Josh 的复习总结之数字信号处理（Part 2——离散傅里叶级数 DFS）

---

《Josh 的复习总结之数字信号处理》系列文章目录：

      Part 1——离散时间信号和系统分析基础
👉 Part 2——离散傅里叶级数 DFS
      Part 3——离散傅里叶变换 DFT
      Part 4——快速傅里叶变换 FFT
      Part 5——部分 FFT 蝶形图
      Part 6——数字滤波器的基本结构
      Part 7——数字滤波器设计

---

1. 傅里叶变换的几种形式

1.1 非周期连续时间信号的傅里叶变换

  非周期连续时间信号的傅里叶变换（连续时间傅里叶变换，Continuous-Time Fourier Transform, CTFT）的形式为：
$$X_a\left(j\Omega \right)={\int }_{-\infty }^{\infty }{x}_a\left(t\right)e^{-j\Omega t}\mathrm{d}t$$$$x_a\left(t\right)=\frac{1}{2\pi }{\int }_{-\infty }^{\infty }{X}_a\left(j\Omega \right)e^{j\Omega t}\mathrm{d}\Omega$$

1.2 周期连续时间信号的傅里叶变换

  周期连续时间信号的傅里叶变换（连续傅里叶级数，Continous Fourier Series, CFS）的形式为：
$$X\left(m\Omega \right)=\frac{1}{t_p}{\int }_{-\frac{t_p}{2}}^{\frac{t_p}{2}}{x}_a\left(t\right)e^{-jm\Omega t}\mathrm{d}t$$$$x_a\left(t\right)=\sum _{m=-\infty }^{\infty }X\left(m\Omega \right)e^{jm\Omega t}$$其中 $t_p$ 为信号的周期，频域相邻谱线间角频率增量 $\Omega =\frac{2\pi }{t_p}$。

1.3 非周期离散时间信号的傅里叶变换

  非周期离散时间信号的傅里叶变换（离散时间傅里叶变换，Discrete-Time Fourier Transform, DTFT）的形式为：
$$X\left(e^{j\omega }\right)=\sum _{n=-\infty }^{\infty }x\left(n\right)e^{-j\omega n}$$$$x\left(n\right)=\frac{1}{2\pi }{\int }_{-\pi }^{\pi }X\left(e^{j\omega }\right)e^{j\omega n}\mathrm{d}\omega$$取样频率 $f_s=\frac{1}{T}$，取样角频率 ${\Omega }_s=\frac{2\pi }{T}$，取样数字频率${\omega }_s=2\pi$。

1.4 周期离散时间信号的傅里叶变换

  周期离散时间信号的傅里叶变换（离散傅里叶级数，Discrete Fourier Series, DFS）的形式为：
$$\tilde{X}\left(k\right)={\tilde{X}\left(e^{j\omega }\right)|}_{\omega =k\frac{2\pi }{N}}=\sum _{n=0}^{N-1}\tilde{x}\left(n\right)e^{-j\frac{2\pi }{N}kn}=\sum _{n=0}^{N-1}\tilde{x}\left(n\right)W_N^{kn}$$$$\tilde{x}\left(n\right)=\frac{1}{N}\sum _{k=0}^{N-1}\tilde{X}\left(k\right)e^{j\frac{2\pi }{N}kn}=\frac{1}{N}\sum _{k=0}^{N-1}\tilde{X}\left(k\right)W_N^{-kn}$$其中 $N$ 为一个周期内的点数，时域相邻谱线间隔为 $T$ ，频域相邻谱线间隔为 $\frac{1}{NT}$，以数字频率表征时为 $\frac{2\pi }{N}$。

由以上，在一个域中对函数进行取样，两取样点间增量的倒数，必是另一个域中的周期。

---

2. 离散傅里叶级数（DFS）的推导

2.1 正变换

  令 $x\left(n\right)$ 为 $N$ 点长的离散序列，则其 DTFT（上标“~”用来表征周期性）
$$\tilde{X}\left(e^{j\omega }\right)=\sum _{n=-\infty }^{\infty }x\left(n\right)e^{-j\omega n}=\sum _{n=0}^{N-1}x\left(n\right)e^{-j\omega n}$$对 $\tilde{X}\left(e^{j\omega }\right)$ 取样，使其称为周期离散频率函数，由此时域序列 $x\left(n\right)$ 周期化为 $\tilde{x}\left(n\right)$，令其谱线间隔为 $T$，则时域序列的周期为 $NT$，所以对频谱取样的谱间距为 $\frac{1}{NT}$，以数字频率表征时，谱间距
$${\omega }_{\mathrm{I}}=\frac{2\pi }{N}$$因此，以数字频率 $\omega$ 为变量的 $X\left(e^{j\omega }\right)$ 被离散化时，其变量 $\omega$ 变为
$$\omega =k{\omega }_{\mathrm{I}}=k\frac{2\pi }{N}$$因此离散周期序列 $\tilde{x}\left(n\right)$ 的傅里叶级数可写为
$$\tilde{X}\left(k\right)={\tilde{X}\left(e^{j\omega }\right)|}_{\omega =k\frac{2\pi }{N}}=\sum _{n=0}^{N-1}\tilde{x}\left(n\right)e^{-j\frac{2\pi }{N}kn}=\sum _{n=0}^{N-1}\tilde{x}\left(n\right)W_N^{kn}$$并将数字域频率用 $k$ 简化表示。且
$$\tilde{X}\left(k+N\right)=\sum _{n=0}^{N-1}\tilde{x}\left(n\right)e^{-j\frac{2\pi }{N}\left(k+N\right)n}=\sum _{n=0}^{N-1}\tilde{x}\left(n\right)e^{-j2\pi n}{e}^{-j\frac{2\pi }{N}kn}=\sum _{n=0}^{N-1}\tilde{x}\left(n\right)e^{-j\frac{2\pi }{N}kn}=\tilde{X}\left(k\right)$$即 $\tilde{X}\left(k\right)$ 是以 $N$ 为周期的周期函数。

