数字信号处理-基础一

数字频率与模拟频率的关系与特点

link1、link2、link3

数字频率与模拟频率的定义

模拟频率$f$：每秒经历多少个周期，单位为$Hz$；

模拟角频率$\Omega$：每秒经历多少弧度，单位为$rad/s$；

数字角频率$\omega$：采样点之间的弧度，单位为$rad$。

数字信号是由模拟信号采样而来，采样频率不一样，采样点的时间就不一样。因此用每秒经历多少个周期已无多大意义，所以。
$$\begin{gathered} \{\begin{array}{l}f\to s^{-1}\\ \Omega =2\pi f\to rad/s\\ \omega =\Omega /f_s=\Omega T_s\to rad\end{array} \\ \omega =\Omega /f_s=2\pi f/fs(1-1) \end{gathered}$$
对于上式（1-1）的解释：

• 数字角频率$\omega$是模拟角频率$\Omega$对采样频率$f_s$的归一化；
• $f/f_s$是一个无量纲的数，$2\pi$代表着弧度；
• 即此频率（数字角频率：$rad$）非彼频率（模拟角频率：$rad/s$）。

数字角频率与采样频率有关：
$$\begin{gathered} (...,-2\pi ,-\pi ,0,\pi ,2\pi ,...) \\ (...,fs,-0.5fs,0,0.5fs,fs,...) \end{gathered}$$

为什么模拟角频率和数字角频率不一样

一个单位是$rad/s$，另一个是$rad$，肯定就不一样了啊。

模拟角频率$\Omega \subset (-\infty ,+\infty )$，而数字角频率$\omega \subset (-\pi ,\pi )$，当然也可以是$(0,2\pi )$。但由于数字角频率是具有周期性的，所以也可以认为数字角频率$\omega \subset (-\infty ,+\infty )$，只不过是周期性的。

设$f_s=1Hz$，当$\Omega =\pi /8$和$\Omega =17\pi /8$时，抽样序列如下：可以看到虽然模拟角频率增加了$2\pi$，但是由于采样点数和采样值都相同，所以实际的离散序列也是一样的。这也体现出了离散序列的角频率是以$2\pi$为周期的。

MATLAB代码如下：

step = 64;  % 用于产生模拟信号的精度
t = 0:1/(2*step):20;
t = t';
w1 = pi / 8;
x1 = cos(w1 .* t);
w2 = pi * 17 / 8;
x2 = cos(w2 .* t);

fs = 1;
ts = 0:1/fs:20;
ts = ts';
% 下面的作用是查找ts元素离t中最近元素的索引
D = abs(bsxfun(@minus, ts.', t));
M = min(D, [], 1);
[Index, ~] = find(bsxfun(@eq, M, D));
x1n = x1(Index);  % x1的抽样序列
x2n = x2(Index);  % x2的抽样序列

subplot(211); plot(t, x1, 'b'); 
hold on; stem(ts, x1n, 'r');
title('$$\Omega=\frac{\pi}{8}$$', 'Interpreter', 'latex');
subplot(212); plot(t, x2, 'b'); 
hold on; stem(ts, x2n, 'r');
title('$$\Omega=\frac{17\pi}{8}$$', 'Interpreter', 'latex');
xlabel(['fs=', num2str(fs), 'Hz']);

时域离散信号和时域离散系统

时域离散信号、系统！！！

时域离散信号

常用的典型序列

MATLAB产生各种典型序列

序列的运算

加、减、乘、除、反转等。

时域离散系统

线性系统

当系统T的输入为$x_1(n)$时，输出是$y_1(n)$；输入为$x_2(n)$时，输出是$y_2(n)$。若满足线性，则输入为$x_1(n)+x_2(n)$时，输出应为$y_1(n)+y_2(n)$；且输入为$a{x}_1(n)$时，输出是$a{y}_1(n)$。
$$\begin{gathered} if\{\begin{array}{l}{y}_1(n)=T[x_1(n)]\\ y_2(n)=T[x_2(n)]\end{array} \\ have\{\begin{array}{l}T[x_1(n)+x_2(n)]=y_1(n)+y_2(n)\\ T[a{x}_1(n)]=a{y}_1(n)\end{array} \end{gathered}$$

