GNN笔记:傅里叶变换
傅立叶变换分为傅立叶级数和连续傅立叶变换
1 傅里叶级数
傅立叶级数适用于周期性函数,它能够将任何周期性函数分解成简单震荡函数的集合(正弦函数和余弦函数)。
1.1 频域和时域
举个例子,比如说下图:
紫色图像是一个周期函数,粉丝图像是将周期函数分解成多个简单震荡函数。
所以这个周期函数用数学公式可以表达为:
上图中的信号是随着时间变换的,所以称之为时域(Time domain)
上图就是频域(Frequency Domain)。
频域和时域本质上是一样的,不过是从另外一个角度去描述信号。
1.2 傅里叶级数的标准正交基
给出傅立叶级数的公式:
φ在n取奇数和偶数的时候分别是0和1
我们将公式稍作变换:
正交基的性质就是,向量乘以正交基的结果就是对应的在这个基下的维度值
1.3 正交性证明
判断两个向量是否正交可以用向量点乘求和等于 0 来判断,这种方法我们称为点积(内积):
与向量点积不同的是,函数是连续的,假设现在有两个函数 f 和 g,周期为 2Π,我们也想用上述连续累加的方式来使得函数内积和向量内积的概念一致,而积分正是函数累加的概念,所以我们有:
对于上面我们说的傅立叶变换后的正交基,我们容易得到:
1.3.1 1与sin(nωt)、1与cos(nωt)正交
1.3.2 sin(nωt)与cos(mωt)正交
先回顾一下积化和差公式
1.3.3 sin(nωt)与sin(mωt)正交
cos(nωt)与cos(mωt)正交的证明方法同理
2 傅里叶变换
刚刚说的都是周期性函数,但现实中大部分函数都是非周期的,那如果涉及到非周期性函数该怎么办呢?这时候就需要傅里叶变换
2.1 欧拉公式
在介绍非周期性函数之前,我们先简单介绍下欧拉公式。
所以坐标轴上的点现在有了另一种表示方式:
左边图是我们看到的旋转频率(频域)
右边图看到是时间流逝(时域)
神奇的是,正好和我们刚刚介绍的(从时域变换到频域)相反。
也就是说,时域和频域其实是可以相互转换的。
2.2 傅里叶变换
们可以将非周期函数考虑为周期无穷大的函数,考虑频域中的横坐标:f=1/T,当周期 T 无穷大大时,频域图就从离散点变为连续的曲线,如下图:
每一个都代表了一组sin和cos的正交基(sinωt和cosωt)内积的结果就是在这两个正交基上的分量。
从负无穷到正无穷就是拆分成所有周期的sin和cos
2.3 傅里叶逆变换
傅里叶变换是将信号拆成多个正弦信号。
傅里叶逆变换就是再把正弦信号逆变换为原来信号的过程。
3 傅里叶变化的应用
一个很经典的例子就是:分离、降噪。
如果男生和女生一起说话,该如何分离出两者的声音呢?
答案就是对这一段声音(时域)做傅立叶变换转换到频率。男女生的声音频率不同,在频域中,低频为男生,中频为女生,高频可能为噪音,我们可以根据需要去除中频和高频的信号,并将其进行逆变换,这样便分离出了男生的声音。
参考网站
【GNN】万字长文带你入门 GCN - 知乎 (zhihu.com)
GNN笔记:傅里叶变换相关推荐
- GNN 笔记:图上的傅里叶变换
1 图拉普拉斯矩阵 图拉普拉斯矩阵可以定义为: L=D-W. 其中,D 为度矩阵,W 为考虑权值的邻接矩阵. 归一化后的拉普拉斯矩阵: 1.1 散度 散度(Divergence)是向量分析的一个向量算 ...
- GNN笔记:图信号处理(Graph Signal Processing)
1 图信号处理定义 图信号处理(Graph Signal Processing,以下简称 GSP)用来处理那些定义在图上的非规则域的信号.换句话说,就是处理图上定义的信号,但信号所在域是非规则的. 2 ...
