线性系统
- 冲击响应和传递函数
- 线性不变系统的特征方程
定义,线性系统,将输入与输出映射起来,满足叠加性原则(superposition)
L
(
v
1
)
+
L
(
v
2
)
=
L
(
v
1
+
v
2
)
L(v_1) + L(v_2) = L(v_1+v_2)
L(v1)+L(v2)=L(v1+v2)
L
(
α
v
)
=
α
L
(
v
)
L(\alpha v) = \alpha L(v)
L(αv)=αL(v)
也就有
L
(
∑
i
=
1
n
α
i
v
i
)
=
∑
i
=
1
n
α
i
L
(
v
i
)
L\left(\sum_{i = 1}^n \alpha_i v_i \right) = \sum_{i = 1}^n \alpha_i L(v_i)
L(i=1∑nαivi)=i=1∑nαiL(vi)
可以推广到无限和,但需要一些另外的假设。假设满足一定的连续性(这里不讨论具体的含义)
Example(线性系统的例子)
-正比关系
L
(
v
)
=
α
v
L(v) = \alpha v
L(v)=αv
可以说,所有的线性系统,最终都回归到对正比的操作上
正比也被称作倍增,任何倍增给出的线性系统是一个线性系统
L
(
v
(
t
)
)
=
α
(
t
)
v
(
t
)
L(v(t)) = \alpha(t) v(t)
L(v(t))=α(t)v(t)
-比如开关switch
L
(
v
(
t
)
)
=
Π
a
(
t
)
v
(
t
)
L(v(t)) =\Pi_a (t) v(t)
L(v(t))=Πa(t)v(t)
-采样也是一种线性系统
L
(
v
(
t
)
)
=
Ш
p
(
t
)
v
(
t
)
L(v(t)) = Ш_p(t) v(t)
L(v(t))=Шp(t)v(t)
更一般化正比,两个线性运算再加上相加
(
A
v
)
i
=
∑
j
=
0
M
a
i
j
v
j
(Av)_i = \sum_{j =0}^M a_{ij} v_j
(Av)i=j=0∑Maijvj
具有特殊性质的线性系统(他们的特殊性质来自于A的特殊性质)
Example
-
A
A
A对称
A
T
=
A
A^T = A
AT=A
-
A
A
AHermitian
A
H
=
A
A^H = A
AH=A
-
A
A
A酉或正交
时常寻找A的特征值和特征向量
如果有n个特征向量和特征值,他们构成了输入的基
(
{
λ
i
}
{
v
i
}
)
(\{\lambda_i \}\{ v_i\})
({λi}{vi})
A
v
=
∑
i
=
1
n
A
(
α
i
v
i
)
=
∑
i
=
1
n
α
i
λ
i
v
i
Av= \sum_{i = 1}^n A(\alpha_i v_i) = \sum_{i = 1}^n \alpha_i \lambda_i v_i
Av=i=1∑nA(αivi)=i=1∑nαiλivi
有限维度线性系统的唯一例子:矩阵乘法
Ex
输入,所有次数小于
n
n
n的多项式
a
0
+
a
1
x
+
⋯
+
a
n
x
n
a_0 + a_1 x + \cdots+a_n x^n
a0+a1x+⋯+anxn
让
L
=
d
/
d
x
L = d/dx
L=d/dx(微分)
L
L
L能表达成
n
×
n
n\times n
n×n矩阵
(有限维线性原酸都能表达成矩阵乘法)
对于武县委连续的情况,对矩阵进行概括的线性系统就是对核函数进行积分的操作
输入
v
(
0
)
v(0)
v(0),核
k
k
k,为
k
(
x
,
y
)
k(x,y)
k(x,y)
L
v
(
x
)
=
∫
−
∞
∞
k
(
x
,
y
)
v
(
y
)
d
y
L_v(x) = \int_{-\infty}^\infty k(x,y)v(y) d y
Lv(x)=∫−∞∞k(x,y)v(y)dy
对核函数
k
(
x
,
y
)
k(x,y)
k(x,y)类比对称情况为
k
(
x
,
y
)
=
k
(
y
,
x
)
k(x,y) = k(y,x)
k(x,y)=k(y,x)
Hermitian性为
k
(
x
,
y
)
=
k
(
y
,
x
)
‾
k(x,y) = \overline{k(y,x)}
k(x,y)=k(y,x)
Example
①
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
k
(
s
,
t
)
=
e
−
2
π
i
s
t
(
对
称
的
)
k(s,t) = e^{-2\pi i st}(对称的)
k(s,t)=e−2πist(对称的)
②卷积,固定
h
h
h
L
v
=
h
∗
v
Lv = h * v
Lv=h∗v
L
v
(
x
)
=
∫
−
∞
∞
h
(
x
−
y
)
v
(
y
)
d
y
Lv(x) = \int_{-\infty}^\infty h(x - y) v(y) dy
Lv(x)=∫−∞∞h(x−y)v(y)dy
k
(
x
,
y
)
=
h
(
x
−
y
)
k(x,y) = h(x-y)
k(x,y)=h(x−y)
它不单独依赖于
x
,
y
x,y
x,y而是依赖于他们的差。这个性质导致了时间不变性,如果同时移动
x
x
x和
y
y
y同样的偏移量
a
a
a,卷积不变
这称为卷积时移不变性
对核函数积分不仅是线性系统的一个例子,而是连续线性系统的唯一例子
现在我们将从一般的线性系统中构造出核 k k k
特殊情况,讨论级联或者复合
v
⟶
L
⟶
M
⟶
w
v\longrightarrow \fbox{L}\longrightarrow \fbox{M}\longrightarrow w
v⟶L⟶M⟶w
也是线性的
当
L
L
L是由核得到的
L
v
(
x
)
=
∫
−
∞
∞
k
(
x
,
y
)
v
(
y
)
d
y
L_v(x) =\int_{-\infty}^\infty k(x,y) v(y) dy
Lv(x)=∫−∞∞k(x,y)v(y)dy
M
L
v
(
x
)
ML_v(x)
MLv(x)是什么
M
L
v
(
x
)
=
∫
−
∞
∞
M
x
k
(
x
,
y
)
v
(
y
)
d
y
ML_v(x) = \int_{-\infty}^\infty M_x k(x,y) v(y) d y
MLv(x)=∫−∞∞Mxk(x,y)v(y)dy
M
M
M对
k
k
k作用(关于
x
x
x)
不严格的说明(严格余姚积分,极限等假设)
∫
−
∞
∞
k
(
x
,
y
)
v
(
y
)
d
y
≈
∑
i
k
(
x
,
y
i
)
v
(
y
i
)
Δ
y
i
\int_{-\infty}^\infty k(x,y) v(y) dy \approx \sum_i k(x,y_i) v(y_i) \Delta y_i
∫−∞∞k(x,y)v(y)dy≈i∑k(x,yi)v(yi)Δyi
M
(
∑
i
k
(
x
,
y
i
)
v
(
y
i
)
Δ
y
i
)
=
∑
i
M
(
k
(
x
,
y
i
)
v
(
y
i
)
Δ
y
i
)
=
∑
i
M
(
k
(
x
,
y
i
)
)
v
(
y
i
)
Δ
y
i
≈
∫
−
∞
∞
M
x
k
(
x
,
y
)
v
(
y
)
d
y
\begin{aligned} M\left( \sum_i k(x,y_i) v(y_i) \Delta y_i \right) &= \sum_i M(k(x,y_i) v(y_i) \Delta y_i)\\ &=\sum_i M(k(x,y_i)) v(y_i) \Delta y_i \\ &\approx \int_{-\infty}^\infty M_x k(x,y) v(y) d y \end{aligned}
M(i∑k(x,yi)v(yi)Δyi)=i∑M(k(x,yi)v(yi)Δyi)=i∑M(k(x,yi))v(yi)Δyi≈∫−∞∞Mxk(x,y)v(y)dy
任意线性系统都是对核的积分
v
(
x
)
=
∫
−
∞
∞
δ
(
x
−
y
)
v
(
y
)
d
y
v(x) = \int_{-\infty}^\infty \delta(x - y) v(y) dy
