傅里叶变换及其应用笔记(part 1)
斯坦福EE261
目录
- 预备内容:
- 周期性:三角函数表示复杂函数
- 将一般周期函数表为简单周期函数和
- 应用(热方程)
- 傅里叶变换(周期现象到非周期现象)
- 傅里叶变换符号
- 高斯函数
- 对偶性(傅里叶变换的对偶性质)
- 三个重要问题:时延(delays),时域尺度变换,卷积
- 卷积运算
- 怎样利用卷积求热方程??
- 卷积核中心极限定理(conbolution and the Central Limit Theorem,CLT)
- 讨论积分收敛问题
- 傅里叶变换扩展(重新定义傅里叶变换,广义傅里叶变换)
- 分布的导数和卷积
- 傅里叶变换与衍射(diffraction)
- 晶体成像
- 采样于差值 sampling and interpolation
- 音乐上的采样,离散变换
- 离散傅里叶变换及其性质
- FFT(Fast Fourier Transform)的主要思想
录)
预备内容:
由Fourier级数过渡到Fourier分析(源于周期性,空间周期性和时间周期性)
傅里叶变换作为Fourier级数的极限情况,用来分析非周期现象,有些概念两者通用,有些不同
分析:分解一个函数(信号)为一些简单的部分
合成:吧基本部分重组成信号本身
分析和合成是由线性运算完成的,就是积分和序列
Fourier分析是线性系统的一部分
和群论有关的研究对称性
周期性:三角函数表示复杂函数
并非所有现象都有周期性,即使为周期现象,最终也会消失,然而cos,sin是无限的,但在一段时间内,即使没有周期性也可以用周期延拓使其成为周期现象
用来表示复杂信号(函数),使用cos和sin(通过改变相位和频率相加)周期为1
∑ k = 1 N A k sin ( s π k t + φ k ) \sum_{k=1}^N A_k \sin(s\pi k t + \varphi_k) k=1∑NAksin(sπkt+φk)
可以看成音频的叠加(音乐音符的组合)可以产生声音
上式的另一个形式为
∑ k = 1 N a k sin 2 π k t + b k cos 2 π k t \sum_{k=1}^N a_k \sin 2\pi kt +b_k \cos 2\pi kt k=1∑Naksin2πkt+bkcos2πkt
再加一个常数
a 0 2 + ∑ k = 1 N a k sin 2 π k t + b k cos 2 π k t \frac{a_0}{2}+\sum_{k=1}^N a_k \sin 2\pi kt +b_k \cos 2\pi kt 2a0+k=1∑Naksin2πkt+bkcos2πkt
由 e 2 π i k t = cos 2 π k t + i sin 2 π k t e^{2\pi i kt} = \cos 2\pi kt + i \sin 2\pi kt e2πikt=cos2πkt+isin2πkt得
cos 2 π k t = e 2 π i k t + e − 2 π i k t 2 sin 2 π k t = e 2 π i k t − e − 2 π i k t 2 i \cos 2\pi kt = \frac{e^{2\pi i kt} + e^{-2\pi i kt}}{2}\\ \sin 2\pi kt = \frac{e^{2\pi i kt} - e^{-2\pi i kt}}{2i} cos2πkt=2e2πikt+e−2πiktsin2πkt=2ie2πikt−e−2πikt
得,和式可表示为( c k c_k ck为复数,满足对称性 c − k = c k ‾ c_{-k} = \overline{c_k} c−k=ck,因为结果为实数)
∑ k = − N N c k e 2 π i k t \sum_{k = -N}^Nc_k e^{2\pi i kt} k=−N∑Ncke2πikt
对于一个周期性为1的函数 f ( t ) f(t) f(t),它能表示成
f ( t ) = ∑ k = − n n c k e 2 π i k t f(t) = \sum_{k = -n}^nc_k e^{2\pi i kt} f(t)=k=−n∑ncke2πikt
先不管为什么,我们假设等式成立,那么怎么求 c k c_k ck,分离系数
c m e 2 π i m t = f ( t ) − ∑ k   ≠ m e 2 π i k t c_m e^{2\pi i m t} = f(t) - \sum_{k \,\ne m} e^{2\pi i kt} cme2πimt=f(t)−k̸=m∑e2πikt
两边乘 e − 2 π i m t e^{-2\pi i m t} e−2πimt,的
c m = f ( t ) e − 2 π i m t − ∑ k   ≠ m e 2 π i k t e − 2 π i m t c_m = f(t)e^{-2\pi i m t} - \sum_{k \,\ne m} e^{2\pi i kt} e^{-2\pi i m t} cm=f(t)e−2πimt−k̸=m∑e2πikte−2πimt
做积分(其实就是内积)
c m = ∫ 0 1 c m d t = ∫ 0 1 f ( t ) e − 2 π i m t d t + 0 c_m = \int_0^1 c_m dt =\int_0^1 f(t)e^{-2\pi i m t} dt + 0 cm=∫01cmdt=∫01f(t)e−2πimtdt+0
将一般周期函数表为简单周期函数和
考虑前面剩下的问题:为什么能这么表示,什么时候能表示
记 f ^ ( k ) = ∫ 0 1 f ( t ) e − 2 π i k t d t \hat{f}(k)=\int_0^1 f(t)e^{-2\pi i k t} dt f^(k)=∫01f(t)e−2πiktdt表示 f ( t ) f(t) f(t)的第 k k k个系数
上面阶梯函数是不能表示成有限和的,对于
就算上面这样的连续函数也是不行的,因为无限可微的函数的有限组合也是无限可微的,所以表示成有限和的必要条件是无限可微,对于不是很光滑的地方,我们就需要更高频的成分去弥补它
所以为了表示更一般的周期现象,必须考虑无限和
∑ − ∞ ∞ f ( t ) e 2 π i k t \sum_{-\infty}^{\infty}f(t) e^{2\pi i kt} −∞∑∞f(t)e2πikt
还要确定它是否收敛,需要一些消去技巧(见傅里叶分析导论)
连续的情况它收敛于 f ( t ) f(t) f(t),为逐点收敛
如果 f ( t ) f(t) f(t)可微,那么级数一致收敛到 f ( t ) f(t) f(t)
对于不连续的情况,如果 t 0 t_0 t0为跳跃不连续点,那么它收敛于 1 2 ( f ( t 0 + ) + f ( t 0 − ) ) \frac{1}{2}(f(t_0^+)+f(t_0^-)) 21(f(t0+)+f(t0−))
当满足一些情况的时候,级数均方收敛
只要有一点不光滑,就会产生无穷的傅里叶级数
补充,内积定义:见分析学,可以定义内积为如下
< f , g > = ∫ 0 1 f ( t ) g ( t ) ‾ d t \left<f,g\right>=\int_0^1 f(t) \overline{g(t)}dt ⟨f,g⟩=∫01f(t)g(t)dt
范数为 < f , f > = ∥ f ∥ 2 = ∫ 0 1 f ( t ) f ( t ) ‾ d t = ∫ 0 1 ∣ f ( t ) ∣ 2 d t \left<f,f \right>=\|f\|^2 =\int_0^1 f(t) \overline{f(t)}dt =\int_0^1 |f(t)|^2dt ⟨f,f⟩=∥f∥2=∫01f(t)f(t)dt=∫01∣f(t)∣2dt
可以证明 e 2 π i n t , n ∈ Z e^{2\pi i nt},n \in \mathbb{Z} e2πint,n∈Z是 L 2 ( 0 , 1 ) L^2(0,1) L2(0,1)的正交基,并且是完备的
傅里叶级数可以看成分到正交基上分量的和
瑞利等式(Rayleigh equality):
∫ 0 1 ∣ f ∣ 2 d t = ∑ − ∞ ∞ ∣ f ^ ( k ) ∣ 2 \int_0^1 |f|^2 dt = \sum_{-\infty}^\infty |\hat{f}(k)|^2 ∫01∣f∣2dt=−∞∑∞∣f^(k)∣2
可以看成能量部分和为总和
应用(热方程)
heat flow(热流)物理导致傅里叶分析的快速发展
有一个空间区域,有初始温度分布 f ( x ) f(x) f(x),温度如何随时间和位置变化
关注一个热环(周长为1), u ( x , t ) u(x,t) u(x,t)为我们所要找的
温度为空间的周期函数, u ( x + 1 , t ) = u ( x , t ) u(x+1,t) = u(x,t) u(x+1,t)=u(x,t),对 x x x进行展开
u ( x , t ) = ∑ − ∞ ∞ c k e 2 π i k x = ∑ − ∞ ∞ c k ( t ) e 2 π i k x u(x,t) = \sum_{-\infty}^\infty c_k e^{2\pi i kx} = \sum_{-\infty}^\infty c_k(t) e^{2\pi i kx} u(x,t)=−∞∑∞cke2πikx=−∞∑∞ck(t)e2πikx
Heat equation (热方程,下标表示偏导,这是偏微分方程):
温度随时间变化跟周围温度差大小成正比,原理见另一篇博客
多变量微积分中散度定理关于扩散方程的推导
一维: u t = a u x x u_t = au_{xx} ut=auxx( a a a和物理特性有关),为了方便这里令 a = 1 2 a=\frac{1}{2} a=21
u t = 1 2 u x x u_t = \frac{1}{2}u_{xx} ut=21uxx
u t = ∑ − ∞ ∞ c k ′ ( t ) e 2 π i k x u_t=\sum_{-\infty}^\infty c_k'(t) e^{2\pi i kx} ut=−∞∑∞ck′(t)e2πikx
u x x = ∑ − ∞ ∞ c k ( t ) ( 2 π i k ) 2 e 2 π i k x u_{xx}=\sum_{-\infty}^\infty c_k(t) (2\pi i k)^2e^{2\pi i kx} uxx=−∞∑∞ck(t)(2πik)2e2πikx
对应项相等,得到 c k ′ ( t ) = − 1 2 c k ( t ) ( 4 π 2 k 2 ) c_k'(t)=-\frac{1}{2}c_k(t)(4\pi^2k^2) ck′(t)=−21ck(t)(4π2k2)
即
c k ′ ( t ) = − 2 π 2 k 2 c k ( t ) c_k'(t) = -2\pi^2 k^2 c_k(t) ck′(t)=−2π2k2ck(t)
这是一个ODE解为
c k ( t ) = c k ( 0 ) e − 2 π 2 k 2 t c_k(t) = c_k(0)e^{-2\pi^2k^2t} ck(t)=ck(0)e−2π2k2t
由 u ( x , t ) = ∑ − ∞ ∞ c k ( t ) e 2 π i k x u(x,t) = \sum_{-\infty}^\infty c_k(t) e^{2\pi i kx} u(x,t)=−∞∑∞ck(t)e2πikx
令 t = 0 t=0 t=0,
u ( x , 0 ) = ∑ − ∞ ∞ c k ( 0 ) e 2 π i k x u(x,0) = \sum_{-\infty}^\infty c_k(0) e^{2\pi i kx} u(x,0)=−∞∑∞ck(0)e2πikx
也就是
f ( x ) = u ( x , 0 ) = ∑ k = − ∞ ∞ c k ( 0 ) e 2 π i k x f(x) = u(x,0) = \sum_{k=-\infty}^\infty c_k(0) e^{2\pi i kx} f(x)=u(x,0)=k=−∞∑∞ck(0)e2πikx
故 c k ( 0 ) = ∫ f ( x ) e − 2 π i k x d x = f ^ ( k ) c_k(0)=\int f(x) e^{-2\pi i k x}dx = \hat{f}(k) ck(0)=∫f(x)e−2πikxdx=f^(k)
代入上面的,得到
u ( x , t ) = ∑ k = − ∞ ∞ f ^ ( k ) e − 2 π 2 k 2 t e 2 π i k x u(x,t) = \sum_{k=-\infty}^\infty \hat{f}(k) e^{-2\pi^2 k^2 t }e^{2\pi ikx} u(x,t)=k=−∞∑∞f^(k)e−2π2k2te2πikx
以另一种方式写
f ^ ( k ) = ∫ 0 1 e − 2 π i k y f ( y ) d y \hat{f}(k) = \int_0^1 e^{-2\pi i ky}f(y)dy f^(k)=∫01e−2πikyf(y)dy
u ( x , t ) = ∑ k = − ∞ ∞ c k ( t ) e 2 π i k x = ∑ k = − ∞ ∞ c k ( 0 ) e − 2 π 2 k 2 t e 2 π i k x = ∑ k = − ∞ ∞ ∫ 0 1 f ( y ) e − 2 π i k y d y   e − 2 π 2 k 2 t e 2 π i k x = ∫ 0 1 ( ∑ k = − ∞ ∞ e − 2 π i k y e − 2 π 2 k 2 t e 2 π i k x ) f ( y ) d y = ∫ 0 1 ( e 2 π i k ( x − y ) e − 2 π 2 k 2 t ) f ( y ) d y \begin{aligned}u(x,t) &= \sum_{k=-\infty}^\infty c_k(t)e^{2\pi ikx}\\ &= \sum_{k=-\infty}^\infty c_k(0) e^{-2\pi^2 k^2t} e^{2\pi ikx} \\ &= \sum_{k=-\infty}^\infty \int_0^1 f(y) e^{-2\pi i k y }dy \,e^{-2\pi^2 k^2t} e^{2\pi ikx}\\ &=\int_0^1\left(\sum_{k=-\infty}^\infty e^{-2\pi i k y }e^{-2\pi^2 k^2t} e^{2\pi ikx} \right) f(y) dy\\ &=\int_0^1\left(e^{2\pi i k(x - y)}e^{-2\pi^2 k ^2 t} \right) f(y) dy\end{aligned} u(x,t)=k=−∞∑∞ck(t)e2πikx=k=−∞∑∞ck(0)e−2π2k2te2πikx=k=−∞∑∞∫01f(y)e−2πikydye−2π2k2te2πikx=∫01(k=−∞∑∞e−2πikye−2π2k2te2πikx)f(y)dy=∫01(e2πik(x−y)e−2π2k2t)f(y)dy
记
g ( x , t ) = e 2 π i k x e − 2 π 2 k 2 t g(x,t)=e^{2\pi i kx}e^{-2\pi^2 k ^2 t} g(x,t)=e2πikxe−2π2k2t
则
u ( x , t ) = ∫ 0 1 g ( x − y , t ) f ( y ) d y u(x,t) = \int_0^1 g(x - y,t) f(y) dy u(x,t)=∫01g(x−y,t)f(y)dy
这表达了 u ( x m t ) u(xmt) u(xmt)是 f ( x ) f(x) f(x)与热核函数 g ( x , t ) g(x,t) g(x,t)的卷积
g的不同叫法:热核函数也称为格林函数
(泊松核和狄利克雷问题也会类似)
傅里叶变换(周期现象到非周期现象)
将非周期函数看做周期无限函数。傅里叶 变换是一种一般(也就是另一种极限的情况,即周期无限)情况,即傅里叶级数的极限形式
对于周期T的函数(再让 T → ∞ T\rightarrow \infty T→∞)
傅里叶基为 e 2 π i k ( t / T ) e^{2\pi i k (t/T)} e2πik(t/T),傅里叶级数为
f ( t ) = ∑ c k e 2 π i ( k / T ) t c k = 1 T ∫ 0 1 e − 2 π i ( k / T ) t f ( t ) d t f(t) = \sum c_k e^{2\pi i (k / T)t}\\ c_k = \frac{1}{T} \int_0^1 e^{-2\pi i (k/T)t}f(t) dt f(t)=∑cke2πi(k/T)tck=T1∫01e−2πi(k/T)tf(t)dt
(缩放即可,然而为什么基完备这是另一个问题)
可写成
c k = 1 T ∫ − T 2 T 2 e − 2 π i ( k / T ) t f ( t ) d t c_k = \frac{1}{T} \int_{-\frac{T}{2}}^{\frac{T}{2}} e^{-2\pi i (k/T)t}f(t) dt ck=T1∫−2T2Te−2πi(k/T)tf(t)dt
频谱Picture of frequency( spectrum)
它是对称的因为 c c c对称,周期为 T T T,则间隔为 1 T \frac{1}{T} T1
当 T → ∞ T\rightarrow \infty T→∞的时候,频谱变得连续。
不能直接让 T → ∞ T\rightarrow \infty T→∞得到傅里叶变换,因为当 T → ∞ T\rightarrow \infty T→∞时,由
c k = 1 T ∫ − T 2 T 2 e − 2 π i ( k / T ) t f ( t ) d t c_k = \frac{1}{T} \int_{-\frac{T}{2}}^{\frac{T}{2}} e^{-2\pi i (k/T)t}f(t) dt ck=T1∫−2T2Te−2πi(k/T)tf(t)dt
计算的 c k c_k ck趋于0
比如 f ( t ) f(t) f(t)是一个只在[a,b]上不为0的函数,将其周期延 − T 2 -\frac{T}{2} −2T到 T 2 \frac{T}{2} 2T包含[a,b]即可)
我们计算 c k = 1 T ∫ − T 2 T 2 e − 2 π i ( k / T ) t f ( t ) d t = 1 T ∫ a b e − 2 π i ( k / T ) t f ( t ) d t \begin{aligned}c_k &= \frac{1}{T} \int_{-\frac{T}{2}}^{\frac{T}{2}} e^{-2\pi i (k/T)t}f(t) dt\\ &=\frac{1}{T} \int_{a}^{b} e^{-2\pi i (k/T)t}f(t) dt\\\end{aligned} ck=T1∫−2T2Te−2πi(k/T)tf(t)dt=T1∫abe−2πi(k/T)tf(t)dt
∣ c k ∣ = 1 T ∣ ∫ a b e − 2 π i ( k / T ) t f ( t ) d t ∣ ≤ 1 T ∫ a b ∣ e − 2 π i ( k / T ) t ∣ ∣ f ( t ) ∣ d t ≤ 1 T ∫ a b ∣ f ( t ) ∣ d t ≤ M T → 0 \begin{aligned}|c_k|&= \frac{1}{T}\left| \int_{a}^{b} e^{-2\pi i (k/T)t}f(t) dt\right|\\ &\le \frac{1}{T}\int_{a}^{b} \left|e^{-2\pi i (k/T)t}\right|\left|f(t)\right| dt\\ &\le \frac{1}{T}\int_{a}^{b} \left|f(t)\right| dt\\ &\le \frac{M}{T}\rightarrow 0 \end{aligned} ∣ck∣=T1∣∣∣∣∣∫abe−2πi(k/T)tf(t)dt∣∣∣∣∣≤T1∫ab∣∣∣e−2πi(k/T)t∣∣∣∣f(t)∣dt≤T1∫ab∣f(t)∣dt≤TM→0
这不能得到有用的结果,必须寻找其他途径
记线性算子 F f ( k T ) = ∫ − T 2 T 2 e − 2 π i ( k / T ) t f ( t ) d t \mathcal{F}f(\frac{k}{T})=\int_{-\frac{T}{2}}^{\frac{T}{2}}e^{-2\pi i (k/T)t}f(t) dt Ff(Tk)=∫−2T2Te−2πi(k/T)tf(t)dt
则 f ( t ) = ∑ k = − ∞ ∞ F f ( k T ) e 2 π i ( k / T ) t 1 T f(t) = \sum_{k = -\infty}^\infty\mathcal{F}f(\frac{k}{T}) e^{2\pi i (k/T)t}\frac{1}{T} f(t)=k=−∞∑∞Ff(Tk)e2πi(k/T)tT1
