∫−∞∞(∫−∞∞e−2πisug(u−x)du)f(x)dx
改变积分顺序
∫
−
∞
∞
(
∫
−
∞
∞
g
(
u
−
x
)
f
(
x
)
d
x
)
e
−
2
π
i
s
u
d
u
\int_{-\infty}^\infty \left( \int_{-\infty}^\infty g(u-x)f(x) dx \right) e^{-2\pi i su} du
∫−∞∞(∫−∞∞g(u−x)f(x)dx)e−2πisudu
定义
h
(
u
)
=
∫
−
∞
∞
g
(
u
−
x
)
f
(
x
)
d
x
h(u)=\int_{-\infty}^\infty g(u-x)f(x) dx
h(u)=∫−∞∞g(u−x)f(x)dx,上面就是
∫
−
∞
∞
e
−
2
π
i
s
u
h
(
u
)
d
u
=
F
h
(
s
)
\int_{-\infty}^\infty e^{-2\pi i su} h(u) du = \mathcal{F}h(s)
∫−∞∞e−2πisuh(u)du=Fh(s)
即
(
F
g
)
(
F
f
)
=
F
h
(
s
)
(\mathcal{F}g)(\mathcal{F}f) =\mathcal{F}h(s)
(Fg)(Ff)=Fh(s)
h
(
u
)
h(u)
h(u)即称为
g
g
g和
f
f
f的卷积函数,定义
g
g
g和
f
f
f的卷积:
(
g
∗
f
)
(
x
)
=
∫
−
∞
∞
g
(
x
−
y
)
f
(
y
)
d
y
(g*f)(x)=\int_{-\infty}^\infty g(x-y)f(y) dy
(g∗f)(x)=∫−∞∞g(x−y)f(y)dy
依照上面的卷积定理我们有
F
(
g
∗
f
)
=
F
(
g
)
F
(
f
)
\mathcal{F}(g*f) =\mathcal{F}(g)\mathcal{F}(f)
F(g∗f)=F(g)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
T
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)
Π
2
V
c
(
在
−
V
c
和
V
c
之
间
为
1
,
其
他
为
0
)
\Pi_{2V_c}(在-V_c和V_c之间为1,其他为0)
Π2Vc(在−Vc和Vc之间为1,其他为0)得到
Π
2
V
c
F
T
\Pi_{2V_c}\mathcal{F}T
Π2VcFT
转换到时域得
2
V
c
s
i
n
c
(
2
V
c
t
)
∗
T
(
t
)
2V_c sinc(2V_c t) * T(t)
2Vcsinc(2Vct)∗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
)
G(s) = F(s) H(s)
G(s)=F(s)H(s)(
H
(
s
)
H(s)
H(s)为传递函数),设计滤波器就是设计一个
H
H
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
∫
−
∞
∞
s
i
n
c
(
x
−
y
)
f
(
y
)
d
y
\int_{-\infty}^\infty sinc(x - y) f(y) dy
∫−∞∞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
f
f和
g
g
g的卷积比单独考虑
f
,
g
f,g
f,g更好(更平滑),比如
Π
∗
Π
=
Λ
\Pi * \Pi = \Lambda
Π∗Π=Λ
左边不连续,右边连续
如果
f
f
f可微
g
g
g不可微,则
f
∗
g
f*g
f∗g可微:
(
f
∗
g
)
′
=
f
′
∗
g
(f*g)' = f' * g
(f∗g)′=f′∗g
怎样利用卷积求热方程??
首先
F
(
f
′
)
(
s
)
=
2
π
i
s
F
f
(
s
)
\mathcal{F}(f')(s) = 2\pi i s \mathcal{F}f(s)
F(f′)(s)=2πisFf(s)
相似的
F
(
f
(
n
)
)
(
s
)
=
(
2
π
i
s
)
n
F
f
(
s
)
\mathcal{F}(f^{(n)})(s) = (2\pi i s)^n \mathcal{F}f(s)
F(f(n))(s)=(2πis)nFf(s)
证明:
假设当
t
→
±
∞
,
f
(
t
)
→
0
t\rightarrow \pm \infty ,f(t) \rightarrow 0
t→±∞,f(t)→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)
F
(
f
′
)
(
s
)
=
∫
−
∞
∞
e
−
2
π
i
s
t
f
′
(
t
)
d
t
=
e
−
2
π
i
s
t
f
(
t
)
∣
−
∞
∞
+
2
π
i
s
∫
−
∞
∞
e
−
2
π
i
s
t
f
(
t
)
d
t
=
0
+
2
π
i
s
F
f
(
s
)
\begin{aligned} \mathcal{F}(f')(s) &= \int_{-\infty}^\infty e^{-2\pi i st}f'(t) dt\\ &=e^{-2\pi i st}f(t) \bigg|_{-\infty}^\infty + 2\pi i s \int_{-\infty}^\infty e^{-2\pi i st} f(t) dt \\ &=0 + 2\pi i s \mathcal{F}f(s)\end{aligned}
F(f′)(s)=∫−∞∞e−2πistf′(t)dt=e−2πistf(t)∣∣∣∣−∞∞+2πis∫−∞∞e−2πistf(t)dt=0+2πisFf(s)
研究无限长实线热方程,
u
(
x
,
t
)
,
u
(
x
,
0
)
=
f
(
x
)
u(x,t),u(x,0)=f(x)
u(x,t),u(x,0)=f(x)无限周期
u
t
=
1
2
u
x
x
u_t = \frac{1}{2} u_{xx}
ut=21uxx
记
u
(
x
,
t
)
u(x,t)
u(x,t)关于
x
x
x的傅里叶变换为
u
(
s
,
t
)
u(s,t)
u(s,t),则
F
u
t
=
∫
−
∞
∞
e
−
2
π
i
s
x
∂
u
(
x
,
t
)
∂
t
d
x
=
∂
∂
t
(
∫
−
∞
∞
e
−
2
π
i
s
x
u
(
x
,
t
)
d
x
)
=
∂
∂
t
u
(
s
,
t
)
\begin{aligned} \mathcal{F} u_t &= \int_{-\infty}^\infty e^{-2\pi i sx} \frac{\partial u(x,t)}{\partial t}dx\\ &=\frac{\partial}{\partial t}\left( \int_{-\infty}^\infty e^{-2\pi i sx} u (x,t) dx \right) \\ &=\frac{\partial}{\partial t} u(s,t)\end{aligned}
Fut=∫−∞∞e−2πisx∂t∂u(x,t)dx=∂t∂(∫−∞∞e−2πisxu(x,t)dx)=∂t∂u(s,t)
F
u
x
x
=
(
2
π
i
s
)
2
u
(
s
,
t
)
\mathcal{F}u_{xx} = (2\pi i s)^2 u(s,t)
Fuxx=(2πis)2u(s,t)
联合上面,得到热方程为
∂
∂
t
u
(
s
,
t
)
=
−
2
(
π
s
)
2
u
(
s
,
t
)
\frac{\partial}{\partial t} u(s,t)=- 2(\pi s)^2 u(s,t)
∂t∂u(s,t)=−2(πs)2u(s,t)
这是一个普通的微分方程,解得
u
(
s
,
t
)
=
u
(
s
,
0
)
e
−
2
π
2
s
2
t
u(s,t) = u(s,0) e^{-2\pi^2 s^2 t}
u(s,t)=u(s,0)e−2π2s2t
u
(
s
,
0
)
=
∫
−
∞
∞
e
−
2
π
i
s
x
u
(
x
,
0
)
d
x
=
∫
−
∞
∞
e
−
2
π
i
s
x
f
(
x
)
=
F
(
s
)
u(s,0) = \int_{-\infty}^\infty e^{-2\pi i sx} u(x,0) dx = \int_{-\infty}^\infty e^{-2\pi i sx} f(x) = F(s)
u(s,0)=∫−∞∞e−2πisxu(x,0)dx=∫−∞∞e−2πisxf(x)=F(s)
所以
u
(
s
,
t
)
=
F
(
s
)
e
−
2
π
2
s
2
t
u(s,t) = F(s) e^{-2\pi^2 s^2 t}
u(s,t)=F(s)e−2π2s2t
由于
F
(
1
2
π
t
e
−
x
2
/
2
t
)
=
e
−
2
π
2
s
2
t
\mathcal{F}\left(\frac{1}{\sqrt{2\pi t}}e^{-x^2 /2t} \right) = e^{-2\pi^2 s^2 t}
F(2πt1e−x2/2t)=e−2π2s2t
故
u
(
x
,
t
)
=
f
(
x
)
∗
(
1
2
π
t
e
−
x
2
/
2
t
)
u(x,t) = f(x) * \left(\frac{1}{\sqrt{2\pi t}}e^{-x^2 /2t} \right)
u(x,t)=f(x)∗(2πt1e−x2/2t)
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
)
=
1
2
π
e
−
x
2
/
2
p(x) = \frac{1}{\sqrt{2\pi}}e^{-x^2/2}
p(x)=2π1e−x2/2
p
(
a
≤
m
e
a
s
u
r
e
m
e
n
t
)
≤
b
=
∫
a
b
1
2
π
e
−
x
2
/
2
d
x
p(a\le measurement ) \le b = \int_a^b \frac{1}{\sqrt{2\pi}}e^{-x^2/2} dx
p(a≤measurement)≤b=∫ab2π1e−x2/2dx
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
X
X为随机变量,
x
x
x为时机测量值,测量
x
x
x如何分布
P
X
(
x
)
P_X(x)
PX(x),
P
a
,
b
(
a
≤
x
≤
b
)
=
∫
a
b
p
(
x
)
d
x
P_{a,b}(a\le x \le b) = \int_a^b p(x) dx
Pa,b(a≤x≤b)=∫abp(x)dx
∫
−
∞
∞
p
(
x
)
d
x
=
1
,
p
(
x
)
≥
0
\int_{-\infty}^{\infty} p(x) dx = 1,p(x) \ge 0
∫−∞∞p(x)dx=1,p(x)≥0
怎么和卷积联系起来
假设
x
1
,
x
2
x_1,x_2
x1,x2是独立随机变量
p
1
(
x
1
)
,
p
2
(
x
2
)
,
x
1
+
x
2
p_1(x_1),p_2(x_2),x_1 + x_2
p1(x1),p2(x2),x1+x2的分布为
p
1
∗
p
2
p_1 * p_2
p1∗p2(利用积分变量替换即可得到)
同样可以得到
p
(
x
1
+
⋯
+
x
n
)
=
p
1
∗
p
2
∗
⋯
∗
p
n
p(x_1+\cdots+x_n) = p_1 * p_2 * \cdots * p_n
p(x1+⋯+xn)=p1∗p2∗⋯∗pn
CLT建立过程
设
x
1
,
⋯
 