v(x)=∫−∞∞δ(x−y)v(y)dy可以写成这样。L是一个线性系统
L
v
(
x
)
=
L
(
∫
−
∞
∞
δ
(
x
−
y
)
v
(
y
)
d
y
)
=
∫
−
∞
∞
L
x
(
δ
(
x
−
y
)
)
v
(
y
)
d
y
L_v(x) = L\left(\int_{-\infty}^\infty \delta(x - y) v(y) dy\right)\\ =\int_{-\infty}^\infty L_x(\delta(x - y)) v(y) dy
Lv(x)=L(∫−∞∞δ(x−y)v(y)dy)=∫−∞∞Lx(δ(x−y))v(y)dy
k
(
x
,
y
)
=
L
x
(
δ
(
x
−
y
)
)
k(x,y)= L_x(\delta(x - y))
k(x,y)=Lx(δ(x−y))
我们可以把核
k
(
x
,
y
)
k(x,y)
k(x,y)称作脉冲响应,系统
L
L
L对脉冲输入做出响应
Schwartz核理论(Schwartz核定理)
L是一个线性广义函数,将一个分布映射成另一个分布,那么存在唯一的核k
L
v
=
<
k
,
v
>
Lv = <k,v>
Lv=<k,v>
Example
傅里叶变换的脉冲响应是什么
F
x
(
δ
(
x
−
y
)
)
=
e
−
2
π
i
x
y
\mathcal{F}_x \left(\delta(x-y) \right) = e^{-2\pi i xy}
Fx(δ(x−y))=e−2πixy
F
f
(
x
)
=
∫
−
∞
∞
e
−
2
π
i
x
y
f
(
y
)
d
y
\mathcal{F} f(x) = \int_{-\infty}^\infty e^{-2\pi i xy} f(y) dy
Ff(x)=∫−∞∞e−2πixyf(y)dy
k
(
x
,
y
)
=
e
−
2
π
i
x
y
k(x,y) = e^{-2\pi i xy}
k(x,y)=e−2πixy
有限维的情况
L
(
v
)
=
A
v
L(v) = Av
L(v)=Av
脉冲响应为
A
A
A(求和代替积分,离散
δ
\delta
δ代替
δ
\delta
δ)
一样的证明
v
=
∑
i
=
0
n
v
δ
i
v = \sum_{ i = 0}^n v \delta_i
v=i=0∑nvδi
A
v
=
∑
i
=
0
n
A
δ
i
v
=
∑
i
=
0
n
∑
j
=
0
n
a
i
j
δ
j
v
Av = \sum_{ i = 0}^n A \delta_ i v = \sum_{ i = 0}^n \sum_{ j = 0}^n a_{ij} \delta_j v
Av=i=0∑nAδiv=i=0∑nj=0∑naijδjv
故
h
(
i
,
j
)
=
a
i
j
δ
j
=
a
i
j
h(i,j) = a_{ij} \delta_j = a_{ij}
h(i,j)=aijδj=aij
即
h
=
A
h=A
h=A
Example
一个有关开关的例子
switch
L
v
=
Π
v
Lv = \Pi v
Lv=Πv
响应函数是什么(y看成固定的)
L
(
δ
(
x
−
y
)
)
=
Π
(
x
)
δ
(
x
−
y
)
=
Π
(
y
)
δ
(
x
−
y
)
L(\delta(x - y)) = \Pi(x) \delta(x - y) = \Pi(y) \delta(x - y)
L(δ(x−y))=Π(x)δ(x−y)=Π(y)δ(x−y)
即
h
(
x
,
y
)
=
Π
(
y
)
δ
(
x
−
y
)
h(x,y) = \Pi(y) \delta(x - y)
h(x,y)=Π(y)δ(x−y)
检查一下
∫
−
∞
∞
Π
(
y
)
δ
(
x
−
y
)
v
(
y
)
d
y
=
Π
(
x
)
v
(
x
)
\int_{-\infty}^\infty \Pi(y) \delta(x - y) v(y) dy = \Pi(x) v(x)
∫−∞∞Π(y)δ(x−y)v(y)dy=Π(x)v(x)
有关卷积的特殊情况
L
v
=
h
∗
v
=
∫
−
∞
∞
h
(
x
−
y
)
v
(
y
)
d
y
Lv = h * v =\int_{-\infty}^\infty h(x - y) v(y) dy
Lv=h∗v=∫−∞∞h(x−y)v(y)dy
L
(
δ
(
x
−
y
)
)
h
(
x
−
y
)
L(\delta(x - y)) h(x - y)
L(δ(x−y))h(x−y)一定是脉冲响应(从Schwartz核的唯一性)
卷积与时延的关系也是非常值得研究的
时延与卷积有着非常简单的关系
定义时延算子
τ
\tau
τ
τ
a
v
(
x
)
=
v
(
x
−
a
)
\tau_a v(x) = v(x - a)
τav(x)=v(x−a)
由定义知道,卷积的时延等于时延的卷积
τ
a
(
h
∗
v
)
=
h
∗
(
τ
a
v
)
\tau_a (h*v) = h * (\tau_a v)
τa(h∗v)=h∗(τav)
假设一个线性系统
L
v
=
h
∗
v
Lv = h * v
Lv=h∗v
那么
写成
L
(
τ
a
v
)
=
τ
a
L
(
v
)
L(\tau_a v) = \tau_a L(v)
L(τav)=τaL(v)
我们称为时延不变系统(先时移再变换和变变换再平移一样的结果)
奇妙的是,如果系统是时移不变的,那么它一定是由卷积得到的
证:
如果
L
v
=
∫
−
∞
∞
L
x
(
δ
(
x
−
y
)
)
v
(
y
)
d
y
Lv = \int_{-\infty}^\infty L_x (\delta(x -y)) v(y) dy
Lv=∫−∞∞Lx(δ(x−y))v(y)dy是时移不变的,
L
x
(
δ
(
x
−
y
)
)
=
?
L_x(\delta(x - y)) = ?
Lx(δ(x−y))=?
让
L
δ
(
x
)
=
h
(
x
)
L\delta(x) = h(x)
Lδ(x)=h(x)(这是有意义的,相当于
k
(
x
,
0
)
k(x,0)
k(x,0)
则
L
(
δ
(
x
−
y
)
)
=
L
(
τ
y
δ
(
x
)
)
=
τ
y
L
(
δ
(
x
)
)
=
τ
y
h
(
x
)
=
h
(
x
−
y
)
L(\delta(x-y)) = L(\tau_y \delta(x)) = \tau_y L(\delta(x)) = \tau_y h(x) = h(x - y)
L(δ(x−y))=L(τyδ(x))=τyL(δ(x))=τyh(x)=h(x−y)
故
L
v
=
h
∗
v
Lv = h * v
Lv=h∗v
回到开关的例子
L
v
=
Π
v
Lv = \Pi v
Lv=Πv
h
(
x
,
y
)
=
Π
(
y
)
δ
(
x
−
y
)
h(x,y) = \Pi(y) \delta(x - y)
h(x,y)=Π(y)δ(x−y)
不仅是
x
−
y
x-y
x−y的函数,所以不是时延不变系统
线性不变系统
L
v
(
x
)
=
w
(
x
)
Lv(x)=w(x)
Lv(x)=w(x)
w
(
x
)
=
∫
−
∞
∞
h
(
x
,
y
)
v
(
y
)
d
y
w(x)= \int_{-\infty}^\infty h(x,y) v(y) dy
w(x)=∫−∞∞h(x,y)v(y)dy
时移不变
∫
−
∞
∞
h
(
x
−
y
)
v
(
y
)
d
y
=
h
∗
v
\int_{-\infty}^\infty h(x - y) v(y) dy = h * v
∫−∞∞h(x−y)v(y)dy=h∗v
h
=
L
δ
,
h
[
−
m
]
=
L
δ
m
h = L \delta,h[-m] = L\delta_m
h=Lδ,h[−m]=Lδm
例
h
=
(
1
,
2
,
3
,
4
)
h = (1,2,3,4)
h=(1,2,3,4)无限循环,
w
=
A
v
=
h
∗
v
w = Av = h * v
w=Av=h∗v,
A
A
A有限。
A
A
A是什么?