当 T → ∞ T\rightarrow \infty T→∞时, k T \frac{k}{T} Tk趋于连续,记为 s ∈ ( − ∞ , ∞ ) s\in (-\infty,\infty) s∈(−∞,∞),则求和变成积分
F f ( s ) = ∫ − ∞ ∞ e − 2 π i s t f ( t ) d t \mathcal{F}f(s)=\int_{-\infty}^{\infty}e^{-2\pi i st}f(t) dt Ff(s)=∫−∞∞e−2πistf(t)dt
f ( t ) = ∫ − ∞ ∞ F f ( s ) e 2 π i s t d s f(t) = \int_{-\infty}^\infty \mathcal{F} f(s) e^{2\pi i st} ds f(t)=∫−∞∞Ff(s)e2πistds
我们需要知道积分的收敛问题。
傅里叶变换将 f ( t ) f(t) f(t)分解为组成成分 e 2 π i s t e^{2\pi i st} e2πist,逆变换则从组成成分合成原函数
f ( t ) f(t) f(t)定义在时域, F f ( s ) \mathcal{F}f(s) Ff(s)定义在频域
信号都有一个频谱,频谱确定了信号
正逆变换
F f ( s ) = ∫ − ∞ ∞ e − 2 π i s t f ( t ) d t F − 1 g ( t ) = ∫ − ∞ ∞ e 2 π i s t g ( s ) d s \mathcal{F}f(s) = \int_{-\infty}^\infty e^{-2\pi i st}f(t) dt\\ \mathcal{F}^{-1}g(t) = \int_{-\infty}^\infty e^{2\pi i st}g(s) ds Ff(s)=∫−∞∞e−2πistf(t)dtF−1g(t)=∫−∞∞e2πistg(s)ds
傅里叶 变换表明,对函数的傅里叶变换进行反变换得到原函数
F − 1 F f = f F F − 1 g = g \mathcal{F}^{-1}\mathcal{F}f=f\\ \mathcal{F}\mathcal{F}^{-1}g=g F−1Ff=fFF−1g=g
在0点处,傅里叶变换为函数的平均值
F f ( 0 ) = ∫ − ∞ ∞ e 2 π i 0 t f ( t ) d t = ∫ − ∞ ∞ f ( t ) d t \mathcal{F} f(0) = \int_{-\infty}^\infty e^{2\pi i 0t} f(t) dt = \int_{-\infty}^\infty f(t)dt Ff(0)=∫−∞∞e2πi0tf(t)dt=∫−∞∞f(t)dt
F − 1 g ( 0 ) = ∫ − ∞ ∞ g ( s ) d s \mathcal{F} ^{-1} g(0) = \int_{-\infty}^\infty g(s) ds F−1g(0)=∫−∞∞g(s)ds
Examples:
矩形函数,或者叫 − 1 2 到 1 2 的 特 征 函 数 -\frac{1}{2}到\frac{1}{2}的特征函数 −21到21的特征函数
Π ( t ) = { 1 ∣ t ∣ < 1 2 0 ∣ t ∣ ≥ 1 2 \Pi(t) = \begin{cases} \begin{aligned} 1 \quad &|t| < \frac{1}{2}\\ 0 \quad &|t|\ge \frac{1}{2} \end{aligned} \end{cases} Π(t)=⎩⎪⎨⎪⎧10∣t∣<21∣t∣≥21
F Π ( s ) = ∫ − ∞ ∞ e − 2 π i s t Π ( t ) d t = ∫ − 1 2 1 2 e − 2 π i s t d t = [ 1 − 2 π i s e − 2 π i s t ] ∣ − 1 2 1 2 = − 1 2 π i s e − π i s + 1 2 π i s e π i s = 1 π s ( e π i s − e − π i s 2 i ) = sin π s π s \begin{aligned}\mathcal{F} \Pi(s) &= \int_{-\infty}^\infty e^{-2\pi i st} \Pi(t) dt\\ &= \int_{-\frac{1}{2}}^{\frac{1}{2}}e^{-2\pi i st} dt\\ &=\left[\frac{1}{-2\pi i s} e^{-2\pi i st} \right] \left|_{-\frac{1}{2}}^{\frac{1}{2}} \right. = \frac{-1}{2\pi i s} e^{-\pi i s} + \frac{1}{2\pi i s} e^{\pi i s}\\ &=\frac{1}{\pi s} \left(\frac{e^{\pi i s} - e^{-\pi i s}}{2i} \right) = \frac{\sin \pi s}{\pi s} \end{aligned} FΠ(s)=∫−∞∞e−2πistΠ(t)dt=∫−2121e−2πistdt=[−2πis1e−2πist]∣∣∣−2121=2πis−1e−πis+2πis1eπis=πs1(2ieπis−e−πis)=πssinπs
最后这个函数就是sinc函数 s i n c ( s ) = sin π s π s sinc(s) = \frac{\sin \pi s}{\pi s} sinc(s)=πssinπs
函数图像:
三角形函数
Λ ( t ) = { 1 − ∣ t ∣ ∣ t ∣ ≤ 1 0 ∣ t ∣ ≥ 1 \Lambda(t) = \begin{cases}1-|t| \quad &|t| \le 1\\ 0 \quad & |t| \ge 1 \end{cases} Λ(t)={1−∣t∣0∣t∣≤1∣t∣≥1
F Λ ( s ) = ∫ − ∞ ∞ e − 2 π i s t Λ ( t ) d t = ∫ − 1 0 e − 2 π i s t ( 1 + t ) d t + ∫ 0 1 e − 2 π i s t ( 1 − t ) d t = sin 2 π s π 2 s 2 = s i n c 2 ( s ) \begin{aligned}\mathcal{F} \Lambda(s) &= \int_{-\infty}^\infty e^{-2\pi i st}\Lambda (t) dt\\ &=\int_{-1}^0 e^{-2\pi i st} (1+t) dt + \int_0^1 e^{-2\pi i st}(1-t)dt\\ &=\frac{\sin^2 \pi s}{\pi^2 s^2} =sinc^2 (s)\end{aligned} FΛ(s)=∫−∞∞e−2πistΛ(t)dt=∫−10e−2πist(1+t)dt+∫01e−2πist(1−t)dt=π2s2sin2πs=sinc2(s)
傅里叶变换符号
在不同的上下文和材料中,傅里叶的定义和符号是变化的(不是唯一的)
比如
f ^ ( s ) = F f ( s ) \hat{f}(s) = \mathcal{F}f(s) f^(s)=Ff(s)
f ˇ ( t ) = F − 1 f ( t ) \check{f}(t) = \mathcal{F}^{-1}f(t) fˇ(t)=F−1f(t)
或者
f ( t ) , F ( s ) f(t),F(s) f(t),F(s)
有时候将正变换表示为(正负变换相调换)
F f ( s ) = ∫ − ∞ ∞ e − 2 π i s t f ( t ) d t \mathcal{F}f(s) = \int_{-\infty}^\infty e^{-2\pi i st}f(t) dt Ff(s)=∫−∞∞e−2πistf(t)dt
有时候表示为
F f ( s ) = ∫ − ∞ ∞ e 2 π i s t f ( t ) d t \mathcal{F}f(s) = \int_{-\infty}^\infty e^{2\pi i st}f(t) dt Ff(s)=∫−∞∞e2πistf(t)dt
高斯函数
f ( t ) = e − π t 2 f(t) = e^{-\pi t^2} f(t)=e−πt2指数加 π \pi π使得面积为1,则
F f ( s 0 = e − π s 2 \mathcal{F} f(s0 = e^{-\pi s^2} Ff(s0=e−πs2
为本身。我们得到结论,高斯函数的傅里叶变换等于本身
证明:
F ( s ) = ∫ − ∞ ∞ e − 2 π i s t e − π t 2 d t F(s) = \int_{-\infty}^\infty e^{-2\pi i st}e^{-\pi t^2}dt F(s)=∫−∞∞e−2πiste−πt2dt
求微分
F ′ ( s ) = ∫ − ∞ ∞ d d s ( e − 2 π i s t e − π t 2 ) d t = ∫ − ∞ ∞ − 2 π i t e − 2 π i s t e − π t 2 d t = i ∫ − ∞ ∞ e − 2 π i s t ( − 2 π t e − π t 2 ) d t \begin{aligned} F'(s)&=\int_{-\infty}^\infty \frac{d}{ds} \left(e^{-2\pi i st}e^{-\pi t^2} \right)dt \\ &= \int_{-\infty}^\infty -2\pi i t e^{-2\pi i st}e^{-\pi t^2}dt \\ &=i \int_{-\infty}^\infty e^{-2\pi i st} (-2\pi te^{-\pi t^2})dt \end{aligned} F′(s)=∫−∞∞dsd(e−2πiste−πt2)dt=∫−∞∞−2πite−2πiste−πt2dt=i∫−∞∞e−2πist(−2πte−πt2)dt
分部积分
= i ∫ − ∞ ∞ e − 2 π i s t d e − π t 2 = i e − 2 π i s t e − π t 2 ∣ − ∞ ∞ − i ∫ − ∞ ∞ e − π t 2 d e − 2 π i s t = − ∫ − ∞ ∞ 2 π s   e − π t 2 e − 2 π i s t d t = − 2 π s ∫ − ∞ ∞ e − 2 π i s t e − π t 2 d t = − 2 π s F ( s ) \begin{aligned} &=i\int_{-\infty}^\infty e^{-2\pi i st} de^{-\pi t^2} \\ &=ie^{-2\pi i st} e^{-\pi t^2} \bigg| ^\infty_{-\infty} - i \int_{-\infty}^\infty e^{-\pi t^2} d e^{-2\pi i st}\\ &=- \int_{-\infty}^\infty 2\pi s \,e^{-\pi t^2}e^{-2\pi i st} dt\\ &=-2\pi s \int_{-\infty}^\infty e^{-2\pi i st} e^{-\pi t^2}dt\\ &=-2\pi s F(s) \end{aligned} =i∫−∞∞e−2πistde−πt2=ie−2πiste−πt2∣∣∣∣−∞∞−i∫−∞∞e−πt2de−2πist=−∫−∞∞2πse−πt2e−2πistdt=−2πs∫−∞∞e−2πiste−πt2dt=−2πsF(s)
于是我们得到等式
F ′ ( s ) = − 2 π s F ( s ) F'(s) = -2\pi sF(s) F′(s)=−2πsF(s)
(这个ODE表明) F ( 是 ) = F ( 0 ) e − π s 2 F(是) = F(0)e^{-\pi s^2} F(是)=F(0)e−πs2
而 F ( 0 ) = ∫ − ∞ ∞ f ( t ) d t = 1 F(0) = \int_{-\infty}^\infty f(t) dt= 1 F(0)=∫−∞∞f(t)dt=1
故 F ( s ) = e − π s 2 F(s)=e^{-\pi s^2} F(s)=e−πs2
证明完毕
对偶性(傅里叶变换的对偶性质)
根据定义有
F f ( − s ) = F − 1 f ( s ) \mathcal{F} f(-s) = \mathcal{F}^{-1}f(s) Ff(−s)=F−1f(s)
F f ( s ) = F − 1 f ( − s ) \mathcal{F} f(s) = \mathcal{F}^{-1}f(-s) Ff(s)=F−1f(−s)
定义 f − ( t ) = f ( − t ) f^-(t) = f(-t) f−(t)=f(−t)(反转信号),按照记号记 ( F f ) − ( s ) = F f ( − s ) (\mathcal{F}f)^-(s) = \mathcal{F}f(-s) (Ff)−(s)=Ff(−s)(这是一个记号),则按前面有
( F f ) − = F − 1 f (\mathcal{F}f)^- = \mathcal{F}^{-1}f (Ff)−=F−1f
还有
F ( f − ) = F − 1 f \mathcal{F} (f^-) = \mathcal{F}^{-1}f F(f−)=F−1f
所以
( F f ) − = F ( f − ) = F − 1 f (\mathcal{F}f)^- =\mathcal{F} (f^-) = \mathcal{F}^{-1}f (Ff)−=F(f−)=F−1f
根据前面有
F F f = f − \mathcal{F}\mathcal{F}f = f^- FFf=f−
因为 F F f = F F − 1 f − = f − \mathcal{F}\mathcal{F}f = \mathcal{F}\mathcal{F}^{-1} f^- = f^- FFf=FF−1f−=f−
例子: s i n c = sin π t π t sinc = \frac{\sin \pi t}{\pi t} sinc=πtsinπt
根据对偶性质
F s i n c = F F π = π − = π \mathcal{F} sinc = \mathcal{F}\mathcal{F}\pi = \pi^- = \pi Fsinc=FFπ=π−=π
如果直接按照定义求解积分,积分存在严重的收敛问题,难以计算
同样可以得到 F s i n c 2 = Λ \mathcal{F}sinc^2 = \Lambda Fsinc2=Λ
三个重要问题:时延(delays),时域尺度变换,卷积
时延:如果信号移动b,傅里叶变换会怎样
f ( t ) ↔ F ( s ) f(t) \leftrightarrow F(s) f(t)↔F(s)
f ( t − b ) ↔ ? f(t-b) \leftrightarrow ? f(t−b)↔?
F ( s ) = ∫ − ∞ ∞ − e − 2 π i s t f ( t ) d t F(s) = \int_{-\infty}^\infty -e^{-2\pi i st}f(t) dt F(s)=∫−∞∞−e−2πistf(t)dt
F f ( t − b ) = ∫ − ∞ ∞ e − 2 π i s t f ( t − b ) d t = ∫ − ∞ ∞ e − 2 π i s ( u + b ) f ( u ) d u = e − 2 π i s b ∫ − ∞ ∞ e − 2 π i s u f ( u ) d u = e − 2 π i s b F ( s ) \begin{aligned}\mathcal{F} f(t - b) &= \int_{-\infty}^\infty e^{-2\pi i st} f( t - b) dt\\ &=\int_{-\infty}^\infty e^{-2\pi i s(u+b)}f(u) du \\ &= e^{-2\pi i sb} \int_{-\infty}^\infty e^{-2\pi i su}f(u) du\\ &= e^{-2\pi i sb}F(s) \end{aligned} Ff(t−b)=∫−∞∞e−2πistf(t−b)dt=∫−∞∞e−2πis(u+b)f(u)du=e−2πisb∫−∞∞e−2πisuf(u)du=e−2πisbF(s)
即(时延定理),时域的位移导致频域的位移
F ( f ( t ± b ) ) ( s ) = e ± 2 π i s b F ( s ) \mathcal{F}\left(f(t\pm b) \right)(s) =e^{\pm 2\pi i sb} F(s) F(f(t±b))(s)=e±2πisbF(s)
记(复数表示成幅度乘以角度)
F ( s ) = ∣ F ( s ) ∣ e 2 π i θ ( s ) F(s) = |F(s)| e^{2\pi i \theta(s)} F(s)=∣F(s)∣e2πiθ(s)
故
e − 2 π i s b F ( s ) = ∣ F ( s ) ∣ e 2 π i ( θ ( s ) − s b ) e^{-2\pi i sb}F(s) = |F(s)| e^{2\pi i (\theta (s)- sb)} e−2πisbF(s)=∣F(s)∣e2πi(θ(s)−sb)
时域的位移导致频域角度的变换,幅度不变
接下来是尺度变换
f ( t ) ↔ F ( s ) f(t) \leftrightarrow F(s) f(t)↔F(s)
f ( a t ) ↔ ? f(at) \leftrightarrow ? f(at)↔?
F ( f ( a t ) ) ( s ) = ∫ − ∞ ∞ e − 2 π i s t f ( a t ) d t \mathcal{F}\left(f(at) \right)(s) = \int_{-\infty}^\infty e^{-2\pi i st} f(at) dt F(f(at))(s)=∫−∞∞e−2πistf(at)dt
i f   a > 0 if\, a >0 ifa>0,令 u = a t u = at u=at
F ( f ( a t ) ) ( s ) = 1 a ∫ − ∞ ∞ e − 2 π i ( s / a ) u f ( u ) d u = 1 a ∫ − ∞ ∞ e − 2 π i ( s / a ) u f ( u ) d u = 1 a F ( s a ) \begin{aligned}\mathcal{F}\left(f(at) \right)(s) &= \frac{1}{a}\int_{-\infty}^\infty e^{-2\pi i (s/a)u} f(u) du \\ &=\frac{1}{a}\int_{-\infty}^\infty e^{-2\pi i (s/a)u} f(u) du=\frac{1}{a} F(\frac{s}{a}) \end{aligned} F(f(at))(s)=a1∫−∞∞e−2πi(s/a)uf(u)du=a1∫−∞∞e−2πi(s/a)uf(u)du=a1F(as)
i f   a < 0 if\, a <0 ifa<0,令 u = a t u = at u=at
F ( f ( a t ) ) ( s ) = − 1 a ∫ − ∞ ∞ e − 2 π i ( s / a ) u f ( u ) d u = − 1 a F ( s a ) \mathcal{F}\left(f(at) \right)(s) = -\frac{1}{a}\int_{-\infty}^\infty e^{-2\pi i (s/a)u} f(u) du=-\frac{1}{a} F(\frac{s}{a}) F(f(at))(s)=−a1∫−∞∞e−2πi(s/a)uf(u)du=−a1F(as)
综上
F ( f ( a t ) ) ( s ) = 1 ∣ a ∣ F ( s a ) \mathcal{F}\left(f(at) \right)(s) = \frac{1}{|a|} F(\frac{s}{a}) F(f(at))(s)=∣a∣1F(as)
f ( a t ) ↔ 1 ∣ a ∣ F ( s a ) f(at) \leftrightarrow \frac{1}{|a|} F(\frac{s}{a}) f(at)↔∣a∣1F(as)
这个结果说明,当 ∣ a ∣ > 1 |a|>1 ∣a∣>1时,频谱被拉长了,而且变矮, ∣ a ∣ < 1 |a|<1 ∣a∣<1则相反
即时域压缩(伸长),则频域伸长(压缩)
Heisenberg测不准定理实际上也是依赖傅里叶变换证明,不能同事间压缩时域和频域,即不能同时知道位置和速度
卷积运算
关于怎样使用一个函数对另一个函数或信号进行调制,大部分情况下着手于改变信号的频谱
eg.线性和叠加性
F ( f + g ) = F ( f ) + F ( g ) \mathcal{F}(f+g) = \mathcal{F}(f) + \mathcal{F}(g) F(f+g)=F(f)+F(g)
通过改变频谱调制信号
如果是相乘呢
( F g ) ( F f ) = F ( ? ? f 和 g 的 某 种 组 合 ? ) (\mathcal{F}g)(\mathcal{F}f) = \mathcal{F}(??f和g的某种组合?) (Fg)(Ff)=F(??f和g的某种组合?)
