从傅里叶级数到傅里叶变换
引用自傅里叶系列(二)傅里叶变换的推导,在此基础上对一些细节重新整理了一下
1、先把傅里叶级数转为指数形式
三角函数形式:
f(t)=a02+∑n=1∞(ancos(nωt)+bnsin(nωt)))a0=2T∫t0t0+Tf(t)dtan=2T∫t0t0+Tf(t)cos(nωt)dtbn=2T∫t0t0+Tf(t)sin(nωt)dt(1)\begin{aligned} f(t) &= \frac{a_0}{2}+\sum_{n=1}^{\infty}(a_n cos(n\omega t)+b_nsin(n \omega t)) \tag{1}) \\ a_0 & = \frac{2}{T}\int_{t_0}^{t_0+T}f(t)dt \\ a_n &= \frac{2}{T}\int_{t_0}^{t_0+T}f(t)cos(n\omega t)dt \\ b_n &= \frac{2}{T}\int_{t_0}^{t_0+T}f(t)sin(n\omega t)dt \\ \end{aligned}f(t)a0anbn=2a0+n=1∑∞(ancos(nωt)+bnsin(nωt)))=T2∫t0t0+Tf(t)dt=T2∫t0t0+Tf(t)cos(nωt)dt=T2∫t0t0+Tf(t)sin(nωt)dt(1)
上式中:
ω=2πT\omega=\frac{2\pi}{T} ω=T2π
式中,TTT为函数f(t)f(t)f(t)的周期,往往是趋向于+∞+\infty+∞的,因此ω\omegaω则趋向于0,因为这样的关系,当函数f(t)f(t)f(t)的周期越大时,傅里叶变换后的频率越密集。
欧拉公式:
eiθ=cos(θ)+isin(θ)e−iθ=cos(θ)−isin(θ)(2)\begin{aligned} e^{i\theta}=cos(\theta)+i sin(\theta) \\ e^{-i \theta}=cos(\theta)-i sin(\theta) \\ \tag{2} \end{aligned} eiθ=cos(θ)+isin(θ)e−iθ=cos(θ)−isin(θ)(2)
因此,可得
cos(θ)=eiθ+e−iθ2sin(θ)=−i⋅eiθ−e−iθ2(3)\begin{aligned} cos(\theta)&=\frac{e^{i\theta} + e^{-i\theta}}{2} \\ sin(\theta)&=-i\cdot\frac{e^{i\theta} - e^{-i\theta}}{2} \tag{3} \end{aligned} cos(θ)sin(θ)=2eiθ+e−iθ=−i⋅2eiθ−e−iθ(3)
将sin(θ)sin(\theta)sin(θ) 、 cos(θ)cos(\theta)cos(θ) 代入傅里叶级数求得:
f(t)=a02+∑n=1∞[aneinωt+e−inωt2−i⋅bneinωt−e−inωt2]=a02+∑n=1∞[an−ibn2einωt+an+ibn2e−inωt](4)\begin{aligned} f(t)&=\frac{a_0}{2}+ \sum_{n=1}^{\infty}[a_n \frac{e^{in\omega t}+e^{-in\omega t}}{2}-i\cdot b_n \frac{e^{in\omega t}-e^{-in\omega t}}{2}]\\ &=\frac{a_0}{2}+\sum_{n=1}^{\infty}[\frac{a_n-ib_n}{2}e^{in\omega t}+\frac{a_n+ib_n}{2}e^{-in\omega t}] \tag{4} \end{aligned} f(t)=2a0+n=1∑∞[an2einωt+e−inωt−i⋅bn2einωt−e−inωt]=2a0+n=1∑∞[2an−ibneinωt+2an+ibne−inωt](4)
将a0,an,bna_0,a_n,b_na0,an,bn代入公式4{4}4中,得到:
an−ibn2=1T[∫t0t0+Tf(t)cos(nωt)dt−i⋅∫t0t0+Tf(t)sin(nωt)dt]=1T∫t0t0+Tf(t)[cos(nωt)dt−i⋅sin(nωt)]dt=1T∫t0t0+Tf(t)[einωt+e−inωt2−i⋅(−i)einωt−e−inωt2]dt=1T∫t0t0+Tf(t)e−inωtdt(5)\begin{aligned} \frac{a_n-ib_n}{2}&=\frac{1}{T}[\int_{t_0}^{t_0+T}f(t)cos(n\omega t)dt-i\cdot\int_{t_0}^{t_0+T}f(t)sin(n\omega t)dt] \\ &=\frac{1}{T}\int_{t_0}^{t_0+T}f(t)[cos(n\omega t)dt-i\cdot sin(n\omega t)]dt \\ &=\frac{1}{T}\int_{t_0}^{t_0+T}f(t)[\frac{e^{in\omega t} + e^{-in\omega t}}{2}-i\cdot (-i)\frac{e^{in\omega t} - e^{-in\omega t}}{2}]dt \\ &=\frac{1}{T}\int_{t_0}^{t_0+T}f(t)e^{-in\omega t} dt \tag{5} \end{aligned} 2an−ibn=T1[∫t0t0+Tf(t)cos(nωt)dt−i⋅∫t0t0+Tf(t)sin(nωt)dt]=T1∫t0t0+Tf(t)[cos(nωt)dt−i⋅sin(nωt)]dt=T1∫t0t0+Tf(t)[2einωt+e−inωt−i⋅(−i)2einωt−e−inωt]dt=T1∫t0t0+Tf(t)e−inωtdt(5)
同理:
an+ibn2=1T∫t0t0+Tf(t)einωtdt(6)\frac{a_n+ib_n}{2}=\frac{1}{T}\int_{t_0}^{t_0+T}f(t)e^{in\omega t} dt \tag{6} 2an+ibn=T1∫t0t0+Tf(t)einωtdt(6)
将(5),(6)(5),(6)(5),(6)代入(4)(4)(4)中,得到:
f(t)=1T∫t0t0+Tf(t)dt+1T∑n=1∞[∫t0t0+Tf(t)e−inωtdt⋅einωt+∫t0t0+Tf(t)einωtdt⋅e−inωt]=1T∫t0t0+Tf(t)dt+1T∑n=1∞∫t0t0+Tf(t)e−inωtdt⋅einωt+∑n=−∞−11T∫t0t0+Tf(t)e−inωtdt⋅einωt=1T∑n=−∞∞∫t0t0+Tf(t)e−inωtdt⋅einωt\begin{aligned} f(t)&=\frac{1}{T}\int_{t_0}^{t_0+T}f(t)dt +\frac{1}{T}\sum_{n=1}^{\infty}[\int_{t_0}^{t_0+T}f(t)e^{-in\omega t} dt\cdot e^{in\omega t}+\int_{t_0}^{t_0+T}f(t)e^{in\omega t} dt\cdot e^{-in\omega t}] \\ &=\frac{1}{T}\int_{t_0}^{t_0+T}f(t)dt +\frac{1}{T}\sum_{n=1}^{\infty}\int_{t_0}^{t_0+T}f(t)e^{-in\omega t} dt\cdot e^{in\omega t}+\sum_{n=-\infty}^{-1}\frac{1}{T}\int_{t_0}^{t_0+T}f(t)e^{-in\omega t} dt\cdot e^{in\omega t} \\ &=\frac{1}{T}\sum_{n=-\infty}^{\infty}\int_{t_0}^{t_0+T}f(t)e^{-in\omega t} dt\cdot e^{in\omega t} \end{aligned} f(t)=T1∫t0t0+Tf(t)dt+T1n=1∑∞[∫t0t0+Tf(t)e−inωtdt⋅einωt+∫t0t0+Tf(t)einωtdt⋅e−inωt]=T1∫t0t0+Tf(t)dt+T1n=1∑∞∫t0t0+Tf(t)e−inωtdt⋅einωt+n=−∞∑−1T1∫t0t0+Tf(t)e−inωtdt⋅einωt=T1n=−∞∑∞∫t0t0+Tf(t)e−inωtdt⋅einωt
