与 e^jwt 相关的公式、图像及性质

傅里叶变换的相关公式

关于某个叫欧拉的人所干的事情

$e^{-jwt}=\cos (wt)-j\sin (wt)$

$e^{jwt}=\cos (wt)+j\sin (wt)$

$\sin (wt)=\frac{1}{2j}\left(e^{jwt}-e^{-jwt}\right)$

$\cos (wt)=\frac{1}{2j}\left(e^{jwt}+e^{-jwt}\right)$

（ 关于以上公式，参见复分析领域欧拉公式相关内容。）

有了以上公式，就可将傅里叶级数、傅里叶变换 / 反变换等相关公式，改写成 “e 的指数形式”。

它同时展示了一点：

$e^{jwt}$ 在复平面中，可以作为一个 “基”，因为它已经包含了实轴（实数单位 “1”）上和虚轴（虚数单位 “j”）上两个正交的 “基”。

这也从另一个方面解释了，为什么总是可以用之前傅里叶的方法，来 “分解” 很多函数。

---

via:

• 傅里叶变换的相关公式_e 的 jwt 怎么化为三角函数 - CSDN 博客月疯于 2018-06-04 17:02:21 发布

  https://blog.csdn.net/chehec2010/article/details/80569806

---

关于 jw 和 e^jwt 的领悟

看到《电磁场与电磁波》时变电磁场一章，书中又一次出现了 jw 和 e^jwt 。

之前一直无法理解诸如为什么电感的阻抗可以表示成 jwL 之类的问题，jw 是从哪里推导出来的呢？

为什么可以直接与 L 相乘呢？

在网上查了一下，看到这么一句话

“由于正弦信号α=α0+wt，所以关于角度求导就是关于时间 t 求导，dα=wdt。所以 jw 其实是和关于时间求导是等价的，只是前提是正弦信号”。

哦！jw 原来是 e^jwt 对时间求导得到的。

那么再拿电感为例，电感两端电压电流关系是 u=L*di/dt，将 u 和i写成复数形式 u*e^jwt，i*e^jwt，那么原式就可以写成

u*e^jwt=L*d (i*e^jwt)/dt=L*i*jw*e^jwt，

两端同时消去 e^jwt，可得到

u=L*i*jw,

根据欧姆定律可得，

Z=u/i=jwL。

原来如此。

===
以上是原文，下面是对原文公式的 latex 化，

===

由于正弦信号 $\alpha ={\alpha }_0+wt$​，所以关于角度求导就是关于时间 $t$​ 求导，$d\alpha =wdt$​。所以 $jw$​ 其实是和关于时间求导是等价的，只是前提是正弦信号。

原来如此，$jw$​ 是 $e^{jwt}$​ 对时间求导得到的。

以电感为例，电感两端电压电流关系是 $u=L\frac{di}{dt}$​，将 $u$​ 和 $i$​ 写成复数形式

$u\cdot e^{jwt}$​，$i\cdot e^{jwt}$​，

那么原式就可以写成

$u\cdot e^{jwt}=L\cdot \frac{d(i\cdot e^{jwt})}{dt}=L\cdot i\cdot jw\cdot e^{jwt}$​

两端同时消去 $e^{jwt}$​，可得到

$u=L\cdot i\cdot jw$​，

根据欧姆定律可得，

$Z=u/i=jwL$​。

---

via:

• 关于jw和e^jwt的领悟_e的iwt的=jw-CSDN博客 xkf321 于 2017-05-05 10:27:54 发布

  https://blog.csdn.net/xkf321/article/details/71191823

---

复指数信号 e^jwt 的图像及性质

信号与系统、数字信号处理、信号分析，都离不开傅里叶变换，而傅里叶变换又离不开 $e^{jwt}$ 。

关于 $e^{jwt}$ ，好像很熟悉，很了解，但问你它是什么一个东西、有什么特点、相关的性质属性，你能马上说出来吗？

首先， $e^{jwt}$ 中 $j$ 是虚数单位，$w$ 一般当做常量，$t$ 为变量。

关于虚数单位，应当回想起复数有关的知识，复数一般形如 $a+bj$ ，可以在复平面用一根线表示，线的长度表示复数的模，与实轴（横轴）的夹角表示复数的相位。

既然 $e^{jwt}$ 有自变量 t（正是因为有了时间变量， $e^{jwt}$ 也叫复指数 信号），那应当可以画出它的图像。

谈到 $e^{jwt}$ 的图像，你脑海里浮现出什么？

我脑海里竟想不出它的样子。

anyway，而今迈步从头越。

w=1;
t=0:0.1:20;
f=exp (1j*w*t);% 语法问题，写代码最好用 1j 代替 j
x=t;
y=imag (f);
z=real (f);
plot3 (x,y,z,'.b');
xlabel (' 时间 t');
ylabel (' 虚部 y');
zlabel (' 实部 z');