a
k
=
A
δ
k
a_k = A \delta_k
ak=Aδk
a
0
=
h
∗
δ
0
=
h
,
a
1
=
h
∗
δ
1
=
[
4
1
2
3
]
a_0 = h * \delta_0 = h, a_1 = h * \delta_1 = \begin{bmatrix}4\\1\\2\\3 \end{bmatrix}
a0=h∗δ0=h,a1=h∗δ1=⎣⎢⎢⎡4123⎦⎥⎥⎤
a
2
=
h
∗
δ
1
=
[
3
4
1
2
]
,
a
4
=
h
∗
δ
1
=
[
2
3
4
1
]
a_2 = h * \delta_1 = \begin{bmatrix}3\\4\\1\\2 \end{bmatrix},a_4 = h * \delta_1 = \begin{bmatrix}2\\3\\4\\1 \end{bmatrix}
a2=h∗δ1=⎣⎢⎢⎡3412⎦⎥⎥⎤,a4=h∗δ1=⎣⎢⎢⎡2341⎦⎥⎥⎤
故
A
=
[
1
4
3
2
2
1
4
3
3
2
1
4
3
3
2
1
]
A =\begin{bmatrix} 1 &4 &3 &2\\2 &1 &4 &3\\ 3 &2 &1 &4\\ 3 &3 &2 &1 \end{bmatrix}
A=⎣⎢⎢⎡1233412334122341⎦⎥⎥⎤
循环矩阵,托普利兹矩阵(Toeplitz matrix)的特例叫
对于LTI系统(线性时移不变系统),如果
w
=
h
∗
v
w = h * v
w=h∗v,做傅里叶变换
W
(
s
)
=
H
(
s
)
V
(
s
)
W(s) = H(s) V(s)
W(s)=H(s)V(s)
H
H
H叫传递函数。
在频域中,这个系统由比例给出
LTI系统最后一个伟大的事实是:复指数特征函数
w
=
L
v
=
h
∗
v
w = Lv = h * v
w=Lv=h∗v
傅里叶变换
W
(
s
)
=
H
(
s
)
V
(
s
)
W(s) = H(s)V(s)
W(s)=H(s)V(s)
如果
v
(
x
)
=
e
2
π
i
ν
t
v(x) = e^{2\pi i \nu t}
v(x)=e2πiνt(
ν
\nu
ν是频率),那么
L
v
(
x
)
Lv(x)
Lv(x)是什么
F
e
2
π
i
ν
t
=
δ
(
x
−
ν
)
\mathcal{F} e^{2\pi i \nu t} = \delta(x - \nu)
Fe2πiνt=δ(x−ν)
故
W
(
s
)
=
H
(
s
)
δ
(
s
−
ν
)
=
H
(
ν
)
δ
(
s
−
ν
)
W(s) = H(s) \delta(s - \nu) = H(\nu) \delta(s - \nu)
W(s)=H(s)δ(s−ν)=H(ν)δ(s−ν)
回到时域,逆变换
w
(
x
)
=
H
(
ν
)
e
2
π
i
ν
t
w(x) = H(\nu) e^{2\pi i \nu t}
w(x)=H(ν)e2πiνt
也就是说
L
(
e
2
π
i
ν
x
)
=
H
(
ν
)
e
2
π
i
ν
x
L(e^{2\pi i \nu x}) = H(\nu) e^{2\pi i \nu x}
L(e2πiνx)=H(ν)e2πiνx
即
e
2
π
i
ν
x
e^{2\pi i \nu x}
e2πiνx是
L
L
LW的特征函数,特征值为
H
(
ν
)
H(\nu)
H(ν)
意思就是,
e
2
π
i
ν
x
e^{2\pi i \nu x}
e2πiνx是任意LIT系统的特征函数,对应特征值为
H
(
ν
)
H(\nu)
H(ν)(实际上是一组基,可以用来对角化)
复指数是特征函数,而单独的
sin
,
cos
\sin,\cos
sin,cos不是
令
v
(
x
)
=
cos
2
π
ν
x
v(x) = \cos 2\pi \nu x
v(x)=cos2πνx
L
(
cos
2
π
ν
x
)
=
L
(
1
2
e
2
π
i
ν
x
+
1
2
e
−
2
π
i
ν
x
)
=
1
2
L
(
e
2
π
i
ν
x
)
+
1
2
L
(
e
−
2
π
i
ν
x
)
=
1
2
H
(
ν
)
e
2
π
i
ν
x
+
1
2
H
(
−
ν
)
e
−
2
π
i
ν
x
\begin{aligned}L(\cos 2\pi \nu x)&= L(\frac{1}{2}e^{2\pi i \nu x} + \frac{1}{2}e^{-2\pi i \nu x})\\ &=\frac{1}{2}L(e^{2\pi i \nu x}) +\frac{1}{2}L(e^{-2\pi i \nu x})\\ &=\frac{1}{2}H(\nu)e^{2\pi i \nu x} + \frac{1}{2} H(-\nu)e^{-2\pi i \nu x} \end{aligned}
L(cos2πνx)=L(21e2πiνx+21e−2πiνx)=21L(e2πiνx)+21L(e−2πiνx)=21H(ν)e2πiνx+21H(−ν)e−2πiνx
如果没有进一步假设,那么就不能合并,它不是一个特征函数
假设
h
h
h是实函数,那么
H
(
−
ν
)
=
H
(
ν
)
‾
H(-\nu) = \overline{H(\nu)}
H(−ν)=H(ν)
(
H
(
ν
)
‾
=
∫
−
∞
∞
e
−
2
π
i
ν
t
h
(
t
)
d
t
‾
=
∫
−
∞
∞
e
2
π
i
ν
t
h
(
t
)
d
t
=
∫
−
∞
∞
e
−
2
π
i
(
−
ν
)
t
h
(
t
)
d
t
=
H
(
−
ν
)
\overline{H(\nu)} = \overline{\int_{-\infty}^\infty e^{-2\pi i \nu t} h(t) dt} =\int_{-\infty}^\infty e^{2\pi i \nu t} h(t) dt = \int_{-\infty}^\infty e^{-2\pi i (-\nu) t} h(t) dt = H(-\nu)
H(ν)=∫−∞∞e−2πiνth(t)dt=∫−∞∞e2πiνth(t)dt=∫−∞∞e−2πi(−ν)th(t)dt=H(−ν)
故
L
(
cos
(
2
π
ν
x
)
)
=
1
2
H
(
ν
)
e
2
π
i