当n=0n=0n=0时:
1T∫t0t0+Tf(t)e−inωtdt⋅einωt=1T∫t0t0+Tf(t)dt(7)\frac{1}{T}\int_{t_0}^{t_0+T}f(t)e^{-in\omega t} dt\cdot e^{in\omega t}=\frac{1}{T}\int_{t_0}^{t_0+T}f(t)dt \tag{7} T1∫t0t0+Tf(t)e−inωtdt⋅einωt=T1∫t0t0+Tf(t)dt(7)
接下来是与原文不同的推导
f(t)==1T∑n=−∞∞∫t0t0+Tf(t)e−inωtdt⋅einωt(8)\begin{aligned} f(t)&= &=\frac{1}{T}\sum_{n=-\infty}^{\infty}\int_{t_0}^{t_0+T}f(t)e^{-in\omega t} dt\cdot e^{in\omega t} \\ \tag{8} \end{aligned} f(t)==T1n=−∞∑∞∫t0t0+Tf(t)e−inωtdt⋅einωt(8)
公式888中,令
Ω=nωF(Ω)=∫t0t0+Tf(t)e−iΩtdt\begin{aligned} \Omega&= n\omega\\ F(\Omega)&=\int_{t_0}^{t_0+T}f(t)e^{-i\Omega t} dt \\ \end{aligned} ΩF(Ω)=nω=∫t0t0+Tf(t)e−iΩtdt
进一步对F(Ω)F(\Omega)F(Ω)进行分析:
F(Ω)=∫t0t0+Tf(t)e−iΩtdt=∫t0t0+Tf(t)e−iωntdt=∫t0t0+Tf(t)[cos(ωnt)−i⋅sin(ωnt)]dt=∫t0t0+Tf(t)cos(ωnt)dt−i⋅∫t0t0+Tf(t)sin(ωnt)dt=T2(an−i⋅bn)=2πω⋅12(an−i⋅bn)\begin{aligned} F(\Omega)&=\int_{t_0}^{t_0+T}f(t)e^{-i\Omega t} dt \\ &=\int_{t_0}^{t_0+T}f(t)e^{-i\omega nt} dt \\ &=\int_{t_0}^{t_0+T}f(t)[cos(\omega nt)-i\cdot sin(\omega nt)] dt \\ &=\int_{t_0}^{t_0+T}f(t)cos(\omega nt)dt-i\cdot \int_{t_0}^{t_0+T}f(t) sin(\omega nt) dt \\ &=\frac{T}{2}( a_n-i\cdot b_n) \\ &=\frac{2\pi}{\omega}\cdot \frac{1}{2}( a_n-i\cdot b_n) \end{aligned} F(Ω)=∫t0t0+Tf(t)e−iΩtdt=∫t0t0+Tf(t)e−iωntdt=∫t0t0+Tf(t)[cos(ωnt)−i⋅sin(ωnt)]dt=∫t0t0+Tf(t)cos(ωnt)dt−i⋅∫t0t0+Tf(t)sin(ωnt)dt=2T(an−i⋅bn)=ω2π⋅21(an−i⋅bn)
由此可以看出,F(Ω)F(\Omega)F(Ω)的实部是余弦函数的的幅度值,虚部是正弦函数的幅度值。
公式888的说明,因为ω\omegaω很小,而,nnn是从−∞-\infty−∞取到+∞+\infty+∞,因此Ω∈[−∞,+∞]\Omega\in[-\infty,+\infty]Ω∈[−∞,+∞]。
则(8)(8)(8)变为:
f(t)=1T∑n=−∞∞∫t0t0+Tf(t)e−inωtdt⋅einωt=1T∑n=−∞∞F(Ω)⋅eiΩt=1T∫−∞∞F(Ω)⋅eiΩtdn=1Tω∫−∞∞F(Ω)⋅eiΩtdωn=12π∫−∞∞F(Ω)⋅eiΩtdΩ(9)\begin{aligned} f(t)&=\frac{1}{T}\sum_{n=-\infty}^{\infty}\int_{t_0}^{t_0+T}f(t)e^{-in\omega t} dt\cdot e^{in\omega t} \\ &=\frac{1}{T}\sum_{n=-\infty}^{\infty}F(\Omega)\cdot e^{i\Omega t} \\ &=\frac{1}{T}\int_{-\infty}^{\infty} F(\Omega)\cdot e^{i\Omega t}dn \\ &=\frac{1}{T\omega}\int_{-\infty}^{\infty} F(\Omega)\cdot e^{i\Omega t}d\omega n \\ &=\frac{1}{2\pi}\int_{-\infty}^{\infty} F(\Omega)\cdot e^{i\Omega t}d\Omega \\ \tag{9} \end{aligned} f(t)=T1n=−∞∑∞∫t0t0+Tf(t)e−inωtdt⋅einωt=T1n=−∞∑∞F(Ω)⋅eiΩt=T1∫−∞∞F(Ω)⋅eiΩtdn=Tω1∫−∞∞F(Ω)⋅eiΩtdωn=2π1∫−∞∞F(Ω)⋅eiΩtdΩ(9)
由此,可得傅里叶变换的公式为:
f(t)=12π∫−∞∞F(Ω)⋅eiΩtdΩF(Ω)=∫t0t0+Tf(t)e−iΩtdt(10)\begin{aligned} f(t)&=\frac{1}{2\pi}\int_{-\infty}^{\infty} F(\Omega)\cdot e^{i\Omega t}d\Omega \\ F(\Omega)&=\int_{t_0}^{t_0+T}f(t)e^{-i\Omega t} dt \\ \tag{10} \end{aligned} f(t)F(Ω)=2π1∫−∞∞F(Ω)⋅eiΩtdΩ=∫t0t0+Tf(t)e−iΩtdt(10)
2、再把傅里叶的指数形式推导到离散傅里叶的形式
此部分的参考为离散傅里叶变换
在傅里叶变换的过程中,函数f(t)f(t)f(t)往往是连续的并且周期T是无穷大的,但是自然界中,函数f(t)f(t)f(t)一般是离散的,因此需要将傅里叶变换进行离散化。
f(t)f(t)f(t)是离散的,并且个数是NNN,因此假设:
f(1)=A1f(2)=A2f(3)=A3f(4)=A4f(5)=A5⋮f(N)=AN\begin{aligned} f(1)&=A_ 1 \\ f(2)&=A_2 \\ f(3)&=A_3 \\ f(4)&=A_4 \\ f(5)&=A_5 \\ \vdots & \\ f(N)&=A_N \\ \end{aligned} f(1)f(2)f(3)f(4)f(5)⋮f(N)=A1=A2=A3=A4=A5=AN
将公式101010进行离散化变形,得到
F(Ω)=∫t0t0+Tf(t)e−iΩtdtF(2πT⋅n)=∫t0t0+Tf(t)e−i2πntTdtG(n)=F(2πT⋅n)=∑t=1Nf(t)e−i2πntN(10)\begin{aligned} F(\Omega)&=\int_{t_0}^{t_0+T}f(t)e^{-i\Omega t} dt \\ F(\frac{2\pi}{T}\cdot n )&=\int_{t_0}^{t_0+T}f(t)e^{\frac{-i2\pi nt}{T}} dt \\ G(n)&=F(\frac{2\pi}{T}\cdot n) \\ &= \sum_{t=1}^{N}f(t)e^{\frac{-i2\pi nt}{N}} \tag{10} \end{aligned} F(Ω)F(T2π⋅n)G(n)=∫t0t0+Tf(t)e−iΩtdt=∫t0t0+Tf(t)eT−i2πntdt=F(T2π⋅n)=t=1∑Nf(t)eN−i2πnt(10)