时不变系统

$$\begin{gathered} ify(n)=T[x(n)] \\ havey(n-n_0)=T[x(n-n_0)] \end{gathered}$$

线性时不变系统及其输入与输出之间的关系

$$\begin{gathered} 系统单位冲激响应：h(n)=T[\delta (n)] \\ 输入信号：x(n)=\sum _{m=-\infty }^{+\infty }x(m)\delta (n-m) \\ 则输出为：y(n)=T[\sum _{m=-\infty }^{+\infty }x(m)\delta (n-m)] \\ =\sum _{m=-\infty }^{+\infty }x(m)[\delta (n-m)] \\ 根据时不变性质有： \\ y(n)=\sum _{m=-\infty }^{+\infty }x(m)h(n-m)=x(n)\ast h(n) \end{gathered}$$

系统的因果性和稳定性

系统当前的输出只与之前的输入有关，后之后的输入无关。
$$h(n)=0n<0$$

时域离散系统的输入输出描述法—线性常系数差分方程

线性常系数差分方程

$$\begin{gathered} y(n)=\sum _{i=0}^M{b}_{i}x(n-i)-\sum _{i=1}^N{a}_{i}y(n-i) \\ or\sum _{i=0}^N{a}_{i}y(n-i)=\sum _{i=0}^M{b}_{i}x(n-i)a_0=1 \end{gathered}$$

差分方程的阶数是用方程$y(n-i)$项中$i$的最大取值与最小取值之差确定的，即上式是N阶线性常系数差分方程。

线性常系数差分方程的求解

• 经典解法：齐次解、特解
• 递推解法
• 交换域方法：将差分方程变换到$z$域
• 还可以由差分方程求出系统的单位脉冲响应，然后与已知的输入序列进行卷积运算。

模拟信号数字处理方法

采样定理及A/D变换

$x_a(t)$是模拟信号、$p_{\delta }(t)$是单位冲激序列、$\widehat{x_a}(t)$是经理想采样后的信号。
$$\begin{gathered} p_{\delta }(t)=\sum _{n=-\infty }^{+\infty }\delta (t-nT) \\ \widehat{x_a}(t)=x_a(t)p_{\delta }(t) \\ \{\begin{array}{l}{X}_a(j\omega )=\mathcal{F}[x_a(t)]\\ \widehat{X_a}(j\omega )=\mathcal{F}[\widehat{x_a}(t)]\\ P_{\delta }(j\omega )=\mathcal{F}[p_{\delta }(t)]\end{array} \end{gathered}$$
下面推导理想采样信号的频谱与原模拟信号频谱的关系：
$$\begin{gathered} \widehat{X_a}(j\Omega )=\frac{1}{2\pi }{X}_a(j\Omega )\ast P_{\delta }(j\Omega ) \\ ... \\ \widehat{X_a}(j\Omega )=\frac{1}{T}\sum _{k=-\infty }^{+\infty }{X}_a(j\Omega -jk{\Omega }_s) \end{gathered}$$
上式表明理想采样信号的频谱是原模拟信号频谱沿频率轴，每间隔采样角频率${\Omega }_s=2\pi F_S=\frac{2\pi }{T}$重复出现一次，并叠加而形成的周期函数。或者说理想采样信号的频谱是原模拟信号的频谱以${\Omega }_s$为周期，进行周期性延拓而成的。

因此，若要理想采样信号的频谱不重合，则需要满足：${\Omega }_s\ge w_{max}$或$F_s\ge f_{max}$，这就是采样定理。

数字序列转换成模拟信号

如果$x(n)$是在满足抽样定理的条件下得到的，那么可以通过一个低通滤波器不失真地将原模拟信号$x_a(t)$恢复出来，低通滤波器的传输函数如下：
$$G(j\Omega )=\{\begin{array}{ll}T& \left|\Omega \right|<\frac{1}{2}{\Omega }_s\\ 0& \left|\Omega \right|\ge \frac{1}{2}{\Omega }_s\end{array}$$
其时域表达式为：
$$\begin{gathered} g(t)=\frac{1}{2\pi }{\int }_{-\infty }^{+\infty }G(j\Omega )e^{j\Omega t}{d}_{\Omega }=\frac{1}{2\pi }{\int }_{-{\Omega }_s/2}^{+{\Omega }_s/2}T{e}^{j\Omega t}{d}_{\Omega }=\frac{\sin ({\Omega }_{s}t/2)}{{\Omega }_{s}t/2} \\ \because {\Omega }_s=2\pi F_s=2\pi /T \\ \therefore g(t)=\frac{\sin (\pi t)/T}{\pi t/T} \end{gathered}$$
$g(t)$被称为内插函数。

