在前面的三部分中 Fourier Series始终是有周期的,无论表示成什么形式,始终与周期有关。
这句话始终深深的印在我的脑海里,傅立叶变换也就出现了。
想法就是一个非周期函数h(t),用一个无穷大的周期取重复它自己。
定义
我本想翻译一下,但是感觉没什么意义
维基百科
逆变换:
和之前的傅立叶级数对比:
是
ω
0
=
2
π
T
=
2
π
f
\omega_{0}=\frac{2\pi}{T}=2\pi f
ω0=T2π=2πf.傅立叶展开式是:
H n = 1 T ∫ t 0 t 0 + T h ( t ) e i n ω 0 t H_{n}=\frac{1}{T} \int_{t_{0}}^{t_{0}+T} h(t) e^{in\omega_{0}t } Hn=T1∫t0t0+Th(t)einω0t
h
(
t
)
=
∑
n
=
−
∞
∞
H
n
e
−
i
n
ω
0
t
h(t)=\sum_{n=-\infty}^{\infty} H_{n} e^{-in\omega_{0}t}
h(t)=∑n=−∞∞Hne−inω0t
性质
1
线性性质 Linearity
积分的线性性质决定了这个性质
对比课件和维基百科,我觉得这部分课件更好一点。证明非常的清晰。
2![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/d53082e5fac863f376614534ad885237.png)
证明
一个简单的换元
3
4
5
6
7
8
Parseval Theorem
∫ − ∞ ∞ ∣ h ( t ) ∣ 2 d t = ∫ − ∞ ∞ ∣ H ( f ) ∣ 2 d f \int_{-\infty}^{\infty} |h(t)| ^{2}dt=\int_{-\infty}^{\infty} |H(f)| ^{2}df ∫−∞∞∣h(t)∣2dt=∫−∞∞∣H(f)∣2df
卷积 convolution
y ( t ) = h ( t ) ∗ g ( t ) = ∫ − ∞ ∞ h ( t − τ ) g ( τ ) d τ y(t)=h(t)*g(t)=\int_{-\infty}^{\infty}h(t-\tau)g(\tau)d\tau y(t)=h(t)∗g(t)=∫−∞∞h(t−τ)g(τ)dτ
这个定理看起来也非常特别。
相关性 correlation
y ( t ) = C o r r ( h ( t ) , g ( t ) ) = ∫ − ∞ ∞ h ( t + τ ) g ( τ ) d τ y(t)=Corr(h(t),g(t))=\int_{-\infty}^{\infty}h(t+\tau)g(\tau)d\tau y(t)=Corr(h(t),g(t))=∫−∞∞h(t+τ)g(τ)dτ
自相关Autocorrelation
y ( t ) = C o r r ( h ( t ) , h ( t ) ) = ∫ − ∞ ∞ h ( t + τ ) h ( τ ) d τ y(t)=Corr(h(t),h(t))=\int_{-\infty}^{\infty}h(t+\tau)h(\tau)d\tau y(t)=Corr(h(t),h(t))=∫−∞∞h(t+τ)h(τ)dτ
Wiener-Khinchin Theorem
for real function h
傅立叶变换的基础已经写完了,下面是我完全不懂的区域。