数字信号处理2：傅里叶变换

最新推荐文章于 2024-07-31 00:30:00 发布

zuguorui

最新推荐文章于 2024-07-31 00:30:00 发布

阅读量2.3k

点赞数 5

分类专栏：数字信号处理文章标签：数字信号处理

本文链接：https://blog.csdn.net/zuguorui/article/details/104087306

版权

数字信号处理专栏收录该内容

7 篇文章 35 订阅

订阅专栏

文章目录

一、傅里叶变换存在的理论基础
二、周期信号的傅里叶级数推导
三、连续非周期信号的傅里叶变换推导
四、离散非周期信号的傅里叶变换(DFT)推导
五、相位
六、通俗理解傅里叶变换
七、DFT的代码实现

在上一篇文章中我们推导了卷积。这一篇文章基于上一篇的卷积结果：

\sum_{k=-\infty}^{+\infty}x[k] \cdot h[n-k]\\ =\sum_{k=-\infty}^{+\infty}h[k] \cdot x[n-k]

来进行接下来傅里叶变换的推导。

文章中以 $\cdot$ 表示乘法，以*表示卷积。离散信号使用 $x [n]$ 表示，连续时间信号使用 $x (t)$ 表示

一、傅里叶变换存在的理论基础

在开始接下来的内容之前，首先要熟悉一个概念，这也是接下来所有内容存在的前提。这就是 所有信号都可以用不同频率、相位以及幅度的正弦波叠加而成 。哪怕是方波这样的信号，它也可以用无数组不同的正弦波叠加去逼近。当然，这无法百分之百复原。而傅里叶变换，简单来说就是通过计算，得出该信号中不同频率的正弦波分量的大小。这也是为什么我们对时域信号做傅里叶变换之后就到了频域。至于这个结论是怎么来的，那是另外一个故事了，在此不多讲。

另外有一个非常重要的公式：欧拉公式
$e^{jx}=cos(x) + jsin(x)\\ e^{-jx} = cos(x) - jsin(x)$

二、周期信号的傅里叶级数推导

依据之前的结论，我们有理由假设，任意周期信号 $x (t)$ 都可以由一组正弦信号组成。根据欧拉公式，假设有一信号
$x (t) = c o s (k t)$
那么很容易使用欧拉公式代换为
$\frac{1}{2}\cdot (e^{jkt} + e^{-jkt})$
因此对于某一信号，我们都可以写成e的幂次方的形式。也就是说 $e^{jkt}$ 这种形式的复指数信号可以成为所有信号的基本构成单元。
另外，对于周期信号 $x (t)$ ，组成它的一系列正弦波信号也一定是周期的，也就是说这些正弦波是成谐波关系。那么就会存在一个基本频率 $w_0=2\pi/T$ ，T为 $x (t)$ 的周期。剩下的所有基本信号的频率都为 $w_0$ 的整数倍。
于是可以写作：

式1

$\sum^{-\infty}_{k=-\infty}a_k e^{jkw_0t}$

注意上述表达式，对于 $k = 0$ 时，代表的是信号中的直流分量。对于实信号，必然会有 $a_{k}=a_{-k}$ 。这也是我们在现实中处理的信号。
既然一个信号可以按照上式来分解，那么就可以得出这些信号的系数 $a_k$ 是多少。

对式1左右同时乘 $e^{-jnw_0t}$ ，n为整数，可得
$e^{-jnw_0t}=\sum^{-\infty}_{k=-\infty}a_k e^{jkw_0t} e^{-jnw_0t}$
对上式对t在一个周期T内积分
$\int_{T} x(t) e^{-jnw_0t}dt=\int_{T} \sum^{-\infty}_{k=-\infty}a_k e^{jkw_0t} e^{-jnw_0t}dt \\ \int_{T}x(t) e^{-jnw_0t}dt = \sum^{-\infty}_{k=-\infty}a_k [\int_{T} e^{j(k-n)w_0t}dt]$
对于右边的积分部分，利用欧拉公式可得
$\int_{T} e^{j(k-n)w_0t}dt=\int_{T}cos[(k-n)w_0t]dt + j\int_{T}sin[(k-n)w_0t]dt$
显然，对于 $cos(k-n)w_0t$ 和 $sin(k-n)w_0t$ ，当 $k\neq n$ 时，其周期为 $T / (k - n)$ ，对于在周期T内的积分，上式结果为0。仅当 $k = n$ 时，cos项积分为T，sin项积分为0。故
$\int_{T} e^{j(k-n)w_0t}dt = \begin{cases} T & k = n\\ 0 & k \neq n \end{cases}$
因此可得
$\int_{T} x(t) e^{-jnw_0t}dt = a_n T$
注意我们对于积分得到的结果的条件，仅当 $k = n$ 时，积分值为T。故求和等价于使用条件成立时的 $a_n$ 。由此，可得傅里叶级数系数