$x(n)=x_a(nT)$是经$x_a(t)$满足采样定理采样后的离散信号，我们现在知道离散信号，如何恢复出模拟信号呢？转换公式如下（详细推导见DSP书第26页）：
$$x_a(t)=\sum _{n=-\infty }^{+\infty }{x}_a(nT)\frac{\sin [\pi (t-nT)]/T}{\pi (t-nT)/T}$$
实际中采用D/AC完成数字信号到模拟信号的转换，包括三部分：解码器、零阶保持器和平滑滤波器。框图如下：

由时域离散信号$x_a(nT)$恢复模拟信号的过程是内插过程。

时域离散信号和系统的频域分析

时域离散信号的傅里叶变换的定义及性质

$x(t)$的傅里叶变换是$X(e^{j\omega })$，$x(n)$的傅里叶变换也是$X(e^{j\omega })$，在频域都是连续的。

DTFT的定义

推导：
$$\begin{gathered} \because x(n)=x(t){\delta }_T(t)=x(t)\sum _{n=-\infty }^{\infty }\delta (t-nT) \\ \therefore X(j\omega )=\mathcal{F}[x(n)]={\int }_{-\infty }^{+\infty }x(t)\sum _{n=-\infty }^{\infty }\delta (t-nT)e^{-j\omega t}{d}_t \\ =\sum _{n=-\infty }^{\infty }{\int }_{-\infty }^{+\infty }x(t)\delta (t-nT)e^{-j\omega t}{d}_t \\ =\sum _{n=-\infty }^{\infty }x(nT)e^{-j\omega nT}{\int }_{-\infty }^{+\infty }\delta (t-nT)d_t \\ =\sum _{n=-\infty }^{\infty }x(nT)e^{-j\omega nT} \end{gathered}$$

令$T=1$，则变为：
$$\begin{gathered} x(n)=x_a(nT)=x(t){|}_{t=nT} \\ \{\begin{array}{l}X(e^{j\omega })={\sum }_{n=-\infty }^{+\infty }x(n)e^{-j\omega n}\\ \\ x(n)=\frac{1}{2\pi }{\int }_{-\pi }^{\pi }X(e^{j\omega })e^{j\omega n}{d}_{\omega }\end{array} \end{gathered}$$

DTFT的性质

• 周期性：$X(e^{j\omega })=X(e^{j\omega +2\pi M})$，周期为$2\pi$。

• 线性

• 时移和频移：
  $$\begin{gathered} \mathcal{F}[x(n-n_0)]=e^{-j\omega n_0}X(e^{j\omega }) \\ \mathcal{F}[e^{j{\Omega }_{0}n}x(n)]=X(e^{j(\omega -{\Omega }_0)}) \end{gathered}$$

• 对称性：$x_e(n)$为共轭对称序列（其实部是偶函数、虚部是奇函数，即满足$x_e(n)=x_e^{\ast }(-n)$）；$x_o(n)$为共轭反对称序列（其实部是奇函数、虚部是偶函数，即满足$x_o(n)=-x_o^{\ast }(-n)$）。
  $$\begin{gathered} \{\begin{array}{l}x(n)=x_r(n)+j{x}_i(n)\\ \\ X(e^{j\omega })=X_e(e^{j\omega })+X_o(e^{j\omega })\end{array} \\ \{\begin{array}{l}x(n)=x_e(n)+x_o(n)\\ \\ X(e^{j\omega })=X_R(e^{j\omega })+j{X}_I(e^{j\omega })\end{array} \end{gathered}$$

• 频域卷积定理:

$$\begin{gathered} 若y(n)=h(n)x(n) \\ 则有Y(e^{j\omega })=\frac{1}{2\pi }H(e^{j\omega })\ast X(e^{j\omega }) \\ =\frac{1}{2\pi }{\int }_{-\pi }^{\pi }H(e^{j\theta })X(e^{j\theta })d_{\theta } \end{gathered}$$

• 帕斯维尔定理：信号时域的能量和频域的能量的关系。
  $$\sum _{n=-\infty }^{+\infty }|x(n){|}^2=\frac{1}{2\pi }{\int }_{-\pi }^{\pi }|X(e^{j\omega }){|}^2{d}_{\omega }$$

周期序列的离散傅里叶级数及傅里叶变换表达式

周期序列的离散傅里叶级数(DFS)

$$\begin{gathered} \widetilde{X(k)}=DFS[\widetilde{x(n)}]=\sum _{n=0}^{N-1}\widetilde{x(n)}{e}^{-j\frac{2\pi }{N}kn}(1) \\ \widetilde{x(n)}=IDFS[\widetilde{X(k)}]=\frac{1}{N}\sum _{k=0}^{N-1}\widetilde{X(k)}{e}^{j\frac{2\pi }{N}kn}(2) \end{gathered}$$

