傅里叶变换总结

最新推荐文章于 2022-07-10 12:20:53 发布

Du_JuneLi

最新推荐文章于 2022-07-10 12:20:53 发布

阅读量1.8k

点赞数 1

分类专栏：数学文章标签：深度学习数学图像处理

本文链接：https://blog.csdn.net/weixin_38640670/article/details/118031557

版权

数学专栏收录该内容

3 篇文章 0 订阅

订阅专栏

        · 牛顿莱布尼兹的微积分、泰勒展开、域转换（傅里叶变换、拉普拉斯变换），有相似的思想，又相互成就，厉害厉害！！！
        · 域变换利用微积分无限元思想将信号无限分解为完备正交集的组合；
        · 泰勒展开利用微积分无限元思想将信号分解为无穷阶导的组合；
        · 各种变换或者展开其实就是转换到不同的角度进行分析，换个角度看世界，有意思，[666][666][666][666][666]！！！

↓

矢量Vy=(Vx1, Vx2, vx3)与Vy=(Vy1, Vy2 Vy3)正交的定义，
其内积为0，即：

↓

正交函数定义→在(t1，t2)区间的两个函数φ 1(t)和φ2(t),若满足：

则称φ1(t)和φ2(t)在区间(t1, t2)内正交；

↓

完备正交函数集：正交函数集{φy(t)，φ 2(t)，....φn(t)}之外，不存在函数φ(t)(≠0)满足内积为0；

常用的完备正交函数集：

$\Omega =\frac{2\pi }{T}$
↓

将任一周期函数f(t)用n个正交函数的线性组合来近似，可表示为：

↓

求解C1，C2，C3……

确定目标函数（均方误差）：

↓

求极值点：

化简：

得到：

↓

可分解为如下三角级数，设周期信号f(t)，其周期为T，角频率Ω=2π/T，称为f(t)的傅里叶级数（正交分解)：

↓

同频项合并后得（A0为直流分量）：

↓

三角形式的傅里叶级数，含义比较明确，但运算常感不便，因而经常采用指数形式的傅里叶级数；

根据变换公式 $cos(x)=(e^{jx}+e^{-jx})/2$ or $e^{jx}=cos(x)+jsin(x)$ 进行推导得到：

n变成-n后可得：

合并后得到：

↓

上式中可以提取出常量，也就是要求的傅里叶级数展开的常数，称为傅里叶系数：

经过如下的转换：

得到：

↓

转换一下得到：

T趋于无穷大的时候Ω趋于无穷小，Ω趋于无穷小的时候nΩ就会趋于连续， $\omega =n*\Omega =n*\tfrac{2\pi }{T}$ ，ω就是角频率，Ω足够小，ω就趋于连续了（也就是说ω颗粒度可以无限小），可将上式进行转换，注意是转换，而不是恒等转换：

因为FnT随Fn变换，Fn随公式右边积分变换，所以Fn随公式右边积分变换

n随nΩ变换，Ω恒定，所以可以用ω（nΩ）代替n：

Fn→F(ω)

最后得到：

此公式中 $e^{-j\omega t}$ 可以理解为是一个筛选因子， $e^{-j\omega t}$ 作用到f(t)进行信号的筛选，然后积分即可积出该频率下的幅值；

这个公式整体理解为，在角频率ω的时候，它的幅值为F(ω)；

上式就是连续傅里叶变换，其实就是从傅里叶级数来的，计算出每个频率下的幅度值，当T趋于无穷大的时候，频率就可以足够小，使得角频率ω足够小，应用上式就可以统计出不同角频率下的幅度值，统计出后即可在频率域进行信号处理；

↓

最后得到连续傅里叶变换对（一维正逆变换），这里把变量ω（角频率）换成了函数频率（u=1/T），注意是转换，而不是恒等转换，因为u随ω变化，所以得到：

$\omega =\Omega =\frac{2\pi }{T}=2\pi u$ ，u为1/T频率；

式中: j=√-1 ，.x称为时域变量，u称为频域变量；

↓

离散傅里叶变换对（一维正逆变换），具体推导https://blog.csdn.net/lxhdy12345/article/details/107130919/，需要借助奇异函数δ函数：

式中: x，u=0，1，2，...，N-1；

↓

信号的分解，复合信号的毛刺部分其实就是低频信号；

↓

如果要想该公式成立，需符合狄利赫里条件，即， $\int_{-\infty }^{+\infty }|x(t)|dt<\infty$ 所以这给傅里叶变换公式带来一定的局限性，它只适用于在定义域中收敛的函数，即只能分析稳定的系统！如果我要分析一些不稳定的系统，即分析在定义域中不收敛的函数，那就需要用到拉普拉斯变换；