于是得到了 $e^{jwt}$ 的图像

（注意上图中的 x 坐标的方向，与一般我们稿纸画图的方向不同，看大家的图都不注明自变量的轴是哪个，难怪看晕了)

可以这样理解，画图本来就是先让自变量取一些值，然后在坐标系中描点，最后连线。
上图中的每一个点就是 t 取 $t_0$ 时， $e^{jw{t}_0}$ 对应的值，由欧拉公式可知

$e^{jwt0}=cos(w{t}_0)+jsin(w{t}_0)$,

得到的函数值是复数，复数要表示出来得需要两个坐标轴，这也是为什么画出来是三维的。

然后对这幅图进行解析，也就是探究它的性质。
首先，将所有的点在 yoz 平面上投影，得到的会是一个圆形。这是因为

$e^{jwt}=cos(wt)+jsin(wt)$，

实部和虚部的平方和为 1，所以 $e^{jwt}$ 在复平面上表示就是一个单位圆。

（matlab 画出来的三维图是可以拖曳从不同角度观察的，这是我拖到一个从 x 轴看过去的角度）

其次，关于 w 的物理意义和性质，上面那副图可以看着一个不断螺旋前进的轨迹图，w 即反应了旋转的快慢。

最后，关于 $e^{jwt}$ 。还可以看做一个单位长度，逆时针旋转的复平面旋转向量。

---

via:

• 复指数信号e^jwt的图像及性质_复指数函数图像-CSDN博客 山泼黛于 2021-10-26 16:53:16 发布

  https://blog.csdn.net/nebula1008/article/details/120974109

---

关于傅利叶变换的一些数学解…

原文地址：关于傅利叶变换的一些数学解释 作者：上星
[转自饮水思源 EE]

向前进，你就会产生信念。
—— 达 — 朗贝尔

傅利叶变换是信号系统的奠基石，小波分析的基础理论，理论的粗疏理解固然不难但是要达到深刻的境界，是不能仅仅依靠教科书的.。

由于本次讨论持续时间较长，参与面较广，合集再给予 m 之后效果反而不佳。

为避免讨论湮没，因此在此简略加以总结，鄙下仅仅负责发帖，所有版权全部归于以下几位 IE 学长：

Valetine，QueueingSys，zekong，vole，filestorm, dwang

Q1: 为何要在通讯中使用傅利叶变换？(fingers)

A11:
一个函数的傅立叶变换，本质上是把函数分解到一个垂直的坐标系，每个坐标分量称为频率，在这个坐标系下的系数（本身是一个函数），我们称它为这个函数的频谱。

人们想理解怎么样能够控制信号在不同频率下传递，因为自然介质对不同频率信号响应不同。然后还要考虑如何能够在改变信号频率前后，最小程度的减小或者增大某些量，比如信噪比，或者熵，或者其他度量。傅立叶变换可以对这些问题提供工具。数学上，也更容易操作。

傅利叶变化在工程和物理中使用十分广泛。（Valetine）

A12:

Fourier Transform 是把给定信号用一大堆简单周期信号做一个线性叠加。

那一大堆简单的周期信号可以认为是基。这个基很 nb，具有很多性质，比如正交。同时，还存在一种快速算法。所以总的来说 Fourier Transform 实在是只应天上有的完美理论。(filestorm)

Q2: 请问．如果对于本身是正旋波的信号．频率比如说是５ＭＨＺ, 做过傅立叶变换．那频率是否仍然还和原来相同？

A21:

正弦波座傅立叶变化后就不是周期性的了，所以也就不存在什么频率了，但是这个变化的冲激是位于５ＭＨＺ和 -５ＭＨＺ处 (dwang)

A22：

首先，Fourier 变换只是给人们提供另一个视角去看信号而已.