,
x
n
x_1,\cdots,x_n
x1,⋯,xn是独立同分布随机变量(iid),记为p(均值为0,方差为1)
即
∫
−
∞
∞
x
p
(
x
)
d
x
=
0
\int_{-\infty}^{\infty} xp(x) dx = 0
∫−∞∞xp(x)dx=0
∫
−
∞
∞
x
2
p
(
x
)
d
x
=
1
\int_{-\infty}^{\infty} x^2p(x) dx = 1
∫−∞∞x2p(x)dx=1
∫
−
∞
∞
p
(
x
)
d
x
=
1
\int_{-\infty}^{\infty} p(x) dx = 1
∫−∞∞p(x)dx=1
S
n
=
x
1
+
⋯
+
x
n
S_n = x_1 + \cdots + x_n
Sn=x1+⋯+xn,则 ,
E
(
S
n
)
=
0
,
E
(
S
n
2
)
=
n
\mathbb{E}(S_n) = 0, \sqrt{\mathbb{E}(S_n^2)} = \sqrt{n}
E(Sn)=0,E(Sn2)=n(标准差)
故,
S
n
n
\frac{S_n}{\sqrt{n}}
nSn方差为1
CLT:当
n
→
∞
n\rightarrow \infty
n→∞时,
lim
n
→
∞
p
r
o
b
(
a
≤
S
n
n
≤
b
)
=
1
2
π
∫
a
b
e
−
x
2
/
2
d
x
\lim_{n\rightarrow \infty} prob(a \le \frac{S_n}{\sqrt{n}} \le b ) = \frac{1}{\sqrt{2\pi}} \int_a^b e^{-x^2/2} dx
n→∞limprob(a≤nSn≤b)=2π1∫abe−x2/2dx
非积分形式:如果
P
n
(
x
)
P_n(x)
Pn(x)为
S
n
n
\frac{S_n}{\sqrt{n}}
nSn的分布,则当
n
→
∞
n\rightarrow \infty
n→∞时,
P
n
(
x
)
→
1
2
π
e
−
x
2
/
2
P_n(x) \rightarrow \frac{1}{\sqrt{2\pi}} e^{-x^2/2}
Pn(x)→2π1e−x2/2
因为
x
1
+
⋯
+
x
n
x_1+\cdots +x_n
x1+⋯+xn的分布为
p
∗
n
(
x
)
=
(
p
∗
⋯
∗
p
⎵
n
个
)
p^{*n}(x) =( \underbrace{p*\cdots * p}_{n个})
p∗n(x)=(n个
p∗⋯∗p),则
x
1
+
⋯
+
x
n
n
\frac{x_1+\cdots+x_n}{\sqrt{n}}
nx1+⋯+xn的分布为
n
p
∗
n
(
n
x
)
\sqrt{n} p^{*n}(\sqrt{n}x)
np∗n(nx).
(
x
分
布
为
p
(
x
)
,
则
a
x
的
分
布
为
1
a
p
(
x
a
)
(x分布为p(x),则ax的分布为\frac{1}{a} p(\frac{x}{a})
(x分布为p(x),则ax的分布为a1p(ax)
P r ( a X ≤ x ) = P r ( X ≤ x a ) = ∫ − ∞ p ( t ) d t = ∫ − ∞ x p ( t a ) d t a = 1 a ∫ − ∞ x p ( t a ) d t \begin{aligned}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{aligned} Pr(aX≤x)=Pr(X≤ax)=∫−∞p(t)dt=∫−∞xp(at)dat=a1∫−∞xp(at)dt
做傅里叶变换
F
(
p
n
(
x
)
)
=
n
F
(
p
∗
n
(
n
x
)
)
=
n
∗
1
n
F
(
p
∗
n
)
(
s
n
)
=
(
F
p
)
n
(
s
n
)
=
(
F
p
(
s
n
)
)
n
\begin{aligned}\mathcal{F}(p_n(x)) &= \sqrt{n} \mathcal{F} \left(p^{*n}(\sqrt{n} x )\right)\\ &= \sqrt{n} * \frac{1}{\sqrt{n} } \mathcal{F} \left(p^{*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{aligned}
F(pn(x))=nF(p∗n(nx))=n∗n1F(p∗n)(ns)=(Fp)n(ns)=(Fp(ns))n
使用泰勒级数(展开)
(
e
x
=
1
+
x
+
x
2
2
+
⋯
 
)
(e^x = 1 +x + \frac{x^2}{2}+\cdots)
(ex=1+x+2x2+⋯)
F
p
(
s
n
)
=
∫
−
∞
∞
e
−
2
π
i
(
s
/
n
)
x
p
(
x
)
d
x
=
∫
−
∞
∞
(
1
−
2
π
i
s
x
n
−
1
2
(
2
π
i
s
x
n
)
2
+
⋯
 
)
p
(
x
)
d
x
=
∫
−
∞
∞
p
(
x
)
d
x
⎵
=
1
−
2
π
i
s
n
∫
−
∞
∞
x
p
(
x
)
d
x
⎵
=
0
−
2
π
2
s
2
n
∫
−
∞
∞
x
2
p
(
x
)
d
x
⎵
=
1
+
⋯
=
1
−
2
π
2
s
2
n
+
ε
≈
1
−
2
π
2
s
2
n
\begin{aligned}\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 i sx}{\sqrt{n}} - \frac{1}{2} \left(\frac{2\pi i sx}{\sqrt{n}}\right)^2 + \cdots \right) p(x) dx\\ &= \underbrace{\int_{-\infty}^\infty p(x) dx}_{=1} - \frac{2\pi i s}{\sqrt{n}}\underbrace{\int_{-\infty}^\infty xp(x) dx}_{=0} - \frac{2\pi^2 s^2}{n} \underbrace{ \int_{-\infty}^\infty x^2 p(x) dx}_{=1} + \cdots \\ &=1 -\frac{2\pi^2 s^2}{n}+ \varepsilon \approx 1 -\frac{2\pi^2 s^2}{n} \end{aligned}
Fp(ns)=∫−∞∞e−2πi(s/n)xp(x)dx=∫−∞∞(1−n2πisx−21(n2πisx)2+⋯)p(x)dx==1
∫−∞∞p(x)dx−n2πis=0
∫−∞∞xp(x)dx−n2π2s2=1
∫−∞∞x2p(x)dx+⋯=1−n2π2s2+ε≈1−n2π2s2
所以
(
F
p
(
s
n
)
)
n
≈
(
1
−
2
π
2
s
2
n
)
n
\left(\mathcal{F}p\left(\frac{s}{ \sqrt{n}} \right) \right)^n \approx \left(1 -\frac{2\pi^2 s^2}{n} \right)^n
(Fp(ns))n≈(1−n2π2s2)n
当
n
→
+
∞
n\rightarrow +\infty
n→+∞,
(
1
−
2
π
2
s
2
n
)
n
⟶
e
−
2
π
2
s
2
\left(1 -\frac{2\pi^2 s^2}{n} \right)^n \longrightarrow e^{-2\pi^2s^2}
(1−n2π2s2)n⟶e−2π2s2
利用傅里叶反变换,饿到原分布密度为
p
n
(
x
)
≈
1
2
π
e
−
x
2
/
2
p_n(x) \approx \frac{1}{\sqrt{2\pi}} e^{-x^2/2}
pn(x)≈2π1e−x2/2
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
)
=
Π
(
t
)
f(t) = \Pi(t)
f(t)=Π(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
F
−
1
s
i
n
c
=
Π
\mathcal{F}^{-1} sinc = \Pi
F−1sinc=Π
F
−
1
s
i
n
c
=
∫
−
∞
∞
e
2
π
i
s
t
sin
π
s
π
s
d
s
=
{
1
,
∣
s
∣
<
1
2
0
,
∣
s
∣
>
1
2
\mathcal{F}^{-1} sinc = \int_{-\infty}^\infty e^{2\pi i st } \frac{\sin \pi s}{\pi s} ds = \begin{cases}1,\quad &|s| < \frac{1}{2} \\ 0,\quad &|s| > \frac{1}{2} \end{cases}
F−1sinc=∫−∞∞e2πistπssinπsds={1,0,∣s∣<21∣s∣>21
(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
=
±
1
2
s=\pm \frac{1}{2}
s=±21有些问题,收敛于
1
2
\frac{1}{2}
21而不是0或者1
第二个例子中,
f
(
t
)
=
1
f(t) = 1
f(t)=1,傅里叶积分是无意义的
∫
−
∞
∞
e
−
2
π
i
s
t
d
t
=
1
−
2
π
i
s
e
−
2
π
i
s
t
∣
−
∞
∞
=
0
\int_{-\infty}^\infty e^{-2\pi i st } dt = \frac{1}{-2\pi i s} e^{-2\pi i st } \bigg|_{-\infty}^\infty = 0
∫−∞∞e−2πistdt=−2πis1e−2πist∣∣∣∣−∞∞=0
例子3:
f
(
t
)
=
sin
(
2
π
t
)
,
g
(
t
)
=
cos
(
2
π
t
)
f(t) = \sin(2\pi t),g(t) =\cos(2\pi t)
f(t)=sin(2πt),g(t)=cos(2πt)
∫
−
∞
∞
e
−
2
π
i
s
t
sin
(
2
π
t
)
d
t
\int_{-\infty}^\infty e^{-2\pi i st } \sin(2\pi t) dt
∫−∞∞e−2πistsin(2πt)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
s
s,Schwarz)
我们需要两个性质:
1.如果
f
∈
s
f \in s
f∈s,那么
F
∈
s
\mathcal{F} \in s
F∈s
2.傅里叶由方程定义
F
F
−
1
f
=
f
\mathcal{F}\mathcal{F}^{-1}f = f
FF−1f=f
更进一步的性质(Parseval等式Rayleigh 等式)
∫
−
∞
∞
∣
g
(
s
)
∣
2
d
s
=
∫
−
∞
∞
∣
f
(
t
)
∣
2
d
t
\int_{-\infty}^\infty |g(s) |^2 ds = \int_{-\infty}^\infty |f(t)|^2 dt
∫−∞∞∣g(s)∣2ds=∫−∞∞∣f(t)∣2dt
怎样定义
s
s
s(Laurent Schwartz找到了这个类):s指的就是这类速降函数
{
f
(
x
)
为
光
滑
函
数
对
任
意
m
,
n
≥
0
,
当
x
→
±
∞
,
∣
x
∣
n
∣
d
m
d
x
m
f
(
x
)
∣
→
0
\begin{cases}f(x) 为光滑函数\\ 对任意m,n\ge 0,当x \rightarrow \pm \infty,|x|^n |\frac{d^m}{dx^m}f(x) | \rightarrow 0 \end{cases}
{f(x)为光滑函数对任意m,n≥0,当x→±∞,∣x∣n∣dxmdmf(x)∣→0
即递降速度非常快,比
x
n
x^n
xn快. 存在这样的函数吗
{
f
(
x
)
=
e
−
π
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
)
\begin{cases}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{cases}
{f(x)=e−πx2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)
这是从导数定理中来的
F
(
f
(
m
)
)
(
s
)
=
(
2
π
i
s
)
m
F
f
(
s
)
\mathcal{F}(f^{(m)})(s) = (2\pi i s)^m \mathcal{F}f(s)
F(f(m))(s)=(2πis)mFf(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
∫
−
∞
∞
∣
F
(
f
)
(
s
)
∣
2
d
s
=
∫
−
∞
∞
∣
f
(
t
)
∣
2
d
t
\int_{-\infty}^\infty |\mathcal{F}(f)(s) |^2 ds = \int_{-\infty}^\infty |f(t)|^2 dt
∫−∞∞∣F(f)(s)∣2ds=∫−∞∞∣f(t)∣2dt
下面证明一个更一般的等式
∫
−
∞
∞
F
f
(
s
)
F
g
(
s
)
‾
d
s
=
∫
−
∞
∞
f
(
t
)
g
(
t
)
‾
d
t
\int_{-\infty}^\infty \mathcal{F}f(s) \overline{\mathcal{F}g(s)} ds = \int_{-\infty}^\infty f(t) \overline{g(t)} dt
∫−∞∞Ff(s)Fg(s)ds=∫−∞∞f(t)g(t)dt
令
g
(
t
)
=
∫
−
∞
∞
e
2
π
i
s
t
F
g
(
s
)
d
s
g(t) = \int_{-\infty}^\infty e^{2\pi i st} \mathcal{F}g(s) ds
g(t)=∫−∞∞e2πistFg(s)ds,即
g
(
t
)
=
F
−
1
F
g
g(t)=\mathcal{F}^{-1}\mathcal{F}g
g(t)=F−1Fg
两边取共轭,将共轭算子放进积分中
g
(
t
)
‾
=
∫
−
∞
∞
e
−
2
π
i
s
t
F
g
(
s
)
‾
d
s
\overline{g(t)} = \int_{-\infty}^\infty e^{-2\pi i st} \overline{\mathcal{F}g(s)} ds
g(t)=∫−∞∞e−2πistFg(s)ds
故
∫
−
∞
∞
f
(
x
)
g
(
t
)
‾
d
t
=
∫
−
∞
∞
f
(
t
)
(
∫
−
∞
∞
e
−
2
π
i
s
t
F
g
(
s
)
‾
d
s
)
d
t
=
∫
−
∞
∞
F
g
(
s
)
‾
(
∫
−
∞
∞
f
(
t
)
e
−
2
π
i
s
t
d
t
)
d
s
=
∫
−
∞
∞
F
f
(
s
)
F
g
(
s
)
‾
d
s
\begin{aligned}\int_{-\infty}^\infty f(x)\overline{g(t)}dt &= \int_{-\infty}^\infty f(t) \left( \int_{-\infty}^\infty e^{-2\pi i st} \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 i st} dt\right)ds\\ &= \int_{-\infty}^\infty \mathcal{F}f(s) \overline{\mathcal{F}g(s)} ds \end{aligned}
∫−∞∞f(x)g(t)dt=∫−∞∞f(t)(∫−∞∞e−2πistFg(s)ds)dt=∫−∞∞Fg(s)(∫−∞∞f(t)e−2πistdt)ds=∫−∞∞Ff(s)Fg(s)ds
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
Π
∉
s
,
Λ
,
sin
,
cos
,
s
i
n
c
∉
s
,
常
数
c
∉
s
\Pi \notin s,\Lambda,\sin,\cos,sinc \notin s,常数c \notin s
Π∈/s,Λ,sin,cos,sinc∈/s,常数c∈/s,许多常见的函数都不属于
s
s
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
δ
\delta
δ(单独考虑是没有意义的)
通常定义
δ
\delta
δ为
δ
(
0
)
=
0
,
x
≠
0
δ
(
0
)
=
∞
   