式2

$a_n=\frac{1}{T}\int_{T} x(t) e^{-jnw_0t}dt$

式2就是连续周期信号的傅里叶级数。
对于积分的上下限，并不一定需要是0和T，只要是在周期T内的积分就可以。
对于离散周期信号的傅里叶级数，证明过程与此类似。不过其实只要简单地将连续周期T替换为离散周期N，连续的积分等于离散的求和，便可以得到离散周期信号的傅里叶级数系数。若同样假设离散信号可以由一组基本信号组成：
$x[n]=\sum_{k=-\infty}^{+\infty} a_k e^{jkw_0n}$
对上式左右同时乘 $e^{-jrw_0n}$ 。与连续信号证明过程类似，最后可得：

式3

$a_r=\frac{1}{N}\sum_{n=<N>} x[n] e^{-jrw_0n}$
同理，对于求和范围只要在周期N内即可。

三、连续非周期信号的傅里叶变换推导

第二部分推导了周期信号的傅里叶级数及其系数。但是对于大部分信号来讲，都是非周期的。接下来要从第二部分扩展开来，求出非周期信号的傅里叶变换。

从一个最简单的信号——方波开始。
$\begin{cases} 1 & |t|<T_1\\ 0 & T_1 < |t| < T/2 \end{cases}$

在这里插入图片描述

对于它的傅里叶级数系数
$a_k=\frac{2sin(kw_0T_1)}{kw_0T}\\$
$w_0=\frac{2\pi}{T}$

对 $a_k$ 进行变形
$Ta_k=\frac{2sin(wT_1)}{w}|_{w=kw_0}$
若 $T_1$ 固定，则 $Ta_k$ 的图像就与 $T$ 无关。下面是 $T_1$ 固定， $T$ 取不同值时 $Ta_k$ 的包络图像
在这里插入图片描述

可以看到，当 $T$ 增大时， $w_0$ 变小。当 $T\to\infty$ 时， $w$ 逐渐趋近连续， $Ta_k$ 的函数图像也逐渐趋近连续的包络图像。
这个过程中我们可以看出来，对于一个非周期函数的傅里叶表示，我们可以把它当作一个周期函数在周期无限大的极限情况。

考虑更普遍的信号。
假设信号 $x (t)$ 是 $\tilde{x}(t)$ 的一个周期。
在这里插入图片描述

依据之前的傅里叶级数
$\tilde{x}(t)=\sum^{+\infty}_{k=-\infty}a_k e^{jkw_0t}\\ a_k=\frac{1}{T}\int_{T}\tilde{x}(t)e^{-jkw_0t}dt$
其中， $w_0=2\pi/T$ 。
由于是在T内进行的积分，因此
$a_k=\frac{1}{T}\int_{T_1}x(t)e^{-jkw_0t}dt=\frac{1}{T}\int_{T}x(t)e^{-jkw_0t}dt=\frac{1}{T}\int^{+\infty}_{-\infty}x(t)e^{-jkw_0t}dt$
和上面类似，定义 $Ta_k$ 包络 $X (j w)$ 为

式4
$X(jw)=\int^{+\infty}_{-\infty}x(t)e^{-jwt}dt$

其中 $w=kw_0$ 。
此时 $a_k$ 可写作
$a_k=\frac{1}{T}X(jkw_0)$
代入 $\tilde{x}(t)$
$\tilde{x}(t)=\sum^{+\infty}_{k=-\infty} \frac{1}{T}X(jkw_0) e^{jkw_0t}$
又因为 $w_0=2\pi/T$ ，并且令 $w=kw_0$
$\tilde{x}(t)=\frac{1}{2\pi} \sum^{+\infty}_{k=-\infty} X(jw) e^{jwt}w_0$

