首页 时政热点 科技头条 智能AI 安全攻防 数码硬件 开发者生态 归档 标签 关于

关于离散傅立叶变换 (DFT) 的注释

摘要

November 21, 2026 at 14:26 Tags Math In the previous post on this topic , we’ve seen how the Discrete-Time Fourier Series (DTFS) and transform (DTFT) are used to analyze infinite-duration periodic and...

the signal this and periodic Discrete Fourier DTFS samples that
2026-11-22 1 阅读 约8分钟阅读 kouosi
分享:
字号:
2026 年 11 月 21 日 14:26 标签 数学 在上一篇关于此主题的文章中,我们了解了如何使用离散时间傅立叶级数 (DTFS) 和变换 (DTFT) 来分析无限持续时间周期性和非周期性离散信号。现在,是时候转向现实的数字信号处理了,其中信号不仅是离散的,而且持续时间也是有限的。分析信号样本假设我们有 N 个信号样本 - 它是 N 个数字的列表:\[x[n]\qquad n\in\{0..N-1\}\] 我们想要分析该信号中存在的频率;换句话说,找到重建信号的一系列复指数中的系数。一种选择是假设 x[n] 是一个无限域信号,在 N 个样本之外具有零值,然后计算其 DTFT: \[X(w)=\sum_{n=-\infty}^{\infty}x[n]e^{-i w n}\\\] 然而,这是频率 w 的连续函数,因此在实际计算机上计算很困难;我们无法计算并存储所有 w 的它,因此我们必须选择要计算它的 w 。我们很快就会看到这个选择是如何做出的。离散傅立叶变换 (DFT) 但还有另一种方式来看待这个问题。我们只有信号 x 的 N 个样本,因此我们可以假设它们代表周期信号的单个周期。在这种情况下,我们可以使用DTFS;回想一下该级数的系数为: \[a_k=\frac{1}{N}\sum_{n=0}^{N-1}x[n]e^{-ik(2\pi/N)n}\] 正如我们在 DTFS 的帖子中所看到的,该级数可用于精确地重建离散的周期性信号。由于我们的信号 x[n] 是有限的,并且我们假设它只是周期信号的一个周期,这意味着我们还可以使用 DTFS 精确地重建 x[n]。这是离散傅里叶变换(DFT)背后的主要见解。首先,按照惯例,我们定义: \[X[k]=Na_k\] 然后: \[\boxed{ X[k]=\sum_{n=0}^{N-1}x[n]e^{-ik(2\pi/N)n} }\] 这称为 x[n] 的离散傅立叶变换。变换这个术语在这里可能有点令人费解——毕竟,我们只是使用级数系数——所以直接说级数不是更合适吗?也许,尽管在数学中,变换具有相当普遍的含义,即“采用一个数学对象并产生另一个对象的映射”;从这个意义上说,“变换”在这里是正确的,因为我们采用一个对象 - x[n] 并生成另一个对象 - X[k] 。而且,DFT和DTFT密切相关。还记得我们之前说过,由于 w 是连续变量,DTFT 很难计算吗?好吧,DFT 为我们提供了一种将该变量采样到离散域的方法: \[X_{DFT}[k]=X_{DTFT}(2\pi k/N)\] 因此,DFT 可以看作是 DTFT 的 N 个等间隔样本。计算 DFT 由于本文的目标是专门演示将傅里叶分析应用于离散数字信号的可计算方法,因此以下是计算信号 DFT 的 Python 代码: def dft ( x ): """Return X[k] = sum_n x[n] exp(-2 pi i k n / N).""" N = len ( x ) n = np 。排列 (N) X = np .对于范围 ( N ) 内的 k 为空 ( N , dtype = complex ):权重 = np 。 exp (- 2 j * np . pi * k * n / N ) X [ k ] = np 。 sum ( x * Weights ) return X 不难看出这段代码与 X[k] 的数学公式之间的对应关系。 Python 的 Numpy 代码默认是矢量化的,因此权重数组是针对每个 k 整体计算的(因为 n 是索引数组 [0..N-1] )。 DFT 和复数单位根 在我之前关于复数单位根的文章中,我们已经了解了单位根的幂如何形成 \mathbb{C}^n 的正交基。现在让我们展示这一事实与 DFT 之间美妙的理论联系。回想一下,N 次单位根可以写为: \[z_k=e^{i2\pi k/N},\qquad k=0,1,\dots,N-1\] 由于所有 z_k 只是 w=z_1=e^{i2\pi/N} 的幂,我们可以将它们写为: \[z_k=w^k,\qquad k=0,1,\dots,N-1\]单位根的共轭本身就是单位根: \[z_k^*=e^{-i2\pi k/N},\qquad k=0,1,\dots,N-1\] 由于 z_k^* 与 z_{N-k} 相同,因此当我们枚举所有单位根时,我们也在枚举它们的共轭,只是以相反的顺序。考虑到这一点,让我们表示 \omega=z_1^*=e^{-i2\pi/N} ,并检查序列: \[\mu_N=\left[1,\omega,\omega^2,\dots,\omega^{N-1} \right]\] 通过(按元素)将 \mu_N 提升到从 0 到 N-1 的整数次方形成的向量可以收集到一个矩阵中: \[F=\begin{bmatrix} 1 & 1 & 1 & \cdots & 1 \\ 1 & \omega & \omega^2 & \cdots & \omega^{N-1} \\ 1 & \omega^2 & \omega^4 & \cdots & \omega^{2(N-1)} \\ \vdots & & & & \vdots \\ 1 & \omega^{N-1} & \omega^{2(N-1)} & \cdots & \omega^{(N-1)(N-1)} \\ \end{bmatrix}\] 在 unity post 的根中,我们已经证明该矩阵的行在 \mathbb{C}^N 上形成正交基。换句话说, \mathbb{C}^N 中的任何向量都可以表示为 F 的行的线性组合。我希望你能明白这是怎么回事!让我们将信号 x[n] 视为 \mathbb{C}^N 中的列向量。 x 的 DFT 可以通过乘法计算
这篇文章对您有帮助吗?

订阅66必读

每日精选科技资讯,直达你的邮箱