学习自“课堂在线”平台,北京理工大学陶然教授的课程视频,讲解的非常详细全面,数学公式推导都有,以下为学习笔记,仅记录要点部分。
注:学习此课程,按重要程度排序,需要有信号与系统、数字信号处理、随机信号分析、矩阵论等课程的基础。
目录
绪论
傅里叶变换处理平稳信号、线性时不变系统。但是当信号出现时变、非平稳特性时,传统傅里叶变换难以处理。
分数阶傅里叶变换开辟出时域、频域之间新的分数域,可以在这里分析非平稳信号和线性时变系统。
注:平稳指的是宽平稳,严格的数学定义是信号的自相关函数取数学期望,其值不随时间变化,仅与时间间隔有关。简单来说就是信号的统计量与时间起点无关。
横坐标为时间、纵坐标为频率。传统傅里叶变换相当于把信号旋转
π
/
2
\pi/2
π/2,而分数傅里叶变换可以旋转任意角度,是对传统傅里叶变换的一个拓展。
传统傅里叶变换的基函数是正弦函数,而分数傅里叶变换的基函数是chirp函数。chirp是一个典型的非平稳信号。
分数傅里叶变换定义
传统的傅里叶变换,定义为积分核形式,如下图第一个公式所示,积分核为
exp
(
−
j
u
t
)
\exp(-jut)
exp(−jut)。
而另一种定义形式基于Hermite特征函数,如下图蓝色公式所示,其中特征值为
e
−
j
n
π
2
e^{-jn\frac{\pi}{2}}
e−jn2π,特征函数为
ϕ
n
(
u
)
\phi_n(u)
ϕn(u)
将特征值一般化,即
e
−
j
n
α
e^{-jn\alpha}
e−jnα,其中
α
=
p
π
2
\alpha=p\frac{\pi}{2}
α=p2π,
p
p
p称为阶数,于是得到分数傅里叶变换的特征函数定义形式。
此处省略大量数学推导……
将分数傅里叶变换的特征函数定义形式转换为积分核的表达形式,如下所示:
积分核为
exp
(
j
cot
α
2
t
2
+
j
cot
α
2
u
2
+
j
t
u
sin
α
)
\exp(\frac{j\cot\alpha}{2}t^2+\frac{j\cot\alpha}{2}u^2+\frac{jtu}{\sin\alpha})
exp(2jcotαt2+2jcotαu2+sinαjtu)。与传统傅里叶变换不同,分数傅里叶变换的积分核中包含平方项。
分数傅里叶变换的性质
可以证明,当阶数
p
=
1
p=1
p=1时,分数傅里叶变换退化为传统傅里叶变换;当阶数
p
=
−
1
p=-1
p=−1时,退化为传统逆傅里叶变换;当阶数
p
=
0
p=0
p=0时,结果就是函数本身。
第三条证明中需要用到冲激函数的极限定义形式:
分数傅里叶变换满足可加性:
对函数做角度为
α
\alpha
α的分数傅里叶变换后,再做一次角度为
β
\beta
β的分数傅里叶变换,结果与直接做一次角度为
α
+
β
\alpha+\beta
α+β的分数傅里叶变换相同。
分数卷积与滤波
卷积定理
傅里叶变换的卷积定理为:两函数时域卷积等于频域相乘,频域卷积等于时域相乘(除以
2
π
2\pi
2π)
若信号为
x
(
t
)
x(t)
x(t),通过一个线性时不变系统,其中该系统的冲激响应为
h
(
t
)
h(t)
h(t),那么系统输出
y
(
t
)
=
x
(
t
)
∗
h
(
t
)
y(t)=x(t)*h(t)
y(t)=x(t)∗h(t),其中
∗
*
∗表示卷积符号。
用
X
(
j
ω
)
X(j\omega)
X(jω)、
H
(
j
ω
)
H(j\omega)
H(jω)、
Y
(
j
ω
)
Y(j\omega)
Y(jω)分别表示
x
(
t
)
x(t)
x(t)、
h
(
t
)
h(t)
h(t)、
y
(
t
)
y(t)
y(t)的傅里叶变换,那么卷积定理可以表示成:
y
(
t
)
=
h
(
t
)
∗
x
(
t
)
Y
(
j
ω
)
=
H
(
j
ω
)
X
(
j
ω
)
y(t)=h(t)*x(t)\\ Y(j\omega)=H(j\omega)X(j\omega)
y(t)=h(t)∗x(t)Y(jω)=H(jω)X(jω)
卷积的快速计算方法
一般计算卷积的方法,计算复杂度为
O
(
N
2
)
O(N^2)
O(N2),下面利用卷积定理,可以推导出使用快速傅里叶变换FFT将计算复杂度降低为
O
(
N
log
N