当 $T\to\infty$ 时， $w_0\to0$ ，上式从就从求和过渡为积分(积分就是微观上的面积求和， $w$ 为自变量， $w_0$ 就是面积的底边)。并且在在时域上 $\tilde{x}(t)$ 趋近 $x (t)$ 。于是就有

式5
$x(t)=\frac{1}{2\pi} \int^{+\infty}_{-\infty}X(jw) e^{jwt} dw$

那么，式4
$X(jw)=\int^{+\infty}_{-\infty}x(t)e^{-jwt}dt$
和式5
$x(t)=\frac{1}{2\pi} \int^{+\infty}_{-\infty}X(jw) e^{jwt} dw$
就分别是连续非周期信号的傅里叶变换和傅里叶逆变换。

四、离散非周期信号的傅里叶变换(DFT)推导

对于离散信号来说，推导过程与第三部分类似。对于信号 $x [n]$ 仍然看作 $\tilde{x}[n]$ 的一个周期。
在这里插入图片描述

有一些与连续信号明显的差异点，在于不仅信号在时域上是离散的，在频域上也是离散的。
已经知道离散周期信号的傅里叶级数系数是
$a_k=\frac{1}{N}\sum_{n=<N>} x[n] e^{-jkw_0n}$
同样将 $Na_k$ 看作包络函数 $X[jkw_0]$ 。按照同样的方法扩展周期 $T$ 。可得

式6
$X[jkw_0]=\sum_{n=<N>} x[n] e^{-jkw_0n}$

便是离散信号的傅里叶变换式。
至于傅里叶逆变换式推导则稍有不同。
首先
$\tilde{x}[n] = \sum^{+\infty}_{k=-\infty}a_k e^{jkw_0n}$
由欧拉公式克制， $e^{jkw_0n}$ 是周期函数。最大周期为 $T=2\pi/w_0$ ，因此上式求和完全可以限制在一个周期范围内。
$\tilde{x}[n] = \sum_{k=<N>}a_k e^{jkw_0n}$
如果只在一个周期内求和，那么可以用 $x [n]$ 替换 $\tilde{x}[n]$ 。同时，将
$Na_k=\sum_{n=<N>} x[n] e^{-jkw_0n}=X[jkw_0]$
代入。得

式7:

$x[n]=\frac{1}{N}\sum_{k=<N>}X[jkw_0] e^{jkw_0n}$

式6就是离散傅里叶变换，式7就是离散傅里叶逆变换。
对于变换后的频域，由于 $kw_0$ 是离散的，所以 $w$ 也是离散的。而我们明确知道傅里叶变换就是到频域的变换，因此对于离散信号，使用 $X [w]$ 代替 $X[jkw_0]$ 。对于连续信号，使用 $X (w)$ 代替 $X (j k w)$ 。这样以来，便更加明确了。

五、相位

我们知道，要精确描述一个正弦波，那么主要包含3个要素：振幅、频率、相位。以离散信号举例，回想离散信号的傅里叶变换，并用欧拉公式展开：
$X[w]=\sum_{n=<N>} x[n] [cos(wn)-jsin(wn)]$
显然，对于 $e^{-jkw_0n}$ ，以 $n$ 为自变量，那么其表示的信号频率就是 $w=kw_0$ 。最终的振幅也取决于最后的求和。那么在哪里体现相位呢？其实就相位就存在于复数中，很显然上式自变量是 $w$ ，而因变量是复数。每个频率对应的那个复数中就包含了相位信息。以虚部为纵轴，实部为横轴
$\theta=atan\frac{imag}{real}$

如此一来，傅里叶变换后的频域信息精确包含了其在时域上的信息，也就是信息能够还原回去。

六、通俗理解傅里叶变换

本篇文章并不像其他科普类的文章一样有很多生动的图给大家看，公式非常多。但其实如果大家仔细研究一下整个推导过程，尤其是最起始的部分，会发现相比于图片，这个更佳直观。