G g ( s ) F f ( s ) = ∫ − ∞ ∞ e − 2 π i s t g ( t ) d t ∫ − ∞ ∞ e − 2 π i s x f ( x ) d x = ∫ − ∞ ∞ ∫ − ∞ ∞ e − 2 π i s ( t + x ) g ( t ) f ( x ) d t d x = ∫ − ∞ ∞ ( ∫ − ∞ ∞ e − 2 π i s ( t + x ) g ( t ) d t ) f ( x ) d x \begin{aligned}\mathcal{G} g(s) \mathcal{F} f(s) &= \int_{-\infty}^\infty e^{-2\pi i st } g(t) dt \int_{-\infty}^\infty e^{-2\pi i sx } f(x) dx\\ &= \int_{-\infty}^\infty \int_{-\infty}^\infty e^{-2\pi i s(t+ x) } g(t) f(x) dt dx\\ &= \int_{-\infty}^\infty \left( \int_{-\infty}^\infty e^{-2\pi i s(t+ x) } g(t)dt \right) f(x) dx\end{aligned} Gg(s)Ff(s)=∫−∞∞e−2πistg(t)dt∫−∞∞e−2πisxf(x)dx=∫−∞∞∫−∞∞e−2πis(t+x)g(t)f(x)dtdx=∫−∞∞(∫−∞∞e−2πis(t+x)g(t)dt)f(x)dx
令 u = t + x , d u = d t , t = u − x u=t+x,du=dt,t=u-x u=t+x,du=dt,t=u−x,的上式为
∫ − ∞ ∞ ( ∫ − ∞ ∞ e − 2 π i s u g ( u − x ) d u ) f ( x ) d x \int_{-\infty}^\infty \left( \int_{-\infty}^\infty e^{-2\pi i su } g(u-x)du \right) f(x) dx ∫−∞∞(∫−∞∞e−2πisug(u−x)du)f(x)dx
改变积分顺序
∫ − ∞ ∞ ( ∫ − ∞ ∞ g ( u − x ) f ( x ) d x ) e − 2 π i s u d u \int_{-\infty}^\infty \left( \int_{-\infty}^\infty g(u-x)f(x) dx \right) e^{-2\pi i su} du ∫−∞∞(∫−∞∞g(u−x)f(x)dx)e−2πisudu
定义 h ( u ) = ∫ − ∞ ∞ g ( u − x ) f ( x ) d x h(u)=\int_{-\infty}^\infty g(u-x)f(x) dx h(u)=∫−∞∞g(u−x)f(x)dx,上面就是
∫ − ∞ ∞ e − 2 π i s u h ( u ) d u = F h ( s ) \int_{-\infty}^\infty e^{-2\pi i su} h(u) du = \mathcal{F}h(s) ∫−∞∞e−2πisuh(u)du=Fh(s)
即 ( F g ) ( F f ) = F h ( s ) (\mathcal{F}g)(\mathcal{F}f) =\mathcal{F}h(s) (Fg)(Ff)=Fh(s)
h ( u ) h(u) h(u)即称为 g g g和 f f f的卷积函数,定义 g g g和 f f f的卷积:
( g ∗ f ) ( x ) = ∫ − ∞ ∞ g ( x − y ) f ( y ) d y (g*f)(x)=\int_{-\infty}^\infty g(x-y)f(y) dy (g∗f)(x)=∫−∞∞g(x−y)f(y)dy
依照上面的卷积定理我们有
F ( g ∗ f ) = F ( g ) F ( f ) \mathcal{F}(g*f) =\mathcal{F}(g)\mathcal{F}(f) F(g∗f)=F(g)F(f)
Briggs, William L.Henson写的离散傅里叶手册中有很好的问题例子
eg.:浑浊度研究:与测量睡的清澈度有关,假如得到一张测量数据 T T T。这个数据有很多的毛刺,我们需要去除掉这些毛刺,使之平滑。在频域进行处理,去掉高频的成分,方法是呈上一个矩形函数(也叫低通滤波) Π 2 V c ( 在 − V c 和 V c 之 间 为 1 , 其 他 为 0 ) \Pi_{2V_c}(在-V_c和V_c之间为1,其他为0) Π2Vc(在−Vc和Vc之间为1,其他为0)得到
Π 2 V c F T \Pi_{2V_c}\mathcal{F}T Π2VcFT
转换到时域得
2 V c s i n c ( 2 V c t ) ∗ T ( t ) 2V_c sinc(2V_c t) * T(t) 2Vcsinc(2Vct)∗T(t)
滤波通常(不总是)等同于卷积
在频域中(频域滤波)
G ( s ) = F ( s ) H ( s ) G(s) = F(s) H(s) G(s)=F(s)H(s)( H ( s ) H(s) H(s)为传递函数),设计滤波器就是设计一个 H H H。
比较常见的事低通滤波器,高通滤波器和带通滤波器
在频域更容易理解滤波器而在时域中转换为卷积就没那么好理解
有时卷积并不容易计算,甚至不能显式表示,如
∫ − ∞ ∞ s i n c ( x − y ) f ( y ) d y \int_{-\infty}^\infty sinc(x - y) f(y) dy ∫−∞∞sinc(x−y)f(y)dy
有什么关于卷积更好的解释? 有很多的解释
在很多情况下,卷积核滤波或平均相关
通常 f f f和 g g g的卷积比单独考虑 f , g f,g f,g更好(更平滑),比如
Π ∗ Π = Λ \Pi * \Pi = \Lambda Π∗Π=Λ
左边不连续,右边连续
如果 f f f可微 g g g不可微,则 f ∗ g f*g f∗g可微: ( f ∗ g ) ′ = f ′ ∗ g (f*g)' = f' * g (f∗g)′=f′∗g
怎样利用卷积求热方程??
首先
F ( f ′ ) ( s ) = 2 π i s F f ( s ) \mathcal{F}(f')(s) = 2\pi i s \mathcal{F}f(s) F(f′)(s)=2πisFf(s)
相似的
F ( f ( n ) ) ( s ) = ( 2 π i s ) n F f ( s ) \mathcal{F}(f^{(n)})(s) = (2\pi i s)^n \mathcal{F}f(s) F(f(n))(s)=(2πis)nFf(s)
证明:
假设当 t → ± ∞ , f ( t ) → 0 t\rightarrow \pm \infty ,f(t) \rightarrow 0 t→±∞,f(t)→0(一种特殊情形,一般要把函数限制在一个族里面,分析学专门讨论)
F ( f ′ ) ( s ) = ∫ − ∞ ∞ e − 2 π i s t f ′ ( t ) d t = e − 2 π i s t f ( t ) ∣ − ∞ ∞ + 2 π i s ∫ − ∞ ∞ e − 2 π i s t f ( t ) d t = 0 + 2 π i s F f ( s ) \begin{aligned} \mathcal{F}(f')(s) &= \int_{-\infty}^\infty e^{-2\pi i st}f'(t) dt\\ &=e^{-2\pi i st}f(t) \bigg|_{-\infty}^\infty + 2\pi i s \int_{-\infty}^\infty e^{-2\pi i st} f(t) dt \\ &=0 + 2\pi i s \mathcal{F}f(s)\end{aligned} F(f′)(s)=∫−∞∞e−2πistf′(t)dt=e−2πistf(t)∣∣∣∣−∞∞+2πis∫−∞∞e−2πistf(t)dt=0+2πisFf(s)
研究无限长实线热方程, u ( x , t ) , u ( x , 0 ) = f ( x ) u(x,t),u(x,0)=f(x) u(x,t),u(x,0)=f(x)无限周期 u t = 1 2 u x x u_t = \frac{1}{2} u_{xx} ut=21uxx
记 u ( x , t ) u(x,t) u(x,t)关于 x x x的傅里叶变换为 u ( s , t ) u(s,t) u(s,t),则
F u t = ∫ − ∞ ∞ e − 2 π i s x ∂ u ( x , t ) ∂ t d x = ∂ ∂ t ( ∫ − ∞ ∞ e − 2 π i s x u ( x , t ) d x ) = ∂ ∂ t u ( s , t ) \begin{aligned} \mathcal{F} u_t &= \int_{-\infty}^\infty e^{-2\pi i sx} \frac{\partial u(x,t)}{\partial t}dx\\ &=\frac{\partial}{\partial t}\left( \int_{-\infty}^\infty e^{-2\pi i sx} u (x,t) dx \right) \\ &=\frac{\partial}{\partial t} u(s,t)\end{aligned} Fut=∫−∞∞e−2πisx∂t∂u(x,t)dx=∂t∂(∫−∞∞e−2πisxu(x,t)dx)=∂t∂u(s,t)
F u x x = ( 2 π i s ) 2 u ( s , t ) \mathcal{F}u_{xx} = (2\pi i s)^2 u(s,t) Fuxx=(2πis)2u(s,t)
联合上面,得到热方程为
∂ ∂ t u ( s , t ) = − 2 ( π s ) 2 u ( s , t ) \frac{\partial}{\partial t} u(s,t)=- 2(\pi s)^2 u(s,t) ∂t∂u(s,t)=−2(πs)2u(s,t)
这是一个普通的微分方程,解得
u ( s , t ) = u ( s , 0 ) e − 2 π 2 s 2 t u(s,t) = u(s,0) e^{-2\pi^2 s^2 t} u(s,t)=u(s,0)e−2π2s2t
u ( s , 0 ) = ∫ − ∞ ∞ e − 2 π i s x u ( x , 0 ) d x = ∫ − ∞ ∞ e − 2 π i s x f ( x ) = F ( s ) u(s,0) = \int_{-\infty}^\infty e^{-2\pi i sx} u(x,0) dx = \int_{-\infty}^\infty e^{-2\pi i sx} f(x) = F(s) u(s,0)=∫−∞∞e−2πisxu(x,0)dx=∫−∞∞e−2πisxf(x)=F(s)
所以
u ( s , t ) = F ( s ) e − 2 π 2 s 2 t u(s,t) = F(s) e^{-2\pi^2 s^2 t} u(s,t)=F(s)e−2π2s2t
由于
F ( 1 2 π t e − x 2 / 2 t ) = e − 2 π 2 s 2 t \mathcal{F}\left(\frac{1}{\sqrt{2\pi t}}e^{-x^2 /2t} \right) = e^{-2\pi^2 s^2 t} F(2πt 1e−x2/2t)=e−2π2s2t
故
u ( x , t ) = f ( x ) ∗ ( 1 2 π t e − x 2 / 2 t ) u(x,t) = f(x) * \left(\frac{1}{\sqrt{2\pi t}}e^{-x^2 /2t} \right) u(x,t)=f(x)∗(2πt 1e−x2/2t)
卷积核中心极限定理(conbolution and the Central Limit Theorem,CLT)
CLT某种程度上阐述了一般钟形曲线的一般形式,也就是概率论中的高斯分布
大部分概率事件,可以看做可以按照钟形曲线进行计算和近似,或者说有高斯函数决定
p ( x ) = 1 2 π e − x 2 / 2 p(x) = \frac{1}{\sqrt{2\pi}}e^{-x^2/2} p(x)=2π 1e−x2/2
p ( a ≤ m e a s u r e m e n t ) ≤ b = ∫ a b 1 2 π e − x 2 / 2 d x p(a\le measurement ) \le b = \int_a^b \frac{1}{\sqrt{2\pi}}e^{-x^2/2} dx p(a≤measurement)≤b=∫ab2π 1e−x2/2dx
对矩形函数自身做一次卷积,得到一个三角形函数,做三次卷积则得到一个钟形(更平滑),做四个更平滑。令人惊叹(spooky)的是,不仅对矩形函数,对任意函数,自身卷积做若干次以后,将类似于一个钟形函数
建立:
X X X为随机变量, x x x为时机测量值,测量 x x x如何分布 P X ( x ) P_X(x) PX(x), P a , b ( a ≤ x ≤ b ) = ∫ a b p ( x ) d x P_{a,b}(a\le x \le b) = \int_a^b p(x) dx Pa,b(a≤x≤b)=∫abp(x)dx
∫ − ∞ ∞ p ( x ) d x = 1 , p ( x ) ≥ 0 \int_{-\infty}^{\infty} p(x) dx = 1,p(x) \ge 0 ∫−∞∞p(x)dx=1,p(x)≥0
怎么和卷积联系起来
假设 x 1 , x 2 x_1,x_2 x1,x2是独立随机变量 p 1 ( x 1 ) , p 2 ( x 2 ) , x 1 + x 2 p_1(x_1),p_2(x_2),x_1 + x_2 p1(x1),p2(x2),x1+x2的分布为 p 1 ∗ p 2 p_1 * p_2 p1∗p2(利用积分变量替换即可得到)
同样可以得到
p ( x 1 + ⋯ + x n ) = p 1 ∗ p 2 ∗ ⋯ ∗ p n p(x_1+\cdots+x_n) = p_1 * p_2 * \cdots * p_n p(x1+⋯+xn)=p1∗p2∗⋯∗pn
CLT建立过程
设 x 1 , ⋯   , x n x_1,\cdots,x_n x1,⋯,xn是独立同分布随机变量(iid),记为p(均值为0,方差为1)
即
∫ − ∞ ∞ x p ( x ) d x = 0 \int_{-\infty}^{\infty} xp(x) dx = 0 ∫−∞∞xp(x)dx=0
∫ − ∞ ∞ x 2 p ( x ) d x = 1 \int_{-\infty}^{\infty} x^2p(x) dx = 1 ∫−∞∞x2p(x)dx=1
∫ − ∞ ∞ p ( x ) d x = 1 \int_{-\infty}^{\infty} p(x) dx = 1 ∫−∞∞p(x)dx=1
S n = x 1 + ⋯ + x n S_n = x_1 + \cdots + x_n Sn=x1+⋯+xn,则 , E ( S n ) = 0 , E ( S n 2 ) = n \mathbb{E}(S_n) = 0, \sqrt{\mathbb{E}(S_n^2)} = \sqrt{n} E(Sn)=0,E(Sn2) =n (标准差)
故, S n n \frac{S_n}{\sqrt{n}} n Sn方差为1
CLT:当 n → ∞ n\rightarrow \infty n→∞时,
lim n → ∞ p r o b ( a ≤ S n n ≤ b ) = 1 2 π ∫ a b e − x 2 / 2 d x \lim_{n\rightarrow \infty} prob(a \le \frac{S_n}{\sqrt{n}} \le b ) = \frac{1}{\sqrt{2\pi}} \int_a^b e^{-x^2/2} dx n→∞limprob(a≤n Sn≤b)=2π 1∫abe−x2/2dx
非积分形式:如果 P n ( x ) P_n(x) Pn(x)为 S n n \frac{S_n}{\sqrt{n}} n Sn的分布,则当 n → ∞ n\rightarrow \infty n→∞时,
P n ( x ) → 1 2 π e − x 2 / 2 P_n(x) \rightarrow \frac{1}{\sqrt{2\pi}} e^{-x^2/2} Pn(x)→2π 1e−x2/2
因为 x 1 + ⋯ + x n x_1+\cdots +x_n x1+⋯+xn的分布为 p ∗ n ( x ) = ( p ∗ ⋯ ∗ p ⎵ n 个 ) p^{*n}(x) =( \underbrace{p*\cdots * p}_{n个}) p∗n(x)=(n个 p∗⋯∗p),则
x 1 + ⋯ + x n n \frac{x_1+\cdots+x_n}{\sqrt{n}} n x1+⋯+xn的分布为 n p ∗ n ( n x ) \sqrt{n} p^{*n}(\sqrt{n}x) n p∗n(n x). ( x 分 布 为 p ( x ) , 则 a x 的 分 布 为 1 a p ( x a ) (x分布为p(x),则ax的分布为\frac{1}{a} p(\frac{x}{a}) (x分布为p(x),则ax的分布为a1p(ax)
P r ( a X ≤ x ) = P r ( X ≤ x a ) = ∫ − ∞ p ( t ) d t = ∫ − ∞ x p ( t a ) d t a = 1 a ∫ − ∞ x p ( t a ) d t \begin{aligned}Pr(aX \le x) &= Pr(X \le \frac{x}{a}) = \int_{-\infty}^{ } p(t) dt \\ &= \int_{-\infty}^{ x} p\left(\frac{t}{a}\right) d\frac{t}{a} = \frac{1}{a} \int_{-\infty}^x p\left(\frac{t}{a}\right) dt \end{aligned} Pr(aX≤x)=Pr(X≤ax)=∫−∞p(t)dt=∫−∞xp(at)dat=a1∫−∞xp(at)dt
做傅里叶变换 F ( p n ( x ) ) = n F ( p ∗ n ( n x ) ) = n ∗ 1 n F ( p ∗ n ) ( s n ) = ( F p ) n ( s n ) = ( F p ( s n ) ) n \begin{aligned}\mathcal{F}(p_n(x)) &= \sqrt{n} \mathcal{F} \left(p^{*n}(\sqrt{n} x )\right)\\ &= \sqrt{n} * \frac{1}{\sqrt{n} } \mathcal{F} \left(p^{*n}\right) \left(\frac{s}{ \sqrt{n}} \right) \\ &= (\mathcal{F}p)^n \left(\frac{s}{ \sqrt{n}} \right)\\ &= \left(\mathcal{F}p\left(\frac{s}{ \sqrt{n}} \right) \right)^n \end{aligned} F(pn(x))=n F(p∗n(n x))=n ∗n 1F(p∗n)(n s)=(Fp)n(n s)=(Fp(n s))n
使用泰勒级数(展开) ( e x = 1 + x + x 2 2 + ⋯   ) (e^x = 1 +x + \frac{x^2}{2}+\cdots) (ex=1+x+2x2+⋯)
F p ( s n ) = ∫ − ∞ ∞ e − 2 π i ( s / n ) x p ( x ) d x = ∫ − ∞ ∞ ( 1 − 2 π i s x n − 1 2 ( 2 π i s x n ) 2 + ⋯   ) p ( x ) d x = ∫ − ∞ ∞ p ( x ) d x ⎵ = 1 − 2 π i s n ∫ − ∞ ∞ x p ( x ) d x ⎵ = 0 − 2 π 2 s 2 n ∫ − ∞ ∞ x 2 p ( x ) d x ⎵ = 1 + ⋯ = 1 − 2 π 2 s 2 n + ε ≈ 1 − 2 π 2 s 2 n \begin{aligned}\mathcal{F}p\left(\frac{s}{ \sqrt{n}} \right) &= \int_{-\infty}^\infty e^{-2\pi i (s/\sqrt{n})x} p(x) dx \\ &= \int_{-\infty}^\infty \left(1-\frac{2\pi i sx}{\sqrt{n}} - \frac{1}{2} \left(\frac{2\pi i sx}{\sqrt{n}}\right)^2 + \cdots \right) p(x) dx\\ &= \underbrace{\int_{-\infty}^\infty p(x) dx}_{=1} - \frac{2\pi i s}{\sqrt{n}}\underbrace{\int_{-\infty}^\infty xp(x) dx}_{=0} - \frac{2\pi^2 s^2}{n} \underbrace{ \int_{-\infty}^\infty x^2 p(x) dx}_{=1} + \cdots \\ &=1 -\frac{2\pi^2 s^2}{n}+ \varepsilon \approx 1 -\frac{2\pi^2 s^2}{n} \end{aligned} Fp(n s)=∫−∞∞e−2πi(s/n )xp(x)dx=∫−∞∞(1−n 2πisx−21(n 2πisx)2+⋯)p(x)dx==1 ∫−∞∞p(x)dx−n 2πis=0 ∫−∞∞xp(x)dx−n2π2s2=1 ∫−∞∞x2p(x)dx+⋯=1−n2π2s2+ε≈1−n2π2s2