有人认为时域看信号直观些

有人认为频域看信号直观些

还有人喜欢即从时域又从频域看信号，这要看应用场合的.

讲得再远点，除了时域和频域，你还可以从 s 域去看信号呢 (利用 Laplace 变换)

另外，同一个信号，是周期就是周期的，不是周期就不是周期的，无论你从哪个域去看.

从时域看一个 sine wave, 以时间为 x 轴，信号的波形是 repeated 的，

所以人们很直观地认为那是 “周期的”

从频域看一个 sine wave, 以频率为 x 轴，信号的 “频谱” 是 2 根 “脉冲”

但它仍有频率，仍是周期的。(QueueingSys)

A23:

傅立叶变换是一个数学工具，它能把信号对角化到不同的频率。但是信号本身的性质和傅立叶变换没有关系，就是说，不管你做不做傅立叶变换，一个信号还是它本身，比如 5Mhz 依然不变。只是换了坐标系来考虑和处理信号，在这个坐标系下操作的好处，就是所有的频率对应于某一个内积是垂直的。(Valetine)

A24:

1. X1+X2+X3+…+Xn 三个未知数服从不同的分布，想求在其和小于常数 K 的概率。

一种是在时域上解的话是 n 重积分，极其繁琐。

一种是用蒙托卡罗模拟，但得到的结果不是解析解，有方差。

一种是用傅立叶变换变到频域，指数项使 + 变成了 X，化简以后，使用反变换，这里有很多快速数值算法，比如经典的 Euler 算法。这要比第一种简单很多。

2. 假设你对 T 时间内的 invariant 的分布建了模，而你在其分布特性不变的假设下想求 NT 时间的分布的话，如果 T 时间分布模型是使用拟和等统计方法得到的话，时域是根本无法得到的。只有转到频域利用 projection 的特性，再转回来。(zekong)

A25:
信号无论在哪个空间下，都是有频率的。但是上文说到的 “不存在频率” 是指 Fourier Spectrum 上再对 frequency 求 frequency，一般来说，这很难找到一个说得通的物理解释。
但这个操作是有据可查的，叫做 Liftering，一般工程上 Fourier Analysis 文献甚少有纪录而已。实际上是可以用来做一些奇怪的检测。(filestorm)

Q3: 谈谈傅利叶变换

A31:

感觉大多咱们研究的都是实直线上的可测函数类，这里可测指的是 Lebesgue 可测（勒贝格可测），如果说 Lp（IR) 指的是 IR（实直线）上的可测类，则应该满足：

L 积分（|f (x)|^p) dx 有界

L 无穷（IR）指的处处有界函数类

一般来说感觉咱们研究的傅立叶变化实际只是很初等的 L1（IR）上的，L2（IR）本身 Lp 空间就是一个 Banach 空间，成立 Minkowski 不等式，Holder 不等式，及 Schwarz 不等式，赋予内积后，即变成一个 Hilbert 空间。

当 f (x) 属于 L1 (IR) 时，F (w) 属于 L 无穷（IR），并且再 L1 (IR) 上一致连续

如果 f (x) 属于 L2 (IR)，那么傅立叶变换 L2 空间到 L2 空间的映射

如此有很多值得分析的结论和定理…

分析学东西很多，虽然都很精彩但理解起来总突然感觉自己原来还是很多不清楚。对于咱们工程应用更是接触的少，比如随机过程就算搞的再熟，也不过就是多了几种建模方法而已，什么排队论啥的而已。当一旦发现如果 A 是 X 的一个 simga 环，（A，X）构成一个可测空间，uX=1, 时可测集变成了随机事件，而 (A,X) 才构成了概率可测空间时，才发现我们学很多东西是忽略的东西更多.(vole)

A32:

如果要从泛函的角度讨论的话，那么数学分析里一些最困难的问题都会归结到傅立叶分析（或者调和分析）上。

工程上，大部分时候都是以 “拿来主义” 的态度，数学家列个表格傅立叶变换，工程师直接用就是了。但是如果真的要从定义出发，很多非常常用的函数，就很难做傅立叶变换。

比如冲击信号，阶跃信号，或者高斯分布，要严格的定义的话，需要用泛函的知识。前面的讨论就是这些知识的基础。

当然如果不研究数学，并不影响任何人用这些结论。

理解傅立叶变换基本的性质，稍微看一些调和分析，泛函的书（如果你觉得有必要知道那些列表是怎么来的），多想想为什么要用卷积来描述系统对信号的响应（对卷积的理解很可能是最重要的），这些基本问题个人认为是核心。