\delta(0) = 0,x \ne 0\\ \delta(0) = \infty \quad\quad\,\,\,
δ(0)=0,x̸=0δ(0)=∞
∫
−
∞
∞
δ
(
x
)
d
x
=
1
\int_{-\infty}^\infty \delta(x) dx = 1
∫−∞∞δ(x)dx=1
∫
−
∞
∞
δ
(
0
)
φ
(
x
)
d
x
=
φ
(
0
)
\int_{-\infty}^\infty \delta(0) \varphi(x) dx = \varphi(0)
∫−∞∞δ(0)φ(x)dx=φ(0)
上面的定义完全是垃圾。
δ
\delta
δ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
∫
−
∞
∞
1
ε
Π
ε
(
x
)
φ
(
x
)
d
x
=
1
ε
∫
−
ε
2
ε
2
φ
(
x
)
d
x
=
1
ε
∫
−
ε
2
ε
2
φ
(
0
)
+
φ
′
(
c
)
x
+
φ
′
′
(
c
)
2
x
2
+
⋯
d
x
=
φ
(
0
)
+
O
(
ε
)
⟶
φ
(
0
)
\begin{aligned}\int_{-\infty}^\infty \frac{1}{\varepsilon} \Pi_\varepsilon(x) \varphi(x) dx &= \frac{1}{\varepsilon} \int_{-\frac{\varepsilon}{2}}^{\frac{\varepsilon}{2}} \varphi(x) dx\\ &= \frac{1}{\varepsilon} \int_{-\frac{\varepsilon}{2}}^{\frac{\varepsilon}{2}} \varphi(0) + \varphi'(c) x + \frac{\varphi''(c)}{2}x^2 +\cdots dx \\ &=\varphi(0) + O(\varepsilon) \longrightarrow \varphi(0) \end{aligned}
∫−∞∞ε1Πε(x)φ(x)dx=ε1∫−2ε2εφ(x)dx=ε1∫−2ε2εφ(0)+φ′(c)x+2φ′′(c)x2+⋯dx=φ(0)+O(ε)⟶φ(0)
即
lim
ε
→
0
∫
−
∞
∞
1
ε
Π
ε
(
x
)
φ
(
x
)
d
x
=
φ
(
0
)
\lim_{\varepsilon \rightarrow 0}\int_{-\infty}^\infty \frac{1}{\varepsilon} \Pi_\varepsilon(x) \varphi(x) dx=\varphi(0)
ε→0lim∫−∞∞ε1Πε(x)φ(x)dx=φ(0)
单独考虑
lim
ε
→
0
1
ε
Π
ε
(
x
)
\lim_{\varepsilon \rightarrow 0} \frac{1}{\varepsilon} \Pi_\varepsilon(x)
limε→0ε1Πε(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
δ
\delta
δ函数通常出现的形式,
δ
\delta
δ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
φ
\varphi
φ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
T
T,是一个作用于测试函数的线性泛函.
T
(
φ
)
T(\varphi)
T(φ)是一个数,
T
(
a
φ
1
+
b
φ
2
)
=
a
T
(
φ
1
)
+
b
T
(
φ
2
)
T(a\varphi_1 + b\varphi_2)= aT(\varphi_1) + bT(\varphi_2)
T(aφ1+bφ2)=aT(φ1)+bT(φ2)
3)如果
ϕ
n
→
φ
\phi_n \rightarrow \varphi
ϕn→φ(序列趋近于
φ
\varphi
φ),那么
T
(
φ
n
)
→
T
(
φ
)
T(\varphi_n) \rightarrow T(\varphi)
T(φn)→T(φ)
一个分布于一个测试函数配对,符号
<
T
,
φ
>
<T,\varphi>
<T,φ>
重新定义
δ
\delta
δ,通过
<
δ
,
φ
>
=
φ
(
0
)
<\delta,\varphi> = \varphi(0)
<δ,φ>=φ(0),显然是线性的,而且
ϕ
n
→
φ
⇒
ϕ
n
(
0
)
→
φ
(
0
)
\phi_n \rightarrow \varphi \Rightarrow \phi_n(0) \rightarrow \varphi(0)
ϕn→φ⇒ϕn(0)→φ(0)这才是
δ
\delta
δ的定义
定义位移
δ
\delta
δ函数,
δ
a
\delta_a
δa为一个分布
<
δ
a
,
φ
>
=
φ
(
a
)
<\delta_a,\varphi>=\varphi(a)
<δa,φ>=φ(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
1
1和
φ
\varphi
φ(通过积分实现)
<
1
,
φ
>
=
∫
−
∞
∞
1
φ
(
x
)
d
x
=
∫
−
∞
∞
φ
(
x
)
d
x
<1,\varphi> = \int_{-\infty}^\infty 1\varphi(x) dx = \int_{-\infty}^{\infty} \varphi(x) dx
<1,φ>=∫−∞∞1φ(x)dx=∫−∞∞φ(x)dx
同样对于矩形函数
<
Π
,
φ
>
=
∫
−
∞
∞
Π
(
x
)
φ
(
x
)
d
x
<\Pi,\varphi> = \int_{-\infty}^\infty \Pi(x) \varphi(x) dx
<Π,φ>=∫−∞∞Π(x)φ(x)dx
三角函数
<
sin
(
2
π
x
)
,
φ
>
=
∫
−
∞
∞
sin
(
2
π
x
)
φ
(
x
)
d
x
<\sin(2\pi x),\varphi> = \int_{-\infty}^\infty \sin(2\pi x) \varphi(x) dx
<sin(2πx),φ>=∫−∞∞sin(2πx)φ(x)dx
对于大部分函数,将
f
(
x
)
f(x)
f(x)看成分布,
<
f
,
φ
>
=
∫
f
(
x
)
φ
(
x
)
d
x
<f,\varphi> = \int f(x) \varphi(x) dx
<f,φ>=∫f(x)φ(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)
T
\mathcal{T}
T,和上面那样定义
<
T
,
φ
>
<T,\varphi>
<T,φ>,
ϕ
n
→
φ
⇒
T
(
φ
n
)
→
T
(
φ
)
\phi_n \rightarrow \varphi \Rightarrow T(\varphi_n) \rightarrow T(\varphi)
ϕn→φ⇒T(φn)→T(φ)
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
,
φ
>
=
∫
−
∞
∞
f
(
x
)
φ
(
x
)
d
x
<f,\varphi> = \int_{-\infty}^\infty f(x) \varphi(x) dx
<f,φ>=∫−∞∞f(x)φ(x)dx(如果积分都收敛),大部分的函数都是分布
故
<
e
2
π
i
a
x
,
φ
>
=
∫
−
∞
∞
e
2
π
i
a
x
φ
(
x
)
d
x
<e^{2\pi i ax}, \varphi> = \int_{-\infty}^\infty e^{2\pi i ax}\varphi(x) dx
<e2πiax,φ>=∫−∞∞e2πiaxφ(x)dx是有意义的
把测试函数看做
s
s
s,那么
①
φ
∈
s
,
F
φ
∈
s
,
F
−
1
φ
∈
s
①\varphi \in s, \mathcal{F}\varphi \in s, \mathcal{F}^{-1} \varphi \in s
①φ∈s,Fφ∈s,F−1φ∈s
②
F
F
−
1
φ
=
φ
F
−
1
F
=
φ
② \mathcal{F} \mathcal{F}^{-1} \varphi= \varphi\\ \mathcal{F}^{-1} \mathcal{F} = \varphi
②FF−1φ=φF−1F=φ
与之对应的分布,通常也称为缓增广义函数
如果
T
T
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
<
F
T
,
φ
>
<\mathcal{F} T,\varphi>
<FT,φ>
假设,所有性质都很好地满足,则
<
F
T
,
f
>
=
∫
−
∞
∞
F
T
(
x
)
f
(
x
)
d
x
=
∫
−
∞
∞
∫
−
∞
∞
e
−
2
π
i
x
y
f
(
x
)
d
x
 