ν
x
+
1
2
H
(
ν
)
e
2
π
i
ν
x
‾
=
R
e
(
H
(
ν
)
e
2
π
i
ν
x
)
L(\cos(2\pi \nu x)) = \frac{1}{2}H(\nu)e^{2\pi i \nu x} + \frac{1}{2} \overline{H(\nu)e^{2\pi i \nu x}} = Re\left(H(\nu)e^{2\pi i \nu x} \right)
L(cos(2πνx))=21H(ν)e2πiνx+21H(ν)e2πiνx=Re(H(ν)e2πiνx)
记
H
(
ν
)
=
∣
H
(
ν
)
∣
e
i
ϕ
H(\nu) = |H(\nu)|e^{i\phi}
H(ν)=∣H(ν)∣eiϕ,上式等于
R
e
(
∣
H
(
ν
)
∣
e
2
π
i
ν
x
e
i
ϕ
)
=
R
e
(
∣
H
(
ν
)
∣
e
i
(
2
π
ν
x
+
ϕ
)
)
=
∣
H
(
ν
)
∣
cos
(
2
π
ν
x
+
ϕ
)
Re \left(|H(\nu)|e^{2\pi i \nu x}e^{i\phi} \right)=Re \left(|H(\nu)|e^{i(2\pi \nu x +\phi)} \right)\\ =|H(\nu)| \cos(2\pi \nu x +\phi)
Re(∣H(ν)∣e2πiνxeiϕ)=Re(∣H(ν)∣ei(2πνx+ϕ))=∣H(ν)∣cos(2πνx+ϕ)
我们得到
L
(
cos
(
2
π
ν
x
)
)
=
∣
H
(
ν
)
∣
cos
(
2
π
ν
x
+
ϕ
)
L(\cos(2\pi \nu x)) = |H(\nu)|\cos(2\pi \nu x +\phi)
L(cos(2πνx))=∣H(ν)∣cos(2πνx+ϕ)
对于离散的情况也是一样
w
=
L
v
=
h
∗
v
w = Lv = h * v
w=Lv=h∗v
w
[
m
]
=
H
[
m
]
V
[
m
]
w[m] = H[m] V[m]
w[m]=H[m]V[m]
令
v
=
ω
k
v =\omega^k
v=ωk
F
ω
k
=
N
δ
k
\mathcal{F} \omega^k = N\delta_k
Fωk=Nδk
W
=
H
N
δ
k
=
H
[
k
]
N
δ
k
W = HN\delta_k = H[k] N \delta_k
W=HNδk=H[k]Nδk
逆变换得
L
(
ω
k
)
=
H
[
k
]
ω
k
L(\omega^k) = H[k] \omega^k
L(ωk)=H[k]ωk
(故
ω
k
\omega^k
ωk组成了特征向量组,也是一组基)
考虑之前的矩阵
A
=
[
1
4
3
2
2
1
4
3
3
2
1
4
3
3
2
1
]
A =\begin{bmatrix} 1 &4 &3 &2\\2 &1 &4 &3\\ 3 &2 &1 &4\\ 3 &3 &2 &1 \end{bmatrix}
A=⎣⎢⎢⎡1233412334122341⎦⎥⎥⎤
特征值由传递函数给出
F
h
=
∑
k
=
0
3
h
[
k
]
ω
−
k
=
∑
k
=
0
3
(
k
+
1
)
ω
−
k
=
[
10
−
2
+
2
i
2
−
2
−
2
i
]
\begin{aligned} \mathcal{F} h &= \sum_{k = 0}^3 h[k] \omega^{-k}\\ &= \sum_{k = 0}^3 (k+1) \omega^{-k}=\begin{bmatrix}10\\-2+2i\\2\\-2-2i \end{bmatrix} \end{aligned}
Fh=k=0∑3h[k]ω−k=k=0∑3(k+1)ω−k=⎣⎢⎢⎡10−2+2i2−2−2i⎦⎥⎥⎤
高维傅里叶变换
也就是多变量函数的傅里叶变换
高维傅里叶变换有许多的应用,如图像福利也分析,谱分析,图像信号处理
组成分量是高维复指数,为了使高维傅里叶变换和一维情形差不多,只需要使用向量记号
一维情形
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
二维,记
x
=
(
x
1
,
x
2
)
,
ξ
=
(
ξ
1
,
ξ
2
)
x = (x_1,x_2),\xi = (\xi_1,\xi_2)
x=(x1,x2),ξ=(ξ1,ξ2)
F
f
=
∫
R
2
e
−
2
π
i
x
⋅
ξ
f
(
x
)
d
x
=
∫
−
∞
∞
∫
−
∞
∞
e
−
2
π
i
(
x
1
ξ
1
+
x
2
ξ
2
)
f
(
x
1
,
x
2
)
d
x
1
d
x
2
\mathcal{F} f = \int_{\mathbb{R}^2}e^{-2\pi i x \cdot \xi} f(x) dx = \int_{-\infty}^\infty \int_{-\infty}^\infty e^{-2\pi i (x_1 \xi_1 + x_2 \xi_2)} f(x_1,x_2) dx_1 dx_2
Ff=∫R2e−2πix⋅ξf(x)dx=∫−∞∞∫−∞∞e−2πi(x1ξ1+x2ξ2)f(x1,x2)dx1dx2
高维也一样
F
f
=
∫
R
n
e
−
2
π
i
(
x
⋅
ξ
)
f
(
x
)
d
x
\mathcal{F} f = \int_{\mathbb{R}^n}e^{-2\pi i( x \cdot \xi)} f(x) dx
Ff=∫Rne−2πi(x⋅ξ)f(x)dx
如果
X
=
(
x
1
,
x
2
,
⋯
 
,
x
n
)
X= (x_1,x_2,\cdots,x_n)
X=(x1,x2,⋯,xn)为空间域变量,那么每个
x
i
x_i
xi都有维度长度,频率域变量
ξ
i
\xi_i
ξi该有什么样的长度
为了使
x
⋅
ξ
x \cdot \xi
x⋅ξ有物理意义(
x
⋅
ξ
=
x
1
ξ
1
+
⋯
+
x
n
ξ
n
x \cdot \xi=x_1\xi_1 +\cdots + x_n \xi_n
x⋅ξ=x1ξ1+⋯+xnξn),我们让
ξ
\xi
ξ有
1
/
l
e
n
1/len
1/len的长度单位,这样
x
i
ξ
i
x_i\xi_i
xiξi才会得到一个数(即量纲抵消,时间s对应频率1/s)
为什么用内积代替原来的乘积?