基波分量的频率为$2\pi /N$，幅度是$(1/N)\tilde{X}(1)$，一个周期序列可以用其$DFS$系数$\tilde{X}(k)$表示它的频谱分布规律。

周期序列的傅里叶变换表达式(FT)

复指数序列$e^{j{\omega }_{0}n}$的$FT$

首先推导复指数序列$e^{j{\omega }_{0}n}$的傅里叶变换如下：
$$X(e^{j\omega })=\mathcal{F}[e^{j{\omega }_{0}n}]=\sum _{r=-\infty }^{+\infty }2\pi \delta (\omega -({\omega }_0+2\pi r))r为整数$$
上式表明：复指数序列$e^{j{\omega }_{0}n}$的$FT$是在${\omega }_0+2\pi r$处的单位冲激函数，强度为$2\pi$。

周期序列的$FT$

一般周期序列都能表示成不同复指数序列$e^{j\omega n}$的叠加，因此再根据线性就可以得出该周期序列的傅里叶变换：
$$\widetilde{x(n)}=a_0{e}^{j{\omega }_{0}n}+a_1{e}^{j{\omega }_{1}n}+...+a_m{e}^{j{\omega }_{m}n}$$
或者这样考虑，对一般周期序列$\widetilde{x(n)}$展开成$DFS$，第k次谐波为$(\widetilde{X(k)}/N)e^{j\frac{2\pi }{N}kn}$，类似于复指数序列的$FT$，其$FT$为：
$$\sum _{r=-\infty }^{+\infty }2\pi \frac{\widetilde{X(k)}}{N}\delta (\omega -(\frac{2\pi }{N}k+2\pi r))r为整数$$
上面是第k次谐波的$FT$，那么整个周期序列的$FT$为：
$$X(e^{j\omega })=\mathcal{F}[\widetilde{x(n)}]=\sum _{k=0}^{N-1}\sum _{r=-\infty }^{+\infty }2\pi \frac{\widetilde{X(k)}}{N}\delta (\omega -(\frac{2\pi }{N}k+2\pi r))r为整数$$
式中，$K=0,1,2,...,N-1$。如果让k在$-\infty$到$+\infty$区间变换，上式可简化为：
$$\begin{gathered} X(e^{j\omega })=\sum _{k=-\infty }^{\infty }2\pi \frac{\widetilde{X(k)}}{N}\delta (\omega -\frac{2\pi }{N}k) \\ 式中\widetilde{X(k)}=\sum _{n=0}^{N-1}\widetilde{x(n)}{e}^{-j\frac{2\pi }{N}kn} \end{gathered}$$
对于同一个周期信号，其DTS和FT的模的形状是一样的，不同的是FT用单位冲激函数表示（用带箭头的竖线表示）。因此周期序列的频谱分布用其DFS或者FT表示都可以，但画图时应注意单位冲激函数的画法。

周期序列的$FT$与周期信号$FT$的联系

还记得周期信号$f_T(t)$的傅里叶变换$(F_T(j\omega ))$是什么吗？（省略掉推导）：
$$\begin{gathered} F_T(jw)=\sum _{n=-\infty }^{\infty }2\pi F_n\delta (\omega -n{\omega }_0) \\ F(e^{j\omega })=\sum _{k=0}^{N-1}\sum _{r=-\infty }^{+\infty }2\pi \frac{\widetilde{F(k)}}{N}\delta (\omega -(\frac{2\pi }{N}k+2\pi r))r为整数 \end{gathered}$$
上式表明：周期信号的傅里叶变换由无穷多个出现在谐波频率$n{\omega }_0$上的冲激函数组成，每一冲激的强度为傅里叶系数$F_n$乘上$2\pi$。

看出来周期序列和周期信号的傅里叶变换有什么关系了吗？其实两者是一样的：

• 都是由不同位置的冲激叠加而成；
• 冲激的强度都是傅氏系数乘上$2\pi$（复指数序列的系数为1）。

但也有不同点，就是冲激位置的规律有点不一样：

• 周期信号的冲激在谐波频率$n{\omega }_0$上
• 周期序列的冲激在$\frac{2\pi }{N}k+2\pi r,r$为整数​处，具有周期性为$2\pi$。