T
(
y
)
d
y
=
∫
−
∞
∞
F
f
(
y
)
T
(
y
)
d
y
=
<
T
,
F
f
>
\begin{aligned} <\mathcal{F} T,f> &= \int_{-\infty}^\infty \mathcal{F}T(x) f(x) dx \\ &=\int_{-\infty}^\infty \int_{-\infty}^\infty e^{-2\pi i xy} f(x) dx\, T(y) dy\\ &= \int_{-\infty}^\infty \mathcal{F}f(y) T(y) dy\\ &= <T,\mathcal{F}f> \end{aligned}
<FT,f>=∫−∞∞FT(x)f(x)dx=∫−∞∞∫−∞∞e−2πixyf(x)dxT(y)dy=∫−∞∞Ff(y)T(y)dy=<T,Ff>
所以定义
<
F
T
,
φ
>
=
<
T
,
F
φ
>
<\mathcal{F} T,\varphi> = <T,\mathcal{F} \varphi>
<FT,φ>=<T,Fφ>
同样定义
<
F
−
1
T
,
φ
>
=
<
T
,
F
−
1
φ
>
<\mathcal{F}^{-1}T,\varphi> = <T,\mathcal{F}^{-1}\varphi>
<F−1T,φ>=<T,F−1φ>
容易证明这样定义是合理的,即
<
F
F
−
1
T
,
φ
>
=
<
T
,
φ
>
<\mathcal{F}\mathcal{F}^{-1}T,\varphi> = <T,\varphi>
<FF−1T,φ>=<T,φ>,
<
F
−
1
F
T
,
φ
>
=
<
T
,
φ
>
<\mathcal{F}^{-1}\mathcal{F}T,\varphi> = <T,\varphi>
<F−1FT,φ>=<T,φ>
根据定义
<
F
δ
,
φ
>
=
<
δ
,
F
φ
>
=
F
φ
(
0
)
=
∫
−
∞
∞
1
φ
(
x
)
d
x
=
<
1
,
φ
>
<\mathcal{F}\delta, \varphi> = <\delta, \mathcal{F} \varphi> = \mathcal{F} \varphi(0) = \int_{-\infty}^\infty 1 \varphi(x) dx = <1,\varphi>
<Fδ,φ>=<δ,Fφ>=Fφ(0)=∫−∞∞1φ(x)dx=<1,φ>
故(频域分散,时域聚集)
F
δ
=
1
\mathcal{F} \delta = 1
Fδ=1
同样
F
δ
a
=
e
−
2
π
i
a
x
\mathcal{F} \delta_a = e^{-2\pi i a x}
Fδa=e−2πiax
F
e
−
2
π
i
a
x
=
δ
a
\mathcal{F} e^{-2\pi i a x} = \delta_a
Fe−2πiax=δa
而由
cos
(
2
π
a
x
)
=
1
2
(
e
2
π
i
a
x
+
e
−
2
π
i
a
x
)
\cos(2\pi a x ) = \frac{1}{2}(e^{2\pi i a x}+e^{-2\pi i a x})
cos(2πax)=21(e2πiax+e−2πiax),得
F
cos
(
2
π
a
x
)
=
1
2
(
δ
a
+
δ
−
a
)
\mathcal{F} \cos(2\pi a x ) = \frac{1}{2} (\delta_a + \delta_{-a})
Fcos(2πax)=21(δa+δ−a)
必须证明这和原来的是不矛盾的
分布的导数和卷积
<
T
′
,
φ
>
=
?
<T',\varphi>=?
<T′,φ>=?
如果
T
T
T由一个函数给出
<
T
′
,
φ
>
=
∫
−
∞
∞
T
′
(
x
)
φ
(
x
)
d
x
=
[
T
(
x
)
φ
(
x
)
]
∣
−
∞
∞
−
∫
−
∞
∞
T
(
x
)
φ
′
(
x
)
d
x
=
−
∫
−
∞
∞
T
(
x
)
φ
′
(
x
)
d
x
=
−
<
T
,
φ
′
>
\begin{aligned}<T',\varphi> &= \int_{-\infty}^\infty T'(x) \varphi(x) dx \\ &= [T(x)\varphi(x)] \bigg|_{-\infty}^\infty - \int_{-\infty}^\infty T(x) \varphi'(x)dx \\ &= - \int_{-\infty}^\infty T(x) \varphi'(x)dx \\ &= -<T,\varphi'> \end{aligned}
<T′,φ>=∫−∞∞T′(x)φ(x)dx=[T(x)φ(x)]∣∣∣∣−∞∞−∫−∞∞T(x)φ′(x)dx=−∫−∞∞T(x)φ′(x)dx=−<T,φ′>
把它作为定义
<
T
′
,
φ
>
=
−
<
T
,
φ
′
>
<T',\varphi> = -<T,\varphi'>
<T′,φ>=−<T,φ′>
Example: (跳跃函数Heaviside函数)
u
(
x
)
=
{
1
,
 
x
>
0
0
,
 
x
≤
0
u(x) = \begin{cases} 1, \, &x>0 \\ 0,\, & x \le 0 \end{cases}
u(x)={1,0,x>0x≤0
<
u
′
,
φ
>
=
−
<
u
,
φ
′
>
=
−
∫
−
∞
∞
u
x
(
x
)
φ
′
(
x
)
d
x
=
−
∫
0
∞
φ
′
(
x
)
d
x
=
−
φ
(
x
)
∣
0
∞
=
<
δ
,
φ
>
\begin{aligned} <u',\varphi> &= -<u,\varphi'> = -\int_{-\infty}^\infty ux(x) \varphi'(x) dx \\ &=- \int_0^\infty \varphi'(x) dx = - \varphi(x) \bigg|_0^\infty = <\delta,\varphi> \end{aligned}
<u′,φ>=−<u,φ′>=−∫−∞∞ux(x)φ′(x)dx=−∫0∞φ′(x)dx=−φ(x)∣∣∣∣0∞=<δ,φ>
所以
u
′
=
δ
u' = \delta
u′=δ
同理得到
s
i
g
n
 
x
=
{
1
,
 
x
>
0
0
,
 
x
=
0
−
1
,
 
x
<
0
sign \,x = \begin{cases}1,\, & x> 0\\ 0,\, &x =0 \\-1,\, & x<0\end{cases}
signx=⎩⎪⎨⎪⎧1,0,−1,x>0x=0x<0
s
i
g
n
′
=
2
δ
sign' = 2\delta
sign′=2δ
傅里叶变换的导数和导数的傅里叶变换
(
F
T
)
′
=
F
(
−
2
π
i
t
T
)
(\mathcal{F}T)' = \mathcal{F}(-2\pi i t T)
(FT)′=F(−2πitT)
F
(
T
′
)
=
2
π
i
s
F
T
\mathcal{F}(T') = 2\pi i s \mathcal{F} T
F(T′)=2πisFT
<
(
F
T
)
′
,
φ
>
=
−
<
F
T
,
φ
′
>
=
−
<
T
,
F
φ
′
>
=
−
<
T
,
2
π
i
t
F
φ
>
=
<
−
2
π
i
t
T
,
F
φ
>
=
<
F
(
−
2
π
i
t
T
)
,
φ
>
\begin{aligned}<(\mathcal{F}T)',\varphi> &= -<\mathcal{F}T,\varphi'> = -<T,\mathcal{F} \varphi'>\\ &= -<T,2\pi i t \mathcal{F} \varphi> = <-2\pi i t T ,\mathcal{F} \varphi> = <\mathcal{F}( -2\pi i t T),\varphi> \end{aligned}
<(FT)′,φ>=−<FT,φ′>=−<T,Fφ′>=−<T,2πitFφ>=<−2πitT,Fφ>=<F(−2πitT),φ>
<
F
(
T
′
)
,
φ
>
=
<
T
′
,
F
φ
>
=
−
<
T
,
(
F
φ
)
′
>
=
−
<
T
,
F
(
−
2
π
i
s
φ
)
>
=
<
2
π
i
s
F
T
,
φ
>
\begin{aligned} <\mathcal{F}(T'),\varphi> &= <T', \mathcal{F} \varphi> = -<T,(\mathcal{F} \varphi)'>\\ &=-<T,\mathcal{F}(-2\pi i s \varphi)> = <2\pi i s\mathcal{F} T, \varphi > \end{aligned}
<F(T′),φ>=<T′,Fφ>=−<T,(Fφ)′>=−<T,F(−2πisφ)>=<2πisFT,φ>
利用这个来找
s
g
n
 
x
sgn\,x
sgnx的傅里叶变换,由于
s
g
n
′
=
2
δ
sgn' =2 \delta
sgn′=2δ
F
(
s
g
n
′
)
=
2
δ
=
2
\mathcal{F}(sgn') = \mathcal{2\delta} = 2
F(sgn′)=2δ=2
另外有
F
(
s
g
n
′
)
=
2
π
i
s
F
(
s
g
n
)
\mathcal{F}(sgn') = 2\pi i s \mathcal{F}(sgn)
F(sgn′)=2πisF(sgn)
故
F
(
s
g
n
)
=
2
2
π
i
s
=
1
π
i
s
\mathcal{F}(sgn) = \frac{2}{2\pi i s } = \frac{1}{\pi i s }
F(sgn)=2πis2=πis1
需要注意的是,如果 S , T S,T S,T都是分布,那么 S T ST ST是没有定义的。特殊情况是当 f f f为函数(满足一定条件,使得 f φ ∈ s f\varphi \in s fφ∈s), < f T , φ > = < T , f φ > <fT,\varphi> = <T,f\varphi> <fT,φ>=<T,fφ>
例子
<
f
δ
,
φ
>
=
<
δ
,
f
φ
>
=
f
(
0
)
φ
(
0
)
=
<
f
(
0
)
δ
,
φ
>
<f\delta,\varphi> = <\delta,f\varphi> = f(0)\varphi(0) = <f(0)\delta,\varphi>
<fδ,φ>=<δ,fφ>=f(0)φ(0)=<f(0)δ,φ>
即
f
δ
=
f
(
0
)
δ
f\delta = f(0) \delta
fδ=f(0)δ
同理
f
δ
a
=
f
(
a
)
δ
a
f\delta_a = f(a) \delta_a
fδa=f(a)δa
这是
δ
\delta
δ的采样性质
如果
T
,
S
T,S
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
∗
T
f*T
f∗T,当
f
f
f作为一个函数,并且卷积定理成立
F
(
f
∗
T
)
=
(
F
f
)
(
F
T
)
\mathcal{F}(f*T) = (\mathcal{F}f)(\mathcal{F}T)
F(f∗T)=(Ff)(FT)
一个特例,当
T
=
δ
T=\delta
T=δ(根据卷积定理和前面的结果有)
f
∗
δ
=
f
f* \delta = f
f∗δ=f
(
f
∗
δ
a
)
(
x
)
=
f
(
x
−
a
)
(f* \delta_a)(x) = f(x - a)
(f∗δa)(x)=f(x−a)
δ
\delta
δ的缩放性质,
δ
(
a
x
)
\delta(ax)
δ(ax)定义为?
当
a
>
0
a>0
a>0,
<
δ
(
a
x
)
,
φ
(
x
)
>
=
∫
−
∞
∞
δ
(
a
x
)
φ
(
x
)
d
x
=
1
a
∫
−
∞
∞
δ
(
u
)
φ
(
u
a
)
d
u
=
<
δ
,
1
a
φ
(
x
a
)
>
=
1
a
φ
(
0
)
=
1
a
<
δ
,
φ
>
\begin{aligned} <\delta(ax) ,\varphi(x)> &= \int_{-\infty}^\infty \delta(ax) \varphi(x) dx = \frac{1}{a} \int_{-\infty}^\infty \delta(u) \varphi(\frac{u}{a}) du\\ &=<\delta,\frac{1}{a} \varphi(\frac{x}{a})> = \frac{1}{a} \varphi(0) = \frac{1}{a}<\delta,\varphi> \end{aligned}
<δ(ax),φ(x)>=∫−∞∞δ(ax)φ(x)dx=a1∫−∞∞δ(u)φ(au)du=<δ,a1φ(ax)>=a1φ(0)=a1<δ,φ>
当
a
<
0
a<0
a<0同理
<
δ
(
a
x
)
,
φ
(
x
)
>
=
−
1
a
<
δ
,
φ
>
<\delta(ax) ,\varphi(x)> = - \frac{1}{a}<\delta,\varphi>
<δ(ax),φ(x)>=−a1<δ,φ>
所以
<
δ
(
a
x
)
,
φ
(
x
)
>
=
1
∣
a
∣
<
δ
,
φ
>
<\delta(ax) ,\varphi(x)> = \frac{1}{|a|}<\delta,\varphi>
<δ(ax),φ(x)>=∣a∣1<δ,φ>
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
{
近
场
衍
射
:
菲
涅
尔
衍
射
远
场
衍
射
:
夫
琅
禾
费
衍
射
\begin{cases}近场衍射:菲涅尔衍射\\ 远场衍射:夫琅禾费衍射 \end{cases}
{近场衍射:菲涅尔衍射远场衍射:夫琅禾费衍射
下面介绍夫琅禾费衍射
光波可以表示为
E
e
2
π
i
ν
t
Ee^{2\pi i \nu t}
Ee2πiνt,
E
E
E为衍射屏上(光栅)的电场强度
ν
\nu
ν为频率
假设
E
E
E为常数,接受屏上一点
p
p
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
p
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
x
x点处的场强大小为
d
x
dx
dx处的场强
E
0
e
2
π
i
ν
t
d
x
E_0 e^{2\pi i \nu t}dx
E0e2πiνtdx(一点的场强)
x
x
x点的光,到
p
p
p(经过距离为
r
r
r),相位改变多少(经过多少周期)
λ
\lambda
λ为波长,那么经过了
r
λ
\frac{r}{\lambda}
λr个周期,改变相位为
2
π
r
λ
\frac{2\pi r}{\lambda}
λ2πr,所以
x
x
x点的电磁场到
p
p
p点处的电场为
d
E
=
E
0
e
2
π
i
ν
t
e
−
2
π
i
r
/
λ
d
x
dE = E_0 e^{2\pi i \nu t} e^{-2\pi i r / \lambda} dx
dE=E0e2πiνte−2πir/λdx
总电场为
E
=
∫
E
0
e
2
π
i
ν
t
e
−
2
π
i
r
/
λ
d
x
=
E
0
e
2
π
i
ν
t
∫
e
−
2
π
i
r
/
λ
d
x
E = \int E_0 e^{2\pi i \nu t} e^{-2\pi i r / \lambda} dx = E_0 e^{2\pi i \nu t} \int e^{-2\pi i r / \lambda} dx
E=∫E0e2πiνte−2πir/λdx=E0e2πiνt∫e−2πir/λdx
实际上看到的场强是
∣
E
∣
|E|
∣E∣
引入Fraunhofer近似,假设
r
≫
x
r \gg x
r≫x
r
0
−
x
sin
θ
≈
r
r_0 - x \sin \theta \approx r
r0−xsinθ≈r
代入积分得到
E
=
E
0
e
2
π
i
ν
t
∫
e
−
2
π
i
(
r
0
−
x
sin
θ
)
/
λ
d
x
=
E
0
e
2
π
i
ν
t
e
−
2
π
i
r
0
/
λ
∫
e
2
π
i
x
sin
θ
/
λ
d
x
\begin{aligned} 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 i x \sin \theta / \lambda}dx\end{aligned}
E=E0e2πiνt∫e−2πi(r0−xsinθ)/λdx=E0e2πiνte−2πir0/λ∫e2πixsinθ/λdx
令
p
=
sin
θ
/
λ
p=\sin\theta / \lambda
p=sinθ/λ,积分变为
E
0
e
2
π
i
ν
t
e
−
2
π
i
r
0
/
λ
∫
a
p
e
r
t
u
r
e
e
2
π
i
p
x
d
x
E_0 e^{2\pi i \nu t } e^{-2\pi i r_0 /\lambda} \int_{aperture} e^{2\pi i px }dx
E0e2πiνte−2πir0/λ∫aperturee2πipxdx
引入孔径函数
A
(
x
)
=
{
1
,
 