所以
( F p ( s n ) ) n ≈ ( 1 − 2 π 2 s 2 n ) n \left(\mathcal{F}p\left(\frac{s}{ \sqrt{n}} \right) \right)^n \approx \left(1 -\frac{2\pi^2 s^2}{n} \right)^n (Fp(n s))n≈(1−n2π2s2)n
当 n → + ∞ n\rightarrow +\infty n→+∞, ( 1 − 2 π 2 s 2 n ) n ⟶ e − 2 π 2 s 2 \left(1 -\frac{2\pi^2 s^2}{n} \right)^n \longrightarrow e^{-2\pi^2s^2} (1−n2π2s2)n⟶e−2π2s2
利用傅里叶反变换,饿到原分布密度为
p n ( x ) ≈ 1 2 π e − x 2 / 2 p_n(x) \approx \frac{1}{\sqrt{2\pi}} e^{-x^2/2} pn(x)≈2π 1e−x2/2
讨论积分收敛问题
需要傅里叶变换的更严谨的定义才能处理一般信号。如果积分不收敛,怎么利用傅里叶变换
两种方式处理这种情况
1.一种是使用特定方法(ad hot)
2.重新研究基础,给出一个另外的定义
第一个例子: f ( t ) = Π ( t ) f(t) = \Pi(t) f(t)=Π(t)积分收敛可以进行傅里叶变换,然而问题出现在反变换上 F − 1 s i n c = Π \mathcal{F}^{-1} sinc = \Pi F−1sinc=Π
F − 1 s i n c = ∫ − ∞ ∞ e 2 π i s t sin π s π s d s = { 1 , ∣ s ∣ < 1 2 0 , ∣ s ∣ > 1 2 \mathcal{F}^{-1} sinc = \int_{-\infty}^\infty e^{2\pi i st } \frac{\sin \pi s}{\pi s} ds = \begin{cases}1,\quad &|s| < \frac{1}{2} \\ 0,\quad &|s| > \frac{1}{2} \end{cases} F−1sinc=∫−∞∞e2πistπssinπsds={1,0,∣s∣<21∣s∣>21
(无法用简单积分算出,需要用一些技巧)
在边界上即不连续点上 s = ± 1 2 s=\pm \frac{1}{2} s=±21有些问题,收敛于 1 2 \frac{1}{2} 21而不是0或者1
第二个例子中, f ( t ) = 1 f(t) = 1 f(t)=1,傅里叶积分是无意义的
∫ − ∞ ∞ e − 2 π i s t d t = 1 − 2 π i s e − 2 π i s t ∣ − ∞ ∞ = 0 \int_{-\infty}^\infty e^{-2\pi i st } dt = \frac{1}{-2\pi i s} e^{-2\pi i st } \bigg|_{-\infty}^\infty = 0 ∫−∞∞e−2πistdt=−2πis1e−2πist∣∣∣∣−∞∞=0
例子3: f ( t ) = sin ( 2 π t ) , g ( t ) = cos ( 2 π t ) f(t) = \sin(2\pi t),g(t) =\cos(2\pi t) f(t)=sin(2πt),g(t)=cos(2πt)
∫ − ∞ ∞ e − 2 π i s t sin ( 2 π t ) d t \int_{-\infty}^\infty e^{-2\pi i st } \sin(2\pi t) dt ∫−∞∞e−2πistsin(2πt)dt
是无法收敛的。对于等等这些情况,我们必须重新定义收敛的问题
怎样选取基本现象来啊研究其他一切现象
1940年代解决了这个问题。退一步,最好的情形是什么(定义为 s s s,Schwarz)
我们需要两个性质:
1.如果 f ∈ s f \in s f∈s,那么 F ∈ s \mathcal{F} \in s F∈s
2.傅里叶由方程定义
F F − 1 f = f \mathcal{F}\mathcal{F}^{-1}f = f FF−1f=f
更进一步的性质(Parseval等式Rayleigh 等式)
∫ − ∞ ∞ ∣ g ( s ) ∣ 2 d s = ∫ − ∞ ∞ ∣ f ( t ) ∣ 2 d t \int_{-\infty}^\infty |g(s) |^2 ds = \int_{-\infty}^\infty |f(t)|^2 dt ∫−∞∞∣g(s)∣2ds=∫−∞∞∣f(t)∣2dt
怎样定义 s s s(Laurent Schwartz找到了这个类):s指的就是这类速降函数
{ f ( x ) 为 光 滑 函 数 对 任 意 m , n ≥ 0 , 当 x → ± ∞ , ∣ x ∣ n ∣ d m d x m f ( x ) ∣ → 0 \begin{cases}f(x) 为光滑函数\\ 对任意m,n\ge 0,当x \rightarrow \pm \infty,|x|^n |\frac{d^m}{dx^m}f(x) | \rightarrow 0 \end{cases} {f(x)为光滑函数对任意m,n≥0,当x→±∞,∣x∣n∣dxmdmf(x)∣→0
即递降速度非常快,比 x n x^n xn快. 存在这样的函数吗
{ f ( x ) = e − π x 2 就 是 这 样 的 函 数 在 一 个 区 间 外 全 为 0 的 光 滑 函 数 ( 紧 支 集 光 滑 函 数 ) \begin{cases}f(x) = e^{-\pi x^2}就是这样的函数\\在一个区间外全为0的光滑函数(紧支集光滑函数) \end{cases} {f(x)=e−πx2就是这样的函数在一个区间外全为0的光滑函数(紧支集光滑函数)
这是从导数定理中来的
F ( f ( m ) ) ( s ) = ( 2 π i s ) m F f ( s ) \mathcal{F}(f^{(m)})(s) = (2\pi i s)^m \mathcal{F}f(s) F(f(m))(s)=(2πis)mFf(s)
这表明可微性和递降速率的关系
Parseval等式适用于s函数,适用于不涉及收敛问题的函数
∫ − ∞ ∞ ∣ F ( f ) ( s ) ∣ 2 d s = ∫ − ∞ ∞ ∣ f ( t ) ∣ 2 d t \int_{-\infty}^\infty |\mathcal{F}(f)(s) |^2 ds = \int_{-\infty}^\infty |f(t)|^2 dt ∫−∞∞∣F(f)(s)∣2ds=∫−∞∞∣f(t)∣2dt
下面证明一个更一般的等式
∫ − ∞ ∞ F f ( s ) F g ( s ) ‾ d s = ∫ − ∞ ∞ f ( t ) g ( t ) ‾ d t \int_{-\infty}^\infty \mathcal{F}f(s) \overline{\mathcal{F}g(s)} ds = \int_{-\infty}^\infty f(t) \overline{g(t)} dt ∫−∞∞Ff(s)Fg(s)ds=∫−∞∞f(t)g(t)dt
令 g ( t ) = ∫ − ∞ ∞ e 2 π i s t F g ( s ) d s g(t) = \int_{-\infty}^\infty e^{2\pi i st} \mathcal{F}g(s) ds g(t)=∫−∞∞e2πistFg(s)ds,即 g ( t ) = F − 1 F g g(t)=\mathcal{F}^{-1}\mathcal{F}g g(t)=F−1Fg
两边取共轭,将共轭算子放进积分中
g ( t ) ‾ = ∫ − ∞ ∞ e − 2 π i s t F g ( s ) ‾ d s \overline{g(t)} = \int_{-\infty}^\infty e^{-2\pi i st} \overline{\mathcal{F}g(s)} ds g(t)=∫−∞∞e−2πistFg(s)ds
故
∫ − ∞ ∞ f ( x ) g ( t ) ‾ d t = ∫ − ∞ ∞ f ( t ) ( ∫ − ∞ ∞ e − 2 π i s t F g ( s ) ‾ d s ) d t = ∫ − ∞ ∞ F g ( s ) ‾ ( ∫ − ∞ ∞ f ( t ) e − 2 π i s t d t ) d s = ∫ − ∞ ∞ F f ( s ) F g ( s ) ‾ d s \begin{aligned}\int_{-\infty}^\infty f(x)\overline{g(t)}dt &= \int_{-\infty}^\infty f(t) \left( \int_{-\infty}^\infty e^{-2\pi i st} \overline{\mathcal{F}g(s)} ds\right)dt \\ &=\int_{-\infty}^\infty \overline{\mathcal{F}g(s)} \left( \int_{-\infty}^\infty f(t) e^{-2\pi i st} dt\right)ds\\ &= \int_{-\infty}^\infty \mathcal{F}f(s) \overline{\mathcal{F}g(s)} ds \end{aligned} ∫−∞∞f(x)g(t)dt=∫−∞∞f(t)(∫−∞∞e−2πistFg(s)ds)dt=∫−∞∞Fg(s)(∫−∞∞f(t)e−2πistdt)ds=∫−∞∞Ff(s)Fg(s)ds
傅里叶变换扩展(重新定义傅里叶变换,广义傅里叶变换)
傅里叶变换的最佳集合,速降函数集合s
为什么这个对于傅里叶变幻时最佳的
Π ∉ s , Λ , sin , cos , s i n c ∉ s , 常 数 c ∉ s \Pi \notin s,\Lambda,\sin,\cos,sinc \notin s,常数c \notin s Π∈/s,Λ,sin,cos,sinc∈/s,常数c∈/s,许多常见的函数都不属于 s s s,怎么办,必须采取一条特别的路,那就是广义函数(也称为分布)
脉冲函数 δ \delta δ(单独考虑是没有意义的)
通常定义 δ \delta δ为
δ ( 0 ) = 0 , x ≠ 0 δ ( 0 ) = ∞     \delta(0) = 0,x \ne 0\\ \delta(0) = \infty \quad\quad\,\,\, δ(0)=0,x̸=0δ(0)=∞
∫ − ∞ ∞ δ ( x ) d x = 1 \int_{-\infty}^\infty \delta(x) dx = 1 ∫−∞∞δ(x)dx=1
∫ − ∞ ∞ δ ( 0 ) φ ( x ) d x = φ ( 0 ) \int_{-\infty}^\infty \delta(0) \varphi(x) dx = \varphi(0) ∫−∞∞δ(0)φ(x)dx=φ(0)
上面的定义完全是垃圾。
δ \delta δ函数是一个只关注一点的函数,考虑经典的那些函数,当他们变得越来越窄,取极限的时候。eg.:考虑一个长方形函数,变窄,变高,积分不变
∫ − ∞ ∞ 1 ε Π ε ( x ) φ ( x ) d x = 1 ε ∫ − ε 2 ε 2 φ ( x ) d x = 1 ε ∫ − ε 2 ε 2 φ ( 0 ) + φ ′ ( c ) x + φ ′ ′ ( c ) 2 x 2 + ⋯ d x = φ ( 0 ) + O ( ε ) ⟶ φ ( 0 ) \begin{aligned}\int_{-\infty}^\infty \frac{1}{\varepsilon} \Pi_\varepsilon(x) \varphi(x) dx &= \frac{1}{\varepsilon} \int_{-\frac{\varepsilon}{2}}^{\frac{\varepsilon}{2}} \varphi(x) dx\\ &= \frac{1}{\varepsilon} \int_{-\frac{\varepsilon}{2}}^{\frac{\varepsilon}{2}} \varphi(0) + \varphi'(c) x + \frac{\varphi''(c)}{2}x^2 +\cdots dx \\ &=\varphi(0) + O(\varepsilon) \longrightarrow \varphi(0) \end{aligned} ∫−∞∞ε1Πε(x)φ(x)dx=ε1∫−2ε2εφ(x)dx=ε1∫−2ε2εφ(0)+φ′(c)x+2φ′′(c)x2+⋯dx=φ(0)+O(ε)⟶φ(0)
即
lim ε → 0 ∫ − ∞ ∞ 1 ε Π ε ( x ) φ ( x ) d x = φ ( 0 ) \lim_{\varepsilon \rightarrow 0}\int_{-\infty}^\infty \frac{1}{\varepsilon} \Pi_\varepsilon(x) \varphi(x) dx=\varphi(0) ε→0lim∫−∞∞ε1Πε(x)φ(x)dx=φ(0)
单独考虑 lim ε → 0 1 ε Π ε ( x ) \lim_{\varepsilon \rightarrow 0} \frac{1}{\varepsilon} \Pi_\varepsilon(x) limε→0ε1Πε(x)是没有意义的,而是和其他函数成对出现才有意义,这才是 δ \delta δ函数通常出现的形式, δ \delta δ单独出现没有意义。把视角放在结果而不是过程
定义:1)从分布测试函数 φ \varphi φ开始(那些最优的函数)
2)和测试函数相关的叫广义函数或者分布的集合,一个分布较 T T T,是一个作用于测试函数的线性泛函. T ( φ ) T(\varphi) T(φ)是一个数, T ( a φ 1 + b φ 2 ) = a T ( φ 1 ) + b T ( φ 2 ) T(a\varphi_1 + b\varphi_2)= aT(\varphi_1) + bT(\varphi_2) T(aφ1+bφ2)=aT(φ1)+bT(φ2)
3)如果 ϕ n → φ \phi_n \rightarrow \varphi ϕn→φ(序列趋近于 φ \varphi φ),那么 T ( φ n ) → T ( φ ) T(\varphi_n) \rightarrow T(\varphi) T(φn)→T(φ)
一个分布于一个测试函数配对,符号 < T , φ > <T,\varphi> <T,φ>
重新定义 δ \delta δ,通过 < δ , φ > = φ ( 0 ) <\delta,\varphi> = \varphi(0) <δ,φ>=φ(0),显然是线性的,而且 ϕ n → φ ⇒ ϕ n ( 0 ) → φ ( 0 ) \phi_n \rightarrow \varphi \Rightarrow \phi_n(0) \rightarrow \varphi(0) ϕn→φ⇒ϕn(0)→φ(0)这才是 δ \delta δ的定义
定义位移 δ \delta δ函数, δ a \delta_a δa为一个分布 < δ a , φ > = φ ( a ) <\delta_a,\varphi>=\varphi(a) <δa,φ>=φ(a),并满足1),2),3)
怎样才能是的那些不符合测试函数的函数回到视野中来(傅里叶变换变得有意义)
通过一种特别的方式合理化
eg.:怎样将常函数看做一个分布,怎样定义匹配 1 1 1和 φ \varphi φ(通过积分实现)
< 1 , φ > = ∫ − ∞ ∞ 1 φ ( x ) d x = ∫ − ∞ ∞ φ ( x ) d x <1,\varphi> = \int_{-\infty}^\infty 1\varphi(x) dx = \int_{-\infty}^{\infty} \varphi(x) dx <1,φ>=∫−∞∞1φ(x)dx=∫−∞∞φ(x)dx
同样对于矩形函数
< Π , φ > = ∫ − ∞ ∞ Π ( x ) φ ( x ) d x <\Pi,\varphi> = \int_{-\infty}^\infty \Pi(x) \varphi(x) dx <Π,φ>=∫−∞∞Π(x)φ(x)dx
三角函数
< sin ( 2 π x ) , φ > = ∫ − ∞ ∞ sin ( 2 π x ) φ ( x ) d x <\sin(2\pi x),\varphi> = \int_{-\infty}^\infty \sin(2\pi x) \varphi(x) dx <sin(2πx),φ>=∫−∞∞sin(2πx)φ(x)dx
对于大部分函数,将 f ( x ) f(x) f(x)看成分布, < f , φ > = ∫ f ( x ) φ ( x ) d x <f,\varphi> = \int f(x) \varphi(x) dx <f,φ>=∫f(x)φ(x)dx这包括基本的所有函。
下面正式介绍广义函数(分布)傅里叶变换
测试集合(速降函数集合) T \mathcal{T} T,和上面那样定义 < T , φ > <T,\varphi> <T,φ>, ϕ n → φ ⇒ T ( φ n ) → T ( φ ) \phi_n \rightarrow \varphi \Rightarrow T(\varphi_n) \rightarrow T(\varphi) ϕn→φ⇒T(φn)→T(φ)
比较难的是定义函数的收敛性(这里不讨论)
分布的集合是一系列测试函数的对偶空间(dual space)
定义 < f , φ > = ∫ − ∞ ∞ f ( x ) φ ( x ) d x <f,\varphi> = \int_{-\infty}^\infty f(x) \varphi(x) dx <f,φ>=∫−∞∞f(x)φ(x)dx(如果积分都收敛),大部分的函数都是分布
故 < e 2 π i a x , φ > = ∫ − ∞ ∞ e 2 π i a x φ ( x ) d x <e^{2\pi i ax}, \varphi> = \int_{-\infty}^\infty e^{2\pi i ax}\varphi(x) dx <e2πiax,φ>=∫−∞∞e2πiaxφ(x)dx是有意义的
把测试函数看做 s s s,那么
① φ ∈ s , F φ ∈ s , F − 1 φ ∈ s ①\varphi \in s, \mathcal{F}\varphi \in s, \mathcal{F}^{-1} \varphi \in s ①φ∈s,Fφ∈s,F−1φ∈s
② F F − 1 φ = φ F − 1 F = φ ② \mathcal{F} \mathcal{F}^{-1} \varphi= \varphi\\ \mathcal{F}^{-1} \mathcal{F} = \varphi ②FF−1φ=φF−1F=φ
与之对应的分布,通常也称为缓增广义函数
如果 T T T是一个缓增广义函数,则通过傅里叶变换,变成另一个缓增广义函数
我们现在需要定义 < F T , φ > <\mathcal{F} T,\varphi> <FT,φ>
假设,所有性质都很好地满足,则
< F T , f > = ∫ − ∞ ∞ F T ( x ) f ( x ) d x = ∫ − ∞ ∞ ∫ − ∞ ∞ e − 2 π i x y f ( x ) d x   T ( y ) d y = ∫ − ∞ ∞ F f ( y ) T ( y ) d y = < T , F f > \begin{aligned} <\mathcal{F} T,f> &= \int_{-\infty}^\infty \mathcal{F}T(x) f(x) dx \\ &=\int_{-\infty}^\infty \int_{-\infty}^\infty e^{-2\pi i xy} f(x) dx\, T(y) dy\\ &= \int_{-\infty}^\infty \mathcal{F}f(y) T(y) dy\\ &= <T,\mathcal{F}f> \end{aligned} <FT,f>=∫−∞∞FT(x)f(x)dx=∫−∞∞∫−∞∞e−2πixyf(x)dxT(y)dy=∫−∞∞Ff(y)T(y)dy=<T,Ff>
所以定义 < F T , φ > = < T , F φ > <\mathcal{F} T,\varphi> = <T,\mathcal{F} \varphi> <FT,φ>=<T,Fφ>
同样定义 < F − 1 T , φ > = < T , F − 1 φ > <\mathcal{F}^{-1}T,\varphi> = <T,\mathcal{F}^{-1}\varphi> <F−1T,φ>=<T,F−1φ>