为什么会出现周期性呢？并且周期为$2\pi$，请看开头的数字频率与模拟频率的关系与特点。

时域离散信号的FT与模拟信号FT之间的关系

$$\begin{gathered} X(e^{j\Omega T})=\frac{1}{T}\sum _{k=-\infty }^{\infty }{X}_a(j\Omega -jk{\Omega }_s) \\ X(e^{j\omega })=\frac{1}{T}\sum _{k=-\infty }^{\infty }{X}_a(j\frac{\omega -2\pi k}{T}) \\ {\Omega }_s=2\pi F_s=\frac{2\pi }{T} \end{gathered}$$

上式表明：时域离散信号的频谱也是模拟信号频谱的周期性延拓，周期为${\Omega }_s=2\pi F_s=\frac{2\pi }{T}$。

序列的$Z$变换

Z变换的定义及与序列的FT的关系

$$\begin{gathered} X(z){=}^{def}=\sum _{n=-\infty }^{+\infty }x(n)z^{-n} \\ \sum _{n=-\infty }^{+\infty }|x(n)z^{-n}|<\infty \end{gathered}$$

$Z$变换的收敛域一般是一个环带状，即$R_{x-}<\left|z\right|<R_{x+}$。如果$Z$变换的收敛域包括单位圆，那么：
$$X(e^{j\omega })=X(z){|}_{z=e^{j\omega }}$$
即单位圆上的Z变换就是序列的傅里叶变换（前提是在单位圆上收敛）。

Z变换的性质

设$X(z)=\mathcal{Z}[x(n)]R_{x-}<\left|z\right|<R_{x+}$，则有如下性质：

• 线性

• 移位性质：
  $$\mathcal{Z}[x(n-n_0)]=z^{-n_0}X(z)R_{x-}<\left|z\right|<R_{x+}$$

• 序列乘以指数序列的性质：
  $$\begin{gathered} y(n)=a^{n}x(n) \\ Y(z)=\mathcal{Z}[a^{n}x(n)]=X(a^{-1}Z)|a|R_{x-}<\left|z\right|<|a|R_{x+} \end{gathered}$$

• 序列乘以n的ZT
  $$X(z)=\mathcal{Z}[nx(n)]=-z\frac{dX(z)}{dz}{R}_{x-}<\left|z\right|<R_{x+}$$

• 复共轭序列的ZT
  $$X(z)=\mathcal{Z}[x^{\ast }(n)]=X^{\ast }(z^{\ast })R_{x-}<\left|z\right|<R_{x+}$$

• 初值定理：$x(n)$是因果序列，则：
  $$x(0)=\underset{z\to \infty }{\lim }X(z)$$

• 终值定理：$x(n)$是因果序列，其$Z$变换的极点除可以有一个一阶极点在$z=1$上，其它极点都在单位圆内，则：
  $$\underset{n\to \infty }{\lim }x(n)=\underset{z\to 1}{\lim }(z-1)X(z)$$

• 时域卷积定理：$W(z)$的收敛域就是$X(z)$和$Y(z)$的公共收敛域。
  $$\begin{gathered} W(z)=\mathcal{Z}[x(n{)}^{\ast }y(n)]=X(z)Y(z)R_{w-}<|z|<R_{w+} \\ \{\begin{array}{l}{R}_{w+}=\min [R_{x+},R_{y+}]\\ R_{w-}=\max [R_{x-},R_{y-}]\end{array} \end{gathered}$$

• 复卷积定理：不常用

• 帕斯维尔定理：不常用

利用Z变换分析信号和系统的频响特性

频率响应函数与系统函数

设系统初始状态为0，系统对$\delta (n)$的响应$h(n)$的傅里叶变换$H(e^{j\omega })$称为系统的频率响应函数，即：
$$\begin{gathered} H(e^{j\omega })=\sum _{n=-\infty }^{+\infty }h(n)e^{-j\omega n}=|H(e^{j\omega n})|e^{j\varphi (\omega )} \\ \{\begin{array}{l}幅频特性：|H(e^{j\omega n})|\\ 相频特性：\varphi (\omega )\end{array} \end{gathered}$$
将序列$h(n)$进行Z变换得到$H(z)$，这就是该系统的系统函数，即：
$$H(z)=\frac{Y(z)}{X(z)}=\frac{{\sum }_{i=0}^M{b}_i{z}^{-i}}{{\sum }_{i=0}^N{a}_i{z}^{-i}}$$
如果Z变换的收敛域包含单位圆，则：
$$H(e^{j\omega })=H(z){|}_{z=e^{j\omega }}$$

