方波与sinc函数之间的最全傅里叶变换关系_助记_有图有推导

方波与sinc函数的最全傅里叶变换对_助记_有图有推导

傅里叶变化是信号分析与处理领域的重要理论基石，其搭建了信号时域和频域之间分析的桥梁。而方波与sinc函数之间的傅里叶变换关系，可以说是每一个学过信号类课程的学生必会的知识。方波与sinc函数不仅在工程领域中有着及其重要的应用，傅里叶变换的相关性质也可在这对函数中得到较好地体现。

当我们提及方波与sinc函数时，我们可以条件反射般说出：“方波的傅里叶变换时sinc,sinc的傅里叶变换是方波。“但是，由于傅里叶变换存在多种形式（连续的、离散的、周期的、非周期的），当我们具体到特定场景下两者变换的表达式时，我们可能容易搞混。

因而，本篇文章将各种傅里叶变换形式下的方波与sinc函数之间的关系进行整理，并借此分享一下个人的一些助记方法，希望能帮助看到这篇文章的你。

1.连续时间周期信号傅里叶变化下的方波与sinc

此类傅里叶变换称为傅里叶级数(FS),信号的时域和频域特性如下：

• 时域特性：连续，周期信号
• 频域特性：离散，非周期信号

其示意图如下：

傅里叶级数变换公式如下：
$$\begin{gathered} x(t)=\sum _{n=-\infty }^{+\infty }X(n{\omega }_0)e^{jn{\omega }_{0}t} \\ X(n{\omega }_0)=\frac{1}{T}{\int }_{-T/2}^{T/2}x(t)e^{-jn{\omega }_{0}t}dt \\ 其中，{\omega }_0=2\pi /T \end{gathered}$$
在时域为周期连续信号，频域为离散非周期信号的情况下，方波与sinc出现的场景通常是：时域为具有特定占空比的连续周期方波信号，频域为离散的sinc信号。

假定时域周期方波信号的周期为$T$,一个周期内方波的有效长度为$2T_1$，如下图所示：

选定积分区间[-T/2,T/2]来进行计算，需要注意的时，在计算时，要分n是否为0进行讨论，因为在计算积分的过程中，会出现1/n这一项，因而需要讨论n是否为0.
当n为0时：
$$X(0{\omega }_0)=\frac{1}{T}{\int }_{-T_1}^{T_1}dt=\frac{2T_1}{T}$$
当n不为0时：
$$\begin{gathered} X(n{\omega }_0)=\frac{1}{T}{\int }_{-T_1}^{T_1}{e}^{-jn{\omega }_{0}t}dt=-\frac{1}{jn{\omega }_{0}T}{e}^{-jn{\omega }_{0}t}{|}_{-T_1}^{T_1} \\ =\frac{\sin (n{\omega }_0{T}_1)}{n\pi } \end{gathered}$$

其中，${\omega }_0=\frac{2\pi }{T}$

频谱示意图(图片来自《信号与系统》奥本海姆)如下：

助记：

• 对于$X(0)$,表示信号的0频分量，也即信号的平均值。对于方波信号，平均值即为信号的占空比，所以可以根据周期方波信号的示意图，直接写出$X(0)$的值。

• 对于n不为0的情况，将上述结果进行该写：

  $$\begin{gathered} X(n{\omega }_0)=\frac{\sin (n{\omega }_0{T}_1)}{n\pi }={\omega }_0{T}_1\frac{\sin (n{\omega }_0{T}_1)}{\pi n{\omega }_0{T}_1}={\omega }_0{T}_1\frac{sinc(n{\omega }_0{T}_1)}{\pi } \\ =\frac{2\pi T_1}{T}\frac{sinc(n{\omega }_0{T}_1)}{\pi }=a_{0}sinc(n{\omega }_0{T}_1) \end{gathered}$$

  由上式可知，要确定n不为0时的频谱，需要求的参数$a_0$,${\omega }_0$,$T_1$，$a_0$即为求得的占空比；${\omega }_0$为基频，当给定周期信号的周期$T$时，${\omega }_0$便也确定了；$T_1$为正半轴第一个零点，根据周期信号的时域示意图，便可以直接得到。

