【DSP数字信号处理整理笔记】——DFT离散傅里叶变换分析 1

一、DFT与DTFT的区别和联系

首先，DFT和DTFT到底有什么区别呢？—— 首先，虽然DTFT是针对离散时间非周期信号的，但是它的频谱依然是连续的，这仍然不利于计算机的计算。那么DFT的特点就是：时域信号是离散的；同时在频域上也是离散的。

而要想使得频域是离散的，也就是需要对DTFT所得的连续频域进行采样。而在信号与系统中我们已经建立了这样一个认识：时域离散，那么频域就会是周期的；如果频域是离散的，那么时域就是周期的。

那么由于刚刚我们说DFT需要对DTFT所得频谱进行采样，所以这将会导致在时域上原本的离散时间非周期信号做了周期延拓。不过没有关系，我们最后还是只取一个周期分析即可。

那么具体怎么采样？怎么延拓呢？对于一个N点DFT，因为DTFT的频谱是以 $2\pi$为周期的，那么我们就以：$\omega =\frac{2\pi }{N}k$对频谱进行采样。时域上，$x[n]$ 就以N为周期做周期延拓。

下图就展示了DTFT和DFT的区别：

---

如果我们设DTFT的时频域信号分别表示为：$x[n],X(e^{j\omega })$，DFT的的时频域信号表示为：$y[n],Y[k]$，那么他们之间的相互联系如下图所示：

$x[n],y[n]$之间的相互转化已经比较清晰了，下面我们再看看 $X(e^{j\omega }),Y[k]$之间如何转换：

1. 数值逼近法
   因为我们知道 $Y[k]$仅仅是 $X(e^{j\omega })$ 是一些频率样本，而 $Y[k]$ 是 $y[n]$ 的N点DFT，那么我们可以这么做——首先在 $y[n]$ 序列后面补若干个0，使之成为一个长度为M的序列（$M>>N$），接下来，对这个更长的序列做 DFT，这样可以去逼近DTFT。

值得注意的是：N越大，频率分辨率越高，但是并不是N越大越好，对于原本具有周期性的信号，如果N不是周期的整数倍，就会出现频率模糊现象。
例如原本周期是64的信号，如果分别用N=128和N=129，那么经过周期延拓就会出现这种情况：

我们可以看到N=129时，出现了不连续点，这将会引入新的频率分量，因此他们两个分别做DFT的结果如下：

2. 另外一种方法就是插值。如果在每一个采样点插一个sinc函数，就类似于信号与系统中采样值的恢复。

---

二、DFT的性质

【1】线性
【2】圆周时移：$x[<n-n_0{>}_N]\underleftrightarrow{DFT}X[k]W_N^{k{n}_0}$
【3】圆周频移：$x[n]W_N^{-k_{0}n}\underleftrightarrow{\mathcal{F}}X[<k-k_0{>}_N]$
【4】对偶性：$X[n]\underleftrightarrow{\mathcal{F}}Nx[<-k{>}_N]$
【5】圆周卷积定理：$x[n]⨂h[n]\underleftrightarrow{\mathcal{F}}X[k]H[k]$

这里我们证明一下圆周卷积定理：我们设：$x[n]⨂h[n]=y[n]$，下面有：$$\begin{array}{rl}Y[k]& =\sum _{n=0}^{N-1}y[n]W_N^{kn}\\ & =\sum _{n=0}^{N-1}[\sum _{m=0}^{N-1}x[m]h[<n-m{>}_N]]W_N^{kn}\\ & =\sum _{m=0}^{N-1}x[m]\sum _{n=0}^{N-1}h[<n-m{>}_N]W_N^{kn}\end{array}$$
下面，我们令：$n-m=l+rN$，因为 $m,n$都是从0开始的，所以相当于 $l,r$ 都是从0开始。$n=m+l+rN$从0开始也就相当于 $l$ 从0开始。而：$<n-m{>}_N=<l+rN{>}_N=l$。所以带入得：$$\begin{array}{r}Y[k]=\sum _{m=0}^{N-1}x[m]\sum _{l=0}^{N-1}h[l]W_N^{k(m+l+rN)}=\sum _{m=0}^{N-1}x[m]W_N^{km}\sum _{l=0}^{N-1}h[l]W_N^{kl}=X[k]H[k]\end{array}$$

特别值得注意的是复序列DFT里的对称性：
【1】$x[n{]}^{\ast }\underleftrightarrow{DFT}{X}^{\ast }[<-k{>}_N]$
反过来也是类似的结论：【2】$x^{\ast }[<-n{>}_N]\underleftrightarrow{DFT}{X}^{\ast }[k]$
由于我们知道在DTFT里面有频谱实部虚部和时域序列奇部偶部的关系，我们在DFT中引入共轭对称部分与共轭反对称部分：

2.1 复序列相关特性

对于一个N点的复序列，我们定义圆周共轭对称为：$$x[n]=x^{\ast }[<-n{>}_N]$$
定义圆周共轭反对称为：$$x[n]=-x^{\ast }[<-n{>}_N]$$
而对于任意一个N点复序列，我们都可以拆分为圆周共轭对称和圆周共轭反对称部分（类似于实序列可以拆分为奇部和偶部一样）

$$\begin{gathered} {x}_{pcs}=\frac{x[n]+x^{\ast }[<-n{>}_N]}{2} \\ {x}_{pca}=\frac{x[n]-x^{\ast }[<-n{>}_N]}{2} \end{gathered}$$