而且可以看到，同样是傅立叶分析，大家的讨论却是大相径庭，有从 estimation 的角度，有从纯数学的角度，等等。这也能说明这个理论的重要，和它广泛的应用。(valetine)

A33：

说到 Entropy，刚好正在写一点东西。忍不住再说两句。尽量用大白话说。

同一个信号，可以通过各种基底 B 和系数 c 的表达。比如我们可以算 H ©，那么这个熵实际上就表达了待表达信号与基底的相似性。或者也可以说，是用那个基底来表达这个待表达信号的复杂程度。

如果直接对原信号 x 求 H (x)，那实际上默认了基底是 I，如果用 Fourier Basis 来求，那么默认了基底是 exp (i omega t)。

但是如果用 Fourier 基底表达大白纸上一个小黑块儿，显然就没有用空域直接表达来得方便。同理，如果在时域表达一个和弦信号，就不如 Fourier 更好地表述了其内蕴的物理模型。

总结一下：从 Entropy 的角度，我们可以看出在某种表达的复杂程度，尽量选择那些有物理背景的表达，会使得分析的难度大大简化。

具体地说，通讯里面信息很多是承载在周期变化的物理模型上的，对于波的分析，自然 Fourier 会有一定优越性了。（filestorm）

Q4: 谈谈卷积（valetine）

1，

卷积本身是一个理论的，convolution calculus。

刚开始学信号系统的话，一般总会对这个操作感到奇怪，

比如信号 f (x), LTI 系统冲击响应 g (x)

比如信号 f (x), LTI 系统冲击响应 g (x)

为什么一个 LTI 系统对信号的响应是 f (x) 和 g (x) 的卷积？而且什么是卷积呢？

要比较让人满意的理解这个问题，一般是需要一点数学知识的。

稍微离点题，一般的说，函数可以理解为把一些点映射到另一些点上的操作， 如果我们现在要建立一个操作，可以把一些函数映射到另一些函数上，我们说这个操作是 operator. 一个简单的对函数的操作，

可以是微分 df (x)/dx，积分 int f (x)，等等.

那么系统就是一个 operator L，输入一个信号 f (x)，输出一个信号 u (x)。表示成 L (f (x) ) = u (x)。

现在想象一个 LTI 离散系统，我们放入一个冲击 delta (x)，系统输出信号 g (x), 如果我们把输入信号分解成很多 c (t) delta (x-t) 的和，c (t) 表示信号在某个时间的大小（如果是复数的话，还有相位），t 表示延迟的多少，那么因为是线性系统，我们可以把输出叠加，而且是非时变系统，所以每个 delta (x) 的响应仅仅是时间上的延迟。所以输出的结果就是

sum c (t) g (x-t)

就是所谓的离散和的形式。同样的道理，如果系统是连续的，那么这个和的形式就变成积分。我们称为卷积。

2,

现在我们试图来解释，

为什么傅立叶变换后，时域上的卷积，变成频域上的乘积？

当然我们可以从定义出发，做 f (x) * g (x) 的傅立叶变换，然后换变量，就可以分成 F (jw) 和 G (jw) 的乘积。但是这个基本上是做数学游戏，不是让人觉得满意。

现在我们换个角度来考虑。

首先要我们需要 LTI 系统的一个性质，频率响应。

简单的说，一个 LTI 系统对于正弦信号的输出，也是一个正弦信号，而且信号的周期不变，变换的是信号的幅度和相位。这个特点本质上是因为 e^{jwx} 是微分算子的特征方程，就是说对 e^{jwx} 求导以后，还是它本身，变化的仅仅是幅度和相位。

d e^{jwx} /dx = jw e^{jwx}

从这里自然就会展开去很多概念，比如传输方程，特征根等等。

然后我们来考虑 函数 f (x) = e^{jnx}, n 是自然数

这个函数周期为 2 pi/n. 而且有一个非常重要的性质就是，e^{jnx}，e{jmx} 在 [0,2pi) 上的积分满足

int e^{jnx} e^{-jmx} = 0 , 如果 n 不等于 m;

int e^{jnx} e^{-jmx} ~= 0 ，如果 n=m。

我们称这个性质为函数垂直。我们可以把自然数扩展到所有实数，积分从 [0,2pi) 扩展到 (-inf, +inf)，那么 e^{jwx} w 属于实数，构成一个垂直的坐标系。

