dtft性质及证明_信号处理基础-- DTFT、DFT和STFT基本概念
DTFT、DFT和STFT基本概念
离散信号x ( n ) x(n)x(n) 可以表示为连续模拟信号的采样,即
x ( n ) = x a ( t ) ∣ t = n T s x(n) = x_{a}(t)|_{t=nT_s}x(n)=xa(t)∣t=nTs
其中 x a ( t ) x_a(t)xa(t) 是模拟信号, t tt 代表时间,T s T_sTs 代表采样周期。
DISCRETE-TIME FOURIER TRANSFORM
序列 x ( n ) x(n)x(n) 的DTDT 可以表示为
X ( w ) = ∑ n = − ∞ + ∞ x ( n ) e − j w n X(w)=\sum_{n=-\infty}^{+\infty}{x(n)e^{-jwn}}X(w)=n=−∞∑+∞x(n)e−jwn
x ( n ) = 1 2 π ∫ − π π X ( w ) e j w n d w x(n)=\frac{1}{2\pi}\int_{-\pi}^{\pi}X(w)e^{jwn}dwx(n)=2π1∫−ππX(w)ejwndw
其中逆变换仍为积分表达式。
DTFT特性
根据DTFT的定义,通过数学推导(积分变换)可以得到DTFT的特性
特性
时域
频域
线性
a 1 x 1 ( n ) + a 2 x 2 ( n ) a_1x_1(n) + a_2x_2(n)a1x1(n)+a2x2(n)
a 1 X 1 ( w ) + a 2 X 2 ( w ) a_1X_1(w) + a_2X_2(w)a1X1(w)+a2X2(w)
时移
x ( n − n 0 ) x(n-n_0)x(n−n0)
e − j w n 0 X ( w ) e^{-jwn_0}X(w)e−jwn0X(w)
频移
e − j w 0 n x ( n ) e^{-jw_0n}x(n)e−jw0nx(n)
X ( w − w 0 ) X(w-w_0)X(w−w0)
相乘
x 1 ( n ) x 2 ( n ) x_1(n)x_2(n)x1(n)x2(n)
X 1 ( w ) ∗ X 2 ( w ) X_1(w)*X_2(w)X1(w)∗X2(w)
卷积
x 1 ( n ) ∗ x 2 ( n ) x_1(n)*x_2(n)x1(n)∗x2(n)
X 1 ( w ) X 2 ( w ) X_1(w)X_2(w)X1(w)X2(w)
最重要的一条特性就是时域的卷积等于频域的DTFT相乘,证明如下。
卷积(线性)定义:
x 1 ( n ) ∗ x 2 ( n ) = ∑ m = − ∞ ∞ x 1 ( m ) x 2 ( n − m ) x_1(n)* x_2(n)=\sum_{m=-\infty}^{\infty}x_1(m)x_2(n-m)x1(n)∗x2(n)=∑m=−∞∞x1(m)x2(n−m)
证明:
D F T F ( x 1 ( n ) ∗ x 2 ( n ) ) = ∑ n = − ∞ ∞ x 1 ( n ) ∗ x 2 ( n ) e − j w n = ∑ n = − ∞ ∞ ∑ m = − ∞ ∞ x 1 ( m ) x 2 ( n − m ) e − j w n = ∑ m = − ∞ ∞ x 1 ( m ) e − j w m ∑ n = − ∞ ∞ x 2 ( n − m ) e − j w ( n − m ) = X 1 ( w ) X 2 ( w ) DFTF(x_1(n) * x_2(n))=\sum_{n=-\infty}^{\infty}x_1(n)* x_2(n)e^{-jwn}\\=\sum_{n=-\infty}^{\infty}\sum_{m=-\infty}^{\infty}x_1(m)x_2(n-m)e^{-jwn}\\=\sum_{m=-\infty}^{\infty}x_1(m)e^{-jwm}\sum_{n=-\infty}^{\infty}x_2(n-m)e^{-jw(n-m)}\\=X_1(w)X_2(w)DFTF(x1(n)∗x2(n))=∑n=−∞∞x1(n)∗x2(n)e−jwn=∑n=−∞∞∑m=−∞∞x1(m)x2(n−m)e−jwn=∑m=−∞∞x1(m)e−jwm∑n=−∞∞x2(n−m)e−jw(n−m)=X1(w)X2(w)