2.离散时间周期信号傅里叶变换下的方波和sinc

此类傅里叶变换称为离散傅里叶级数(DFS),信号的时域和频域特性如下：

• 时域特性：离散，周期信号
• 频域特性：离散，周期信号

其示意图如下：

离散傅里叶变换公式如下：
$$\begin{gathered} x[n]=x(n{T}_1)=\sum _{k=<N>}X(k{\omega }_0)e^{jk{\omega }_{0}n}=\sum _{k=<N>}X(k{\omega }_0)e^{jk(2\pi /N)n} \\ X(k{\omega }_0)=\frac{1}{N}\sum _{n=<N>}x[n]e^{-jk{\omega }_{0}n}=\frac{1}{N}\sum _{n=<N>}x[n]e^{-jk(2\pi /N)n} \end{gathered}$$
由于时域和频域均为周期的离散信号，所以方波与sinc出现的场景具有对称性，通常有如下两种场景：时域为具有特定占空比的离散周期方波信号，频域为离散周期sinc信号以及频域为具有特定占空比的离散周期方波信号，时域为离散周期sinc信号。

2.1时域方波，频域sinc

假定时域周期方波信号的周期为$N$,一个周期内方波的有效长度为$2N_1+1$，如下图所示：

选定积分区间$[-N_1,N_1]$来进行计算。与上述连续周期方波的求解不同，在计算时，不需要讨论k是否为0，但要注意DFS的周期性.

$$X(k{\omega }_0)=\frac{1}{N}\sum _{n=-N_1}^{N_1}{e}^{-jk(2\pi /N)n}$$
令$m=n+N_1$,则上式变为：
$$\begin{gathered} X(k{\omega }_0)=\frac{1}{N}\sum _{m=0}^{2N_1}{e}^{-jk(2\pi /N)(m-N_1)}=\frac{1}{N}{e}^{jk(2\pi /N)N_1}\sum _{m=0}^{2N_1}{e}^{-jk(2\pi /N)m} \\ =\frac{1}{N}{e}^{jk(2\pi /N)N_1}(\frac{1-e^{-jk2\pi (2N_1+1)/N}}{1-e^{-jk(2\pi /N)}})=\frac{1}{N}\frac{\sin (2\pi k(N_1+1/2)/N)}{\sin (\pi k/N)} \end{gathered}$$
当$k=0,\pm N,\pm 2N,\cdots$时,借助洛必达法则得：
$$\begin{gathered} X(k{\omega }_0)=\underset{k\to 0}{\lim }\frac{1}{N}\frac{\sin (2\pi k(N_1+1/2)/N)}{\sin (\pi k/N)}=\frac{1}{N}\frac{2\pi (N_1+1/2)/N\cos (2\pi k(N_1+1/2)/N)}{\pi /N\cos (\pi k/N)} \\ =\frac{2N_1+1}{N},k=0,\pm N,\pm 2N,\cdots \end{gathered}$$

频谱示意图(图片来自《信号与系统》奥本海姆)如下：

助记：

• 当$k=0,\pm N,\pm 2N,\cdots$时,此时的$X(k{\omega }_0)$,表示信号的平均值,即方波信号的占空比，所以可以根据周期方波信号的示意图，直接写出此时$X(k{\omega }_0)$的值。

• 当$k\ne 0,\pm N,\pm 2N,\cdots$，可将此时的$\frac{1}{N}\frac{\sin (2\pi k(N_1+1/2)/N)}{\sin (\pi k/N)}$与连续周期方波的傅里叶级数$\frac{\sin (n{\omega }_0{T}_1)}{n\pi }$($=\frac{1}{N}\frac{\sin (2\pi n{T}_1/N)}{n\pi /N}$)进行类比：

  1)一方面，离散情况下的$N_1+1/2$等价于连续情况的$T_1$

  2)另一方面，离散情况下最终结果的分母是一个sin()函数，而连续情况下是一个线性函数。这是因为连续情况下对幂函数$e^{mx}$进行积分时，在凑积分时，配出来的系数为$1/m$；而在离散情况下，对幂函数$e^{mn}$进行求和时，配出来的系数为$1/1-e^m$,再利用欧拉公式，便可得到$1/sin()$的形式。

2.2时域sinc，频域方波

假定信号的频域为周期方波，周期为$N$,一个周期内方波的有效长度为$2N_1$.由于傅里叶正变换与逆变换具有很好的对称性，因而此类情景的求解过程与上述过程非常相似，求解过程如下：