最后我们考虑傅立叶变换。

F (jw) = int f (x) e^{jwx} dx

有了垂直坐标系的概念后，我们可以把傅立叶变换理解为一个函数在不同特征方程的分量。 比如说，f (x) = cos (x), 一个周期 2pi 的信号，那么 F (jw) 就是两个在 -1 和 +1 的冲击。之所以我们把信号放在频域里，就是因为不同频率的信号，它们相对与一个内积（这里的内积就是以上的积分）是垂直的。

有了以上的概念以后，就可以理解卷积定理了。

3,

有了特征方程垂直的概念后，我们来看卷积定理。

首先我们做傅立叶变换，把信号 f (x) 分解到不同的特征方程 e^{jwx} 上。

对于确定的 w，F (jw) 就是这个数，表示 f (x) 在 e^{jwx} 上的分量。

然后我们让 w 变化，于是 F (jw) 是一个函数，我们称它为 f (x) 的频谱。

前面提到 LTI 系统的频响，输入 e^{jwx}， 输出 g (jw) e^{jwx}, 变化的是幅度和相位，这些信息都包含在系数 g (jw) 中。

现在我们让 w 变化，可以测出系统的频响 G (jw)，到此为止，我们已经把 f (x) 分解，又得到系统频响，那么运用叠加的性质，线性系统的输出很自然就是

G (jw) F (jw)

【最后鸣谢所有八系学长无私奉献自己的心得，这种心得是比什么书上的证明都更珍贵的。】

---

via:

• 关于傅利叶变换的一些数学解释兼及其它_若f(x)属于l^1空间,它的傅立叶变换为什么不一定属于l^1空间-CSDN博客 jiqiujia 于 2014-01-06 16:35:36 发布

  https://blog.csdn.net/zhulingchen/article/details/1793595

---

篇外： $e^{jwt}$ 是否绝对可积?

How do I check if $e^{jwt}$ is absolutely integrable?

I’m trying to see if the Fourier transform of $e^{jwt}$ exists, so I am trying to evaluate this integral:

${\int }_{-\infty }^{\infty }|e^{jwt}|$

but I am not getting anywhere and

$|{\int }_{-\infty }^{\infty }{e}^{jwt}|$

says nothing. How do I directly integrate this?

Also, just to confirm, its fourier transform doesn’t exist right?

asked Mar 4, 2017 at 21:20

JobHunter69

• That integral should contain another factor of e if you are Fourier transforming it as

$ F(f(t))(\omega) = \int_{-\infty}^{\infty} f(t) e^{-j\omega t} dt$

– Triatticus CommentedMar 4, 2017 at 22:11

Note that

$|e^{i\omega t}|=1$,
so
${\int }_{-\infty }^{\infty }|e^{i\omega t}|dt={\int }_{-\infty }^{\infty }1dt=\infty$,

hence your function is not ($L^1$) integrable.

– user169852 Commented Mar 5, 2017 at 0:38

1 Answer

The Fourier Transform of 1 is
F { 1 } ( ω ) = ∫ − ∞ ∞ ( 1 ) e j ω t   d t \mathscr{F}\{1\}(\omega)=\int_{-\infty}^\infty (1)e^{j\omega t}\,dt F{1}(ω)=∫−∞∞​(1)ejωtdt                     ~~~~~~~~~~~~~~~~~~~                     (1)

As an improper Riemann integral or as a Lebesgue integral, the integral in (1) does not exist. However, interpreted as a Distribution, the Fourier Transform of 1 is

F { 1 } ( ω ) = 2 π δ ( ω ) \mathscr{F}\{1\}(\omega)=2\pi \delta(\omega) F{1}(ω)=2πδ(ω)

where δδ is the Dirac Delta, which is a distribution (or generalized function) and not a function.

answered Mar 5, 2017 at 0:35 Mark Viola

---

via:

• integration - How do I check if $e^{jwt}$ is absolutely integrable? - Mathematics Stack Exchange

  https://math.stackexchange.com/questions/2172092/how-do-i-check-if-ejwt-is-absolutely-integrable