公式中的:
n<=NT=Nω=2πTΩ=2πT⋅n\begin{aligned} n&<= N\\ T&=N \\ \omega&=\frac{2\pi}{T} \\ \Omega&=\frac{2\pi}{T} \cdot n \\ \end{aligned} nTωΩ<=N=N=T2π=T2π⋅n
f(t)=12π∫−∞∞F(Ω)⋅eiΩtdΩ=12π∫−∞∞F(Ω)⋅ei2πT⋅ntd2πT⋅n=12π∫−∞∞F(2πnT)⋅ei2πN⋅ntd2πN⋅n=12π⋅2πN∫−∞∞G(n)⋅ei2πN⋅ntdn=1N∑n=1NG(n)⋅ei2πN⋅nt(10)\begin{aligned} f(t)&=\frac{1}{2\pi}\int_{-\infty}^{\infty} F(\Omega)\cdot e^{i\Omega t}d\Omega \\ &=\frac{1}{2\pi}\int_{-\infty}^{\infty} F(\Omega)\cdot e^{i \frac{2\pi}{T} \cdot n t}d\frac{2\pi}{T} \cdot n \\ &=\frac{1}{2\pi}\int_{-\infty}^{\infty} F(\frac{2\pi n}{T})\cdot e^{i \frac{2\pi}{N} \cdot n t}d\frac{2\pi}{N} \cdot n \\ &=\frac{1}{2\pi} \cdot \frac{2\pi}{N} \int_{-\infty}^{\infty} G(n)\cdot e^{i \frac{2\pi}{N} \cdot n t}d n \\ &= \frac{1}{N} \sum_{n=1}^{N} G(n)\cdot e^{i \frac{2\pi}{N} \cdot n t} \\ \tag{10} \end{aligned} f(t)=2π1∫−∞∞F(Ω)⋅eiΩtdΩ=2π1∫−∞∞F(Ω)⋅eiT2π⋅ntdT2π⋅n=2π1∫−∞∞F(T2πn)⋅eiN2π⋅ntdN2π⋅n=2π1⋅N2π∫−∞∞G(n)⋅eiN2π⋅ntdn=N1n=1∑NG(n)⋅eiN2π⋅nt(10)
傅里叶变换后,结果是复数,其含义为:
傅氏变换后得到的复数,实部就代表该频率下的余弦信号分量,虚部就代表该频率下的正弦信号分量。
参考一维傅里叶变换后的复数怎样理解?
另一篇关于离散傅立叶变换的博客讲的很好
深入理解离散傅里叶变换(DFT)
快速傅里叶变换(FFT)算法【详解】
傅立叶变换中,为什么要引入复数
另一篇博客,从另一个角度阐述了傅立叶变换中的复数的含义
李泽光–傅立叶变换的复数理解
从傅里叶级数到傅里叶变换相关推荐
- 控制-频域操作-傅里叶级数和傅里叶变换
傅里叶级数和傅里叶变换是什么关系? - 马同学的回答 - 知乎 1.任何一个函数都可以表达成傅里叶级数形式 2.上面的傅里叶级数表达形式 有正弦波,也有余弦波,画频域图也不方便,通过欧拉公式,可以修改 ...
- python计算无穷级数求和常用公式_傅里叶变换(二) 从傅里叶级数到傅里叶变换...
在上一部分当中,得到了利用三角函数表示周期函数的方法,但是对于非周期函数就...凉了.所以有什么办法吗?没办法(划掉).这时候我们就需要拿出来我们的黑科技--傅里叶变换. 一.傅里叶级数的推广 当然这 ...
- 《数字图像处理》-(3)-1从傅里叶级数到傅里叶变换详细推导以及傅里叶图像的性质
1 傅里叶级数到傅里叶变换公式推导 1.1傅里叶级数 傅里叶级数:周期信号都可以分解为有限或无限个正弦波或余弦波的叠加,且这些波的频率都是原始信号频率的整数倍.用傅里叶级数或变换表示的函数特征完全可以 ...
- 基于MATLAB去理解掌握傅里叶级数和傅里叶变换
1.周期信号的傅里叶级数 f(t)=f(t+T) F0=1/T为基波频率 满足狄利赫里条件则周期信号可以展开为三角函数的线性组合 (1) 在一个周期内,函数f(t)为连续或只含有有限个第一类间断点: ...