F
f
=
∫
R
n
e
−
2
π
i
(
x
⋅
ξ
)
f
(
x
)
d
x
\mathcal{F} f = \int_{\mathbb{R}^n}e^{-2\pi i( x \cdot \xi)} f(x) dx
Ff=∫Rne−2πi(x⋅ξ)f(x)dx
讨论
e
±
2
π
i
(
x
⋅
ξ
)
e^{\pm 2\pi i( x \cdot \xi)}
e±2πi(x⋅ξ)的自然引入,从几何上理解
一维情况
e
−
2
π
i
s
t
e^{-2\pi i st}
e−2πist固定
s
s
s看成
t
t
t的函数,它的周期为
1
/
s
1/s
1/s,频率为
s
s
s
二维情况
固定
ξ
=
(
ξ
1
,
ξ
2
)
\xi=(\xi_1,\xi_2)
ξ=(ξ1,ξ2),
e
−
2
π
i
(
x
1
ξ
1
+
x
2
ξ
2
)
e^{-2\pi i (x_1 \xi_1 + x_2 \xi_2)}
e−2πi(x1ξ1+x2ξ2)什么时候为1?当
x
1
ξ
1
+
x
2
ξ
2
∈
Z
x_1 \xi_1 + x_2 \xi_2 \in \mathbb{Z}
x1ξ1+x2ξ2∈Z
这时,
x
1
x_1
x1和
x
2
x_2
x2是怎样的
x
1
ξ
1
+
x
2
ξ
2
=
0
x_1 \xi_1 + x_2 \xi_2 = 0
x1ξ1+x2ξ2=0
是一条直线(通过远点),以
ξ
=
(
ξ
1
,
ξ
2
)
\xi=(\xi_1,\xi_2)
ξ=(ξ1,ξ2)作为发现了
x
1
ξ
1
+
x
2
ξ
2
=
k
x_1 \xi_1 + x_2 \xi_2 = k
x1ξ1+x2ξ2=k
是一条距远点为
∣
k
∣
∥
ξ
∥
\frac{|k|}{\|\xi\|}
∥ξ∥∣k∣的直线,这些直线相互平行,两条相邻直线的距离为
x
⋅
ξ
∥
ξ
∥
=
1
∥
ξ
∥
\frac{x\cdot \xi}{\|\xi\|}=\frac{1}{\|\xi\|}
∥ξ∥x⋅ξ=∥ξ∥1
可以说
e
−
2
π
i
(
x
⋅
ξ
)
e^{-2\pi i (x\cdot \xi)}
e−2πi(x⋅ξ)是以
ξ
\xi
ξ为方向,以周期为
1
∥
ξ
∥
\frac{1}{\|\xi\|}
∥ξ∥1的函数
高频意味着
∥
ξ
∥
\|\xi\|
∥ξ∥很大
1
∥
ξ
∥
\frac{1}{\|\xi\|}
∥ξ∥1很小
Example
有一类函数,可以用低维变换(特别是一维变换)来计算高维变换,这类函数就是可分离函数
2D情形
Π
(
x
1
,
x
2
)
=
{
1
,
∣
x
1
∣
,
∣
x
2
∣
<
1
2
0
,
o
t
h
e
r
w
i
s
e
\Pi(x_1,x_2) = \begin{cases}1,\quad|x_1|,|x_2|<\frac{1}{2}\\ 0, \quad otherwise \end{cases}
Π(x1,x2)={1,∣x1∣,∣x2∣<210,otherwise
它可以写成两个一维函数的乘积
Π
(
x
1
,
x
2
)
=
Π
(
x
1
)
Π
(
x
2
)
\Pi(x_1,x_2) = \Pi(x_1) \Pi(x_2)
Π(x1,x2)=Π(x1)Π(x2)
做傅里叶变换
F
f
(
ξ
2
,
ξ
2
)
=
∫
−
∞
∞
∫
−
∞
∞
e
−
2
π
i
(
x
1
ξ
1
+
x
2
ξ
2
)
Π
(
x
1
,
x
2
)
d
x
2
d
x
2
=
∫
−
∞
∞
e
−
2
π
i
x
1
ξ
1
Π
(
x
1
)
d
x
1
+
∫
−
∞
∞
e
−
2
π
i
x
2
ξ
2
Π
(
x
2
)
d
x
2
=
F
f
1
F
f
2
=
s
i
n
c
(
ξ
1
)
s
i
n
c
(
ξ
2
)
\mathcal{F} f(\xi_2,\xi_2) = \int_{-\infty}^\infty \int_{-\infty}^\infty e^{-2\pi i (x_1 \xi_1 + x_2 \xi_2)} \Pi(x_1,x_2) dx_2 dx_2\\ =\int_{-\infty}^\infty e^{-2\pi i x_1 \xi_1}\Pi(x_1) dx_1+\int_{-\infty}^\infty e^{-2\pi i x_2 \xi_2}\Pi(x_2) dx_2 \\ =\mathcal{F} f_1 \mathcal{F} f_2=sinc(\xi_1) sinc(\xi_2)
Ff(ξ2,ξ2)=∫−∞∞∫−∞∞e−2πi(x1ξ1+x2ξ2)Π(x1,x2)dx2dx2=∫−∞∞e−2πix1ξ1Π(x1)dx1+∫−∞∞e−2πix2ξ2Π(x2)dx2=Ff1Ff2=sinc(ξ1)sinc(ξ2)
大部分函数是可分离的,但不总可以
例子2:2D Gaussian
g
(
x
1
,
x
2
)
=
e
−
π
(
x
1
2
+
x
2
2
)
g(x_1,x_2) = e^{-\pi(x_1^2 + x_2^2)}
g(x1,x2)=e−π(x12+x22)
这是可分离的
F
g
(
ξ
1
,
ξ
2
)
=
e
−
π
(
ξ
1
2
+
ξ
2
2
)
\mathcal{F}g(\xi_1,\xi_2) = e^{-\pi(\xi_1^2 + \xi_2^2)}
Fg(ξ1,ξ2)=e−π(ξ12+ξ22)
高斯函数有一个重要的性质,是另一类重要函数的诠释。当研究傅里叶变换的时候,称高斯函数是径向的
高斯函数是径向函数之一,引入极坐标
r
=
x
1
2
+
x
2
2
,
θ
=
t
a
n
−
1
(
x
2
x
1
)
r = \sqrt{x_1^2+x_2^2},\theta = tan^{-1}\left( \frac{x_2}{x_1}\right)
r=x12+x22,θ=tan−1(x1x2)
则
x
1
=
r
cos
θ
,
x
2
=
r
sin
θ
x_1 = r\cos\theta,x_2=r\sin\theta
x1=rcosθ,x2=rsinθ
e
−
π
(
x
1
2
+
x
2
2
)
=
e
−
π
r
2
e^{-\pi(x_1^2 + x_2^2)} = e^{-\pi r^2}
e−π(x12+x22)=e−πr2
只和
r
r
r有关,和
θ
\theta
θ无关,说
x
1
x_1
x1和
x
2
x_2
x2是独立的。
径向行数通常依赖于到远点的距离,它的傅里叶变换也是径向函数
可以把一般的径向函数傅里叶变换转换成径向函数的形式,称为汉高(hankel)变换
离散傅里叶变换是在笛卡尔坐标系下进行的,对于更合适在极坐标下表示的函数将不能进行(这是个问题,值得研究)
F
f
(
ξ
1
,
ξ
2
)
=
∫
−
∞
∞
∫
−
∞
∞
e
−
2
π
i
(
x
1
ξ
1
+
x
2
ξ
2
)
f
(
x
1
,
x
2
)
d
x
1
d
x
2
\mathcal{F} f(\xi_1,\xi_2) = \int_{-\infty}^\infty \int_{-\infty}^\infty e^{-2\pi i(x_1\xi_1+x_2\xi_2)} f(x_1,x_2) dx_1dx_2
Ff(ξ1,ξ2)=∫−∞∞∫−∞∞e−2πi(x1ξ1+x2ξ2)f(x1,x2)dx1dx2