- OpenCV学习笔记-傅里叶变换
写在前面的话,这个博文是我写的时间最长的,字数最多的了,从昨天开始就在看傅里叶变换了,看了很多大神的文章,也学到了很多知识,一度觉得有那么多前辈的文章,我还写它干嘛,反正也是抄一遍.不过想起以前的经历 ...
- Python图像处理笔记——傅里叶变换
文章目录 一.前言 二.傅里叶变换在图像中的应用 0. 本文用到的库 1. 图像的傅里叶变换和逆变换 2. 高斯模糊 3. 傅里叶变换频域滤波 (1)低通滤波 (2)高通滤波 (3)带通滤波 一.前言 ...
- [GNN]笔记之图基本知识代码(一)
视频链接:[图神经网络]GNN从入门到精通 参考资料:复杂网络特征与networkx实现 一.利用pandas作图 import numpy as np import pandas as pd imp ...
- GNN笔记: random walk
1 随机游走定义 所谓随机游走(random walk),就是在网络上不断重复地随机选择游走路径,最终形成一条贯穿网络的路径. 从一个顶点出发,然后按照一定的概率随机移动到一个邻居节点,并将该节点作为 ...
- GNN 笔记1 图的概念
1 图的定义 上图中的邻接矩阵分别为 2 图的度 无向图的度就是,每个点和几个其他的点相连接,那么这个点的度就是几. 以上左图为例,点1的度为2,点4的度为3 有向图分为出度和入度,就是射出去和射进来 ...
- 8家大厂SSP offer的清华学长谈算法岗是否人间地狱(送七本学长手写iPad笔记)...
点击上方,选择星标或置顶,每天给你送上干货 作者 | 对白 出品 | 对白的算法屋 编者寄语: 本文看完,相信对你求职算法岗会有一番新的认识. 大家好,我是对白. 之前一直在坚持输出着原创技术文章,同 ...
- GCN笔记:Graph Convolution Neural Network,ChebNet
在 GNN笔记:图卷积_UQI-LIUWJ的博客-CSDN博客中,我们知道了谱图卷积相当于是 那么问题在于,如何设计含有可训练的.共享参数的kernel呢? 1 GCN-ver1.0 (2013) 1 ...
最新文章
- C++文件操作之get/getline(待学)
- 第四十一期:从Windows到鸿蒙——操作系统的前世与今生
- oracle查询语句大全(oracle 基本命令大全一)
- JavaScript 中数组方法 reduce 的妙用之处
- 谷歌AI的七个“不正经”玩法,个个能玩一整天
- 当head遇上runat=server之后发生的纠结之事
- PyQt5图形界面GUI开发过程记录
- c语言实验报告大气,dsp实验报告心得体会
- 土地房屋权属登记系统
- 90-0004Web颜色标准【中英文颜色对照】
- 与iPhone5国行A1429的故事:越狱、降级刷机、完美电信3G、不完美电信4G、撸油管
- 51单片机ADDA数模转换
- 关于nginx配置负载均衡,nginx.conf配置文件正确,一直跳出nginx欢迎界面
- Processing交互应用——躲避炸弹
- 二叉排序树基本操作(链表实现)(有错误)
- Ubuntu安装ros rotors 以及中间出现的问题的解决办法
- Percolator事务模型
- Visio中如何做出弧度的文字
- python改变数组形状_NumPy数组的变形(改变数组形状)
- 破解flashFXP密码全过程
热门文章
- 只用来保存JQuery lightbox图片用的
- HDOJ 4883 TIANKENG’s restaurant
- Curator selector
- [Head First设计模式]饺子馆(冬至)中的设计模式——工厂模式
- HttpWatch是强大的网页数据分析工具
- Jackson 框架使用教程,轻易转换JSON
- sql2005还原出现“受限制用户”解决方法
- IP头中的校验和计算方法介绍
- fedora21 mysql_在fedora21 上的php+mysql+apache环境搭建
- getrealdays oracle_oracle 日期函数介绍