选定积分区间$[-N_1,N_1]$来进行计算。利用DTFT的逆变换进行计算

$$x[n]=\sum _{k=-N_1}^{N_1}{e}^{jk(2\pi /N)n}$$
令$m=k+N_1$,则上式变为：
$$\begin{gathered} X(k{\omega }_0)=\sum _{m=0}^{2N_1}{e}^{jn(2\pi /N)(m-N_1)}=e^{-jn(2\pi /N)N_1}\sum _{m=0}^{2N_1}{e}^{jn(2\pi /N)m} \\ =e^{-jn(2\pi /N)N_1}(\frac{1-e^{jn2\pi (2N_1+1)/N}}{1-e^{jn(2\pi /N)}})=\frac{\sin (2\pi n(N_1+1/2)/N)}{\sin (\pi n/N)},k\ne 0,\pm N,\pm 2N,\cdots \end{gathered}$$
当$k=0,\pm N,\pm 2N,\cdots$时,借助洛必达法则得：
$$\begin{gathered} X(k{\omega }_0)=\underset{k\to 0}{\lim }\frac{\sin (2\pi k(N_1+1/2)/N)}{\sin (\pi k/N)}=\frac{2\pi (N_1+1/2)/N\cos (2\pi k(N_1+1/2)/N)}{\pi /N\cos (\pi k/N)} \\ =2N_1+1,k=0,\pm N,\pm 2N,\cdots \end{gathered}$$

助记：

• 上述运算结果与2.1中的计算结果非常相似，只需去掉2.1中的系数$1/N$,并把$k$换成$n$，便可得到上述结果

3.连续时间傅里叶变换下的方波和sinc

此类傅里叶变换称为傅里叶变化(FT),信号的时域和频域特性如下：

• 时域特性：连续，非周期信号
• 频域特性：连续，非周期信号

其示意图如下：

傅里叶变换公式如下：
$$\begin{gathered} x(t)=\frac{1}{2\pi }{\int }_{-\infty }^{+\infty }X(\omega )e^{j\omega t}d\omega \\ X(\omega )={\int }_{-\infty }^{+\infty }x(t)e^{-j\omega t}dt \end{gathered}$$
注：本文在分析时，默认信号的频率坐标为角频率$\omega$

与周期信号的傅里叶变换相比，FT表示的是更一般的情况，通常有如下两种场景：时域为方波信号，频域为sinc信号以及频域为方波，时域为sinc信号。

3.1时域方波，频域sinc

此类情况下，也可分成两种情况：时域为单个方波和时域为周期方波。对于后者，他与前文介绍的FS是同一种情景，只不过这里要求的是周期方波的FT，而不是FS。根据FS与FT之间的关系，可以借助前文求得的傅里叶级数，快速得到时域周期方波的傅里叶变换，两种关系如下：
$$X(\omega )=2\pi \sum _{k=-\infty }^{+\infty }{a}_k\delta (\omega -k{\omega }_0),其中{\omega }_0=\frac{2\pi }{T}$$
因而，本文主要讨论时域为单个方波的情况。假定时域方波信号的有效长度为$2T_1$，如下图所示：

利用FT正变换进行计算，得到信号的频谱：

$$X(\omega )={\int }_{-T_1}^{+T_1}{e}^{-j\omega t}dt=2T_1\frac{sin(T_1\omega )}{T_1\omega }=2T_{1}sinc(T_1\omega )$$
频谱示意图(图片来自《信号与系统》奥本海姆)如下：

助记：

• 由上述计算结果可知，欲确定方波信号的频谱，仅需要知道参数$T_1$即可(默认方波的幅值为1的前提下)。

• 参数$T_1$由两部分来共同组成最终结果：

  1)常数项系数$2T_1$,本质上表示的是方波信号的面积

  2)$sinc(T_1\omega )$项，直接将正半轴的零点当成$\omega$的系数即可

• 当在具体求解问题时，假如给定一个像上图所示的对称分布的时域方波，再求频域表达式时：

  1)先找到正半轴零点$x_0$,这时便可写出sinc项$sinc(x_0\omega )$

  2)再计算出方波的面试$S$，由此便得到信号频谱：$X(\omega )=Ssinc(x_0\omega )$

3.2时域sinc，频域方波

假定频域方波信号的有效长度为$2W$，如下图所示：

利用FT逆变换进行计算，得到信号的时域表达式：

$$x(t)=\frac{1}{2\pi }{\int }_{-W}^{+W}{e}^{j\omega t}d\omega =\frac{2W}{2\pi }\frac{sin(Wt)}{Wt}=\frac{2W}{2\pi }sinc(Wt)$$
频谱示意图(图片来自《信号与系统》奥本海姆)如下：

注：上式故意没有进行约分化简，是因为这种形式更具备可解释性，也更方便记忆。

助记：

• 与时域方波的计算结果类似，仅需将3.1节中的$\omega$替换成$t$,令外加一个系数$1/2\pi$，便可得到上述结果。欲确定方波信号的时域表达式，仅需要知道参数$W$即可。