x
∈
a
p
e
r
t
u
r
e
0
,
 
x
∉
a
p
e
r
t
u
r
e
A(x) = \begin{cases}1,\, x \in aperture \\ 0,\, x\notin aperture \end{cases}
A(x)={1,x∈aperture0,x∈/aperture
后边的积分可以写成
∫
−
∞
∞
e
2
π
i
x
p
A
(
x
)
d
x
=
F
−
1
A
(
p
)
\int_{-\infty}^\infty e^{2\pi i xp}A(x) dx = \mathcal{F}^{-1} A(p)
∫−∞∞e2πixpA(x)dx=F−1A(p)
在物理学上记为
F
A
(
p
)
\mathcal{F} A(p)
FA(p)而不是
F
−
1
A
(
p
)
\mathcal{F}^{-1} A(p)
F−1A(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
a
a写成
Π
a
(
x
)
\Pi_a(x)
Πa(x)
接受屏的光强为
a
 
s
i
n
c
(
a
sin
θ
λ
)
=
a
 
s
i
n
c
(
a
p
)
a \,sinc \left(\frac{a\sin \theta}{\lambda}\right)=a \,sinc(ap)
asinc(λasinθ)=asinc(ap)
p
=
sin
θ
λ
p = \frac{\sin \theta}{\lambda}
p=λsinθ
如果光阑尾一个点光源,则狭缝变为
δ
\delta
δ,接收屏是均匀亮度。这是对
δ
\delta
δ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
)
=
Π
a
(
x
−
b
2
)
+
Π
a
(
x
+
b
2
)
A(x) = \Pi_a\left(x - \frac{b}{2}\right) + \Pi_a\left(x + \frac{b}{2}\right)
A(x)=Πa(x−2b)+Πa(x+2b)
其傅里叶变换为
a
(
s
i
n
c
(
a
p
)
)
2
cos
(
π
b
p
)
,
p
=
sin
θ
λ
a\left(sinc(ap) \right) 2\cos(\pi b p ),p = \frac{\sin\theta}{\lambda}
a(sinc(ap))2cos(πbp),p=λsinθ
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
ρ
p
(
x
)
=
∑
k
=
−
∞
∞
ρ
(
x
−
k
p
)
\rho_p(x) = \sum_{k = -\infty}^\infty \rho(x - kp)
ρp(x)=k=−∞∑∞ρ(x−kp)
晶体的衍射条纹是由
F
ρ
p
\mathcal{F} \rho_p
Fρp决定的,将
ρ
p
(
x
)
\rho_p(x)
ρp(x)写成卷积
ρ
(
x
−
k
p
)
=
ρ
(
x
)
∗
δ
(
x
−
k
p
)
\rho(x - kp) = \rho(x) * \delta(x - kp)
ρ(x−kp)=ρ(x)∗δ(x−kp)
故
ρ
p
(
x
)
=
∑
k
=
−
∞
∞
ρ
(
x
)
∗
δ
(
x
−
k
p
)
=
ρ
(
x
)
∗
∑
k
=
−
∞
∞
δ
(
x
−
k
p
)
\rho_p(x) = \sum_{k = -\infty}^\infty \rho(x) * \delta(x - kp)\\ =\rho(x) *\sum_{k = -\infty}^\infty \delta(x - kp)
ρp(x)=k=−∞∑∞ρ(x)∗δ(x−kp)=ρ(x)∗k=−∞∑∞δ(x−kp)
使用(间隔为
p
p
p的
Ш
Ш
Ш(Shah)函数)
Ш
p
(
x
)
=
∑
k
=
−
∞
∞
δ
(
x
−
k
p
)
Ш_p(x) = \sum_{k = -\infty}^\infty \delta(x - kp)
Шp(x)=k=−∞∑∞δ(x−kp)
故
ρ
p
(
x
)
=
ρ
(
x
)
∗
Ш
p
(
x
)
\rho_p (x) = \rho(x) *Ш_p(x)
ρp(x)=ρ(x)∗Шp(x)
F
ρ
p
=
(
F
p
)
(
F
Ш
p
)
\mathcal{F} \rho_p = (\mathcal{F} p)(\mathcal{F} Ш_p)
Fρp=(Fp)(FШp)
问题是
F
Ш
p
=
?
\mathcal{F} Ш_p = ?
FШp=?
让
p
=
1
p=1
p=1,
Ш
(
x
)
=
∑
k
=
−
∞
∞
δ
(
x
−
k
)
Ш(x) = \sum_{k = -\infty}^\infty \delta(x - k)
Ш(x)=∑k=−∞∞δ(x−k),这是一个有意义的分布,为什么
因为
<
Ш
,
φ
>
=
∑
k
=
−
∞
∞
φ
(
k
)
<Ш,\varphi> = \sum_{k = -\infty}^\infty\varphi(k)
<Ш,φ>=∑k=−∞∞φ(k)收敛,所以
F
Ш
\mathcal{F}Ш
FШ也有意义
F
Ш
=
∑
k
=
−
∞
∞
F
(
δ
(
x
−
k
)
)
=
∑
k
=
−
∞
∞
e
−
2
π
i
k
s
\mathcal{F} Ш = \sum_{k = -\infty}^\infty \mathcal{F} (\delta( x - k)) = \sum_{k = -\infty}^\infty e^{-2\pi i ks}
FШ=k=−∞∑∞F(δ(x−k))=k=−∞∑∞e−2πiks
不符合一般的收敛,但对于分布仍然有意义
<
F
Ш
,
φ
>
=
<
Ш
,
F
φ
>
=
∑
k
=
−
∞
∞
F
φ
(
k
)
<\mathcal{F}Ш,\varphi> = <Ш,\mathcal{F}\varphi> = \sum_{k = -\infty}^\infty\mathcal{F} \varphi(k)
<FШ,φ>=<Ш,Fφ>=k=−∞∑∞Fφ(k)
引入泊松(poison)求和公式(后面证明)。
φ
\varphi
φ为速将函数,则
∑
k
=
−
∞
∞
φ
(
k
)
=
∑
k
=
−
∞
∞
F
φ
(
k
)
\sum_{k = -\infty}^\infty \varphi(k) = \sum_{k = -\infty}^\infty \mathcal{F}\varphi(k)
k=−∞∑∞φ(k)=k=−∞∑∞Fφ(k)
用这个来推导
F
Ш
\mathcal{F}Ш
FШ
<
F
Ш
,
φ
>
=
<
Ш
,
F
φ
>
=
∑
k
=
−
∞
∞
F
φ
(
k
)
=
∑
k
=
−
∞
∞
φ
(
k
)
=
<
Ш
,
φ
>
<\mathcal{F}Ш,\varphi> = <Ш,\mathcal{F}\varphi> = \sum_{k = -\infty}^\infty\mathcal{F} \varphi(k) = \sum_{k = -\infty}^\infty \varphi(k) = <Ш,\varphi>
<FШ,φ>=<Ш,Fφ>=k=−∞∑∞Fφ(k)=k=−∞∑∞φ(k)=<Ш,φ>
那么
F
Ш
p
=
?
\mathcal{F}Ш_p=?
FШp=?
Ш
p
(
x
)
=
∑
k
=
−
∞
∞
δ
(
x
−
k
p
)
=
∑
k
=
−
∞
∞
δ
(
p
(
x
p
)
−
k
)
=
1
p
∑
k
=
−
∞
∞
δ
(
x
p
−
k
)
=
1
p
Ш
(
x
p
)
\begin{aligned} 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{aligned}
Шp(x)=k=−∞∑∞δ(x−kp)=k=−∞∑∞δ(p(px)−k)=p1k=−∞∑∞δ(px−k)=p1Ш(px)
F
Ш
p
=
1
p
F
[
Ш
(
x
p
)
]
=
1
p
p
(
F
Ш
)
(
p
x
)
=
Ш
(
p
x
)
\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)
FШp=p1F[Ш(px)]=p1p(FШ)(px)=Ш(px)
Ш
(
p
x
)
=
∑
k
=
−
∞
∞
δ
(
p
x
−
k
)
=
1
p
∑
k
=
−
∞
∞
δ
(
x
−
k
p
)
=
1
p
Ш
1
p
(
x
)
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)
Ш(px)=k=−∞∑∞δ(px−k)=p1k=−∞∑∞δ(x−pk)=p1Шp1(x)
即
F
Ш
p
=
1
p
Ш
1
p
(
x
)
\mathcal{F}Ш_p=\frac{1}{p} Ш_{\frac{1}{p} }(x)
FШp=p1Шp1(x)
泊松(poison)等式的证明,
∑
k
=
−
∞
∞
φ
(
k
)
=
∑
k
=
−
∞
∞
F
φ
(
k
)
\sum_{k = -\infty}^\infty \varphi(k) = \sum_{k = -\infty}^\infty \mathcal{F}\varphi(k)
k=−∞∑∞φ(k)=k=−∞∑∞Fφ(k)
证明:
将
φ
\varphi
φ周期延拓(变成周期为1)
Φ
(
x
)
=
∑
k
=
−
∞
∞
φ
(
x
−
k
)
\Phi(x) = \sum_{k = -\infty}^\infty \varphi(x - k)
Φ(x)=k=−∞∑∞φ(x−k)
一方面
Φ
(
0
)
=
∑
k
=
−
∞
∞
φ
(
−
k
)
=
∑
k
=
−
∞
∞
φ
(
k
)
\Phi(0) = \sum_{k = -\infty}^\infty \varphi( - k) = \sum_{k = -\infty}^\infty \varphi( k)
Φ(0)=k=−∞∑∞φ(−k)=k=−∞∑∞φ(k)
另一方面,展开成傅里叶级数
Φ
(
x
)
=
∑
k
=
−
∞
∞
Φ
^
(
k
)
e
2
π
i
k
x
\Phi(x) = \sum_{k = -\infty}^\infty \widehat{\Phi}(k) e^{2\pi i kx}
Φ(x)=k=−∞∑∞Φ
(k)e2πikx
Φ
^
(
k
)
=
F
φ
(
k
)
\widehat{\Phi}(k) =\mathcal{F} \varphi(k)
Φ
(k)=Fφ(k)
故
Φ
(
x
)
=
∑
k
=
−
∞
∞
F
φ
(
k
)
e
2
π
i
k
x
\Phi(x) = \sum_{k = -\infty}^\infty \mathcal{F} \varphi(k) e^{2\pi i kx}
Φ(x)=k=−∞∑∞Fφ(k)e2πikx
得到
Φ
(
0
)
=
∑
k
=
−
∞
∞
F
φ
(
k
)
\Phi(0) = \sum_{k = -\infty}^\infty \mathcal{F} \varphi(k)
Φ(0)=k=−∞∑∞Fφ(k)
因此poison等式成立
回头来看晶体
ρ
p
(
x
)
=
ρ
(
x
)
∗
Ш
p
(
x
)
\rho_p(x) = \rho(x) * Ш_p(x)
ρp(x)=ρ(x)∗Шp(x)
F
ρ
p
=
(
F
ρ
)
(
1
p
Ш
1
p
)
=
1
p
F
ρ
(
x
)
∑
k
=
−
∞
∞
δ
(
x
−
k
p
)
=
1
p
∑
k
=
−
∞
∞
ρ
(
x
)
δ
(
x
−
k
p
)
=
1
p
∑
k
=
−
∞
∞
ρ
(
k
p
)
δ
(
x
−
k
p
)
\begin{aligned} \mathcal{F} \rho_p &= \left(\mathcal{F} \mathcal{\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{aligned}
Fρp=(Fρ)(p1Шp1)=p1Fρ(x)k=−∞∑∞δ(x−pk)=p1k=−∞∑∞ρ(x)δ(x−pk)=p1k=−∞∑∞ρ(pk)δ(x−pk)
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
Ш
Ш)
1)采样性质
f
(
x
)
Ш
p
(
x
)
=
∑
k
=
−
∞
∞
f
(
k
p
)
δ
(
x
−
k
p
)
f(x)Ш_p(x) = \sum_{k = -\infty}^\infty f(kp) \delta(x - kp)
f(x)Шp(x)=k=−∞∑∞f(kp)δ(x−kp)
2)卷积性质
(
f
∗
Ш
p
)
(
x
)
=
∑
k
=
−
∞
∞
f
(
x
−
k
p
)
\left(f*Ш_p \right)(x)=\sum_{k = -\infty}^\infty f(x - kp)
(f∗Шp)(x)=k=−∞∑∞f(x−kp)
3)傅里叶变换性质
F
Ш
p
=
1
p
Ш
1
p
\mathcal{F}Ш_p = \frac{1}{p}Ш_{\frac{1}{p}}
FШp=p1Шp1
F
−
1
Ш
p
=
1
p
Ш
1
p
\mathcal{F}^{-1}Ш_p = \frac{1}{p}Ш_{\frac{1}{p}}
F−1Шp=p1Шp1
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
)
f(t)
f(t),如果当
∣
s
∣
>
≥
p
/
2
|s|>\ge p/2
∣s∣>≥p/2 ,
F
f
(
s
)
=
0
\mathcal{F}f(s) = 0
Ff(s)=0,对于某个
p
p
p成立
最小的值
p
p
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
)
(t_k)
(tk)表示采样值,
Ш
Ш
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
p
p,通过卷积将其周期化
F
f
∗
Ш
p
\mathcal{F} f *Ш_p
Ff∗Шp
为了得到原函数的变换
Π
p
(
F
f
∗
Ш
p
)
=
F
f
\Pi_p (\mathcal{F} f *Ш_p ) = \mathcal{F} f
Πp(Ff∗Шp)=Ff
进行反变换,得
f
(
t
)
=
F
−
1
(
Π
p
(
F
f
∗
Ш
p
)
)
=
(
F
−
1
Π
p
)
∗
F
−
1
(
F
f
∗
Ш
p
)
=
p
 