DISCRETE FOURIER TRANSFORM(DFT)
因为DFT的时域和频域变换都是离散的表达式(无积分),故DFT少了中间的一个用来强调只有时间离散的T(time)。
DTFT的时域信号表达式是离散频率的连续函数(积分),不利于我们的应用计算,且实际使用时一般只用N个(有限)点的采样进行计算,因此我们可以使用N个点在频域进行采样,得到DFT表达式。
X ( k ) = ∑ n = 0 n = N − 1 x ( n ) e − j w n N k , 0 < = k < = N − 1 X(k)=\sum_{n=0}^{n=N-1}x(n)e^{-\frac{jwn}{N}k},0<=k<=N-1X(k)=n=0∑n=N−1x(n)e−Njwnk,0<=k<=N−1
x ( n ) = 1 N ∑ k = 0 k = N − 1 X ( k ) e − j w n N k , 0 < = n < = N − 1 x(n)=\frac{1}{N}\sum_{k=0}^{k=N-1}X(k)e^{-\frac{jwn}{N}k},0<=n<=N-1x(n)=N1k=0∑k=N−1X(k)e−Njwnk,0<=n<=N−1
其中 e − j w n N e^{-\frac{jwn}{N}}e−Njwn 是序列中的基频, e − j w n N k e^{-\frac{jwn}{N}k}e−Njwnk 是 k kk 次谐波分量,全部谐波分量中只有 N NN 个独立的分量,因为
e − j w n N ( k + N ) = e − j w n N k e^{-\frac{jwn}{N}(k+N)} = e^{-\frac{jwn}{N}k}e−Njwn(k+N)=e−Njwnk
FAST FOURIER TRANSFORM(FFT)
FFT和DFT计算结果是一样的,只是利用了DFT计算的重叠部分进行了优化,使得计算效率提高了 N l o g 2 N \frac{N}{log_2{N}}log2NN 倍,当N越大时,效率提高的越多,以语音中常用的 N = 512 N=512N=512 为例,提高了56.9倍。
DFT(FFT)特性
DFT特性大部分和DTFT相同,但卷积定理方面不一样,DFT的时域圆周卷积等于频域乘积,而不是卷积。但大部分应用中我们用到比较多的是卷积,而不是圆周卷积,但在一定条件下圆周卷积和卷积相等。
SHORT-TIME FOURIER TRANSFORM(STFT)
前面介绍的DFT和DTFT都适用于统计平稳的信号,不适用于像语音这样的非平稳信号,为此引入STFT,将语音信号分成几十毫秒(一般为32ms)一帧的信号,每一帧近似是平稳的信号,然后每一帧进行DFT变换。
X ( n , w ) = ∑ n = − ∞ n = ∞ x ( m ) w ( n − m ) e − j w m X(n,w)=\sum_{n=-\infty}^{n=\infty}x(m)w(n-m)e^{-jwm}X(n,w)=n=−∞∑n=∞x(m)w(n−m)e−jwm
其中x ( m ) x(m)x(m) 是输入信号,w ( m ) w(m)w(m) 是分析窗,分析窗具有重要的作用,特别是在STFT的分析合成中。
STFT变换具有两种解释,每一种解释代表了一种分析综合的方法,第一种解释是,固定帧数n,就代表着加窗信号的傅里叶变换,第二种解释是,固定频率w,这就是一个滤波操作。
dtft性质及证明_信号处理基础-- DTFT、DFT和STFT基本概念相关推荐
- 数字信号与图像处理实验一:信号处理基础
数字信号与图像处理实验一:信号处理基础 掌握信号处理的基本思想,理解采样信号的频谱特性,加强信号采样与重建的有关基本概念的理解,深入理解线性时不变系统输出与输入的关系,了解数字信号采样率转换前后信号频 ...