输入序列$e^{j\omega n}$的频率响应

$$\begin{gathered} y(n)=h(n{)}^{\ast }x(n)=...=H(e^{j\omega })e^{j\omega n} \\ =|H(e^{j\omega n})|e^{j[\omega n+\varphi (\omega )]} \end{gathered}$$

上式说明：单频复指数序列$e^{j\omega n}$通过频率响应函数为$H(e^{j\omega })$的系统后，输出还是单频复指数序列，只不过幅度放大$|H(e^{j\omega n})|$倍，相移为$\varphi (\omega )$。

利用系统的零极点分布分析系统的频率响应特性

$$\begin{gathered} H(z)=A\frac{{\prod }_{r=1}^M(1-c_r{z}^{-1})}{{\prod }_{r=1}^N(1-d_r{z}^{-1})} \\ |H(e^{j\omega })|=|A|\frac{{\prod }_{r=1}^M|z_r|}{{\prod }_{r=1}^N|P_r|} \\ \varphi (\omega )=\omega (N-M)+\sum _{r=1}^N{\alpha }_r-\sum _{r=1}^M{\beta }_r \end{gathered}$$

即：

• 幅频响应等于所有的零点到$\omega$的模长的乘积除以所有的极点到$\omega$的模长的乘积；
• 相频响应等于所有的零点与$\omega$形成的夹角之和减去所有的极点与$\omega$形成的夹角之和。

几种特殊系统的系统函数及特点

全通滤波器

$$|H(e^{j\omega })|=10\le \omega \le 2\pi$$

梳妆滤波器

$$H(z^N)=\frac{1-z^{-N}}{1-a{z}^{-N}}0<a<1$$

梳妆滤波器可以滤除输入信号中$\omega =\frac{2\pi }{N}k,k=0,1,...,N-1$的频率分量，可以滤除电网谐波干扰和其它频谱等间隔分布的干扰。当$a=1$时就变成了全通滤波器，下面给出频率响应和零极点分布的$MATLAB$代码：

% y(n) -0.9y(n-8) = x(n) - x(n-8);
% H(z) = (1 - z^-8) / (1 - 0.9z^-8)
B = [1 0 0 0 0 0 0 0 -1];
A = [1 0 0 0 0 0 0 0 -0.9];
% impz(B, A, 200);
% [Z, P, K] = tf2zp(B, A)
zplane(B, A);
legend('零点', '极点');
title('$$ H(z) = \frac{1-z^{-8}}{1-0.9z^{-8}}$$', ...
    'Interpreter', 'latex');

[H, w] = freqz(B, A, 500, 'whole');
Hm = abs(H);
Hp = angle(H);
subplot(2, 1, 1);
plot(w, Hm), grid on;
xlabel('\omega(rad/s)');
ylabel('Magnitude');
title('幅频特性曲线');
subplot(2, 1, 2);
plot(w, Hp), grid on;
xlabel('\omega(rad/s)');
ylabel('Phase');
title('相频特性曲线');

$a=0.2$时的频率响应和零极点分布图：

$a=0.9$时的频率响应和零极点分布图：

离散傅里叶变换(DFT)

对离散时间序列$x(n)$进行FT得到的结果在频域仍然是连续的，不便于计算机处理。因此目的是对频域也进行离散化，方法有多种，如DFT、DFS。对于DFS，主要步骤就是对$x(n)$进行周期性延拓，然后计算其傅里叶级数，该结果和DFT的结果是有关联的。

DFT的定义

$$\begin{gathered} X(k)=DFT[x(n)]=\sum _{n=0}^{N-1}x(n)W_N^{kn}k=0,1,...,N-1 \\ x(n)=IDFT[X(k)]=\frac{1}{N}\sum _{k=0}^{N-1}X(K)W_N^{-kn}n=0,1,...,N-1 \\ {W}_N=e^{-j\frac{2\pi }{N}} \end{gathered}$$

将$W_N=e^{-j\frac{2\pi }{N}}$(旋转因子)带入即得：
$$\begin{gathered} X(k)=DFT[x(n)]=\sum _{n=0}^{N-1}x(n)e^{-j\frac{2\pi }{N}kn}k=0,1,...,N-1 \\ x(n)=IDFT[X(k)]=\frac{1}{N}\sum _{k=0}^{N-1}X(k)e^{j\frac{2\pi }{N}kn}n=0,1,...,N-1 \end{gathered}$$