容易证明这样定义是合理的,即 < F F − 1 T , φ > = < T , φ > <\mathcal{F}\mathcal{F}^{-1}T,\varphi> = <T,\varphi> <FF−1T,φ>=<T,φ>, < F − 1 F T , φ > = < T , φ > <\mathcal{F}^{-1}\mathcal{F}T,\varphi> = <T,\varphi> <F−1FT,φ>=<T,φ>
根据定义
< F δ , φ > = < δ , F φ > = F φ ( 0 ) = ∫ − ∞ ∞ 1 φ ( x ) d x = < 1 , φ > <\mathcal{F}\delta, \varphi> = <\delta, \mathcal{F} \varphi> = \mathcal{F} \varphi(0) = \int_{-\infty}^\infty 1 \varphi(x) dx = <1,\varphi> <Fδ,φ>=<δ,Fφ>=Fφ(0)=∫−∞∞1φ(x)dx=<1,φ>
故(频域分散,时域聚集)
F δ = 1 \mathcal{F} \delta = 1 Fδ=1
同样
F δ a = e − 2 π i a x \mathcal{F} \delta_a = e^{-2\pi i a x} Fδa=e−2πiax
F e − 2 π i a x = δ a \mathcal{F} e^{-2\pi i a x} = \delta_a Fe−2πiax=δa
而由 cos ( 2 π a x ) = 1 2 ( e 2 π i a x + e − 2 π i a x ) \cos(2\pi a x ) = \frac{1}{2}(e^{2\pi i a x}+e^{-2\pi i a x}) cos(2πax)=21(e2πiax+e−2πiax),得
F cos ( 2 π a x ) = 1 2 ( δ a + δ − a ) \mathcal{F} \cos(2\pi a x ) = \frac{1}{2} (\delta_a + \delta_{-a}) Fcos(2πax)=21(δa+δ−a)
必须证明这和原来的是不矛盾的
分布的导数和卷积
< T ′ , φ > = ? <T',\varphi>=? <T′,φ>=?
如果 T T T由一个函数给出
< T ′ , φ > = ∫ − ∞ ∞ T ′ ( x ) φ ( x ) d x = [ T ( x ) φ ( x ) ] ∣ − ∞ ∞ − ∫ − ∞ ∞ T ( x ) φ ′ ( x ) d x = − ∫ − ∞ ∞ T ( x ) φ ′ ( x ) d x = − < T , φ ′ > \begin{aligned}<T',\varphi> &= \int_{-\infty}^\infty T'(x) \varphi(x) dx \\ &= [T(x)\varphi(x)] \bigg|_{-\infty}^\infty - \int_{-\infty}^\infty T(x) \varphi'(x)dx \\ &= - \int_{-\infty}^\infty T(x) \varphi'(x)dx \\ &= -<T,\varphi'> \end{aligned} <T′,φ>=∫−∞∞T′(x)φ(x)dx=[T(x)φ(x)]∣∣∣∣−∞∞−∫−∞∞T(x)φ′(x)dx=−∫−∞∞T(x)φ′(x)dx=−<T,φ′>
把它作为定义
< T ′ , φ > = − < T , φ ′ > <T',\varphi> = -<T,\varphi'> <T′,φ>=−<T,φ′>
Example: (跳跃函数Heaviside函数)
u ( x ) = { 1 ,   x > 0 0 ,   x ≤ 0 u(x) = \begin{cases} 1, \, &x>0 \\ 0,\, & x \le 0 \end{cases} u(x)={1,0,x>0x≤0
< u ′ , φ > = − < u , φ ′ > = − ∫ − ∞ ∞ u x ( x ) φ ′ ( x ) d x = − ∫ 0 ∞ φ ′ ( x ) d x = − φ ( x ) ∣ 0 ∞ = < δ , φ > \begin{aligned} <u',\varphi> &= -<u,\varphi'> = -\int_{-\infty}^\infty ux(x) \varphi'(x) dx \\ &=- \int_0^\infty \varphi'(x) dx = - \varphi(x) \bigg|_0^\infty = <\delta,\varphi> \end{aligned} <u′,φ>=−<u,φ′>=−∫−∞∞ux(x)φ′(x)dx=−∫0∞φ′(x)dx=−φ(x)∣∣∣∣0∞=<δ,φ>
所以 u ′ = δ u' = \delta u′=δ
同理得到
s i g n   x = { 1 ,   x > 0 0 ,   x = 0 − 1 ,   x < 0 sign \,x = \begin{cases}1,\, & x> 0\\ 0,\, &x =0 \\-1,\, & x<0\end{cases} signx=⎩⎪⎨⎪⎧1,0,−1,x>0x=0x<0
s i g n ′ = 2 δ sign' = 2\delta sign′=2δ
傅里叶变换的导数和导数的傅里叶变换
( F T ) ′ = F ( − 2 π i t T ) (\mathcal{F}T)' = \mathcal{F}(-2\pi i t T) (FT)′=F(−2πitT)
F ( T ′ ) = 2 π i s F T \mathcal{F}(T') = 2\pi i s \mathcal{F} T F(T′)=2πisFT
< ( F T ) ′ , φ > = − < F T , φ ′ > = − < T , F φ ′ > = − < T , 2 π i t F φ > = < − 2 π i t T , F φ > = < F ( − 2 π i t T ) , φ > \begin{aligned}<(\mathcal{F}T)',\varphi> &= -<\mathcal{F}T,\varphi'> = -<T,\mathcal{F} \varphi'>\\ &= -<T,2\pi i t \mathcal{F} \varphi> = <-2\pi i t T ,\mathcal{F} \varphi> = <\mathcal{F}( -2\pi i t T),\varphi> \end{aligned} <(FT)′,φ>=−<FT,φ′>=−<T,Fφ′>=−<T,2πitFφ>=<−2πitT,Fφ>=<F(−2πitT),φ>
< F ( T ′ ) , φ > = < T ′ , F φ > = − < T , ( F φ ) ′ > = − < T , F ( − 2 π i s φ ) > = < 2 π i s F T , φ > \begin{aligned} <\mathcal{F}(T'),\varphi> &= <T', \mathcal{F} \varphi> = -<T,(\mathcal{F} \varphi)'>\\ &=-<T,\mathcal{F}(-2\pi i s \varphi)> = <2\pi i s\mathcal{F} T, \varphi > \end{aligned} <F(T′),φ>=<T′,Fφ>=−<T,(Fφ)′>=−<T,F(−2πisφ)>=<2πisFT,φ>
利用这个来找 s g n   x sgn\,x sgnx的傅里叶变换,由于 s g n ′ = 2 δ sgn' =2 \delta sgn′=2δ
F ( s g n ′ ) = 2 δ = 2 \mathcal{F}(sgn') = \mathcal{2\delta} = 2 F(sgn′)=2δ=2
另外有
F ( s g n ′ ) = 2 π i s F ( s g n ) \mathcal{F}(sgn') = 2\pi i s \mathcal{F}(sgn) F(sgn′)=2πisF(sgn)
故
F ( s g n ) = 2 2 π i s = 1 π i s \mathcal{F}(sgn) = \frac{2}{2\pi i s } = \frac{1}{\pi i s } F(sgn)=2πis2=πis1
需要注意的是,如果 S , T S,T S,T都是分布,那么 S T ST ST是没有定义的。特殊情况是当 f f f为函数(满足一定条件,使得 f φ ∈ s f\varphi \in s fφ∈s), < f T , φ > = < T , f φ > <fT,\varphi> = <T,f\varphi> <fT,φ>=<T,fφ>
例子
< f δ , φ > = < δ , f φ > = f ( 0 ) φ ( 0 ) = < f ( 0 ) δ , φ > <f\delta,\varphi> = <\delta,f\varphi> = f(0)\varphi(0) = <f(0)\delta,\varphi> <fδ,φ>=<δ,fφ>=f(0)φ(0)=<f(0)δ,φ>
即
f δ = f ( 0 ) δ f\delta = f(0) \delta fδ=f(0)δ
同理
f δ a = f ( a ) δ a f\delta_a = f(a) \delta_a fδa=f(a)δa
这是 δ \delta δ的采样性质
如果 T , S T,S T,S是分布,如何定义卷积(必须对分布进行限制,不知所有都有定义)
以下许多情况下是可以的
f ∗ T f*T f∗T,当 f f f作为一个函数,并且卷积定理成立
F ( f ∗ T ) = ( F f ) ( F T ) \mathcal{F}(f*T) = (\mathcal{F}f)(\mathcal{F}T) F(f∗T)=(Ff)(FT)
一个特例,当 T = δ T=\delta T=δ(根据卷积定理和前面的结果有)
f ∗ δ = f f* \delta = f f∗δ=f
( f ∗ δ a ) ( x ) = f ( x − a ) (f* \delta_a)(x) = f(x - a) (f∗δa)(x)=f(x−a)
δ \delta δ的缩放性质, δ ( a x ) \delta(ax) δ(ax)定义为?
当 a > 0 a>0 a>0, < δ ( a x ) , φ ( x ) > = ∫ − ∞ ∞ δ ( a x ) φ ( x ) d x = 1 a ∫ − ∞ ∞ δ ( u ) φ ( u a ) d u = < δ , 1 a φ ( x a ) > = 1 a φ ( 0 ) = 1 a < δ , φ > \begin{aligned} <\delta(ax) ,\varphi(x)> &= \int_{-\infty}^\infty \delta(ax) \varphi(x) dx = \frac{1}{a} \int_{-\infty}^\infty \delta(u) \varphi(\frac{u}{a}) du\\ &=<\delta,\frac{1}{a} \varphi(\frac{x}{a})> = \frac{1}{a} \varphi(0) = \frac{1}{a}<\delta,\varphi> \end{aligned} <δ(ax),φ(x)>=∫−∞∞δ(ax)φ(x)dx=a1∫−∞∞δ(u)φ(au)du=<δ,a1φ(ax)>=a1φ(0)=a1<δ,φ>
当 a < 0 a<0 a<0同理 < δ ( a x ) , φ ( x ) > = − 1 a < δ , φ > <\delta(ax) ,\varphi(x)> = - \frac{1}{a}<\delta,\varphi> <δ(ax),φ(x)>=−a1<δ,φ>
所以 < δ ( a x ) , φ ( x ) > = 1 ∣ a ∣ < δ , φ > <\delta(ax) ,\varphi(x)> = \frac{1}{|a|}<\delta,\varphi> <δ(ax),φ(x)>=∣a∣1<δ,φ>
傅里叶变换与衍射(diffraction)
衍射是光的一种现象
透过过光阑或者小孔。光来自远处光源,光偷过光屏(光屏上有一些小孔),在远处有一接受屏,可以看到衍射现象
假设光是震荡的电磁场,并假设为单色光,衍射图形和光接收屏的位置有关
两种衍射 { 近 场 衍 射 : 菲 涅 尔 衍 射 远 场 衍 射 : 夫 琅 禾 费 衍 射 \begin{cases}近场衍射:菲涅尔衍射\\ 远场衍射:夫琅禾费衍射 \end{cases} {近场衍射:菲涅尔衍射远场衍射:夫琅禾费衍射
下面介绍夫琅禾费衍射
光波可以表示为 E e 2 π i ν t Ee^{2\pi i \nu t} Ee2πiνt, E E E为衍射屏上(光栅)的电场强度 ν \nu ν为频率
假设 E E E为常数,接受屏上一点 p p p的电场强度怎么表示?不同光沿不同的路径到达同一点 p p p,会产生怎样的叠加
波阵面上的各点,可以看做新的光源(惠更斯Huygens原理)
如图, x x x点处的场强大小为 d x dx dx处的场强 E 0 e 2 π i ν t d x E_0 e^{2\pi i \nu t}dx E0e2πiνtdx(一点的场强)
x x x点的光,到 p p p(经过距离为 r r r),相位改变多少(经过多少周期)
λ \lambda λ为波长,那么经过了 r λ \frac{r}{\lambda} λr个周期,改变相位为 2 π r λ \frac{2\pi r}{\lambda} λ2πr,所以 x x x点的电磁场到 p p p点处的电场为 d E = E 0 e 2 π i ν t e − 2 π i r / λ d x dE = E_0 e^{2\pi i \nu t} e^{-2\pi i r / \lambda} dx dE=E0e2πiνte−2πir/λdx
总电场为
E = ∫ E 0 e 2 π i ν t e − 2 π i r / λ d x = E 0 e 2 π i ν t ∫ e − 2 π i r / λ d x E = \int E_0 e^{2\pi i \nu t} e^{-2\pi i r / \lambda} dx = E_0 e^{2\pi i \nu t} \int e^{-2\pi i r / \lambda} dx E=∫E0e2πiνte−2πir/λdx=E0e2πiνt∫e−2πir/λdx
实际上看到的场强是 ∣ E ∣ |E| ∣E∣
引入Fraunhofer近似,假设 r ≫ x r \gg x r≫x
r 0 − x sin θ ≈ r r_0 - x \sin \theta \approx r r0−xsinθ≈r
代入积分得到
E = E 0 e 2 π i ν t ∫ e − 2 π i ( r 0 − x sin θ ) / λ d x = E 0 e 2 π i ν t e − 2 π i r 0 / λ ∫ e 2 π i x sin θ / λ d x \begin{aligned} E &= E_0 e^{2\pi i \nu t} \int e^{-2\pi i (r_0 - x\sin \theta) / \lambda} dx\\ &= E_0 e^{2\pi i \nu t} e^{-2\pi i r_0 /\lambda} \int e^{2\pi i x \sin \theta / \lambda}dx\end{aligned} E=E0e2πiνt∫e−2πi(r0−xsinθ)/λdx=E0e2πiνte−2πir0/λ∫e2πixsinθ/λdx
令 p = sin θ / λ p=\sin\theta / \lambda p=sinθ/λ,积分变为
E 0 e 2 π i ν t e − 2 π i r 0 / λ ∫ a p e r t u r e e 2 π i p x d x E_0 e^{2\pi i \nu t } e^{-2\pi i r_0 /\lambda} \int_{aperture} e^{2\pi i px }dx E0e2πiνte−2πir0/λ∫aperturee2πipxdx
引入孔径函数 A ( x ) = { 1 ,   x ∈ a p e r t u r e 0 ,   x ∉ a p e r t u r e A(x) = \begin{cases}1,\, x \in aperture \\ 0,\, x\notin aperture \end{cases} A(x)={1,x∈aperture0,x∈/aperture
后边的积分可以写成 ∫ − ∞ ∞ e 2 π i x p A ( x ) d x = F − 1 A ( p ) \int_{-\infty}^\infty e^{2\pi i xp}A(x) dx = \mathcal{F}^{-1} A(p) ∫−∞∞e2πixpA(x)dx=F−1A(p)
在物理学上记为 F A ( p ) \mathcal{F} A(p) FA(p)而不是 F − 1 A ( p ) \mathcal{F}^{-1} A(p) F−1A(p)(因为物理学上傅里叶和这里的相反)
结果就是说,远场衍射电场强度是孔径函数傅里叶变换的幅值
Example
a slit(狭缝),宽度为 a a a写成 Π a ( x ) \Pi_a(x) Πa(x)
接受屏的光强为 a   s i n c ( a sin θ λ ) = a   s i n c ( a p ) a \,sinc \left(\frac{a\sin \theta}{\lambda}\right)=a \,sinc(ap) asinc(λasinθ)=asinc(ap) p = sin θ λ p = \frac{\sin \theta}{\lambda} p=λsinθ
如果光阑尾一个点光源,则狭缝变为 δ \delta δ,接收屏是均匀亮度。这是对 δ \delta δ傅里叶变换的物理实验解释
另一个实验室杨氏双缝干涉实验(Young’s double-slit experiment)
孔径函数为 A ( x ) = Π a ( x − b 2 ) + Π a ( x + b 2 ) A(x) = \Pi_a\left(x - \frac{b}{2}\right) + \Pi_a\left(x + \frac{b}{2}\right) A(x)=Πa(x−2b)+Πa(x+2b)
其傅里叶变换为
a ( s i n c ( a p ) ) 2 cos ( π b p ) , p = sin θ λ a\left(sinc(ap) \right) 2\cos(\pi b p ),p = \frac{\sin\theta}{\lambda} a(sinc(ap))2cos(πbp),p=λsinθ
晶体成像
X射线1895年由伦琴(Roentgen)发现,它是波吗? 如果是,那么波长为10.8cm,太短,不好测量
晶体结构有原子结构组成,排列成晶格,劳厄(Max Von Laue)1912年做了一系列实验
他假设
1)X射线为波,可以进行衍射
2)晶体具有周期原子结构
3)原子间距和X射线波长相比拟
考虑一维的情况(一维晶体间距为p)
要研究晶体的电子云密度,晶体的电子云密度为单个原子电子密度的周期形式
ρ p ( x ) = ∑ k = − ∞ ∞ ρ ( x − k p ) \rho_p(x) = \sum_{k = -\infty}^\infty \rho(x - kp) ρp(x)=k=−∞∑∞ρ(x−kp)
晶体的衍射条纹是由 F ρ p \mathcal{F} \rho_p Fρp决定的,将 ρ p ( x ) \rho_p(x) ρp(x)写成卷积
ρ ( x − k p ) = ρ ( x ) ∗ δ ( x − k p ) \rho(x - kp) = \rho(x) * \delta(x - kp) ρ(x−kp)=ρ(x)∗δ(x−kp)
故
ρ p ( x ) = ∑ k = − ∞ ∞ ρ ( x ) ∗ δ ( x − k p ) = ρ ( x ) ∗ ∑ k = − ∞ ∞ δ ( x − k p ) \rho_p(x) = \sum_{k = -\infty}^\infty \rho(x) * \delta(x - kp)\\ =\rho(x) *\sum_{k = -\infty}^\infty \delta(x - kp) ρp(x)=k=−∞∑∞ρ(x)∗δ(x−kp)=ρ(x)∗k=−∞∑∞δ(x−kp)
使用(间隔为 p p p的 Ш Ш Ш(Shah)函数) Ш p ( x ) = ∑ k = − ∞ ∞ δ ( x − k p ) Ш_p(x) = \sum_{k = -\infty}^\infty \delta(x - kp) Шp(x)=k=−∞∑∞δ(x−kp)
故
ρ p ( x ) = ρ ( x ) ∗ Ш p ( x ) \rho_p (x) = \rho(x) *Ш_p(x) ρp(x)=ρ(x)∗Шp(x)
F ρ p = ( F p ) ( F Ш p ) \mathcal{F} \rho_p = (\mathcal{F} p)(\mathcal{F} Ш_p) Fρp=(Fp)(FШp)
问题是 F Ш p = ? \mathcal{F} Ш_p = ? FШp=?