2.2 逆变换

  将正变换两边乘以 $e^{j\frac{2\pi }{N}kr}$，并在一个周期内求和，有
$$\sum _{k=0}^{N-1}\tilde{X}\left(k\right)e^{j\frac{2\pi }{N}kr}=\sum _{k=0}^{N-1}\left(\sum _{n=0}^{N-1}\tilde{x}\left(n\right)e^{-j\frac{2\pi }{N}kn}\right)e^{j\frac{2\pi }{N}kr}=N\left[\sum _{n=0}^{N-1}\tilde{x}\left(n\right)\left(\frac{1}{N}\sum _{k=0}^{N-1}{e}^{j\frac{2\pi }{N}k\left(r-n\right)}\right)\right]$$由正交定理
$$\frac{1}{N}\sum _{k=0}^{N-1}{e}^{j\frac{2\pi }{N}k\left(r-n\right)}=\begin{array}{r}\{\begin{array}{ll}1,& r=n\\ 0,& r\ne n\end{array}\end{array}$$则
$$\sum _{k=0}^{N-1}\tilde{X}\left(k\right)e^{j\frac{2\pi }{N}kr}=N{\left[\sum _{n=0}^{N-1}\tilde{x}\left(n\right)\right]|}_{n=r}=N\tilde{x}\left(r\right)$$可得逆离散傅里叶变换
$$\tilde{x}\left(n\right)=\frac{1}{N}\sum _{k=0}^{N-1}\tilde{X}\left(k\right)e^{j\frac{2\pi }{N}kn}=\frac{1}{N}\sum _{k=0}^{N-1}\tilde{X}\left(k\right)W_N^{-kn}$$且
$$\tilde{x}\left(n+mN\right)=\frac{1}{N}\sum _{k=0}^{N-1}\tilde{X}\left(k\right)e^{j\frac{2\pi }{N}k\left(n+mN\right)}=\frac{1}{N}\sum _{k=0}^{N-1}\tilde{X}\left(k\right)e^{j\frac{2\pi }{N}kn}{e}^{j2\pi km}=\tilde{x}\left(n\right)$$即 $\tilde{x}\left(n\right)$ 是以 $N$ 为周期的周期函数。

---

3. 离散傅里叶级数（DFS）的性质

3.1 线性性质

$$\mathrm{D}\mathrm{F}\mathrm{S}\left[a{\tilde{x}}_1\left(n\right)+{b\tilde{x}}_2\left(n\right)\right]=a{\tilde{X}}_1\left(k\right)+b{\tilde{X}}_2\left(k\right)$$

3.2 时移性质

$$\mathrm{D}\mathrm{F}\mathrm{S}\left[\tilde{x}\left(n+m\right)\right]=W_N^{-mk}\tilde{X}\left(k\right)$$证明：
$$\begin{array}{rl}\mathrm{D}\mathrm{F}\mathrm{S}\left[\tilde{x}\left(n+m\right)\right]& =\sum _{n=0}^{N-1}\tilde{x}\left(n+m\right)W_N^{nk}=\sum _{n=m}^{N-1+m}\tilde{x}\left(n\right)W_N^{\left(n-m\right)k}=\sum _{n=m}^{N-1+m}\tilde{x}\left(n\right)W_N^{nk}{W}_N^{-mk}\\ & \stackrel{利用\tilde{x}\left(n\right)和W_N^{nk}的周期性}{=}\left(\sum _{n=0}^{N-1}\tilde{x}\left(n\right)W_N^{nk}\right)W_N^{-mk}=W_N^{-mk}\tilde{X}\left(k\right)\end{array}$$