s
i
n
c
(
p
t
)
∗
[
(
f
)
(
1
p
Ш
1
p
)
]
\begin{aligned}f(t) &=\mathcal{F}^{-1} \left( \Pi_p (\mathcal{F} f *Ш_p ) \right)\\ &= (\mathcal{F}^{-1} \Pi_p ) * \mathcal{F}^{-1}(\mathcal{F} f *Ш_p)\\ &=p \,sinc(pt) * \left[(f)\left(\frac{1}{p}Ш_{\frac{1}{p}}\right) \right] \end{aligned}
f(t)=F−1(Πp(Ff∗Шp))=(F−1Πp)∗F−1(Ff∗Шp)=psinc(pt)∗[(f)(p1Шp1)]
后面部分
1
p
f
Ш
1
p
(
t
)
=
1
p
f
(
t
)
∑
k
=
−
∞
∞
δ
(
t
−
k
p
)
=
1
p
∑
k
=
−
∞
∞
f
(
k
p
)
δ
(
t
−
k
p
)
\frac{1}{p}fШ_{\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)
p1fШp1(t)=p1f(t)k=−∞∑∞δ(t−pk)=p1k=−∞∑∞f(pk)δ(t−pk)
则得
f
(
t
)
=
p
 
s
i
n
c
(
p
t
)
∗
(
1
p
∑
k
=
−
∞
∞
f
(
k
p
)
δ
(
t
−
k
p
)
)
=
s
i
n
c
(
p
t
)
∗
(
∑
k
=
−
∞
∞
f
(
k
p
)
δ
(
t
−
k
p
)
)
=
∑
k
=
−
∞
∞
f
(
k
p
)
s
i
n
c
(
p
t
)
∗
δ
(
t
−
k
p
)
(
卷
积
线
性
性
质
)
=
∑
k
=
−
∞
∞
f
(
k
p
)
s
i
n
c
(
p
(
t
−
k
p
)
)
=
∑
k
=
−
∞
∞
f
(
k
p
)
s
i
n
c
(
p
t
−
k
)
\begin{aligned}f(t) &= p \,sinc(pt)* \left( \frac{1}{p} \sum_{k = -\infty}^\infty f\left(\frac{k}{p}\right)\delta \left(t - \frac{k}{p}\right) \right)\\ &=sinc(pt)*\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)* \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{aligned}
f(t)=psinc(pt)∗(p1k=−∞∑∞f(pk)δ(t−pk))=sinc(pt)∗(k=−∞∑∞f(pk)δ(t−pk))=k=−∞∑∞f(pk)sinc(pt)∗δ(t−pk)(卷积线性性质)=k=−∞∑∞f(pk)sinc(p(t−pk))=k=−∞∑∞f(pk)sinc(pt−k)
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
F
f
(
s
)
=
0
,
∣
s
∣
≥
p
2
\mathcal{F} f(s) = 0,|s| \ge \frac{p}{2}
Ff(s)=0,∣s∣≥2p,即可得到
F
f
=
Π
p
(
F
f
∗
Ш
p
)
\mathcal{F} f =\Pi_p (\mathcal{F} f *Ш_p )
Ff=Πp(Ff∗Шp)
f
(
t
)
=
∑
k
=
−
∞
∞
f
(
k
p
)
s
i
n
c
(
p
t
−
k
)
f(t) = \sum_{k = -\infty}^\infty f\left(\frac{k}{p}\right) sinc\left(pt - k\right)
f(t)=k=−∞∑∞f(pk)sinc(pt−k)
就是说,频域中的周期化,转化成了时域中的采样
k
/
p
k/p
k/p为采样点,称
p
p
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:
F
f
(
s
)
≡
0
,
∣
s
∣
≥
p
2
\mathcal{F} f(s) \equiv 0,|s| \ge \frac{p}{2}
Ff(s)≡0,∣s∣≥2p,那么
f
(
t
)
̸
≡
0
,
∀
t
>
∣
T
∣
f(t) \not{\equiv} 0,\forall t > |T|
f(t)̸≡0,∀t>∣T∣
因为
F
f
=
Π
p
(
F
f
)
\mathcal{F} f = \Pi_p (\mathcal{F} f)
Ff=Πp(Ff)
f
(
t
)
=
F
−
1
F
f
=
p
 
s
i
n
c
(
p
t
)
∗
f
(
t
)
=
p
∫
−
∞
∞
s
i
n
c
(
p
t
−
p
x
)
f
(
x
)
d
x
f(t) = \mathcal{F}^{-1} \mathcal{F} f=p \,sinc (pt) * f(t)\\ = p \int_{-\infty}^\infty sinc(pt - px) f(x) dx
f(t)=F−1Ff=psinc(pt)∗f(t)=p∫−∞∞sinc(pt−px)f(x)dx
因为
s
i
n
c
sinc
sinc无限长,故不能为0
接下来探讨混叠和插值关系
f
(
t
)
f(t)
f(t)受限,
F
f
(
s
)
=
0
,
∣
s
∣
≥
p
/
2
,
F
f
≡
Π
p
(
F
f
∗
Ш
p
)
\mathcal{F}f(s) = 0,|s| \ge p/2, \mathcal{F} f \equiv \Pi_p( \mathcal{F} f *Ш_p )
Ff(s)=0,∣s∣≥p/2,Ff≡Πp(Ff∗Шp)
如果采样速率
p
p
p取得太小,可以构造
F
f
∗
Ш
p
\mathcal{F} f *Ш_p
Ff∗Шp,但会产生重叠
记
g
g
g为采样速率过小,得到的原函数
g
(
t
)
=
∑
k
=
−
∞
∞
f
(
k
p
′
)
s
i
n
c
(
p
′
(
t
−
k
p
′
)
)
g(t) = \sum_{k = -\infty}^\infty f\left( \frac{k}{p'} \right) sinc\left(p' \left( t - \frac{k}{p'}\right) \right)
g(t)=k=−∞∑∞f(p′k)sinc(p′(t−p′k))
g
g
g和
f
f
f虽然不相等,但是
g
(
k
p
′
)
=
f
(
k
p
′
)
g\left( \frac{k}{p'} \right) = f\left( \frac{k}{p'} \right)
g(p′k)=f(p′k)
因为
g
(
m
p
′
)
=
∑
k
=
−
∞
∞
f
(
k
p
′
)
s
i
n
c
(
m
−
k
)
g\left(\frac{m}{p'} \right) = \sum_{k = -\infty}^\infty f\left(\frac{k}{p'} \right) sinc(m - k)
g(p′m)=k=−∞∑∞f(p′k)sinc(m−k)
而
s
i
n
c
(
m
−
k
)
=
{
0
,
 