让 p = 1 p=1 p=1, Ш ( x ) = ∑ k = − ∞ ∞ δ ( x − k ) Ш(x) = \sum_{k = -\infty}^\infty \delta(x - k) Ш(x)=∑k=−∞∞δ(x−k),这是一个有意义的分布,为什么
因为 < Ш , φ > = ∑ k = − ∞ ∞ φ ( k ) <Ш,\varphi> = \sum_{k = -\infty}^\infty\varphi(k) <Ш,φ>=∑k=−∞∞φ(k)收敛,所以 F Ш \mathcal{F}Ш FШ也有意义
F Ш = ∑ k = − ∞ ∞ F ( δ ( x − k ) ) = ∑ k = − ∞ ∞ e − 2 π i k s \mathcal{F} Ш = \sum_{k = -\infty}^\infty \mathcal{F} (\delta( x - k)) = \sum_{k = -\infty}^\infty e^{-2\pi i ks} FШ=k=−∞∑∞F(δ(x−k))=k=−∞∑∞e−2πiks
不符合一般的收敛,但对于分布仍然有意义
< F Ш , φ > = < Ш , F φ > = ∑ k = − ∞ ∞ F φ ( k ) <\mathcal{F}Ш,\varphi> = <Ш,\mathcal{F}\varphi> = \sum_{k = -\infty}^\infty\mathcal{F} \varphi(k) <FШ,φ>=<Ш,Fφ>=k=−∞∑∞Fφ(k)
引入泊松(poison)求和公式(后面证明)。 φ \varphi φ为速将函数,则
∑ k = − ∞ ∞ φ ( k ) = ∑ k = − ∞ ∞ F φ ( k ) \sum_{k = -\infty}^\infty \varphi(k) = \sum_{k = -\infty}^\infty \mathcal{F}\varphi(k) k=−∞∑∞φ(k)=k=−∞∑∞Fφ(k)
用这个来推导 F Ш \mathcal{F}Ш FШ
< F Ш , φ > = < Ш , F φ > = ∑ k = − ∞ ∞ F φ ( k ) = ∑ k = − ∞ ∞ φ ( k ) = < Ш , φ > <\mathcal{F}Ш,\varphi> = <Ш,\mathcal{F}\varphi> = \sum_{k = -\infty}^\infty\mathcal{F} \varphi(k) = \sum_{k = -\infty}^\infty \varphi(k) = <Ш,\varphi> <FШ,φ>=<Ш,Fφ>=k=−∞∑∞Fφ(k)=k=−∞∑∞φ(k)=<Ш,φ>
那么 F Ш p = ? \mathcal{F}Ш_p=? FШp=?
Ш p ( x ) = ∑ k = − ∞ ∞ δ ( x − k p ) = ∑ k = − ∞ ∞ δ ( p ( x p ) − k ) = 1 p ∑ k = − ∞ ∞ δ ( x p − k ) = 1 p Ш ( x p ) \begin{aligned} Ш_p(x)&=\sum_{k = -\infty}^\infty \delta(x - kp) = \sum_{k = -\infty}^\infty \delta \left(p\left(\frac{x}{p} \right) -k\right)\\ &=\frac{1}{p} \sum_{k = -\infty}^\infty \delta \left(\frac{x}{p} -k\right) = \frac{1}{p} Ш\left( \frac{x}{p}\right)\end{aligned} Шp(x)=k=−∞∑∞δ(x−kp)=k=−∞∑∞δ(p(px)−k)=p1k=−∞∑∞δ(px−k)=p1Ш(px)
F Ш p = 1 p F [ Ш ( x p ) ] = 1 p p ( F Ш ) ( p x ) = Ш ( p x ) \mathcal{F}Ш_p= \frac{1}{p}\mathcal{F}\left[Ш\left( \frac{x}{p}\right) \right]=\frac{1}{p} p (\mathcal{F}Ш)(px)=Ш(px) FШp=p1F[Ш(px)]=p1p(FШ)(px)=Ш(px)
Ш ( p x ) = ∑ k = − ∞ ∞ δ ( p x − k ) = 1 p ∑ k = − ∞ ∞ δ ( x − k p ) = 1 p Ш 1 p ( x ) Ш(px) = \sum_{k = -\infty}^\infty \delta(px-k) = \frac{1}{p} \sum_{k = -\infty}^\infty \delta(x - \frac{k}{p})=\frac{1}{p} Ш_{\frac{1}{p} }(x) Ш(px)=k=−∞∑∞δ(px−k)=p1k=−∞∑∞δ(x−pk)=p1Шp1(x)
即 F Ш p = 1 p Ш 1 p ( x ) \mathcal{F}Ш_p=\frac{1}{p} Ш_{\frac{1}{p} }(x) FШp=p1Шp1(x)
泊松(poison)等式的证明,
∑ k = − ∞ ∞ φ ( k ) = ∑ k = − ∞ ∞ F φ ( k ) \sum_{k = -\infty}^\infty \varphi(k) = \sum_{k = -\infty}^\infty \mathcal{F}\varphi(k) k=−∞∑∞φ(k)=k=−∞∑∞Fφ(k)
证明:
将 φ \varphi φ周期延拓(变成周期为1)
Φ ( x ) = ∑ k = − ∞ ∞ φ ( x − k ) \Phi(x) = \sum_{k = -\infty}^\infty \varphi(x - k) Φ(x)=k=−∞∑∞φ(x−k)
一方面
Φ ( 0 ) = ∑ k = − ∞ ∞ φ ( − k ) = ∑ k = − ∞ ∞ φ ( k ) \Phi(0) = \sum_{k = -\infty}^\infty \varphi( - k) = \sum_{k = -\infty}^\infty \varphi( k) Φ(0)=k=−∞∑∞φ(−k)=k=−∞∑∞φ(k)
另一方面,展开成傅里叶级数
Φ ( x ) = ∑ k = − ∞ ∞ Φ ^ ( k ) e 2 π i k x \Phi(x) = \sum_{k = -\infty}^\infty \widehat{\Phi}(k) e^{2\pi i kx} Φ(x)=k=−∞∑∞Φ (k)e2πikx
Φ ^ ( k ) = F φ ( k ) \widehat{\Phi}(k) =\mathcal{F} \varphi(k) Φ (k)=Fφ(k)
故 Φ ( x ) = ∑ k = − ∞ ∞ F φ ( k ) e 2 π i k x \Phi(x) = \sum_{k = -\infty}^\infty \mathcal{F} \varphi(k) e^{2\pi i kx} Φ(x)=k=−∞∑∞Fφ(k)e2πikx
得到
Φ ( 0 ) = ∑ k = − ∞ ∞ F φ ( k ) \Phi(0) = \sum_{k = -\infty}^\infty \mathcal{F} \varphi(k) Φ(0)=k=−∞∑∞Fφ(k)
因此poison等式成立
回头来看晶体
ρ p ( x ) = ρ ( x ) ∗ Ш p ( x ) \rho_p(x) = \rho(x) * Ш_p(x) ρp(x)=ρ(x)∗Шp(x)
F ρ p = ( F ρ ) ( 1 p Ш 1 p ) = 1 p F ρ ( x ) ∑ k = − ∞ ∞ δ ( x − k p ) = 1 p ∑ k = − ∞ ∞ ρ ( x ) δ ( x − k p ) = 1 p ∑ k = − ∞ ∞ ρ ( k p ) δ ( x − k p ) \begin{aligned} \mathcal{F} \rho_p &= \left(\mathcal{F} \mathcal{\rho}\right)\left(\frac{1}{p}Ш_{\frac{1}{p}} \right)\\ &=\frac{1}{p} \mathcal{F} \rho(x) \sum_{k = -\infty}^\infty \delta\left(x -\frac{k}{p} \right)\\ &=\frac{1}{p} \sum_{k = -\infty}^\infty \rho(x) \delta\left(x -\frac{k}{p} \right)\\ &=\frac{1}{p} \sum_{k = -\infty}^\infty \rho \left( \frac{k}{p}\right) \delta\left(x -\frac{k}{p} \right) \end{aligned} Fρp=(Fρ)(p1Шp1)=p1Fρ(x)k=−∞∑∞δ(x−pk)=p1k=−∞∑∞ρ(x)δ(x−pk)=p1k=−∞∑∞ρ(pk)δ(x−pk)
测量这些间隔,它和原子距离成反比
采样于差值 sampling and interpolation
一些性质(关于 Ш Ш Ш)
1)采样性质
f ( x ) Ш p ( x ) = ∑ k = − ∞ ∞ f ( k p ) δ ( x − k p ) f(x)Ш_p(x) = \sum_{k = -\infty}^\infty f(kp) \delta(x - kp) f(x)Шp(x)=k=−∞∑∞f(kp)δ(x−kp)
2)卷积性质
( f ∗ Ш p ) ( x ) = ∑ k = − ∞ ∞ f ( x − k p ) \left(f*Ш_p \right)(x)=\sum_{k = -\infty}^\infty f(x - kp) (f∗Шp)(x)=k=−∞∑∞f(x−kp)
3)傅里叶变换性质
F Ш p = 1 p Ш 1 p \mathcal{F}Ш_p = \frac{1}{p}Ш_{\frac{1}{p}} FШp=p1Шp1
F − 1 Ш p = 1 p Ш 1 p \mathcal{F}^{-1}Ш_p = \frac{1}{p}Ш_{\frac{1}{p}} F−1Шp=p1Шp1
建立内插值问题
我们需要对一组离散数据进行插值,需要一些假设
在相等时间间隔内进行采样,很多种插值的可能(或拟合),拐弯越多,越不可能
一种比较好的方法
假设:把高于某个值的频率去掉,把注意力投向满足这种性质的函数上
对于一个有限带宽函数 f ( t ) f(t) f(t),如果当 ∣ s ∣ > ≥ p / 2 |s|>\ge p/2 ∣s∣>≥p/2 , F f ( s ) = 0 \mathcal{F}f(s) = 0 Ff(s)=0,对于某个 p p p成立
最小的值 p p p称为带宽(傅里叶变换是对称的)
对于有限带宽信号,可以完全解决内差值问题
根据测量值或采样值就可以得到函数的公式,用 ( t k ) (t_k) (tk)表示采样值, Ш Ш Ш函数的三个性质是推导的基础
如果原函数频谱为带宽 p p p,通过卷积将其周期化
F f ∗ Ш p \mathcal{F} f *Ш_p Ff∗Шp
为了得到原函数的变换
Π p ( F f ∗ Ш p ) = F f \Pi_p (\mathcal{F} f *Ш_p ) = \mathcal{F} f Πp(Ff∗Шp)=Ff
进行反变换,得
f ( t ) = F − 1 ( Π p ( F f ∗ Ш p ) ) = ( F − 1 Π p ) ∗ F − 1 ( F f ∗ Ш p ) = p   s i n c ( p t ) ∗ [ ( f ) ( 1 p Ш 1 p ) ] \begin{aligned}f(t) &=\mathcal{F}^{-1} \left( \Pi_p (\mathcal{F} f *Ш_p ) \right)\\ &= (\mathcal{F}^{-1} \Pi_p ) * \mathcal{F}^{-1}(\mathcal{F} f *Ш_p)\\ &=p \,sinc(pt) * \left[(f)\left(\frac{1}{p}Ш_{\frac{1}{p}}\right) \right] \end{aligned} f(t)=F−1(Πp(Ff∗Шp))=(F−1Πp)∗F−1(Ff∗Шp)=psinc(pt)∗[(f)(p1Шp1)]
后面部分
1 p f Ш 1 p ( t ) = 1 p f ( t ) ∑ k = − ∞ ∞ δ ( t − k p ) = 1 p ∑ k = − ∞ ∞ f ( k p ) δ ( t − k p ) \frac{1}{p}fШ_{\frac{1}{p}}(t)=\frac{1}{p} f(t) \sum_{k = -\infty}^\infty\delta \left(t - \frac{k}{p}\right) =\frac{1}{p} \sum_{k = -\infty}^\infty f\left(\frac{k}{p}\right)\delta \left(t - \frac{k}{p}\right) p1fШp1(t)=p1f(t)k=−∞∑∞δ(t−pk)=p1k=−∞∑∞f(pk)δ(t−pk)
则得
f ( t ) = p   s i n c ( p t ) ∗ ( 1 p ∑ k = − ∞ ∞ f ( k p ) δ ( t − k p ) ) = s i n c ( p t ) ∗ ( ∑ k = − ∞ ∞ f ( k p ) δ ( t − k p ) ) = ∑ k = − ∞ ∞ f ( k p ) s i n c ( p t ) ∗ δ ( t − k p ) ( 卷 积 线 性 性 质 ) = ∑ k = − ∞ ∞ f ( k p ) s i n c ( p ( t − k p ) ) = ∑ k = − ∞ ∞ f ( k p ) s i n c ( p t − k ) \begin{aligned}f(t) &= p \,sinc(pt)* \left( \frac{1}{p} \sum_{k = -\infty}^\infty f\left(\frac{k}{p}\right)\delta \left(t - \frac{k}{p}\right) \right)\\ &=sinc(pt)*\left( \sum_{k = -\infty}^\infty f\left(\frac{k}{p}\right)\delta \left(t - \frac{k}{p}\right) \right)\\ &= \sum_{k = -\infty}^\infty f\left(\frac{k}{p}\right)sinc(pt)* \delta \left(t - \frac{k}{p}\right)(卷积线性性质) \\ &=\sum_{k = -\infty}^\infty f\left(\frac{k}{p}\right) sinc\left(p \left(t - \frac{k}{p}\right) \right) \\ &= \sum_{k = -\infty}^\infty f\left(\frac{k}{p}\right) sinc\left(pt - k\right)\end{aligned} f(t)=psinc(pt)∗(p1k=−∞∑∞f(pk)δ(t−pk))=sinc(pt)∗(k=−∞∑∞f(pk)δ(t−pk))=k=−∞∑∞f(pk)sinc(pt)∗δ(t−pk)(卷积线性性质)=k=−∞∑∞f(pk)sinc(p(t−pk))=k=−∞∑∞f(pk)sinc(pt−k)
这叫采样定理,也叫香农采样公式(Shannon sampling theorem)或者叫惠特克(Whittaker)采样公式
简单重述一遍
当 F f ( s ) = 0 , ∣ s ∣ ≥ p 2 \mathcal{F} f(s) = 0,|s| \ge \frac{p}{2} Ff(s)=0,∣s∣≥2p,即可得到
F f = Π p ( F f ∗ Ш p ) \mathcal{F} f =\Pi_p (\mathcal{F} f *Ш_p ) Ff=Πp(Ff∗Шp)
f ( t ) = ∑ k = − ∞ ∞ f ( k p ) s i n c ( p t − k ) f(t) = \sum_{k = -\infty}^\infty f\left(\frac{k}{p}\right) sinc\left(pt - k\right) f(t)=k=−∞∑∞f(pk)sinc(pt−k)
就是说,频域中的周期化,转化成了时域中的采样 k / p k/p k/p为采样点,称 p p p为采样速率
p(每秒采样p次)
可以称为奈奎斯特(Nyquist)速率,p能够改变,仍然成立(p变得更大依然成立),如果p降低,结构就不正确,因为频谱重叠。插值依靠无限点,对于实际应用则采光近似,当然有误差
一个信号不可能同时在频域和时域都受限制,即不可能都是紧集
证明:
F f ( s ) ≡ 0 , ∣ s ∣ ≥ p 2 \mathcal{F} f(s) \equiv 0,|s| \ge \frac{p}{2} Ff(s)≡0,∣s∣≥2p,那么 f ( t ) ̸ ≡ 0 , ∀ t > ∣ T ∣ f(t) \not{\equiv} 0,\forall t > |T| f(t)̸≡0,∀t>∣T∣
因为
F f = Π p ( F f ) \mathcal{F} f = \Pi_p (\mathcal{F} f) Ff=Πp(Ff)
f ( t ) = F − 1 F f = p   s i n c ( p t ) ∗ f ( t ) = p ∫ − ∞ ∞ s i n c ( p t − p x ) f ( x ) d x f(t) = \mathcal{F}^{-1} \mathcal{F} f=p \,sinc (pt) * f(t)\\ = p \int_{-\infty}^\infty sinc(pt - px) f(x) dx f(t)=F−1Ff=psinc(pt)∗f(t)=p∫−∞∞sinc(pt−px)f(x)dx
因为 s i n c sinc sinc无限长,故不能为0
接下来探讨混叠和插值关系
f ( t ) f(t) f(t)受限, F f ( s ) = 0 , ∣ s ∣ ≥ p / 2 , F f ≡ Π p ( F f ∗ Ш p ) \mathcal{F}f(s) = 0,|s| \ge p/2, \mathcal{F} f \equiv \Pi_p( \mathcal{F} f *Ш_p ) Ff(s)=0,∣s∣≥p/2,Ff≡Πp(Ff∗Шp)