那么，就类似于傅里叶变换里面偶部的CTFT是傅里叶变换的实部一样，我们也有：$$\begin{gathered} x_{pcs}[n]\underleftrightarrow{\mathcal{F}}ReX[k] \\ {x}_{pca}[n]\underleftrightarrow{\mathcal{F}}jImX[k] \end{gathered}$$

而有趣的是：反过来也是OK的：
R e { x [ n ] }   F ↔   X p c s [ k ] j I m { x [ n ] }   F ↔   X p c a [ k ] Re\{x[n]\} \space \underleftrightarrow{\mathscr{F}} \space X_{pcs}[k]\\ \quad\\ jIm\{x[n]\} \space \underleftrightarrow{\mathscr{F}} \space X_{pca}[k] Re{x[n]}  F​ Xpcs​[k]jIm{x[n]}  F​ Xpca​[k]

2.2 实序列相关特性

这个大家在信号与系统中都已经清楚了：实信号的偶部的DFT就是 $X[k]$的实部；实信号的奇部的DFT就是 $X[k]$ 的虚部。

2.3. DFT与线性卷积

我们都知道：线性卷积是一件非常麻烦的事情；那么我们能都利用DFT去实现线性卷积呢？

总结一下：一个 M 长的序列和一个 N 长的序列的线性卷积，我们可以这样做：

1. 将M长的序列尾部补0补长至：M + N -1。记为：$h_1(n)$
2. 将 N 长的序列尾部补0补长至：M + N - 1。记为：$h_2(n)$
3. 分别对 $h_1(n)$ 和 $h_2(n)$ 做DFT，得：$H_1[k],H_2[k]$
4. 两者相乘，得到：$G[k]=H_1[k]H_2[k]$
5. 对 $G[k]$ 做 IDFT ，得到原本序列得线性卷积结果。

2.4. 如何由一个N点DFT计算2个实序列的N点DFT？

【问题】：我们现在有两个 N 长的实序列 $g[n],h[n]$，如果只用一次 N 点 DFT 同时计算出它们两个的 N 点DFT呢？

—— 方法很简单，首先，我们将这两个序列构成一个复数序列，即：$$x[n]=g[n]+jh[n]$$

接下来，我们就只对这个 $X[n]$ 做 N 点DFT ，然后我们根据下面的性质得到实部和虚部的 DFT： R e { x [ n ] } = g [ n ]   D F T ↔   X [ k ] + X ∗ [ < − k > N ] 2 I m { x [ n ] } = h [ n ]   D F T ↔   X [ k ] − X ∗ [ < − k > N ] 2 j \quad\\ Re\{x[n]\} = g[n] \space \underleftrightarrow{DFT} \space \frac{X[k] + X^*[<-k>_N]}{2}\\ \quad\\ Im\{x[n]\} = h[n] \space \underleftrightarrow{DFT} \space \frac{X[k] - X^*[<-k>_N]}{2j} Re{x[n]}=g[n]  DFT​ 2X[k]+X∗[<−k>N​]​Im{x[n]}=h[n]  DFT​ 2jX[k]−X∗[<−k>N​]​

2.5 对DTFT进行N点抽样

问题：$x[n]$ 是一个长度为 M 的序列，对 $x[n]$的DTFT进行N点抽样，对这个频域抽样之后的信号做 IDTFT，还能不能恢复出原来的 $x[n]$？

—— 答案是：如果 $N\ge M$ ，那么可以，否则不可以。我们想啊：对 DTFT结果做 N 点采样，也就是相当于在时域上把 $x[n]$ 以 N 为周期做周期延拓，那么显然如果延拓的距离太窄，就会发生混叠而无法恢复原来的信号。

【补充】：关于对DTFT抽样，看似简单，但有时候考试的时候可能就硬是会没想起来相关的性质，所以这里博主补充一下：对一个序列 $x[n]$ 的DTFT 进行 N 点的抽样，抽样的结果 $Y[k]$ 就相当于对 $x[n]$ 做 DFT 了。那么 $Y[k]$ 的 IDFT 就可以通过下面的公式得到：$$y[n]=\sum _{m=-\infty }^{+\infty }x[n+mN]0\le n\le N-1$$

比如下面这个例子：

显然，$x[n]$ 的 4点DFT就是 Y[k] 了。那么套用上面的公式，应有：$$y[n]=x[n+4]+x[n]+x[n-4]0\le n\le 3$$
那么我们看看各自平移的结果：

项	平移结果
$x[n]$	0,1,2,3,4,5
$x[n-4]$	0,0,0,0,0,1
$x[n+4]$	4,5,0,0,0,0

所以他们三者相加得到的序列是：$4,6,2,3,4,6...$
那么在 n 取0-3时，就可以得到 y [ n ] = { 4 , 6 , 2 , 3 } y[n]=\{4,6,2,3\} y[n]={4,6,2,3}