和DFS的比较

$$\begin{gathered} DFS:\{\begin{array}{l}\widetilde{X(k)}=DFS[\widetilde{x(n)}]={\sum }_{n=0}^{N-1}\widetilde{x(n)}{e}^{-j\frac{2\pi }{N}kn}(1)\\ \\ \widetilde{x(n)}=IDFS[\widetilde{X(k)}]=\frac{1}{N}{\sum }_{k=0}^{N-1}\widetilde{X(k)}{e}^{j\frac{2\pi }{N}kn}(2)\end{array} \\ DFT:\{\begin{array}{l}X(k)=DFT[x(n)]={\sum }_{n=0}^{N-1}x(n)e^{-j\frac{2\pi }{N}kn}k=0,1,...,N-1(3)\\ \\ x(n)=IDFT[X(k)]=\frac{1}{N}{\sum }_{k=0}^{N-1}X(k)e^{j\frac{2\pi }{N}kn}n=0,1,...,N-1(4)\end{array} \end{gathered}$$

其实没有什么不同，只是对序列的取值有限定，这样的限定有如下结论：

• 如果$s(n)$是周期序列，周期为$N$，那么其一个周期$s_{1N}(n)$的$N$点$DFT$就等于其$DFS$的主值序列。即：
  $$S(k)=DFT[s_{1N}(n)]=\widetilde{S(k)}{R}_N(n)=DFS[\widetilde{s(n)}]R_N(n)$$

• 如果$s(n)$是非周期序列，那么对其进行周期性延拓得到$\widetilde{s(n)}$的DFS的主值序列就等于其DFT的结果。即：
  $$\widetilde{S(k)}{R}_N(n)=DFS[\widetilde{s(n)}]R_N(n)=S(k)=DFT[s(n)]$$

DFT与FT/ZT的关系

设序列$x(n)$的长度为M。

$$\begin{gathered} X(z)=ZT[x(n)]=\sum _{n=0}^{M-1}x(n)z^{-n}(1) \\ X(e^{j\omega })=DTFT[x(n)]=\sum _{n=0}^{M-1}x(n)e^{-j\omega n}(2) \\ X(k)=DFT[x(n){]}_N=\sum _{n=0}^{M-1}x(n)W_N^{kn} \\ =\sum _{n=0}^{M-1}x(n)e^{-j\frac{2\pi }{N}nk}k=0,1,...,N-1(3) \end{gathered}$$

• 序列$x(n)$的N点DFT-$X(k)$是$x(n)$的Z变换在单位圆上的N点等间隔采样；
  $$X(k)=X(z){|}_{z=e^{j\frac{2\pi }{N}k}}k=0,1,...,N-1$$

• $X(k)$是$x(n)$的傅里叶变换$X(e^{j\omega })$在区间$[0,2\pi ]$上的N点等间隔采样；
  $$X(k)=X(e^{j\omega }){|}_{w=\frac{2\pi }{N}k}k=0,1,...,N-1$$

DFT的隐含周期性

$$\begin{gathered} \because W_N^k=W_N^{k+mN}k,m为整数，N为自然数 \\ \therefore X(k+mN)=...=X(k) \end{gathered}$$

任何周期为N的周期序列$\widetilde{x(n)}$都可以看做长度为N的有限长序列$x(n)$的周期性延拓序列，而$x(n)$是$\widetilde{x(n)}$的一个周期，即：
$$\begin{gathered} \widetilde{x(n)}=\sum _{m=-\infty }^{+\infty }x(n+mN) \\ x(n)=\widetilde{x(n)}{R}_N(n) \end{gathered}$$
有限长序列$x(n)$的N点DFT的结果$X(k)$恰好是$x(n)$的周期性延拓序列$x((n){)}_N$的DFS的结果$\widetilde{X(k)}$的主值序列，即：
$$X(k)=\widetilde{X(k)}{R}_N(k)$$
因此$X(k)$实质上就是$x(n)$的周期延拓序列$x((n){)}_N$的频谱特性。

DFT的性质

线性

时/频域循环移位定理

$$\begin{gathered} 时域循环移位定理\{\begin{array}{ll}& y(n)=x((n+m){)}_N{R}_N(n)\\ & Y(k)=DFT[y(n)]=W_N^{-km}X(k)\end{array} \\ 频域循环移位定理\{\begin{array}{ll}& Y(k)=X((k+l){)}_N{R}_N(k)\\ & y(n)=IDFT[Y(K){]}_N=W_N^{nl}x(n)\end{array} \end{gathered}$$