由于非周期信号是从周期信号衍生开来的，所以我们用最简单的周期信号来讲。到这里大家应该已经明白了，任意周期信号都是一组基本的sin信号的叠加，这些sin信号有不同的频率、幅度以及相位。而傅里叶级数的系数 $a_k$ 则代表了对应的sin信号在该信号中的量是多少，可以理解为幅度。如何得出这个幅度？再看一下傅里叶级数的系数的公式
$a_k=\frac{1}{N}\sum_{n=<N>} x[n] e^{-jkw_0n}$
之前已经为大家解释过，由欧拉公式， $e^{-jkw_0n}$ 可以作为信号的基本组成单元，因为它的组合其实也就是sin信号。所以简单来说，我们不妨就把 $e^{-jkw_0n}$ 简单理解为一个sin信号，它的幅度是1，频率是 $w=kw_0$ 。用它和原信号 $x [n]$ 相乘并求和，那么这个相乘的目的是什么？在此之前大家应该了解一下互相关的定义。
假设有信号 $x [n]$ 和 $y [n]$ ，求相关的长度为N，那么其互相关的定义就是
$R[a]=\frac{1}{N}\sum_{m=<N>}x[m]y[m+a]$
当 $R [a]$ 中的峰值最高时，就代表在 $y [n]$ 中找到了与 $x [n]$ 最相似的信号。因此，互相关也是从一段信号中挑选出与已知信号最相似信号的最佳方法。

接着回到傅里叶变换的公式，无论是周期信号的傅里叶级数系数，还是非周期信号的傅里叶变换，不难发现，它们的计算与互相关是如此相似。因此你可以理解为傅里叶变换是从 $x [n]$ 中找出给定频率的信号 $e^{-jkw_0n}$ 的“相关性”（这个相关性与严格数学上定义的相关性不是一回事）。又因为 $e^{-jkw_0n}$ 的幅度总为1，因此计算出的结果某种程度可以看作是信号 $e^{-jkw_0n}$ 在 $x [n]$ 中的大小。由此，我们就得到了频率为 $w=kw_0$ 的信号在 $x [n]$ 中的“大小”。这便从时域转到了频域上。

傅里叶变换还有一些很关键的性质，但这篇文章的目的在于理解傅里叶变换，而很多性质其实从傅里叶变换公式中就可以看出来，在此就不掉书袋了。需要的同学可以去看奥本海默的《信号与系统》。之后如果用到的话我会在文章中提示。

七、DFT的代码实现

DFT（离散傅里叶变换）的实现实际上非常简单。下面是c/c++版本的

#include <math.h>

#define PI 3.14159f
//N: dft length, h.length = 2 * N, H.length = 2 * N
// h and H are arrays in format: {real, imag, real, imag...}
void dft(float *h, float *H, int N)
{
    memset(H, 0, 2 * N * sizeof(float));
    float w0 = 2 * PI / N;
    for(int k = 0; k < N; k++)
    {
        for(int n = 0; n < N; n++)
        {
            float cosV = cos(n * k * w0);
            float sinV = -sin(n * k * w0);
            float real = h[2 * n];
            float imag = h[2 * n  + 1];
            H[2 * k] += real * cosV - imag * sinV;
            H[2 * k + 1] += real * sinV + imag * cosV;
        }
    }
}
void idft(float *H, float *h, int N)
{
    memset(h, 0, 2 * N * sizeof(float));
    float w0 = 2 * PI / N;
    for(int n = 0; n < N; n++)
    {
        for(int k = 0; k < N; k++)
        {
            float cosV = cos(n * k * w0);
            float sinV = sin(n * k * w0);
            float real = H[2 * k];
            float imag = H[2 * k + 1];
            h[2 * n] += (real * cosV - imag * sinV) / N;
            h[2 * n + 1] += (real * sinV + imag * cosV) / N;
        }
    }
}

由于复数的实现在不同编译器上实现不同，为了通用性，我用float数组表示复数数组。

但实际上，DFT是一个非常耗时的计算，因此在工程中常用FFT(快速傅里叶变换)来代替。但是在生成诸如FIR滤波器时，由于不是经常需要计算滤波器参数，因此用DFT是没有问题的。

zuguorui

关注

5
点赞
踩
13

收藏

觉得还不错? 一键收藏
5
评论
数字信号处理2：傅里叶变换

在上一篇文章中我们推导了卷积。这一篇文章基于上一篇的卷积结果：y[n]=∑k=−∞+∞x[k]⋅h[n−k]=∑k=−∞+∞h[k]⋅x[n−k]y[n] = \sum_{k=-\infty}^{+\infty}x[k] \cdot h[n-k]\\=\sum_{k=-\infty}^{+\infty}h[k] \cdot x[n-k]y[n]=k=−∞∑+∞x[k]⋅h[n−k]=k=−∞...
复制链接

扫一扫

专栏目录