- 傅里叶级数及傅里叶变换
通信中的信号通常是时间的函数. 下面通过强度.频率.相位.能量来了解信号(正如通过人的五官去了解人): 正弦信号: 周期信号的傅里叶级数: 用正弦信号逼近方波: 如下图:船的振荡频率为 ,跷跷板的频率 ...
- 傅里叶级数、傅里叶变换、短时傅里叶变换 公式
傅里叶级数.傅里叶变换和短时傅里叶变换都是信号处理中常用的工具,它们可以帮助我们分析信号的频谱结构和周期性特征.下面是对这三个概念的详细介绍: 傅里叶级数 傅里叶级数是一种将周期信号分解成一组正弦和余 ...
- 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 ...
- 傅里叶级数与傅里叶变换_Part3_周期为2L的函数展开为傅里叶级数
傅里叶级数与傅里叶变换_Part3_周期为2L的函数展开为傅里叶级数 参考链接: DR_CAN老师的原视频 0.复习Part2的内容 参考链接:傅里叶级数与傅里叶变换_Part2_周期为2Π的函数展开 ...
- 傅里叶级数和傅里叶变换超详细推导(DR_CAN)
傅里叶级数和傅里叶变换超详细推导(DR_CAN) Part I 三角函数的正交性 Part Ⅱ周期为2π\piπ的 f(x)的傅里叶展开 Part Ⅲ 周期为"2L"的函数展开为傅 ...
- 傅里叶级数、傅里叶变换 (FT)
目录 Fourier Series (傅里叶级数) 三角函数的正交性 周期为 2 π 2\pi 2π 的函数展开为傅里叶级数 周期为 2 L 2L 2L 的函数展开为傅里叶级数 傅里叶级数的复数形式 ...
最新文章
- 一款SQL自动检查神器,再也不用担心SQL出错了,自动补全、回滚等功能大全
- R语言rms包生存分析之限制性立方样条(RCS, Restricted cubic spline)分析:拟合连续性自变量和事件风险之间的关系并绘制直方图、平滑曲线、双Y轴于同一个图像中
- 将二叉树中每一层的节点串成链表
- 哪里可以找到python的免费教程-哪里有免费的python3教程啊?最好是有例子的视频教学...
- vue cli3.3 以上版本配置vue.config.js 及反向代理操作解决跨域操作
- 今晚直播 | 强化学习在比赛和自动机器学习中的应用简析
- 渲染状态的管理 (转)
- vs运行时 文本可视化工具 无法点开_webpack 优化:2 款工具帮你找到构建速度“变慢”的原因...
- How to make a difference
- Linux Shell脚本_较少Swap使用
- C语言do while语句
- ZKUI中文编码以及以docker方式运行的问题
- clustalw序列比对_CLUSTALW(muscle序列比对)
- 使用RF测试时,如何自动关闭浏览器驱动进程
- 可达性分析算法GC Roots
- 用计算机键盘方法是,键盘一键打开计算器的方法
- MES工程师新手,该怎么学习?学习哪些技术?
- 英语四级口语测试软件,2021年大学英语四级口语测试题
- 使用jsp实现用户注册及登录
- 京东云申元庆:用创新技术改变中国,顺道改变世界
热门文章
- 新版百元纸币下月发行!这些防伪你要知道
- linux终端下载速度只有几kb,[菜鸟教学]如何提高linux下的下载速度!新手必看!...
- 《Mini-Me: An Adaptive Avatar for Mixed Reality Remote Collaboration》论文笔记
- 严师出高徒VS名师出高徒
- Tropical Cyclone Intensity Estimation
- 20155313 杨瀚 《网络对抗技术》实验七 网络欺诈防范
- [NLP]OpenNLP词性标注器的使用
- android点击图片进入幻灯片,Android实现幻灯片式图片浏览器
- latex入门(一)——latex网站overleaf
- 18个使用 jQuery 制作的创意网站欣赏