【近万字】分数傅里叶变换课程学习笔记

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。

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$\pi /2$，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$\exp (-jut)$。
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$e^{-jn\frac{\pi }{2}}$，特征函数为${\varphi }_n(u)$

将特征值一般化，即$e^{-jn\alpha }$，其中$\alpha =p\frac{\pi }{2}$，$p$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$\exp (\frac{j\cot \alpha }{2}{t}^2+\frac{j\cot \alpha }{2}{u}^2+\frac{jtu}{\sin \alpha })$。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$p=1$时，分数傅里叶变换退化为传统傅里叶变换；当阶数$p=-1$时，退化为传统逆傅里叶变换；当阶数$p=0$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$\alpha$的分数傅里叶变换后，再做一次角度为$\beta$的分数傅里叶变换，结果与直接做一次角度为$\alpha +\beta$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$2\pi$）
若信号为$x(t)$，通过一个线性时不变系统，其中该系统的冲激响应为$h(t)$，那么系统输出$y(t)=x(t)\ast h(t)$，其中$\ast$表示卷积符号。

用$X(j\omega )$、$H(j\omega )$、$Y(j\omega )$分别表示$x(t)$、$h(t)$、$y(t)$的傅里叶变换，那么卷积定理可以表示成：
$$\begin{gathered} y(t)=h(t)\ast x(t) \\ Y(j\omega )=H(j\omega )X(j\omega ) \end{gathered}$$

卷积的快速计算方法

一般计算卷积的方法，计算复杂度为$O(N^2)$，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$O(N\log N)$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$X^{\alpha }(j\omega )$、$H^{\alpha }(j\omega )$、$Y^{\alpha }(j\omega )$分别表示$x(t)$、$h(t)$、$y(t)$的分数傅里叶变换，参数均为$\alpha$，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$h(t)$。于是考虑去除对$h(t)$的两次fft操作，直接使用$\hat{h}(t)$作为时域输入，得到第二种分数卷积的流程图：

注意$H^{\alpha }(u)$是$\hat{h}(t)$的傅里叶变换。

在第一种卷积计算方法中，$h(t)$中包含$t^2$的指数项，因此，$h(t)$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，$\hat{h}(t)$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${\Omega }_l$表示信号最低频率，${\Omega }_h$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$\alpha$和$u$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$S=\sqrt{\frac{T}{f_s}}$，时域除以$S$，频域乘以$S$，即可使时域和频域均变为$\Delta x=\sqrt{T{f}_s}$,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$S^2$，频率要除以$S$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。