四种傅里叶变换的简述

四种傅里叶变换的简述

CTFS 连续时间傅里叶级数

满足 狄利克雷收敛条件 的周期信号可以精确的展开为 傅里叶级数

$$x(t)=\sum _{k=-\infty }^{+\infty }{X}_k{e}^{jk{\omega }_{0}t}$$

其中

傅里叶级数的系数
$$X_k=\frac{1}{T}{\int }_{-\frac{T}{2}}^{\frac{T}{2}}x(t)e^{-jk{\omega }_{0}t}$$
周期和基频
$$T=\frac{2\pi }{{\omega }_0}$$

CTFT 连续时间傅里叶变换

满足 狄利克雷收敛条件 的非周期信号，可以认为是周期无穷大的信号用CTFS的特例

于是有
$$\begin{array}{rl}X(j\omega )& ={\int }_{-\infty }^{+\infty }x(t)e^{-j\omega t}dt\\ x(t)& =\frac{1}{2\pi }{\int }_{-\infty }^{+\infty }X(j\omega )e^{j\omega t}d\omega \end{array}$$
满足狄利克雷收敛条件，则可以做傅里叶变换
一些不满足狄利克雷收敛条件的信号在引入奇异信号之后，也有傅里叶变换
所以满足狄利克雷收敛条件是可以做傅里叶变换的充分不必要条件

DTFT 离散时间傅里叶变换

满足绝对可和条件，则可以进行DTFT
$$\begin{array}{rl}X(\Omega )& =\sum _{n=-\infty }^{+\infty }x(n)e^{-j\Omega n}\\ x(n)& =\frac{1}{2\pi }{\int }_{2\pi }X(\Omega )e^{j\Omega n}d\Omega \end{array}$$
Ω称为数字角频率
X(Ω) 一般以 2π 为周期

DTFS 离散时间傅里叶级数

周期序列一般不满足绝对可和条件，但经过 2 步：

1. 对非周期信号取样，得到周期化的频谱

2. 对周期化的频谱取样，得到离散化的时域信号

于是就有了离散时间周期序列与周期的傅里叶级数的对应
$$\begin{array}{rl}X(k)& =\sum _{n=0}^{N-1}x(n)e^{-jk(\frac{2\pi }{N})n)}\\ x(n)& =\frac{1}{N}\sum _{n=0}^{N-1}X(k)e^{jk(\frac{2\pi }{N})n)}\end{array}$$

x(n) 以 N为周期
只有时频域都是离散化的DTFS(有时也简写为DFS)，才有可能通过计算机进行处理。

DFT 离散傅里叶变换

由于DTFS的时频域都是周期序列，即样点无限长，所以无法通过计算机进行处理。因此只取出DTFS的主值序列交由激素那几进行处理，这种变换称为DFT，即离散傅里叶变换。

不过注意到“取主值”操作隐含了周期性，所以相应的移位、卷积等操作会变为“圆周移位”、“圆周卷积”。
在满足奈奎斯特抽样定理的情况下，通过“插值重构”的方式可以将原始的连续信号恢复出来。

FFT 快速傅里叶变换

FFT 快速傅里叶变换

DFT在运算时因为其计算量太大，在很多平台上的计算开销难以承受，所以诞生之后一直不温不火。直到FFT算法的诞生，使傅里叶变换可以大范围的运用到数字计算系统上，才打开了现代化数字通信的大门。

DFT的计算复杂度为 $O(n^2)$，而 FFT 的计算复杂度为 $O(n\log n)$。

【附1】狄利克雷收敛条件 和 绝对可和条件

狄利克雷收敛条件：

1. 在（t0 , t0+T）区间内有定义
2. x(t) 绝对可积，即：

$${\int }_{t_0}^{t_0+T}|x(t)|dt<\infty$$

3. x(t) 的极大值极小值数目有限

4. x(t) 的第一类间断点的数目有限

绝对可和条件：
$$\sum _{n=-\infty }^{+\infty }|x(t)|<\infty$$

【附2】缩写-全称对照

缩写	英文全称	中文全称
CTFS	Continues Time Fourier Series	连续时间傅里叶级数
CTFT	Continues Time Fourier Transformation	连续时间傅里叶变换
DTFT	Discrete Time Fourier Transformation	离散时间傅里叶变换
DTFS	Discrete Time Fourier Series	离散时间傅里叶级数