)
O(N\log N)
O(NlogN)的计算方法。
首先将两个函数使用FFT分别转换到频域,然后在频域相乘(对应时域卷积),对结果再做一个逆FFT,转换回时域,得出卷积结果。
分数卷积
用
X
α
(
j
ω
)
X^\alpha(j\omega)
Xα(jω)、
H
α
(
j
ω
)
H^\alpha(j\omega)
Hα(jω)、
Y
α
(
j
ω
)
Y^\alpha(j\omega)
Yα(jω)分别表示
x
(
t
)
x(t)
x(t)、
h
(
t
)
h(t)
h(t)、
y
(
t
)
y(t)
y(t)的分数傅里叶变换,参数均为
α
\alpha
α,定义分数卷积符号如下:
分数卷积的计算流程如下:
计算相当的复杂,尤其是
h
(
t
)
h(t)
h(t)。于是考虑去除对
h
(
t
)
h(t)
h(t)的两次fft操作,直接使用
h
^
(
t
)
\hat{h}(t)
h^(t)作为时域输入,得到第二种分数卷积的流程图:
注意
H
α
(
u
)
H^\alpha(u)
Hα(u)是
h
^
(
t
)
\hat{h}(t)
h^(t)的傅里叶变换。
在第一种卷积计算方法中, h ( t ) h(t) h(t)中包含 t 2 t^2 t2的指数项,因此, h ( t ) h(t) h(t)可以分解为一串调频率相同的chirp信号叠加,对应的系统称为一阶时变系统。
在第二种卷积计算方法中, h ^ ( t ) \hat{h}(t) h^(t)可以分解为一串正弦信号叠加,对应0阶时变系统,即时不变系统。可以理解为一个非平稳信号经过线性时不变系统。
还有第三种卷积方法:
功率谱
对于随机信号,通常由功率谱描述。
首先介绍功率信号和能量信号的概念。简单来说,功率信号就是信号的功率是一直存在但不为无限大,能量信号就是信号的总能量不是无限大的。注意,由于时间可以选取无限远,因此功率信号的能量是无限大的。功率信号的数学定义如下:
正弦信号就是功率信号。
此处省略随机信号分析的内容……
帕萨瓦尔定理:
证明了时域和频域能量守恒。
功率谱密度,简称功率谱定义如下:
维纳-辛钦定理:
因此,可以通过计算相关函数来获得函数的功率谱。
分数功率谱
定义如下:
分数域采样与重建
分数域谱分析
分数域不发生频谱混叠的条件:
分数域采样后重建
利用奈奎斯特内插函数,可以得到重建后的时域表达式:
频域带通采样定理:
其中
Ω
l
\Omega_l
Ωl表示信号最低频率,
Ω
h
\Omega_h
Ωh表示信号最高频率。
表示向下取整。
带通重建公式:
分数域带通采样定理
带通重建公式:
离散FRFT快速算法
目前的离散算法主要包括两大类:
上述性质指的是可加性。
基于采样型DFRFT方法,我博客中单独有一篇文章(大致)解释了原理并实现了其代码:分数阶傅里叶变换(FrFT)详细原理与matlab代码实现
chirp信号检测与参数估计
由于分数傅里叶变换是基于chirp基函数的,因此该变换特别适用于chirp信号处理。chirp信号在特定参数的FRFT下,是一个冲激函数,易于被检测。
参数估计公式
当满足相位一致条件时,信号幅值最大,呈现出冲激状。
chirp信号的四个参数估计值在上图的最下方列出。
在实际检测中,需要搜索
α
\alpha
α和
u
u
u两个变量,找到信号最大峰值所在位置,据此估计出chirp信号的四个参数。
量纲归一化
在实际编程操作中,首先对量纲进行归一化:
令
S
=
T
f
s
S=\sqrt{\frac{T}{f_s}}
S=fsT,时域除以
S
S
S,频域乘以
S
S
S,即可使时域和频域均变为
Δ
x
=
T
f
s
\Delta x=\sqrt{Tf_s}
Δx=Tfs,时宽带宽相等。
因为做了量纲归一化,因此在估计出调频率后要除以
S
2
S^2
S2,频率要除以
S
S
S才能得到真实的数值。
我有一篇博客讲了chirp信号检测与参数估值的具体实现,其中包括了相关的matlab代码:
基于分数阶傅里叶变换的chirp信号检测与参数估计(原理附代码)
后记
路漫漫其修远兮,分数傅里叶变换的内容还有很多,这次课程笔记就到这里(学的也不是很深入),以后如有工程需要,还会继续学习。
以上大部分内容(包括所有图片)来自于陶然老师的课程视频,仅供学习讨论使用,如有侵权作者将自行删除。