令
{
x
1
=
r
cos
θ
x
2
=
r
sin
θ
{
ξ
1
=
ρ
cos
φ
ξ
2
=
ρ
sin
φ
\begin{cases}x_1 = r\cos\theta \\x_2=r\sin\theta \end{cases} \quad \begin{cases}\xi_1 = \rho \cos\varphi\\ \xi_2 = \rho\sin\varphi \end{cases}
{x1=rcosθx2=rsinθ{ξ1=ρcosφξ2=ρsinφ
把
f
(
x
1
,
x
2
)
f(x_1,x_2)
f(x1,x2)替换成
f
(
r
)
f(r)
f(r)(径向函数)
d
x
1
d
x
2
=
r
d
r
d
θ
dx_1dx_2 = rdrd\theta
dx1dx2=rdrdθ
x
1
ξ
1
+
x
2
ξ
2
=
r
cos
θ
ρ
cos
φ
+
r
sin
θ
ρ
sin
φ
=
r
ρ
cos
(
θ
−
φ
)
x_1\xi_1+x_2\xi_2 = r\cos\theta \rho \cos\varphi +r\sin\theta \rho \sin \varphi = r\rho \cos(\theta - \varphi)
x1ξ1+x2ξ2=rcosθρcosφ+rsinθρsinφ=rρcos(θ−φ)
傅里叶变换就变成
=
∫
0
∞
∫
0
2
π
e
−
2
π
i
r
ρ
cos
(
θ
−
φ
)
f
(
r
)
r
d
θ
d
r
=\int_0^\infty \int_0^{2\pi} e^{-2\pi i r \rho \cos(\theta - \varphi) }f(r) r d\theta dr
=∫0∞∫02πe−2πirρcos(θ−φ)f(r)rdθdr
由于
∫
0
2
π
e
−
2
π
i
r
ρ
cos
(
θ
−
φ
)
d
θ
\int_0^{2\pi} e^{-2\pi i r \rho \cos(\theta - \varphi) }d\theta
∫02πe−2πirρcos(θ−φ)dθ和
θ
\theta
θ的值无关
所以上式为
∫
0
∞
∫
0
2
π
e
−
2
π
i
r
ρ
cos
θ
f
(
r
)
r
d
θ
d
r
\int_0^\infty \int_0^{2\pi} e^{-2\pi i r \rho \cos\theta }f(r) r d\theta dr
∫0∞∫02πe−2πirρcosθf(r)rdθdr
但是,这个 不是初等积分,没有现成的公式(没有封闭形式closed-form)
定义
J
0
(
a
)
=
1
2
π
∫
0
2
π
e
−
i
a
cos
θ
d
θ
J_0 (a) = \frac{1}{2\pi} \int_0^{2\pi} e^{-ia\cos\theta} d\theta
J0(a)=2π1∫02πe−iacosθdθ
(a是实数)这被叫做第一类0阶贝塞尔函数,上面的积分就可以写成
F
(
ρ
)
=
∫
0
∞
f
(
r
)
J
0
(
2
π
r
ρ
)
r
d
r
F(\rho) = \int_0^\infty f(r) J_0(2\pi r \rho) r dr
F(ρ)=∫0∞f(r)J0(2πrρ)rdr
这个式子有个名字,叫0阶汉高变换
高维卷积核一维一致
(
f
∗
g
)
(
x
)
=
∫
R
n
f
(
y
)
g
(
x
−
y
)
d
y
(f*g) (x) = \int_{\mathbb{R}^n}f(y) g(x - y) dy
(f∗g)(x)=∫Rnf(y)g(x−y)dy
关于卷积的性质依然成立
高维傅里叶变换位移和缩放性质
位移定理
一维情况
f
(
t
)
⟷
F
(
s
)
f(t) \longleftrightarrow F(s)
f(t)⟷F(s)
f
(
t
−
b
)
⟷
e
−
2
π
i
s
b
F
(
s
)
f(t - b) \longleftrightarrow e^{-2\pi i sb}F(s)
f(t−b)⟷e−2πisbF(s)
2D情形
f
(
x
1
,
x
2
)
⟷
F
(
ξ
1
,
ξ
2
)
f(x_1,x_2) \longleftrightarrow F(\xi_1,\xi_2)
f(x1,x2)⟷F(ξ1,ξ2)
f
(
x
1
−
b
1
,
x
2
−
b
1
)
⟷
e
−
2
π
i
(
b
1
ξ
1
+
b
2
ξ
2
)
F
(
ξ
1
,
ξ
2
)
=
e
−
2
π
i
(
b
⋅
ξ
)
F
(
ξ
1
,
ξ
2
)
f(x_1 - b_1,x_2 - b_1) \longleftrightarrow e^{-2\pi i (b_1 \xi_1 +b_2\xi_2)} F(\xi_1,\xi_2) = e^{-2\pi i (b\cdot \xi)} F(\xi_1,\xi_2)
f(x1−b1,x2−b1)⟷e−2πi(b1ξ1+b2ξ2)F(ξ1,ξ2)=e−2πi(b⋅ξ)F(ξ1,ξ2)
高维情况也一样
尺度缩放原理
1D情形
f
(
t
)
⟷
F
(
s
)
f(t) \longleftrightarrow F(s)
f(t)⟷F(s)
f
(
a
t
)
⟷
1
∣
a
∣
F
(
s
a
)
f(at) \longleftrightarrow \frac{1}{|a|} F\left(\frac{s}{a}\right)
f(at)⟷∣a∣1F(as)
2D情形
f
(
x
1
,
x
2
)
⟷
F
(
ξ
1
,
ξ
2
)
f(x_1,x_2) \longleftrightarrow F(\xi_1,\xi_2)
f(x1,x2)⟷F(ξ1,ξ2)
f
(
a
1
x
1
,
a
2
x
2
)
⟷
1
∣
a
1
∣
1
∣
a
2
∣
F
(
ξ
1
a
1
,
ξ
2
a
1
)
=
1
∣
a
1
a
2
∣
F
(
ξ
1
a
1
,
ξ
2
a
1
)
f(a_1x_1,a_2x_2) \longleftrightarrow \frac{1}{|a_1|}\frac{1}{|a_2|} F\left(\frac{\xi_1}{a_1},\frac{\xi_2}{a_1}\right) = \frac{1}{|a_1a_2|} F\left(\frac{\xi_1}{a_1},\frac{\xi_2}{a_1}\right)
f(a1x1,a2x2)⟷∣a1∣1∣a2∣1F(a1ξ1,a1ξ2)=∣a1a2∣1F(a1ξ1,a1ξ2)
和一维的相似。如果通过一个矩阵进行变换,缩放通过矩阵乘法来做,而不是独立缩放,结果会是怎样
f
(
a
x
1
+
b
x
2
,
c
x
1
+
d
x
2
)
⟷
?
?
?
f(ax_1+bx_2,cx_1+dx_2) \longleftrightarrow ???
f(ax1+bx2,cx1+dx2)⟷???
即
x
x
x变成
A
x
Ax
Ax,
A
=
[
a
b
c
d
]
A = \begin{bmatrix}a &b\\ c & d \end{bmatrix}
A=[acbd],要求
A
A
A非奇异,即
∣
A
∣
≠
0
|A| \ne 0
∣A∤=0
f
(
A
x
)
⟷
?
?
?
f(Ax) \longleftrightarrow ???
f(Ax)⟷???