如果采样速率 p p p取得太小,可以构造 F f ∗ Ш p \mathcal{F} f *Ш_p Ff∗Шp,但会产生重叠
记 g g g为采样速率过小,得到的原函数
g ( t ) = ∑ k = − ∞ ∞ f ( k p ′ ) s i n c ( p ′ ( t − k p ′ ) ) g(t) = \sum_{k = -\infty}^\infty f\left( \frac{k}{p'} \right) sinc\left(p' \left( t - \frac{k}{p'}\right) \right) g(t)=k=−∞∑∞f(p′k)sinc(p′(t−p′k))
g g g和 f f f虽然不相等,但是 g ( k p ′ ) = f ( k p ′ ) g\left( \frac{k}{p'} \right) = f\left( \frac{k}{p'} \right) g(p′k)=f(p′k)
因为
g ( m p ′ ) = ∑ k = − ∞ ∞ f ( k p ′ ) s i n c ( m − k ) g\left(\frac{m}{p'} \right) = \sum_{k = -\infty}^\infty f\left(\frac{k}{p'} \right) sinc(m - k) g(p′m)=k=−∞∑∞f(p′k)sinc(m−k)
而
s i n c ( m − k ) = { 0 ,   m ≠ k 1 ,   m = k sinc(m-k)=\begin{cases}0,\,m\ne k\\ 1,\, m = k \end{cases} sinc(m−k)={0,m̸=k1,m=k
所以 g ( k p ′ ) = f ( k p ′ ) g\left( \frac{k}{p'} \right) = f\left( \frac{k}{p'} \right) g(p′k)=f(p′k)
说 g g g为 f f f的混叠
Example
f ( t ) = cos ( 9 π 2 t ) f(t) = \cos(\frac{9\pi}{2} t) f(t)=cos(29πt)
F f = 1 2 ( δ ( s + 9 4 ) + δ ( s − 9 4 ) ) \mathcal{F} f=\frac{1}{2} \left(\delta\left(s +\frac{9}{4} \right)+\delta\left(s -\frac{9}{4} \right) \right) Ff=21(δ(s+49)+δ(s−49))
要取 p > 9 2 p>\frac{9}{2} p>29才能 与 Ш p Ш_p Шp卷积不重叠,如果 p p p太小,比如 p = 1 p=1 p=1
那么 Π 1 ( F f ∗ Ш 1 ) = Π 1 ( 1 2 ( δ ( s + 9 4 ) + δ ( s − 9 4 ) ) ∗ Ш 1 ) = 1 2 ( δ ( s + 1 4 ) + δ ( s − 1 4 ) ) \begin{aligned}\Pi_1\left(\mathcal{F}f * Ш_1 \right)&=\Pi_1\left(\frac{1}{2} \left(\delta\left(s +\frac{9}{4} \right)+\delta\left(s -\frac{9}{4} \right) \right) * Ш_1 \ \right)\\ &=\frac{1}{2} \left(\delta\left(s +\frac{1}{4} \right)+\delta\left(s -\frac{1}{4} \right) \right) \end{aligned} Π1(Ff∗Ш1)=Π1(21(δ(s+49)+δ(s−49))∗Ш1 )=21(δ(s+41)+δ(s−41))
做逆变换 F − 1 Π 1 ( F f ∗ Ш 1 ) = 1 2 F − 1 ( δ ( s + 1 4 ) + δ ( s − 1 4 ) ) = cos ( π t 2 ) \begin{aligned} \mathcal{F}^{-1} \Pi_1 \left( \mathcal{F}f * Ш_1 \right) &=\frac{1}{2}\mathcal{F}^{-1} \left(\delta\left(s +\frac{1}{4} \right)+\delta\left(s -\frac{1}{4} \right) \right)\\ &=\cos\left(\frac{\pi t}{2}\right) \end{aligned} F−1Π1(Ff∗Ш1)=21F−1(δ(s+41)+δ(s−41))=cos(2πt)
当 t ∈ Z t\in \mathbb{Z} t∈Z时, cos ( π t 2 ) = cos ( 9 4 π t ) \cos\left(\frac{\pi t}{2}\right) = \cos\left(\frac{9}{4}\pi t\right) cos(2πt)=cos(49πt)
音乐上的采样,离散变换
人类大概能听上限为20000Hz的声音。采样频率超过 40000 H z 40000Hz 40000Hz的速率的声音,人就分不出差别。实际上CD的采样速率为 44.1 k H z > 40000 H z 44.1kHz>40000Hz 44.1kHz>40000Hz
混叠(低频成分变成高频成分,高频变低频的重叠)
从连续向离散DFT(离散傅里叶变换)过度
三部分
f ( t ) f(t) f(t)是连续的
1)合理的离散逼近 f ( t ) f(t) f(t)
2)合理的离散啊傅里叶变换
3)找到一种从 f f f的离散形式到傅里叶变换的离散变换
将它建立在采样的"换用"上
做一些假设
f ( t ) f(t) f(t)有限,限制在 0 ≤ t ≤ L 0\le t \le L 0≤t≤L
F f ( s ) \mathcal{F}f(s) Ff(s)限制在 0 ≤ s ≤ 2 B 0 \le s \le 2 B 0≤s≤2B(之所以是2B而不是B是为了索引方便)
区间外的值忽略不计
为了得到一个可靠的近似(离散近似),以 1 2 B \frac{1}{2B} 2B1的间隔进行采样(频率为2B)
取采样点为 N = 2 B L N = 2BL N=2BL,样本 t 0 = 0 , t 1 = 1 2 B , ⋯   , t N − 1 = N − 1 2 B t_0 = 0,t_1 = \frac{1}{2B},\cdots,t_{N-1} = \frac{N-1}{2B} t0=0,t1=2B1,⋯,tN−1=2BN−1,共N个点
采样结果为
f d i s c r e t e = f ( t ) ∑ k = 0 N − 1 δ ( t − t k ) = ∑ k = 0 N − 1 f ( t k ) δ ( t − t k ) f_{discrete}=f(t) \sum_{k = 0}^{N- 1}\delta(t-t_k)= \sum_{k = 0}^{N- 1} f(t_k)\delta(t-t_k) fdiscrete=f(t)k=0∑N−1δ(t−tk)=k=0∑N−1f(tk)δ(t−tk)
它的傅里叶变换是
F f d i s c r e t e = ∑ k = 0 N − 1 f ( t k ) e − 2 π i s t k \mathcal{F} f_{discrete} = \sum_{k = 0}^{N- 1}f(t_k) e^{-2\pi i st_k} Ffdiscrete=k=0∑N−1f(tk)e−2πistk
仍为连续函数,怎么得到离散点。怎样在频域采样
对频域以 1 L \frac{1}{L} L1的间隔采样,共 2 B L = N 2BL=N 2BL=N个点
s 0 = 0 , s 1 = 1 L , ⋯   , s N − 1 = N − 1 L s_0 = 0,s_1 = \frac{1}{L},\cdots, s_{N-1} = \frac{N - 1}{L} s0=0,s1=L1,⋯,sN−1=LN−1
( F f d i s c r e t e ) ∑ k = 0 N − 1 δ ( s − s k ) = ( ∑ k = 0 N − 1 f ( t k ) e − 2 π i s t k ) ( ∑ k = 0 N − 1 δ ( s − s k ) ) = ∑ k , m = 0 N − 1 f ( t k ) e − 2 π i s m t k δ ( s − s m ) (\mathcal{F} f_{discrete}) \sum_{k = 0}^{N- 1} \delta(s - s_k) = \left(\sum_{k = 0}^{N- 1}f(t_k) e^{-2\pi i st_k}\right)\left( \sum_{k = 0}^{N- 1} \delta(s - s_k) \right)\\ =\sum_{k,m = 0}^{N- 1} f(t_k) e^{-2\pi i s_mt_k} \delta(s - s_m) (Ffdiscrete)k=0∑N−1δ(s−sk)=(k=0∑N−1f(tk)e−2πistk)(k=0∑N−1δ(s−sk))=k,m=0∑N−1f(tk)e−2πismtkδ(s−sm)
定这些值为
F ( s m ) = ∑ k = 0 N − 1 f ( t k ) e − 2 π i s m t k , m = 0 , ⋯   , N − 1 F(s_m)=\sum_{k=0}^{N-1} f(t_k) e^{-2\pi i s_m t_k},m=0,\cdots,N-1 F(sm)=k=0∑N−1f(tk)e−2πismtk,m=0,⋯,N−1
把这些点,作为 F f \mathcal{F} f Ff的近似,准确来说是 F f d i s c r e t e \mathcal{F} f_{discrete} Ffdiscrete的近似。
它也是连续傅里叶变换的离散形式(积分近似和归一化系数),解释如下
首先依照傅里叶变换 F f ( s ) ∫ 0 L e − 2 π i s t f ( t ) d t \mathcal{F} f(s) \int_0^L e^{-2\pi i st} f(t) dt Ff(s)∫0Le−2πistf(t)dt
也就有
F f ( s m ) ∫ 0 L e − 2 π i s m t f ( t ) d t \mathcal{F} f(s_m) \int_0^L e^{-2\pi i s_mt} f(t) dt Ff(sm)∫0Le−2πismtf(t)dt
利用积分的黎曼和近似
F f ( s m ) = ∫ 0 L e − 2 π i s m t f ( t ) d t ≈ ∑ k = 0 N − 1 f ( t k ) e − 2 π i s m t k Δ t = 1 2 B ∑ k = 0 N − 1 f ( t k ) e − 2 π i s m t k = 1 2 B F ( s m ) \begin{aligned} \mathcal{F} f(s_m) &=\int_0^L e^{-2\pi i s_mt} f(t) dt\approx \sum_{k=0}^{N-1}f(t_k)e^{-2\pi i s_mt_k} \Delta t \\ &= \frac{1}{2B} \sum_{k=0}^{N-1}f(t_k)e^{-2\pi i s_mt_k} = \frac{1}{2B} F(s_m)\end{aligned} Ff(sm)=∫0Le−2πismtf(t)dt≈k=0∑N−1f(tk)e−2πismtkΔt=2B1k=0∑N−1f(tk)e−2πismtk=2B1F(sm)
为了方便,用索引代替变量 ,我们记
f = ( f [ 0 ] , ⋯   , f [ N − 1 ] ) f = (f[0],\cdots,f[N-1]) f=(f[0],⋯,f[N−1])
F = ( F [ 0 ] , ⋯   , F [ N − 1 ] ) F=(F[0],\cdots,F[N-1]) F=(F[0],⋯,F[N−1])
回顾连续的情况,时域和频域的情况,一个分散,另一个就聚集,反之亦然。在离散的情况,也是类似的。N个抽样点 t 0 , ⋯   , t N − 1 t_0,\cdots,t_{N-1} t0,⋯,tN−1,间隔为 Δ t \Delta t Δt
同样在时域 s 0 , ⋯   , s N − 1 s_0,\cdots,s_{N-1} s0,⋯,sN−1间隔为 Δ s \Delta s Δs
{ N Δ t = L N Δ s = 2 B 2 B L = N ⇒ Δ t Δ s = 1 N \begin{cases}N\Delta t = L \\ N\Delta s = 2B\\ 2BL=N \end{cases} \Rightarrow \Delta t \Delta s = \frac{1}{N} ⎩⎪⎨⎪⎧NΔt=LNΔs=2B2BL=N⇒ΔtΔs=N1
如果采样时确定 Δ t \Delta t Δt和 N N N,么 Δ s \Delta s Δs也就确定了。即频域的分辨率的精度确定,好坏由 Δ t \Delta t Δt和 N N N确定
我们让离散情况的公式与连续的情况相似
将展示复指数也源于离散信号(复指数向量)
记
ω = ( 1 , e 2 π i / N , e 2 π i 2 / N , ⋯   , e 2 π i ( N − 1 ) / N ) , ω [ m ] = e 2 π i m / N \omega = (1,e^{2\pi i /N},e^{2\pi i 2/N},\cdots,e^{2\pi i (N-1)/N}),\omega[m] = e^{2\pi i m/N} ω=(1,e2πi/N,e2πi2/N,⋯,e2πi(N−1)/N),ω[m]=e2πim/N
定义 ω \omega ω的幂次
ω n = ( 1 , e 2 π i n / N , e 2 π i 2 n / N , ⋯   , e 2 π i n ( N − 1 ) / N ) \omega^n = (1,e^{2\pi i n/N},e^{2\pi i 2n/N},\cdots,e^{2\pi i n(N-1)/N}) ωn=(1,e2πin/N,e2πi2n/N,⋯,e2πin(N−1)/N)
我们可以把DFT记为
F f [ m ] = ∑ n = 1 N − 1 f [ n ] ω − n [ m ] \mathcal{F} f[m] = \sum_{n = 1}^{N- 1} f[n] \omega^{-n} [m] Ff[m]=n=1∑N−1f[n]ω−n[m]
或者
F f = ∑ n = 1 N − 1 f [ n ] ω − n \mathcal{F} f= \sum_{n = 1}^{N- 1} f[n] \omega^{-n} Ff=n=1∑N−1f[n]ω−n
有些需要注意
1)输入和输出的周期(后面介绍)
连续和离散的情况还是要注意的。DFT的定义迫使我们把输入 f f f和输出 F F F不仅作为 0 − N 0-N 0−N的离散数值,而是周期为N的离散函数。这是因为 ω \omega ω本身是周期为N的复向量
2)离散复指数的正交性
如果 k ≠ l k\ne l k̸=l,则 ω k \omega^k ωk和 ω l \omega^l ωl正交
ω k ⋅ ω l = ∑ n = 0 N − 1 ω k [ n ] ω l [ n ] ‾ = ∑ n = 0 N − 1 e 2 π i k n / N e − 2 π i l n / N = ∑ n = 0 N − 1 e 2 π i ( k − l ) n / N = 1 − ( e 2 π i ( k − l ) / N ) N 1 − e 2 π i ( k − l ) / N = 0 \begin{aligned}\omega^k \cdot \omega^l &= \sum_{n=0}^{N-1}\omega^k[n] \overline{\omega^l[n]}\\ &=\sum_{n=0}^{N-1} e^{2\pi i k n /N} e^{-2\pi i ln/N}\\ &=\sum_{n=0}^{N-1} e^{2\pi i (k - l)n/N}\\ &=\dfrac{1-\left(e^{2\pi i (k - l)/N} \right)^N}{1 - e^{2\pi i (k - l)/N}} \\ &= 0 \end{aligned} ωk⋅ωl=n=0∑N−1ωk[n]ωl[n]=n=0∑N−1e2πikn/Ne−2πiln/N=n=0∑N−1e2πi(k−l)n/N=1−e2πi(k−l)/N1−(e2πi(k−l)/N)N=0
∣ ω k ∣ 2 = N |\omega^k|^2=N ∣ωk∣2=N,不是标准正交的,许多公式引入 N N N和 1 N \frac{1}{N} N1就是因为这个
DFT逆变换
F − 1 F = 1 N ∑ n = 0 N − 1 f [ n ] ω n \mathcal{F}^{-1} F = \frac{1}{N} \sum_{n = 0}^{N - 1} f[n] \omega^n F−1F=N1n=0∑N−1f[n]ωn
必须证明 F F − 1 f = f , F − 1 F f = f \mathcal{F}\mathcal{F}^{-1} f = f,\mathcal{F}^{-1}\mathcal{F}f = f FF−1f=f,F−1Ff=f
直接利用对应的公式代入就可以证明
离散傅里叶变换及其性质
将离散和连续的情况联系(不同的地方比相同的要少)
特殊情形
F f [ 0 ] = ∑ n = 0 N − 1 f [ k ] ω − n [ 0 ] = ∑ n = 0 N − 1 f [ k ] \mathcal{F} f[0] = \sum_{n = 0}^{N- 1} f[k] \omega^{-n} [0] = \sum_{n = 0}^{N- 1}f[k] Ff[0]=n=0∑N−1f[k]ω−n[0]=n=0∑N−1f[k]
F f ( 0 ) = ∫ − ∞ ∞ f ( t ) d t \mathcal{F} f(0) = \int_{-\infty}^\infty f(t) d t Ff(0)=∫−∞∞f(t)dt
两个特殊信号
一个是 1 = ( 1 , ⋯   , 1 ) \mathcal{1}=(1,\cdots,1) 1=(1,⋯,1)
另一个是离散 δ \delta δ函数 δ 0 = ( 1 , 0 , ⋯   , 0 ) \delta_0 = (1,0,\cdots,0) δ0=(1,0,⋯,0), δ k = ( 0 , ⋯   , 1 , 0 , ⋯   , 1 ) \delta_k = (0,\cdots,1,0,\cdots,1) δk=(0,⋯,1,0,⋯,1)第k个位置为1