m
≠
k
1
,
 
m
=
k
sinc(m-k)=\begin{cases}0,\,m\ne k\\ 1,\, m = k \end{cases}
sinc(m−k)={0,m̸=k1,m=k
所以
g
(
k
p
′
)
=
f
(
k
p
′
)
g\left( \frac{k}{p'} \right) = f\left( \frac{k}{p'} \right)
g(p′k)=f(p′k)
说
g
g
g为
f
f
f的混叠
Example
f
(
t
)
=
cos
(
9
π
2
t
)
f(t) = \cos(\frac{9\pi}{2} t)
f(t)=cos(29πt)
F
f
=
1
2
(
δ
(
s
+
9
4
)
+
δ
(
s
−
9
4
)
)
\mathcal{F} f=\frac{1}{2} \left(\delta\left(s +\frac{9}{4} \right)+\delta\left(s -\frac{9}{4} \right) \right)
Ff=21(δ(s+49)+δ(s−49))
要取
p
>
9
2
p>\frac{9}{2}
p>29才能 与
Ш
p
Ш_p
Шp卷积不重叠,如果
p
p
p太小,比如
p
=
1
p=1
p=1
那么
Π
1
(
F
f
∗
Ш
1
)
=
Π
1
(
1
2
(
δ
(
s
+
9
4
)
+
δ
(
s
−
9
4
)
)
∗
Ш
1
)
=
1
2
(
δ
(
s
+
1
4
)
+
δ
(
s
−
1
4
)
)
\begin{aligned}\Pi_1\left(\mathcal{F}f * 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) * Ш_1 \ \right)\\ &=\frac{1}{2} \left(\delta\left(s +\frac{1}{4} \right)+\delta\left(s -\frac{1}{4} \right) \right) \end{aligned}
Π1(Ff∗Ш1)=Π1(21(δ(s+49)+δ(s−49))∗Ш1 )=21(δ(s+41)+δ(s−41))
做逆变换
F
−
1
Π
1
(
F
f
∗
Ш
1
)
=
1
2
F
−
1
(
δ
(
s
+
1
4
)
+
δ
(
s
−
1
4
)
)
=
cos
(
π
t
2
)
\begin{aligned} \mathcal{F}^{-1} \Pi_1 \left( \mathcal{F}f * 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{aligned}
F−1Π1(Ff∗Ш1)=21F−1(δ(s+41)+δ(s−41))=cos(2πt)
当
t
∈
Z
t\in \mathbb{Z}
t∈Z时,
cos
(
π
t
2
)
=
cos
(
9
4
π
t
)
\cos\left(\frac{\pi t}{2}\right) = \cos\left(\frac{9}{4}\pi t\right)
cos(2πt)=cos(49πt)
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
40000
H
z
40000Hz
40000Hz的速率的声音,人就分不出差别。实际上CD的采样速率为
44.1
k
H
z
>
40000
H
z
44.1kHz>40000Hz
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
)
f(t)
f(t)是连续的
1)合理的离散逼近
f
(
t
)
f(t)
f(t)
2)合理的离散啊傅里叶变换
3)找到一种从
f
f
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
)
f(t)
f(t)有限,限制在
0
≤
t
≤
L
0\le t \le L
0≤t≤L
F
f
(
s
)
\mathcal{F}f(s)
Ff(s)限制在
0
≤
s
≤
2
B
0 \le s \le 2 B
0≤s≤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
1
2
B
\frac{1}{2B}
2B1的间隔进行采样(频率为2B)
取采样点为
N
=
2
B
L
N = 2BL
N=2BL,样本
t
0
=
0
,
t
1
=
1
2
B
,
⋯
 
,
t
N
−
1
=
N
−
1
2
B
t_0 = 0,t_1 = \frac{1}{2B},\cdots,t_{N-1} = \frac{N-1}{2B}
t0=0,t1=2B1,⋯,tN−1=2BN−1,共N个点
采样结果为
f
d
i
s
c
r
e
t
e
=
f
(
t
)
∑
k
=
0
N
−
1
δ
(
t
−
t
k
)
=
∑
k
=
0
N
−
1
f
(
t
k
)
δ
(
t
−
t
k
)
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)
fdiscrete=f(t)k=0∑N−1δ(t−tk)=k=0∑N−1f(tk)δ(t−tk)
它的傅里叶变换是
F
f
d
i
s
c
r
e
t
e
=
∑
k
=
0
N
−
1
f
(
t
k
)
e
−
2
π
i
s
t
k
\mathcal{F} f_{discrete} = \sum_{k = 0}^{N- 1}f(t_k) e^{-2\pi i st_k}
Ffdiscrete=k=0∑N−1f(tk)e−2πistk
仍为连续函数,怎么得到离散点。怎样在频域采样
对频域以
1
L
\frac{1}{L}
L1的间隔采样,共
2
B
L
=
N
2BL=N
2BL=N个点
s
0
=
0
,
s
1
=
1
L
,
⋯
 
,
s
N
−
1
=
N
−
1
L
s_0 = 0,s_1 = \frac{1}{L},\cdots, s_{N-1} = \frac{N - 1}{L}
s0=0,s1=L1,⋯,sN−1=LN−1
(
F
f
d
i
s
c
r
e
t
e
)
∑
k
=
0
N
−
1
δ
(
s
−
s
k
)
=
(
∑
k
=
0
N
−
1
f
(
t
k
)
e
−
2
π
i
s
t
k
)
(
∑
k
=
0
N
−
1
δ
(
s
−
s
k
)
)
=
∑
k
,
m
=
0
N
−
1
f
(
t
k
)
e
−
2
π
i
s
m
t
k
δ
(
s
−
s
m
)
(\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 i st_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_mt_k} \delta(s - s_m)
(Ffdiscrete)k=0∑N−1δ(s−sk)=(k=0∑N−1f(tk)e−2πistk)(k=0∑N−1δ(s−sk))=k,m=0∑N−1f(tk)e−2πismtkδ(s−sm)
定这些值为
F
(
s
m
)
=
∑
k
=
0
N
−
1
f
(
t
k
)
e
−
2
π
i
s
m
t
k
,
m
=
0
,
⋯
 
,
N
−
1
F(s_m)=\sum_{k=0}^{N-1} f(t_k) e^{-2\pi i s_m t_k},m=0,\cdots,N-1
F(sm)=k=0∑N−1f(tk)e−2πismtk,m=0,⋯,N−1
把这些点,作为
F
f
\mathcal{F} f
Ff的近似,准确来说是
F
f
d
i
s
c
r
e
t
e
\mathcal{F} f_{discrete}
Ffdiscrete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
F
f
(
s
)
∫
0
L
e
−
2
π
i
s
t
f
(
t
)
d
t
\mathcal{F} f(s) \int_0^L e^{-2\pi i st} f(t) dt
Ff(s)∫0Le−2πistf(t)dt
也就有
F
f
(
s
m
)
∫
0
L
e
−
2
π
i
s
m
t
f
(
t
)
d
t
\mathcal{F} f(s_m) \int_0^L e^{-2\pi i s_mt} f(t) dt
Ff(sm)∫0Le−2πismtf(t)dt
利用积分的黎曼和近似
F
f
(
s
m
)
=
∫
0
L
e
−
2
π
i
s
m
t
f
(
t
)
d
t
≈
∑
k
=
0
N
−
1
f
(
t
k
)
e
−
2
π
i
s
m
t
k
Δ
t
=
1
2
B
∑
k
=
0
N
−
1
f
(
t
k
)
e
−
2
π
i
s
m
t
k
=
1
2
B
F
(
s
m
)
\begin{aligned} \mathcal{F} f(s_m) &=\int_0^L e^{-2\pi i s_mt} f(t) dt\approx \sum_{k=0}^{N-1}f(t_k)e^{-2\pi i s_mt_k} \Delta t \\ &= \frac{1}{2B} \sum_{k=0}^{N-1}f(t_k)e^{-2\pi i s_mt_k} = \frac{1}{2B} F(s_m)\end{aligned}
Ff(sm)=∫0Le−2πismtf(t)dt≈k=0∑N−1f(tk)e−2πismtkΔt=2B1k=0∑N−1f(tk)e−2πismtk=2B1F(sm)
为了方便,用索引代替变量 ,我们记
f
=
(
f
[
0
]
,
⋯
 
,
f
[
N
−
1
]
)
f = (f[0],\cdots,f[N-1])
f=(f[0],⋯,f[N−1])
F
=
(
F
[
0
]
,
⋯
 
,
F
[
N
−
1
]
)
F=(F[0],\cdots,F[N-1])
F=(F[0],⋯,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
,
⋯
 
,
t
N
−
1
t_0,\cdots,t_{N-1}
t0,⋯,tN−1,间隔为
Δ
t
\Delta t
Δt
同样在时域
s
0
,
⋯
 
,
s
N
−
1
s_0,\cdots,s_{N-1}
s0,⋯,sN−1间隔为
Δ
s
\Delta s
Δs
{
N
Δ
t
=
L
N
Δ
s
=
2
B
2
B
L
=
N
⇒
Δ
t
Δ
s
=
1
N
\begin{cases}N\Delta t = L \\ N\Delta s = 2B\\ 2BL=N \end{cases} \Rightarrow \Delta t \Delta s = \frac{1}{N}
⎩⎪⎨⎪⎧NΔt=LNΔs=2B2BL=N⇒ΔtΔs=N1
如果采样时确定
Δ
t
\Delta t
Δt和
N
N
N,么
Δ
s
\Delta s
Δs也就确定了。即频域的分辨率的精度确定,好坏由
Δ
t
\Delta t
Δt和
N
N
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
ω
=
(
1
,
e
2
π
i
/
N
,
e
2
π
i
2
/
N
,
⋯
 
,
e
2
π
i
(
N
−
1
)
/
N
)
,
ω
[
m
]
=
e
2
π
i
m
/
N
\omega = (1,e^{2\pi i /N},e^{2\pi i 2/N},\cdots,e^{2\pi i (N-1)/N}),\omega[m] = e^{2\pi i m/N}
ω=(1,e2πi/N,e2πi2/N,⋯,e2πi(N−1)/N),ω[m]=e2πim/N
定义
ω
\omega
ω的幂次
ω
n
=
(
1
,
e
2
π
i
n
/
N
,
e
2
π
i
2
n
/
N
,
⋯
 
,
e
2
π
i
n
(
N
−
1
)
/
N
)
\omega^n = (1,e^{2\pi i n/N},e^{2\pi i 2n/N},\cdots,e^{2\pi i n(N-1)/N})
ωn=(1,e2πin/N,e2πi2n/N,⋯,e2πin(N−1)/N)
我们可以把DFT记为
F
f
[
m
]
=
∑
n
=
1
N
−
1
f
[
n
]
ω
−
n
[
m
]
\mathcal{F} f[m] = \sum_{n = 1}^{N- 1} f[n] \omega^{-n} [m]
Ff[m]=n=1∑N−1f[n]ω−n[m]
或者
F
f
=
∑
n
=
1
N
−
1
f
[
n
]
ω
−
n
\mathcal{F} f= \sum_{n = 1}^{N- 1} f[n] \omega^{-n}
Ff=n=1∑N−1f[n]ω−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
f
f和输出
F
F
F不仅作为
0
−
N
0-N
0−N的离散数值,而是周期为N的离散函数。这是因为
ω
\omega
ω本身是周期为N的复向量
2)离散复指数的正交性
如果
k
≠
l
k\ne l
k̸=l,则
ω
k
\omega^k
ωk和
ω
l
\omega^l
ωl正交
ω
k
⋅
ω
l
=
∑
n
=
0
N
−
1
ω
k
[
n
]
ω
l
[
n
]
‾
=
∑
n
=
0
N
−
1
e
2
π
i
k
n
/
N
e
−
2
π
i
l
n
/
N
=
∑
n
=
0
N
−
1
e
2
π
i
(
k
−
l
)
n
/
N
=
1
−
(
e
2
π
i
(
k
−
l
)
/
N
)
N
1
−
e
2
π
i
(
k
−
l
)
/
N
=
0
\begin{aligned}\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 i k n /N} e^{-2\pi i ln/N}\\ &=\sum_{n=0}^{N-1} e^{2\pi i (k - l)n/N}\\ &=\dfrac{1-\left(e^{2\pi i (k - l)/N} \right)^N}{1 - e^{2\pi i (k - l)/N}} \\ &= 0 \end{aligned}
ωk⋅ωl=n=0∑N−1ωk[n]ωl[n]=n=0∑N−1e2πikn/Ne−2πiln/N=n=0∑N−1e2πi(k−l)n/N=1−e2πi(k−l)/N1−(e2πi(k−l)/N)N=0
∣ ω k ∣ 2 = N |\omega^k|^2=N ∣ωk∣2=N,不是标准正交的,许多公式引入 N N N和 1 N \frac{1}{N} N1就是因为这个
DFT逆变换
F
−
1
F
=
1
N
∑
n
=
0
N
−
1
f
[
n
]
ω
n
\mathcal{F}^{-1} F = \frac{1}{N} \sum_{n = 0}^{N - 1} f[n] \omega^n
F−1F=N1n=0∑N−1f[n]ωn
必须证明
F
F
−
1
f
=
f
,
F
−
1
F
f
=
f
\mathcal{F}\mathcal{F}^{-1} f = f,\mathcal{F}^{-1}\mathcal{F}f = f
FF−1f=f,F−1Ff=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
F
f
[
0
]
=
∑
n
=
0
N
−
1
f
[
k
]
ω
−
n
[
0
]
=
∑
n
=
0
N
−
1
f
[
k
]
\mathcal{F} f[0] = \sum_{n = 0}^{N- 1} f[k] \omega^{-n} [0] = \sum_{n = 0}^{N- 1}f[k]
Ff[0]=n=0∑N−1f[k]ω−n[0]=n=0∑N−1f[k]
F
f
(
0
)
=
∫
−
∞
∞
f
(
t
)
d
t
\mathcal{F} f(0) = \int_{-\infty}^\infty f(t) d t
Ff(0)=∫−∞∞f(t)dt
两个特殊信号
一个是
1
=
(
1
,
⋯
 