进行变量替换
u
=
A
x
u = Ax
u=Ax,那么
x
=
A
−
1
u
x = A^{-1}u
x=A−1u
∫
R
n
e
−
2
π
i
x
⋅
ξ
f
(
A
x
)
d
x
=
1
∣
d
e
t
(
A
)
∣
∫
R
n
e
−
2
π
i
(
A
−
1
u
)
⋅
ξ
f
(
u
)
d
u
=
1
∣
d
e
t
(
A
)
∣
∫
R
n
e
−
2
π
i
u
⋅
(
A
−
T
ξ
)
f
(
u
)
d
u
=
1
∣
d
e
t
(
A
)
∣
F
(
A
−
T
ξ
)
\begin{aligned} \int_{\mathbb{R}^n} e^{-2\pi i x\cdot \xi} f(Ax) dx &=\frac{1}{|det(A)|} \int_{\mathbb{R}^n} e^{-2\pi i (A^{-1}u)\cdot \xi} f(u) du\\ &=\frac{1}{|det(A)|} \int_{\mathbb{R}^n} e^{-2\pi i u \cdot (A^{-T}\xi)} f(u) du\\ &=\frac{1}{|det(A)|} F(A^{-T}\xi) \end{aligned}
∫Rne−2πix⋅ξf(Ax)dx=∣det(A)∣1∫Rne−2πi(A−1u)⋅ξf(u)du=∣det(A)∣1∫Rne−2πiu⋅(A−Tξ)f(u)du=∣det(A)∣1F(A−Tξ)
即
f
(
A
x
)
⟷
1
∣
d
e
t
(
A
)
∣
F
(
A
−
T
ξ
)
f(Ax) \longleftrightarrow \frac{1}{|det(A)|} F(A^{-T}\xi)
f(Ax)⟷∣det(A)∣1F(A−Tξ)
2D旋转
A
=
[
cos
θ
−
sin
θ
sin
θ
cos
θ
]
,
∣
A
∣
=
1
,
A
−
T
=
A
A = \begin{bmatrix}\cos\theta &-\sin\theta \\ \sin\theta &\cos\theta \end{bmatrix},|A|=1,A^{-T} = A
A=[cosθsinθ−sinθcosθ],∣A∣=1,A−T=A
f
(
A
x
)
⟷
f
(
A
ξ
)
f(Ax) \longleftrightarrow f(A\xi)
f(Ax)⟷f(Aξ)
空间域的旋转对应于频率域的旋转。伴随着个定理有一个新理论(缩放定理)。在高维情况,互反关系在一定程度上应理解为
A
−
T
A^{-T}
A−T(逆的转置)。后面涉及物理上的这种互反关系
最后是关于
δ
\delta
δ函数的缩放,和一维一样
<
δ
,
φ
>
=
φ
(
0
)
<\delta,\varphi> = \varphi(0)
<δ,φ>=φ(0)
δ
b
=
δ
(
x
−
b
)
\delta_b = \delta(x - b)
δb=δ(x−b)
<
δ
b
,
φ
>
=
φ
(
b
)
=
φ
(
b
1
,
b
2
,
c
…
,
b
n
)
<\delta_b,\varphi> = \varphi(b) = \varphi(b_1,b_2,c\dots,b_n)
<δb,φ>=φ(b)=φ(b1,b2,c…,bn)
F
δ
=
1
\mathcal{F}\delta = 1
Fδ=1
F
δ
b
=
e
−
2
π
i
(
b
⋅
ξ
)
\mathcal{F}\delta_b = e^{-2\pi i (b\cdot \xi)}
Fδb=e−2πi(b⋅ξ)
如果
f
f
f乘以
δ
\delta
δ(采样性质)
f
δ
=
f
(
0
)
δ
f\delta = f(0) \delta
fδ=f(0)δ
f
δ
b
=
f
(
b
)
δ
b
f\delta_b = f(b) \delta_b
fδb=f(b)δb
一维缩放性质
δ
(
a
x
)
=
1
∣
a
∣
δ
(
x
)
\delta(ax) = \frac{1}{|a|} \delta(x)
δ(ax)=∣a∣1δ(x)
高维情形
δ
(
A
x
)
=
1
∣
det
(
A
)
∣
δ
(
x
)
\delta(Ax) = \frac{1}{|\det(A)|} \delta(x)
δ(Ax)=∣det(A)∣1δ(x)
高维 Ш Ш Ш函数,晶格和晶体学
互反指的是
A
−
T
A^{-T}
A−T(物理学中)
在一维情况
Ш
=
∑
i
=
−
∞
∞
δ
i
,
F
Ш
=
Ш
Ш = \sum_{i = -\infty}^\infty \delta_i,\mathcal{F}Ш = Ш
Ш=i=−∞∑∞δi,FШ=Ш
Ш
p
=
∑
k
=
−
∞
∞
δ
(
x
−
k
p
)
,
F
Ш
p
=
1
p
Ш
1
p
Ш_p = \sum_{k = -\infty}^\infty \delta(x - kp),\mathcal{F}Ш_p = \frac{1}{p} Ш_{\frac{1}{p}}
Шp=k=−∞∑∞δ(x−kp),FШp=p1Шp1
推广到二维
Ш
Z
2
=
∑
k
∈
Z
2
δ
(
x
−
k
)
,
F
Ш
Z
2
=
Ш
Z
2
Ш_{\mathbb{Z}^2} = \sum_{k \in \mathbb{Z}^2} \delta(x - k),\mathcal{F}Ш_{\mathbb{Z}^2} = Ш_{\mathbb{Z}^2}
ШZ2=k∈Z2∑δ(x−k),FШZ2=ШZ2
缩放,指的是乘以一个矩阵
A
A
A,即
x
⟶
A
x
x\longrightarrow Ax
x⟶Ax,
v
1
=
A
e
1
,
v
2
=
A
e
2
v_1 = Ae_1,v_2 = Ae_2
v1=Ae1,v2=Ae2
晶格(lattice)的面积,一般指基本单元(晶元cell),即上面平行四边形的面积
考虑(L是上面平行四边形的点)
Ш
L
(
x
)
=
∑
p
∈
L
δ
(
x
−
p
)
Ш_L(x)=\sum_{p \in L} \delta(x - p )
ШL(x)=p∈L∑δ(x−p)
它的傅里叶变换是什么
A
A
A作用于
Z
2
\mathbb{Z}^2
Z2得到
Z
2
\mathbb{Z}^2
Z2
L
=
A
(
Z
2
)
L = A(\mathbb{Z}^2)
L=A(Z2)
L
∗
=
A
−
T
(
Z
2
)
L^* = A^{-T} (\mathbb{Z}^2)
L∗=A−T(Z2)
L
∗
L^*
L∗中平行四边形的面积等于
L
L
L中平行四边形的面积的倒数
F
Ш
L
=
1
A
r
e
a
(
L
)
Ш
L
∗
\mathcal{F}Ш_L = \frac{1}{Area(L)} Ш_{L^*}
FШL=Area(L)1ШL∗
对于晶体,在一维情况下是测量它的电子云密度,二维也一样
ρ
(
x
)
\rho(x)
ρ(x)表示单个原子的电子云密度
ρ
L
(
x
)
=
ρ
(
x
)
∗
Ш
L
=
∑
p
∈
L
ρ
(
x
−
p
)
\rho_L(x) = \rho(x) *Ш_L = \sum_{p \in L} \rho(x - p)
ρL(x)=ρ(x)∗ШL=p∈L∑ρ(x−p)
F
ρ
L
=
(
F
ρ
)
(
F
Ш
L
)
=
F
ρ
1
A
r
e
a
(
L
)
Ш
L
∗
=
∑
p
∗
∈
L
∗
F
ρ
(
p
∗
)
δ
(
s
−
p
∗
)
\begin{aligned}\mathcal{F} \rho_L &= (\mathcal{F}\rho)(\mathcal{F}Ш_L) \\ &=\mathcal{F}\rho \frac{1}{Area(L)} Ш_{L*}\\ &=\sum_{p^* \in L^*} \mathcal{F} \rho(p^*) \delta(s - p^*) \end{aligned}
FρL=(Fρ)(FШL)=FρArea(L)1ШL∗=p∗∈L∗∑Fρ(p∗)δ(s−p∗)
二维傅里叶变换在医学图像中的应用
傅里叶变换再医学图像中的应用,特别是解决X射线断层照相问题(tomography)(CAR扫描,不是MRI核磁共振,这是两种成像技术)
建立过程
我们有一个2D区域,这里面有粘性物质包括血液骨头,器官等等,用函数
μ
(
x
1
,
x
2
)
描
述
\mu(x_1,x_2)描述
μ(x1,x2)描述粘性物质(goop)的密度。要利用X射线,恢复出
μ
\mu
μ
方法是用X射线沿直线
L
L
L透射这一区域,入射的
X
X
X射线强度,经过衰减,测量另一端的强度
I
0
⟶
I
I_0 \longrightarrow I
I0⟶I
指数衰减
I
=
I
0
e
−
∫
L
μ
d
x
(
粘
性
物
质
的
质
量
)
I = I_0 e^{-\int_L \mu dx (粘性物质的质量)}
I=I0e−∫Lμdx(粘性物质的质量)
经过多次测量(X射线衍许多不同的线方向透射),就可以得到
μ
\mu
μ沿不同直线的积分
能够恢复出
μ
\mu
μ(在知道
μ
\mu
μ沿不同方向积分的情况下)?答案是能,但是要用到二维傅里叶变换
将积分定义为
μ
\mu
μ的变换
L
⟶
∫
L
μ
d
x
L \longrightarrow \int_L \mu dx
L⟶∫Lμdx
记为
R
(
μ
)
(
L
)
=
∫
L
μ
\mathcal{R}(\mu)(L) = \int_L \mu
R(μ)(L)=∫Lμ
称为
μ
\mu
μ的拉东变换。存在拉东变换求出
μ
\mu
μ,下面揭晓
拉东(Radon)变换及其反变换
2D区域的点密度为
μ
(
x
1
,
x
2
)
\mu(x_1,x_2)
μ(x1,x2),X射线透射,测量沿各直线的积分值,利用这些测量值来得到
μ
\mu
μ。
可看做一个变换,当
μ
\mu
μ固定(看成
L
L
L的变换)
L
⟶
∫
L
μ
L\longrightarrow \int_L \mu
L⟶∫Lμ
R
(
μ
)
(
L
)
=
∫
L
μ
\mathcal{R}(\mu)(L) = \int_L \mu
R(μ)(L)=∫Lμ
已知所有的值
R
μ
(
L
)
\mathcal{R}_\mu(L)
Rμ(L) 能够计算出
μ
\mu
μ么
用坐标表示所有直线,直线
y
=
m
x
+
b
y = mx + b
y=mx+b
表成
(
m
,
b
)
(m,b)
(m,b)
因为没有包含垂线,故不合适这样表示,对我们的问题,直线结构式平行直线束。一条不经原点的直线可以表示为
(
ρ
,
φ
)
(\rho,\varphi)
(ρ,φ)离原点距离和发向量角度
与法向量同向时,
ρ
>
0
\rho >0
ρ>0,反向
ρ
<
0
\rho < 0
ρ<0(
−
∞
<
ρ
<
∞
-\infty < \rho < \infty
−∞<ρ<∞)。当
ρ
,
φ
\rho,\varphi
ρ,φ给定时,直线的笛卡尔坐标是什么?
