002 离散时间傅里叶分析

离散时间傅里叶变换（DTFT，Discrete Time Fourier Transform）

如果$x(n)$绝对可加，即

$$\sum _{-\infty }^{\infty }|x(n)|<\infty$$

则其DTFT为

$$X(e^{jw})\triangleq F[x(n)]=\sum _{n=-\infty }^{\infty }x(n)e^{-jw}$$

傅里叶变换其实就是信号在时域和频域的变换，对于基本上所有函数（有一些限制），都可以用各种频率和幅度的正弦和余弦函数的组合表示

以方波信号的傅里叶变换为例

clear all;
close all;

n = -2:2; x = [0, 1, 1, 1, 0]; k = 0:500; w = (pi / 500) * k;
X = x * (exp(-1j * pi / 500)) .^ (n' * k);
magX = abs(X); angX = angle(X);
realX = real(X); imagX = imag(X);

subplot(2, 2, 1); plot(k / 500, magX); grid;
xlabel('w'); title('幅度');

subplot(2, 2, 3); plot(k / 500, angX / pi); grid;
xlabel('w'); title('相位');

subplot(2, 2, 2); plot(k / 500, realX); grid;
xlabel('w'); title('实部');

subplot(2, 2, 4); plot(k / 500, imagX); grid;
xlabel('w'); title('虚部');

其实就是经典的方波信号可以通过各种频率的正余弦信号合成

逆离散时间傅里叶变换（IDTFT，Inverse Discrete Time Fourier Transform）

$$x(n)\triangleq F^{-1}[X(e^{jw})]=1/2\pi {\int }_{-\pi }^{\pi }x(e^{jw})e^{jw}dw$$

卷积

为什么做傅里叶变换，很大一个原因就是时域的卷积可以转换成频域的相乘
$$F[x_1(n)\ast x_2(n)]=F[x_1(n)]F[x_2(n)]=X_1(e^{jw})X_2(e^{jw})$$

通过傅里叶变化，我们可以把几乎任意信号转换成不同频率$w$的$e^{jwn}$的和，假如$x(n)=e^{j{w}_{0}n}$，则脉冲响应$h(x)$为
$$y(n)=h(n)\ast e^{j{w}_{0}n}=\sum _{k=-\infty }^{\infty }h(k)e^{j{w}_0(n-k)}=[\sum _{k=-\infty }^{\infty }h(k)e^{-j{w}_0(k)}]e^{j{w}_{0}n}=[F[h(n){|}_{w=w_0}]]e^{j{w}_{0}n}$$

也就说通过对输入信号做傅里叶变换，本来是通过复杂的卷积获得输出，现在直接通过简单的乘法就可以获得输出信号了

假如LTI系统可以用下面的差分方程表示：
$$y(n)+\sum _{l=1}^N{a}_{l}y(n-l)=\sum _{m=0}^M{b}_{m}x(n-m)$$
则通过傅里叶变换可以求得其频率响应函数
$$H(e^{jwn})+\sum _{l=1}^N{a}_{l}H(e^{jw})e^{jw(n-l)}=\sum _{m=0}^M{b}_m{e}^{jw(n-m)}$$
$$H(e^{jwn})=\sum _{m=0}^M{b}_m{e}^{-jwm}/[1+\sum _{l=0}^N{a}_l{e}^{-jwl}]$$

数字信号处理（MATLAB版） 美 维纳 K 英格尔 西安交通大学出版社