,
1
)
\mathcal{1}=(1,\cdots,1)
1=(1,⋯,1)
另一个是离散
δ
\delta
δ函数
δ
0
=
(
1
,
0
,
⋯
 
,
0
)
\delta_0 = (1,0,\cdots,0)
δ0=(1,0,⋯,0),
δ
k
=
(
0
,
⋯
 
,
1
,
0
,
⋯
 
,
1
)
\delta_k = (0,\cdots,1,0,\cdots,1)
δk=(0,⋯,1,0,⋯,1)第k个位置为1
F
δ
0
=
∑
n
=
0
N
−
1
δ
0
[
n
]
ω
−
n
=
(
1
,
1
,
⋯
 
,
1
)
=
1
\mathcal{F} \delta_0 = \sum_{n = 0}^{N- 1} \delta_0 [n] \omega^{-n} = (1,1,\cdots,1) = \mathcal{1}
Fδ0=n=0∑N−1δ0[n]ω−n=(1,1,⋯,1)=1
和 连续的情形一样,同样
F
δ
k
=
∑
n
=
0
N
−
1
δ
k
[
n
]
ω
−
n
=
ω
−
k
\mathcal{F} \delta_k = \sum_{n = 0}^{N- 1} \delta_k[n] \omega^{-n}=\omega^{-k}
Fδk=n=0∑N−1δk[n]ω−n=ω−k
F
ω
k
=
N
δ
k
\mathcal{F} \omega^k = N\delta_k
Fωk=Nδk
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
F
f
]
n
]
=
∑
n
=
0
N
−
1
f
[
n
]
ω
−
n
[
m
]
\mathcal{F} f]n] = \sum_{n = 0}^{N- 1} f[n] \omega^{-n} [m]
Ff]n]=n=0∑N−1f[n]ω−n[m]
写成矩阵形式为
[
F
f
[
0
]
F
f
[
1
]
⋮
F
f
[
N
−
1
]
]
=
[
1
1
⋯
1
1
 
ω
−
1
⋯
ω
−
(
N
−
1
)
⋮
⋮
⋱
⋮
1
ω
−
(
N
1
)
⋯
ω
−
(
N
−
1
)
(
N
−
1
)
]
[
f
[
0
]
⋮
f
[
N
−
1
]
]
\begin{bmatrix} \mathcal{F} f[0]\\\mathcal{F} f[1]\\ \vdots\\\mathcal{F} f[N-1]\\ \end{bmatrix} = \begin{bmatrix} &1 &1 &\cdots &1 \\ &1\, &\omega^{-1} &\cdots &\omega^{-(N-1)} \\ &\vdots &\vdots &\ddots &\vdots \\ &1 &\omega^{-(N_1)} &\cdots &\omega^{-(N-1)(N-1)} \end{bmatrix} \begin{bmatrix} f[0]\\ \vdots \\ f[N-1] \end{bmatrix}
⎣⎢⎢⎢⎡Ff[0]Ff[1]⋮Ff[N−1]⎦⎥⎥⎥⎤=⎣⎢⎢⎢⎡11⋮11ω−1⋮ω−(N1)⋯⋯⋱⋯1ω−(N−1)⋮ω−(N−1)(N−1)⎦⎥⎥⎥⎤⎣⎢⎡f[0]⋮f[N−1]⎦⎥⎤
F
H
F
=
F
F
H
=
N
I
\mathcal{F}^H \mathcal{F} = \mathcal{F} \mathcal{F} ^H = NI
FHF=FFH=NI
所以
F
−
1
=
1
N
F
H
\mathcal{F} ^{-1}= \frac{1}{N}\mathcal{F} ^H
F−1=N1FH
计算需要
O
(
N
2
)
O(N^2)
O(N2)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
ω
\omega
ω的周期性。因为可以看成一系列
ω
\omega
ω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
]
f^-[n] = f[-n]
f−[n]=f[−n]
则
F
(
f
−
)
=
(
F
f
)
−
\mathcal{F}(f^-) = (\mathcal{F}f)^-
F(f−)=(Ff)−
F
F
f
=
N
f
−
\mathcal{F}\mathcal{F}f = Nf^-
FFf=Nf−
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
(
n
l
o
g
n
)
O(n^2) \longrightarrow O(nlogn)
O(n2)⟶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
F
f
[
m
]
=
∑
n
=
0
N
−
1
f
[
n
]
ω
−
n
m
\mathcal{F} f[m] = \sum_{n = 0}^{N-1} f[n] \omega^{-nm}
Ff[m]=n=0∑N−1f[n]ω−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
ω
[
p
,
q
]
\omega[p,q]
ω[p,q]表示
e
2
π
i
q
/
p
e^{2\pi i q/p}
e2πiq/p
ω
[
p
,
q
1
+
q
2
]
=
ω
[
p
,
q
1
]
+
ω
[
p
,
q
2
]
\omega[p,q_1+q_2]=\omega[p,q_1]+\omega[p,q_2]
ω[p,q1+q2]=ω[p,q1]+ω[p,q2]
ω
[
N
,
−
n
m
]
=
ω
−
n
m
=
e
−
2
π
i
n
m
/
N
\omega[N,-nm] = \omega^{-nm}=e^{-2\pi i nm/N}
ω[N,−nm]=ω−nm=e−2πinm/N
ω
[
N
2
,
−
n
m
]
=
e
−
2
π
i
n
m
/
(
N
/
2
)
=
ω
[
N
,
−
2
n
m
]
\omega\left[\frac{N}{2},-nm\right] = e^{-2\pi i n m / (N/2)} = \omega[N,-2nm]
ω[2N,−nm]=e−2πinm/(N/2)=ω[N,−2nm]
ω
[
N
,
−
(
2
n
+
2
)
m
]
=
ω
[
N
,
−
2
n
m
−
m
]
=
ω
[
N
,
−
2
n
m
]
ω
[
N
,
−
m
]
=
ω
[
N
2
,
−
n
m
]
ω
[
N
,
−
m
]
\begin{aligned}\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{aligned}
ω[N,−(2n+2)m]=ω[N,−2nm−m]=ω[N,−2nm]ω[N,−m]=ω[2N,−nm]ω[N,−m]
把这些代入原公式
F
f
[
m
]
=
∑
n
=
0
N
−
1
f
[
n
]
ω
[
N
,
−
n
m
]
=
(
e
v
e
n
 
p
a
r
t
)
+
(
o
d
d
 
p
a
r
t
)
=
∑
n
=
0
N
2
−
1
f
[
2
n
]
ω
[
N
,
−
2
n
m
]
+
∑
n
=
0
N
2
−
1
f
[
2
n
+
1
]
ω
[
N
,
−
(
2
n
+
1
)
m
]
=
∑
n
=
0
N
2
−
1
f
[
2
n
]
ω
[
N
2
,
−
n
m
]
+
∑
n
=
0
N
2
−
1
f
[
2
n
+
1
]
ω
[
N
2
,
−
n
m
]
ω
[
N
,
−
m
]
⎵
i
n
d
e
p
e
n
d
e
n
t
 
o
f
 
n
=
∑
n
=
0
N
2
−
1
f
[
2
n
]
ω
[
N
2
,
−
n
m
]
+
ω
[
N
,
−
m
]
∑
n
=
0
N
2
−
1
f
[
2
n
+
1
]
ω
[
N
2
,
−
n
m
]
\begin{aligned}\mathcal{F}f[m] &= \sum_{n = 0} ^{N - 1} f[n] \omega[N,-nm]\\ &=(even\, part) + (odd\, part)\\ &=\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] \underbrace{\omega[N,-m]}_{independent\,of\,n}\\ &=\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{aligned}
Ff[m]=n=0∑N−1f[n]ω[N,−nm]=(evenpart)+(oddpart)=n=0∑2N−1f[2n]ω[N,−2nm]+n=0∑2N−1f[2n+1]ω[N,−(2n+1)m]=n=0∑2N−1f[2n]ω[2N,−nm]+n=0∑2N−1f[2n+1]ω[2N,−nm]independentofn
ω[N,−m]=n=0∑2N−1f[2n]ω[2N,−nm]+ω[N,−m]n=0∑2N−1f[2n+1]ω[2N,−nm]
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
N/2
N/2项和后
N
/
2
N/2
N/2项重复计算
当
m
≤
N
2
−
1
m \le \frac{N}{2} - 1
m≤2N−1
F
N
f
[
m
]
=
F
N
/
2
f
e
v
e
n
[
m
]
+
ω
[
N
,
−
m
]
F
N
/
2
f
o
d
d
[
m
]
\mathcal{F}_N f[m] = \mathcal{F}_{N/2}f_{even}[m] + \omega[N,-m] \mathcal{F}_{N/2} f_{odd}[m]
FNf[m]=FN/2feven[m]+ω[N,−m]FN/2fodd[m]
当
m
>
N
2
−
1
m > \frac{N}{2} - 1
m>2N−1,记为
m
+
N
2
m+\frac{N}{2}
m+2N
F
N
f
[
m
+
N
2
]
=
∑
n
=
0
N
2
−
1
f
[
2
n
]
ω
[
N
2
,
−
n
(
m
+
N
2
)
]
+
ω
[
N
,
−
(
m
+
N
2
)
]
∑
n
=
0
N
2
−
1
f
[
2
n
+
1
]
ω
[
N
2
,
−
n
(
m
+
N
2
)
]
\begin{aligned}\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{aligned}
FNf[m+2N]=n=0∑2N−1f[2n]ω[2N,−n(m+2N)]+ω[N,−(m+2N)]n=0∑2N−1f[2n+1]ω[2N,−n(m+2N)]
而由于
ω
[
N
2
,
−
(
−
n
N
2
)
]
=
1
\omega \left[\frac{N}{2},-\left(\frac{-nN}{2} \right) \right] = 1
ω[2N,−(2−nN)]=1,以及
ω
[
N
,
−
n
(
m
+
N
2
)
]
=
−
ω
[
N
,
−
m
]
\omega\left[N ,-n\left(m+\frac{N}{2}\right) \right] = -\omega[N,-m]
ω[N,−n(m+2N)]=−ω[N,−m]
得到
F
N
f
[
m
+
N
2
]
=
∑
n
=
0
N
2
−
1
f
[
2
n
]
ω
[
N
2
,
−
n
m
]
−
ω
[
N
,
−
m
]
∑
n
=
0
N
2
−
1
f
[
2
n
+
1
]
[
N
2
,
−
n
m
]
\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]
FNf[m+2N]=n=0∑2N−1f[2n]ω[2N,−nm]−ω[N,−m]n=0∑2N−1f[2n+1][2N,−nm]
也就是
F
N
f
[
m
+
N
2
]
=
F
N
/
2
f
e
v
e
n
[
m
]
−
ω
[
N
,
−
m
]
F
N
/
2
f
o
d
d
[
m
]
\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]
FNf[m+2N]=FN/2feven[m]−ω[N,−m]FN/2fodd[m]