3.3 频移性质

$$\mathrm{I}\mathrm{D}\mathrm{F}\mathrm{S}\left[\tilde{X}\left(k+l\right)\right]=W_N^{nl}\tilde{x}\left(n\right)$$证明：
$$\begin{array}{rl}\mathrm{I}\mathrm{D}\mathrm{F}\mathrm{S}\left[\tilde{X}\left(k+l\right)\right]& =\frac{1}{N}\sum _{k=0}^{N-1}\tilde{X}\left(k+l\right)W_N^{-kn}=\frac{1}{N}\sum _{k=l}^{N-1+l}\tilde{X}\left(k\right)W_N^{-\left(k-l\right)n}=\frac{1}{N}\sum _{k=l}^{N-1+l}\tilde{X}\left(k\right)W_N^{-kn}{W}_N^{nl}\\ & \stackrel{利用\tilde{X}\left(n\right)和W_N^{-nk}的周期性}{=}\frac{1}{N}\left(\sum _{k=0}^{N-1}\tilde{X}\left(k\right)W_N^{-kn}\right)W_N^{nl}=W_N^{nl}\tilde{x}\left(n\right)\end{array}$$

3.4 时域周期卷积

$${\tilde{x}}_1\left(n\right)\odot {\tilde{x}}_2\left(n\right)=\mathrm{I}\mathrm{D}\mathrm{F}\mathrm{S}\left[{\tilde{X}}_1\left(k\right)\cdot {\tilde{X}}_2\left(k\right)\right]$$证明：
$$\begin{array}{rl}\mathrm{I}\mathrm{D}\mathrm{F}\mathrm{S}\left[{\tilde{X}}_1\left(k\right)\cdot {\tilde{X}}_2\left(k\right)\right]& =\frac{1}{N}\sum _{k=0}^{N-1}\left[{\tilde{X}}_1\left(k\right)\cdot {\tilde{X}}_2\left(k\right)\right]W_N^{-nk}\\ & =\frac{1}{N}\sum _{k=0}^{N-1}\left[\sum _{m=0}^{N-1}{\tilde{x}}_1\left(m\right)W_N^{mk}\right]{\tilde{X}}_2\left(k\right)W_N^{-nk}\\ & =\frac{1}{N}\sum _{k=0}^{N-1}\left[\sum _{m=0}^{N-1}{\tilde{x}}_1\left(m\right){{\tilde{X}}_2\left(k\right)W}_N^{-\left(n-m\right)k}\right]\\ & =\sum _{m=0}^{N-1}{\tilde{x}}_1\left(m\right)\left[\frac{1}{N}\sum _{k=0}^{N-1}{{\tilde{X}}_2\left(k\right)W}_N^{-\left(n-m\right)k}\right]\\ & =\sum _{m=0}^{N-1}{\tilde{x}}_1\left(m\right){\tilde{x}}_2\left(n-m\right)\\ & ={\tilde{x}}_1\left(n\right)\odot {\tilde{x}}_2\left(n\right)\end{array}$$

注：此处用 $\odot$ 表示圆周卷积，不同教材中圆周卷积的符号表述可能不同。

3.5 频域周期卷积

$$\mathrm{D}\mathrm{F}\mathrm{S}\left[{\tilde{x}}_1\left(n\right){\tilde{x}}_2\left(n\right)\right]=\frac{1}{N}\left[{\tilde{X}}_1\left(k\right)\odot {\tilde{X}}_2\left(k\right)\right]$$证明：
$$\begin{array}{rl}\mathrm{D}\mathrm{F}\mathrm{S}\left[{\tilde{x}}_1\left(n\right){\tilde{x}}_2\left(n\right)\right]& =\sum _{n=0}^{N-1}{\tilde{x}}_1\left(n\right){\tilde{x}}_2\left(n\right)W_N^{kn}=\sum _{n=0}^{N-1}\left[\frac{1}{N}\sum _{r=0}^{N-1}{\tilde{X}}_1\left(r\right)W_N^{-rn}\right]{\tilde{x}}_2\left(n\right)W_N^{kn}\\ & =\frac{1}{N}\sum _{n=0}^{N-1}\left[\sum _{r=0}^{N-1}{\tilde{X}}_1\left(r\right){\tilde{x}}_2\left(n\right)W_N^{\left(k-r\right)n}\right]\\ & =\frac{1}{N}\sum _{r=0}^{N-1}{\tilde{X}}_1\left(r\right)\left[\sum _{k=0}^{N-1}{\tilde{x}}_2\left(n\right)W_N^{\left(k-r\right)n}\right]\\ & =\frac{1}{N}\sum _{r=0}^{N-1}{\tilde{X}}_1\left(r\right){\tilde{X}}_2\left(k-r\right)\\ & =\frac{1}{N}\left[{\tilde{X}}_1\left(k\right)\odot {\tilde{X}}_2\left(k\right)\right]\end{array}$$

注：此处用 $\odot$ 表示圆周卷积，不同教材中圆周卷积的符号表述可能不同。

---

上一篇：Part 1——离散时间信号和系统分析基础
下一篇：Part 3——离散傅里叶变换 DFT