x
⋅
n
=
ρ
,
(
n
=
(
cos
φ
,
sin
φ
)
)
x\cdot n = \rho,(n = (\cos \varphi,\sin \varphi))
x⋅n=ρ,(n=(cosφ,sinφ))
考虑到
δ
\delta
δ函数沿这样的直线
ρ
−
x
1
cos
φ
−
x
2
sin
φ
=
0
\rho - x_1 \cos\varphi-x_2\sin\varphi = 0
ρ−x1cosφ−x2sinφ=0
δ
(
ρ
−
x
1
cos
φ
−
x
2
sin
φ
)
\delta(\rho - x_1 \cos\varphi-x_2\sin\varphi)
δ(ρ−x1cosφ−x2sinφ)
像一维
δ
\delta
δ一样,
δ
\delta
δ沿这条直线为
∞
\infty
∞,其他位置为
0
0
0,并且积分为1
∫
L
μ
=
∬
R
2
μ
(
x
1
,
x
2
)
δ
(
ρ
−
x
1
cos
φ
−
x
2
sin
φ
)
d
x
1
d
x
2
\int_L \mu = \iint_{\mathbb{R}^2} \mu(x_1,x_2) \delta(\rho - x_1 \cos\varphi-x_2\sin\varphi) dx_1dx_2
∫Lμ=∬R2μ(x1,x2)δ(ρ−x1cosφ−x2sinφ)dx1dx2
假定
φ
\varphi
φ定值,
ρ
\rho
ρ变化(平行线),
R
μ
(
ρ
,
φ
)
\mathcal{R}_\mu(\rho,\varphi)
Rμ(ρ,φ)看成
ρ
\rho
ρ的函数,对这个函数做一维傅里叶变换(关于
ρ
\rho
ρ)
F
ρ
(
R
μ
(
ρ
,
φ
)
)
(
r
)
=
∫
−
∞
∞
e
−
2
π
i
r
ρ
(
∫
−
∞
∞
∫
−
∞
∞
μ
(
x
1
,
x
2
)
δ
(
ρ
−
x
1
cos
φ
−
x
2
sin
φ
)
d
x
1
d
x
2
)
d
ρ
\mathcal{F}_\rho (\mathcal{R}_\mu(\rho,\varphi))(r) = \int_{-\infty}^\infty e^{-2\pi i r \rho} \left( \int_{-\infty}^\infty \int_{-\infty}^\infty \mu(x_1,x_2) \delta(\rho - x_1 \cos\varphi-x_2\sin\varphi) dx_1dx_2 \right) d\rho
Fρ(Rμ(ρ,φ))(r)=∫−∞∞e−2πirρ(∫−∞∞∫−∞∞μ(x1,x2)δ(ρ−x1cosφ−x2sinφ)dx1dx2)dρ
交换顺序
=
∫
−
∞
∞
∫
−
∞
∞
μ
(
x
1
,
x
2
)
(
∫
−
∞
∞
e
−
2
π
i
r
ρ
δ
(
ρ
−
x
1
cos
φ
−
x
2
sin
φ
)
d
ρ
)
d
x
1
d
x
2
=\int_{-\infty}^\infty \int_{-\infty}^\infty \mu(x_1,x_2) \left( \int_{-\infty}^\infty e^{-2\pi i r \rho} \delta(\rho - x_1 \cos\varphi-x_2\sin\varphi) d\rho \right) dx_1dx_2
=∫−∞∞∫−∞∞μ(x1,x2)(∫−∞∞e−2πirρδ(ρ−x1cosφ−x2sinφ)dρ)dx1dx2
其中
∫
−
∞
∞
e
−
2
π
i
r
ρ
δ
(
ρ
−
x
1
cos
φ
−
x
2
sin
φ
)
d
ρ
=
e
−
2
π
i
r
(
x
1
cos
φ
+
x
2
sin
φ
)
\int_{-\infty}^\infty e^{-2\pi i r \rho} \delta(\rho - x_1 \cos\varphi-x_2\sin\varphi) d\rho = e^{-2\pi i r(x_1 \cos\varphi+x_2\sin\varphi)}
∫−∞∞e−2πirρδ(ρ−x1cosφ−x2sinφ)dρ=e−2πir(x1cosφ+x2sinφ)
引入新变量
ξ
1
=
r
cos
φ
,
ξ
2
=
r
sin
φ
\xi_1 = r\cos\varphi,\xi_2 = r\sin\varphi
ξ1=rcosφ,ξ2=rsinφ
上式变为
e
−
2
π
i
(
x
1
ξ
1
,
x
2
ξ
2
)
e^{-2\pi i (x_1\xi_1,x_2\xi_2)}
e−2πi(x1ξ1,x2ξ2)
故积分为
∫
−
∞
∞
∫
−
∞
∞
μ
(
x
1
,
x
2
)
e
−
2
π
(
x
1
ξ
1
,
x
2
ξ
2
)
d
x
1
d
x
2
=
F
μ
(
ξ
1
,
ξ
2
)
\int_{-\infty}^\infty \int_{-\infty}^\infty\mu(x_1,x_2) e^{-2\pi(x_1\xi_1,x_2\xi_2)}dx_1dx_2 = \mathcal{F} \mu(\xi_1,\xi_2)
∫−∞∞∫−∞∞μ(x1,x2)e−2π(x1ξ1,x2ξ2)dx1dx2=Fμ(ξ1,ξ2)
即对
R
μ
(
ρ
,
φ
)
\mathcal{R}_\mu(\rho,\varphi)
Rμ(ρ,φ)的
ρ
\rho
ρ做傅里叶变换得到
μ
\mu
μ的傅里叶变换,再做一次反变换我们就得到了
μ
\mu
μ