• 参数$W$由两部分来共同组成最终结果：

  1)常数项系数$2W/2\pi$,本质上表示的是方波信号的面积

  2)$sinc(Wt)$项，直接将正半轴的零点当成$t$的系数即可

• 当在具体求解问题时，假如给定一个像上图所示的对称分布的频域方波，再求时域表达式时：

  1)先找到正半轴零点$W_0$,这时便可写出sinc项$sinc(W_{0}t)$

  2)再计算出方波的面试$S$，由此便得到信号频谱：$X(\omega )=\frac{S}{2\pi }sinc(x_0\omega )$

• 将第2节中离散傅里叶级数的两种情况，与本节中的两种情况进行对比可知，前者的两种情况相差一个系数$1/N$,后者的两种情况相差一个系数$1/2\pi$;这与DFS与FS正反变换的系数相对应。

4.离散时间傅里叶变换下的方波和sinc

此类傅里叶变换称为离散时间傅里叶变化(DTFT),信号的时域和频域特性如下：

• 时域特性：离散，非周期信号
• 频域特性：连续，周期信号

其示意图如下：

离散时间傅里叶变换公式如下：
$$\begin{gathered} x[n]=x(nt)=\frac{1}{2\pi }{\int }_{2\pi }X(e^{j\omega })e^{j\omega n}d\omega \\ X(e^{j\omega })=\sum _{n=-\infty }^{+\infty }x(n)e^{-j\omega n} \end{gathered}$$
注：本文在分析时，默认信号的频率坐标为角频率$\omega$

与FT类似，DTFT表示的是离散情况下一般的情况，通常有如下两种场景：时域为方波信号，频域为sinc信号以及频域为方波，时域为sinc信号。

4.1时域方波，频域sinc

此类情况下，也可分成两种情况：时域为单个方波和时域为周期方波。对于后者，他与前文介绍的DFS是同一种情景，只不过这里要求的是周期方波的DTFT，而不是DFS。根据DFS与DTFT之间的关系，可以借助前文求得的傅里叶级数，快速得到时域周期方波的傅里叶变换，两种关系如下：
$$X(e^{j\omega })=2\pi \sum _{k=-\infty }^{+\infty }{a}_k\delta (\omega -k{\omega }_0),其中{\omega }_0=\frac{2\pi }{N}$$
因而，本文主要讨论时域为单个方波的情况。假定时域方波信号的有效长度为$2N_1+1$，如下图所示：

利用DTFT正变换进行计算，得到信号的频谱：

$$X(e^{j\omega })=\sum _{n-N_1}^{+N_1}{e}^{-j\omega n}=\frac{sin((N_1+1)\omega )}{sin(w/2)}$$
频谱示意图(图片来自《信号与系统》奥本海姆)如下：

助记：

• 由上述计算结果可知，欲确定方波信号的频谱，仅需要知道参数$N_1$即可(默认方波的幅度为1的前提下)。

• 可以将此结果$\frac{sin((N_1+1)\omega )}{sin(w/2)}$与4.1连续方波信号的频谱表达式$2T_{1}sinc(T_1\omega )$($=2T_1\frac{sin(T_1\omega )}{T_1\omega }=\frac{sin(T_1\omega )}{\omega /2}$)进行对比记忆。

4.2时域sinc，频域方波

假定在一个周期内频域方波信号的有效长度为$2{\omega }_c$，如下图所示：

利用DTFT逆变换进行计算，得到信号的时域表达式：

$$x[n]=\frac{1}{2\pi }{\int }_{2\pi }{e}^{j\omega n}d\omega =\frac{2{\omega }_c}{2\pi }\frac{sin({\omega }_{c}n)}{{\omega }_{c}n}=\frac{2{\omega }_c}{2\pi }sinc({\omega }_{c}n)$$
助记：

• 上述计算结果与3.2节频域为单个方波的情况非常相似，这是因为两者都是连续谱，尽管本节涉及到的频谱是周期谱，但是积分区间仅在$2\pi$范围内，这和3.2节整个$\omega$轴上的积分没有区别。

  因而，仿照3.2节的计算方式，直接便可以写出本节的结果。

5结束语

以上便是信号分量与处理领域，所涉及到的几乎全部场景下的方波与sinc变换对的具体形式，希望能够对正在学习相关课程的同学，以及学过相关课程但是有所遗忘的同学有所帮助。

最后，需要说明的是，以上内容大部分是自己总结的一些‘规律’，其主要出发点是希望能够将各个知识点串联起来，有个宏观的把握，从而有利于记忆。如果内容中存在错误的话，非常欢迎在评论区或私信我进行指正，谢谢。

另外，整理不易，如果觉得对你有所帮助的话，希望能帮忙点个赞，谢谢~

此外，转载请注明出处。