- 信号处理基础校招面试题(2018年秋招)
信号处理基础校招面试题 FIR.IIR滤波器的区别 IIR滤波器和FIR滤波器的区别与联系:http://blog.sina.com.cn/s/blog_6281182601019rst.html F ...
- 深度学习中的语音信号处理基础
文章目录 音频处理流程 常用谱:幅度谱.梅尔谱 时域 --> 频域 分帧 窗长 帧移 语音信号特征获取流程 梅尔谱 使用 librosa 提取梅尔谱 使用 tacotron 获取梅尔谱(推荐) ...
- 计算机应用基础7074,毕业论文_计算机应用基础
<毕业论文_计算机应用基础>由会员分享,可在线阅读,更多相关<毕业论文_计算机应用基础(30页珍藏版)>请在人人文库网上搜索. 1.简单几何图形的识别和编辑摘要本论文主要讲述了 ...
- 统计信号处理基础 - 估计与检测理论 估计部分习题3.7公式推导
统计信号处理基础 - 估计与检测理论 估计部分习题3.7公式推导 题目 证明 结论 得证 题目 相信学习信号检测与估计的童鞋们肯定看到过Steven M.Kay大牛的书,非常厚的一本,不得不说,人家的 ...
- 与素数有关的一些性质及证明(一)
文章目录 写在前面 素数.合数 定理:带余除法 整除.因数 ★\bigstar★命题:除数整除被除数的倍数和 公因数.最大公因数 除数与被除数的最大公因数等于除数与余数的最大公因数 辗转相除法:求两整 ...
- 语音信号处理基础(一)
语音信号处理基础(一) 文章目录 语音信号处理基础(一) 1.绪论 1.1概述 1.2语音信号处理的三个主要分支 1.2.1 语音合成 名词解释 共振峰 基音(fundamental tone) 基因 ...
- 单源最短路径:最短路径性质的证明
本节就之前给出的一部分性质进行严密的证明,而非通过"显然"等模糊的语句. 1.三角不等式性质 引理10:设G = ( V,E)为一个带权重的有向图,其权重函数 w :E→R,其源节 ...
- 计算机PPT教材教法,小语教材教法讲义课件_电脑基础知识_it计算机_专业资料.ppt...
小语教材教法讲义课件_电脑基础知识_it计算机_专业资料 绪 论 课堂观察的内涵 课堂观察,顾名思义,就是通过观察者对课 堂的运行状况进行记录.分析和研究,并在此基 础上谋求师范生课堂学习的改善.促进 ...
- 合成孔径雷达成像算法与实现(信号处理基础知识点)
最近由于学业上需要,重新学习了<合成孔径雷达成像算法与实现>一书,其中第二章是信号处理基础,在此记录下学习过程. 一.信号处理基本概念 1.卷积与相关 卷积: 相关: 卷积从几何解 ...
最新文章
- mysql数据库三级分类_5.在 MySQL数据库中,以下数据库对象与数据库三级模式对应关系正确的是?...
- open(/dev/ietctl, O_RDWR) 参数含义
- python max((1、2、3)*2)_Python functional.max_pool2d方法代码示例
- vector与list的区别
- 微信java 签名验证_JAVA版微信小程序用户数据的签名验证和加解密
- 亚马逊发力智能音箱商业模式,Alexa正式支持付费第三方应用
- CVPR学习(三):CVPR2019-各个方向
- 开机黑屏,屏幕最上方出现一条越来越明显的彩色花纹!
- GO下载地址备份百度网盘
- 操作系统第四版习题答案大全
- 海康4200服务器进不去系统,ivms-4200客户端登入不了云服务器
- android缅甸语,关于unicode:Android中的缅甸语言
- gcc编译部分编译选项
- Linux查看硬盘型号
- C++(4)——对称/旋转
- 指纹识别综述(9): 指纹系统安全
- 设计模式:设配器模式
- 蓝桥杯国赛五一训练赛(1)
- 《大道至简》的幕后故事(3):“愚公移山记”事物篇
- mysql在linux版本信息查询,Linux 查看 MySQL的版本信息