循环卷积定理

$$\begin{gathered} ifx(n)=x_2(n){\ast }_L{x}_1(n) \\ =[\sum _{m=0}^{N-1}{x}_2(m)x_1((n-m){)}_N]R_N(n) \\ haveX(k)=DFT[x(n){]}_N=X_1(k)X_2(k) \\ {X}_1(k)=DFT[x_1(n)] \\ {X}_2(k)=DFT[x_2(n)] \end{gathered}$$

复共轭序列的DFT及其对称性

$$\begin{gathered} \{\begin{array}{ll}& x(n)=x_{ep}(n)+x_{op}(n)\\ & X(k)=X_R(k)+j{X}_I(k)\end{array} \\ \{\begin{array}{ll}& X_R(k)=DFT[x_{ep}(n)]\\ & j{X}_I(k)=DFT[x_{op}(n)]\end{array} \end{gathered}$$

线性卷积和循环卷积的关系

$$y_c(n)=[\sum _{i=-\infty }^{\infty }{y}_l(n+iL)]R_L(n)$$

即循环卷积等于线性卷积以L为周期进行周期延拓后的序列的主值序列，若要求循环卷积和线性卷积相等，则需要周期延拓后无混叠，即$L\ge N+M-1$。

频率域采样

由$X(k)$恢复出$x(n)$的条件

如何从x(n)N推导出x(n)呢？下面直接给出结论：
$$\begin{gathered} x_N(n)=\widetilde{x(n)}{R}_N(n) \\ =[\sum _{i=-\infty }^{\infty }x(n+iN)]R_N(n) \end{gathered}$$
如果序列$x(n)$的长度为M，则只有当频域采样点数$N\ge M$时，才有：
$$x_N(n)=IDFT[X(k)]=x(n)$$
即可由频域采样值$X(k)$恢复出原序列$x(n)$，否则产生时域混叠现象。

如何由$X(k)$恢复$X(z)$和$X(e^{j\omega })$

结论如下，省略推导：
$$\begin{gathered} X(z)=\sum _{k=0}^{N-1}X(k)\frac{1}{N}\frac{1-z^{-N}}{1-W_N^{-k}{z}^{-1}} \\ =\sum _{k=0}^{N-1}X(k){\varphi }_k(z) \end{gathered}$$
将$z=e^{j\omega }$带入上式得：
$$\begin{gathered} X(e^{j\omega })=\sum _{k=0}^{N-1}X(k)\varphi (\omega -\frac{2\pi }{N}k) \\ \varphi (\omega )=\frac{1}{N}\frac{sin(\omega N/2)}{\sin (\omega /2)}{e}^{-j\omega (\frac{N-1}{2})} \end{gathered}$$
上式中$X(z)$表示内插公式，${\varphi }_k(z)$称为内插函数。

用DFT对信号进行频谱分析

对连续信号进行频谱分析

$$X_a(kF)=TX(k)=T\cdot DFT[x(n{)}_N]k=0,1,...,N-1$$

上式表明，可以通过对连续信号采样并进行$DFT$再乘$T$，近似得到模拟信号频谱的周期延拓函数在第一个周期$[0,F_s]$上的N点等间隔采样$X_a(kF)$。
$T_p$和N可以按照下面两式进行选择：
$$\{\begin{array}{l}N>\frac{2f_c}{F}\\ T_p>\frac{1}{F}\end{array}$$
$f_c$是信号最高频率，$F$是谱分辨率，$T_p$是信号持续时间。

对序列进行频谱分析

略

误差分析

混叠现象

采样速率必须满足采样定理，否则会在$\omega =\pi$（对应模拟频率$f=F_s/2$）附近发生频谱混叠现象。一般在采样前进行预滤波，滤除高于折叠频率$F_s/2$的频率成分，以免发生频谱混叠现象。

栅栏效应

N点DFT是在频率区间$[0,2\pi ]$上对时域离散信号的频谱进行N点等间隔采样，而采样点之间的频谱是看不到的。对有限长序列，可以在原序列尾部补零；对无限长序列，可以增大截取长度及DFT变换区间长度，从而使频域采样间隔变小，增加频域采样点数和采样点位置，使原来漏掉的某些频谱成分被检测出来。

截断效应

实际中遇到的$x(n)$可能是无限长的，用DFT对其进行频谱分析时，必须将其截短，形成有限长序列$y(n)=x(n)w(n)$，$w(n)$称为窗函数，长度为N。