F δ 0 = ∑ n = 0 N − 1 δ 0 [ n ] ω − n = ( 1 , 1 , ⋯   , 1 ) = 1 \mathcal{F} \delta_0 = \sum_{n = 0}^{N- 1} \delta_0 [n] \omega^{-n} = (1,1,\cdots,1) = \mathcal{1} Fδ0=n=0∑N−1δ0[n]ω−n=(1,1,⋯,1)=1
和 连续的情形一样,同样
F δ k = ∑ n = 0 N − 1 δ k [ n ] ω − n = ω − k \mathcal{F} \delta_k = \sum_{n = 0}^{N- 1} \delta_k[n] \omega^{-n}=\omega^{-k} Fδk=n=0∑N−1δk[n]ω−n=ω−k
F ω k = N δ k \mathcal{F} \omega^k = N\delta_k Fωk=Nδk
和连续的差了一个系数N
从稍微不同的角度了解DFT。将DFT看做一个矩阵矩阵变换,即乘以一个矩阵
F f ] n ] = ∑ n = 0 N − 1 f [ n ] ω − n [ m ] \mathcal{F} f]n] = \sum_{n = 0}^{N- 1} f[n] \omega^{-n} [m] Ff]n]=n=0∑N−1f[n]ω−n[m]
写成矩阵形式为
[ F f [ 0 ] F f [ 1 ] ⋮ F f [ N − 1 ] ] = [ 1 1 ⋯ 1 1   ω − 1 ⋯ ω − ( N − 1 ) ⋮ ⋮ ⋱ ⋮ 1 ω − ( N 1 ) ⋯ ω − ( N − 1 ) ( N − 1 ) ] [ f [ 0 ] ⋮ f [ N − 1 ] ] \begin{bmatrix} \mathcal{F} f[0]\\\mathcal{F} f[1]\\ \vdots\\\mathcal{F} f[N-1]\\ \end{bmatrix} = \begin{bmatrix} &1 &1 &\cdots &1 \\ &1\, &\omega^{-1} &\cdots &\omega^{-(N-1)} \\ &\vdots &\vdots &\ddots &\vdots \\ &1 &\omega^{-(N_1)} &\cdots &\omega^{-(N-1)(N-1)} \end{bmatrix} \begin{bmatrix} f[0]\\ \vdots \\ f[N-1] \end{bmatrix} ⎣⎢⎢⎢⎡Ff[0]Ff[1]⋮Ff[N−1]⎦⎥⎥⎥⎤=⎣⎢⎢⎢⎡11⋮11ω−1⋮ω−(N1)⋯⋯⋱⋯1ω−(N−1)⋮ω−(N−1)(N−1)⎦⎥⎥⎥⎤⎣⎢⎡f[0]⋮f[N−1]⎦⎥⎤
F H F = F F H = N I \mathcal{F}^H \mathcal{F} = \mathcal{F} \mathcal{F} ^H = NI FHF=FFH=NI
所以 F − 1 = 1 N F H \mathcal{F} ^{-1}= \frac{1}{N}\mathcal{F} ^H F−1=N1FH
计算需要 O ( N 2 ) O(N^2) O(N2)次运算。有没有更快的算法? 有的,那就是FFT(后面讨论)
讨论DFT的性质
必须考虑DFT 的输入和输出具有周期N,这是由于 ω \omega ω的周期性。因为可以看成一系列 ω \omega ω的次数相加(线性组合),在连续情况下是没有限制的
①周期性简单但有用的结果是索引的独立性(即无需考虑索引),从哪个位置开始都可以
②对偶性,定义反转信号 f − [ n ] = f [ − n ] f^-[n] = f[-n] f−[n]=f[−n]
则
F ( f − ) = ( F f ) − \mathcal{F}(f^-) = (\mathcal{F}f)^- F(f−)=(Ff)−
F F f = N f − \mathcal{F}\mathcal{F}f = Nf^- FFf=Nf−
和连续不一样多了个N
FFT(Fast Fourier Transform)的主要思想
事实上存在一系列的FFT,针对不同的问题而设计
时间复杂度的降低 O ( n 2 ) ⟶ O ( n l o g n ) O(n^2) \longrightarrow O(nlogn) O(n2)⟶O(nlogn)
主要发觉DFT矩阵的特征(复指数的特征)
一种精就是将DFT矩阵鞋好吃呢跟另外一种一些列简单矩阵(有许多0)
通过原始公式推导
F f [ m ] = ∑ n = 0 N − 1 f [ n ] ω − n m \mathcal{F} f[m] = \sum_{n = 0}^{N-1} f[n] \omega^{-nm} Ff[m]=n=0∑N−1f[n]ω−nm
把和分成奇偶指数形式,是为了将一个N阶DFT写成两个N/2DFT的组合
①假设N为2的幂次(当不是的时候,有一些方法处理,比如0填充)
用 ω [ p , q ] \omega[p,q] ω[p,q]表示 e 2 π i q / p e^{2\pi i q/p} e2πiq/p
ω [ p , q 1 + q 2 ] = ω [ p , q 1 ] + ω [ p , q 2 ] \omega[p,q_1+q_2]=\omega[p,q_1]+\omega[p,q_2] ω[p,q1+q2]=ω[p,q1]+ω[p,q2]
ω [ N , − n m ] = ω − n m = e − 2 π i n m / N \omega[N,-nm] = \omega^{-nm}=e^{-2\pi i nm/N} ω[N,−nm]=ω−nm=e−2πinm/N
ω [ N 2 , − n m ] = e − 2 π i n m / ( N / 2 ) = ω [ N , − 2 n m ] \omega\left[\frac{N}{2},-nm\right] = e^{-2\pi i n m / (N/2)} = \omega[N,-2nm] ω[2N,−nm]=e−2πinm/(N/2)=ω[N,−2nm]
ω [ N , − ( 2 n + 2 ) m ] = ω [ N , − 2 n m − m ] = ω [ N , − 2 n m ] ω [ N , − m ] = ω [ N 2 , − n m ] ω [ N , − m ] \begin{aligned}\omega[N,-(2n+2)m]&=\omega[N,-2nm-m] \\ &=\omega[N,-2nm]\omega[N,-m] \\ &=\omega\left[\frac{N}{2},-nm\right] \omega[N,-m]\end{aligned} ω[N,−(2n+2)m]=ω[N,−2nm−m]=ω[N,−2nm]ω[N,−m]=ω[2N,−nm]ω[N,−m]
把这些代入原公式
F f [ m ] = ∑ n = 0 N − 1 f [ n ] ω [ N , − n m ] = ( e v e n   p a r t ) + ( o d d   p a r t ) = ∑ n = 0 N 2 − 1 f [ 2 n ] ω [ N , − 2 n m ] + ∑ n = 0 N 2 − 1 f [ 2 n + 1 ] ω [ N , − ( 2 n + 1 ) m ] = ∑ n = 0 N 2 − 1 f [ 2 n ] ω [ N 2 , − n m ] + ∑ n = 0 N 2 − 1 f [ 2 n + 1 ] ω [ N 2 , − n m ] ω [ N , − m ] ⎵ i n d e p e n d e n t   o f   n = ∑ n = 0 N 2 − 1 f [ 2 n ] ω [ N 2 , − n m ] + ω [ N , − m ] ∑ n = 0 N 2 − 1 f [ 2 n + 1 ] ω [ N 2 , − n m ] \begin{aligned}\mathcal{F}f[m] &= \sum_{n = 0} ^{N - 1} f[n] \omega[N,-nm]\\ &=(even\, part) + (odd\, part)\\ &=\sum_{n = 0}^{\frac{N}{2}-1} f[2n] \omega[N,-2nm] +\sum_{n = 0}^{\frac{N}{2}-1} f[2n+1] \omega[N,-(2n+1)m]\\ &=\sum_{n = 0}^{\frac{N}{2}-1} f[2n] \omega\left[\frac{N}{2},-nm\right] + \sum_{n = 0}^{\frac{N}{2}-1} f[2n+1]\omega\left[\frac{N}{2},-nm\right] \underbrace{\omega[N,-m]}_{independent\,of\,n}\\ &=\sum_{n = 0}^{\frac{N}{2}-1}f[2n] \omega\left[\frac{N}{2},-nm\right] + \omega[N,-m]\sum_{n = 0}^{\frac{N}{2}-1} f[2n+1]\omega\left[\frac{N}{2},-nm\right] \end{aligned} Ff[m]=n=0∑N−1f[n]ω[N,−nm]=(evenpart)+(oddpart)=n=0∑2N−1f[2n]ω[N,−2nm]+n=0∑2N−1f[2n+1]ω[N,−(2n+1)m]=n=0∑2N−1f[2n]ω[2N,−nm]+n=0∑2N−1f[2n+1]ω[2N,−nm]independentofn ω[N,−m]=n=0∑2N−1f[2n]ω[2N,−nm]+ω[N,−m]n=0∑2N−1f[2n+1]ω[2N,−nm]
最后式子可以看成两部分分别做傅里叶变换
到这里还不能减少计算量,通过分析发现前 N / 2 N/2 N/2项和后 N / 2 N/2 N/2项重复计算
当 m ≤ N 2 − 1 m \le \frac{N}{2} - 1 m≤2N−1
F N f [ m ] = F N / 2 f e v e n [ m ] + ω [ N , − m ] F N / 2 f o d d [ m ] \mathcal{F}_N f[m] = \mathcal{F}_{N/2}f_{even}[m] + \omega[N,-m] \mathcal{F}_{N/2} f_{odd}[m] FNf[m]=FN/2feven[m]+ω[N,−m]FN/2fodd[m]
当 m > N 2 − 1 m > \frac{N}{2} - 1 m>2N−1,记为 m + N 2 m+\frac{N}{2} m+2N
F N f [ m + N 2 ] = ∑ n = 0 N 2 − 1 f [ 2 n ] ω [ N 2 , − n ( m + N 2 ) ] + ω [ N , − ( m + N 2 ) ] ∑ n = 0 N 2 − 1 f [ 2 n + 1 ] ω [ N 2 , − n ( m + N 2 ) ] \begin{aligned}\mathcal{F}_N f\left[m + \frac{N}{2}\right] &= \sum_{n = 0}^{\frac{N}{2}-1} f[2n] \omega\left[\frac{N}{2} ,-n\left(m+\frac{N}{2}\right) \right] \\ &+\omega\left[N,- \left(m+\frac{N}{2}\right) \right]\sum_{n = 0}^{\frac{N}{2}-1} f[2n+1] \omega\left[\frac{N}{2} ,-n\left(m+\frac{N}{2}\right) \right]\end{aligned} FNf[m+2N]=n=0∑2N−1f[2n]ω[2N,−n(m+2N)]+ω[N,−(m+2N)]n=0∑2N−1f[2n+1]ω[2N,−n(m+2N)]
而由于 ω [ N 2 , − ( − n N 2 ) ] = 1 \omega \left[\frac{N}{2},-\left(\frac{-nN}{2} \right) \right] = 1 ω[2N,−(2−nN)]=1,以及
ω [ N , − n ( m + N 2 ) ] = − ω [ N , − m ] \omega\left[N ,-n\left(m+\frac{N}{2}\right) \right] = -\omega[N,-m] ω[N,−n(m+2N)]=−ω[N,−m]
得到
F N f [ m + N 2 ] = ∑ n = 0 N 2 − 1 f [ 2 n ] ω [ N 2 , − n m ] − ω [ N , − m ] ∑ n = 0 N 2 − 1 f [ 2 n + 1 ] [ N 2 , − n m ] \mathcal{F}_N f\left[m + \frac{N}{2}\right] = \sum_{n = 0}^{\frac{N}{2}-1} f[2n] \omega \left[\frac{N}{2},-nm\right]-\omega[N,-m] \sum_{n = 0}^{\frac{N}{2}-1}f[2n+1] \left[\frac{N}{2},-nm\right] FNf[m+2N]=n=0∑2N−1f[2n]ω[2N,−nm]−ω[N,−m]n=0∑2N−1f[2n+1][2N,−nm]
也就是 F N f [ m + N 2 ] = F N / 2 f e v e n [ m ] − ω [ N , − m ] F N / 2 f o d d [ m ] \mathcal{F}_N f\left[m + \frac{N}{2}\right] = \mathcal{F}_{N/2}f_{even}[m] - \omega[N,-m] \mathcal{F}_{N/2} f_{odd}[m] FNf[m+2N]=FN/2feven[m]−ω[N,−m]FN/2fodd[m]
傅里叶变换及其应用笔记(part 1)相关推荐
- 【近万字】分数傅里叶变换课程学习笔记
学习自"课堂在线"平台,北京理工大学陶然教授的课程视频,讲解的非常详细全面,数学公式推导都有,以下为学习笔记,仅记录要点部分. 注:学习此课程,按重要程度排序,需要有信号与系统.数 ...
- 快速傅里叶变换 FFT 学习笔记
文章目录 FFT ( 快速傅里叶变换 ) 学习笔记 参考文章: 多项式 系数表示法 点值表示法 复数 前置芝士 向量 弧度制 定义 运算法则 单位根 快速傅里叶变换: 快速傅里叶逆变换 (IFFT): ...
- 【文文殿下】快速傅里叶变换(FFT)学习笔记
多项式 定义 形如\(A(x)=\sum_{i=0}^{n-1} a_i x^i\)的式子称为多项式. 我们把\(n\)称为该多项式的次数界. 显然,一个\(n-1\)次多项式的次数界为\(n\). ...
- 傅里叶级数、傅里叶变换、量子傅里叶变换(学习笔记)
量子傅里叶变换 一开始看到这个题目我是这样的: 然后我开始了有关傅里叶变换的学习,我从某站上面截了一张图:顺便附上某站的链接,视觉上很享受. 形象展示傅里叶变换 一.傅里叶级数 在开始这一个部分 ...
- FFT(快速傅里叶变换)学习笔记
简介 FFTFFTFFT (法法塔)是个什么玩意?他的全名叫快速傅里叶变换(然而貌似和傅里叶并没有太大关系),用来快速求出多项式的点值表示,这个东西一般用来解决多项式相乘的问题. 一般的高精度乘法,我 ...
- 傅里叶变换及其应用笔记(part 2)
目录 线性系统 线性不变系统 高维傅里叶变换 高维傅里叶变换位移和缩放性质 高维$Ш$函数,晶格和晶体学 二维傅里叶变换在医学图像中的应用 拉东(Radon)变换及其反变换 线性系统 冲击响应和传递函 ...
- 快速傅里叶变换学习笔记(更新中)
快速傅里叶变换(FFT)学习笔记 简介 快速傅里叶变换($ \rm Fast Fourier Transformation $), 简称 \(\rm FFT\), 用于在 $ \Theta(n\log ...
- 【算法竞赛学习笔记】快速傅里叶变换FFT-数学提高计划
tilte : 快速傅里叶变换FFT学习笔记 tags : ACM,数论 date : 2021-7-18 简介 FFT(Fast Fourier Transformation),中文名快速傅里叶变换 ...
- 谱分析——连续傅里叶变换
傅里叶变换(连续谱) [!] 以下笔记内容可能会出现部分错误的地方,恳请各位师生批评指正,谢谢! 部分内容摘录自Wiki 主要内容 连续傅里叶变换 连续傅里叶变换的性质 连续傅里叶变换 傅里叶变换源自 ...
最新文章
- CSP 202006-1 线性分类器 python实现+详解
- 神经正切核,深度学习理论研究的最新热点?
- 直击2019WAIC丨李德毅:人工智能是脱离意识的工具,需要约束的是人类自己
- 条件格式英语成绩大于计算机,决胜计算机二级Ms office(三)
- 在VMware运行Linux下,密码错误的原因
- mysql workbench crows foot_佳句赏析“英文人生名言:1、A road of a thousand ...先洗浄你的手指,再指出我的污迹。” - 金句吧...
- 95-38-030-Buffer-Java NIO中-关于DirectBuffer,HeapBuffer的疑问
- 接口测试常用工具及测试方法(超全)干货
- python爬取热门新闻每日排行_用python查看百度搜索中今日热点事件排行榜
- unique() 去重函数
- 一些iOS面试题答案
- 关系型数据库和主键外键
- 国内做市场情报公司前10名
- 婴儿电动摇篮车摇篮床单芯片蓝牙芯片IC方案
- 休闲娱乐 - 夏日自制饮料
- 百度UEditor 图片粘贴上传,实现图文粘贴,图片自动上传
- 量子前沿英雄谱|既研究陶艺,也研究光量子:Hideo Mabuchi
- HTML5结构元素总结
- Halcon算子解释大全
- 一些通用 编程变量 单词(常用变量名;持续更新...)
热门文章
- DFRobot高精度低功耗数字温湿度传感器SHT40
- matlab实现iou计算,python实现IOU计算案例
- php 备份手机通讯录,怎么把手机上的号码复制到SIM卡上
- 毕业找工作+实习分享
- 启动项目报错:null, message from server: “Host ‘XXX‘ is not allow
- 阿里云大咖秀——了不起的“空格”
- 网络传输粘包解包处理
- mysql 1045 centos_解决centos下MySQL登录1045问题
- 使用vue解决vs编辑器格式化分号逗号问题
- 如何计算近似纳什均衡_莫纳什大学申请条件有哪些