傅立叶级数与傅里叶变换
傅立叶级数与傅里叶变换
- 1. 对周期函数进行分解的猜想
- 2. 分解
- 2.1 常数项
- 2.2 通过sin(x),cos(x)进行分解
- 2.3 保证组合出来周期为T
- 2.4 调整振幅
- 2.5 小结
- 3. sin(x) 的另外一种表示方法
- 3.1 <span class="katex--inline">e^{i\omega t}</span>
- 3.2 通过<span class="katex--inline">e^{i\omega t}</span>表示<span class="katex--inline">sin(t)</span>
- 4. 通过频域来求系数
- 4.1 函数是线性组合
- 4.2 如何求正交基的坐标
- 4.3 如何求 sin(nt) 基下的坐标
- 4.4 更一般的
- 5. 傅里叶级数
- 5.1 基坐标画到图上
- 5.2 频域图
- 6. 非周期函数
- 7. 傅里叶变换
Reference:
- 如何理解傅立叶级数公式?
- 从傅立叶级数到傅立叶变换
1. 对周期函数进行分解的猜想
拉格朗日等数学家发现某些周期函数(不一定是周期函数)可以由三角函数的和来表示,比如下图中,黑色的斜线就是周期为 2π2\pi2π 的函数,而红色的曲线是三角函数之和,可以看出两者确实近似:
而另外一位数学家:傅里叶男爵(1768 -1830)猜测任意周期函数都可以写成三角函数之和。
2. 分解
假设 f(x)f(x)f(x) 是周期为 TTT 的函数,傅里叶男爵会怎么构造三角函数的和,使之等于 f(x)f(x)f(x)?
2.1 常数项
对于 y=C,C∈Ry=C,C\in\mathbb{R}y=C,C∈R 这样的常数函数:
根据周期函数的定义,常数函数是周期函数,周期为任意实数。
所以,分解里面得有一个常数项。
2.2 通过sin(x),cos(x)进行分解
首先,sin(x)sin(x)sin(x),cos(x)cos(x)cos(x)是周期函数,进行合理的加减组合,结果可以是周期函数。
其次,它们的微分和积分都很简单。
然后,sin(x)sin(x)sin(x) 是奇函数,即:
−sin(x)=sin(−x)-sin(x)=sin(-x) −sin(x)=sin(−x)
从图像上也可以看出,sin(x)sin(x)sin(x)关于原点对称,是奇函数:
而奇函数与奇函数加减只能得到奇函数,即:
fodd±fodd=foddf_{\text{odd}}\pm f_{\text{odd}}=f_{\text{odd}} fodd±fodd=fodd
其中,foddf_{\text{odd}}fodd 表示奇函数。
而 cos(x)cos(x)cos(x) 是偶函数,即:
cos(x)=cos(−x)cos(x)=cos(-x)cos(x)=cos(−x)
从图像上也可以看出,cos(x)cos(x)cos(x)关于YYY轴对称,是偶函数:
同样的,偶函数与偶函数加减只能得到偶函数,即:
feven±feven=fevenf_{\text{even}}\pm f_{\text{even}}=f_{\text{even}}feven±feven=feven
其中,feven_{\text{even}}even表示偶函数。
但是任意函数可以分解和奇偶函数之和:
f(x)=f(x)+f(−x)2+f(x)−f(−x)2=feven+foddf(x)=\frac{f(x)+f(-x)}{2}+\frac{f(x)-f(-x)}{2}=f_{\text{even}}+f_{\text{odd}}f(x)=2f(x)+f(−x)+2f(x)−f(−x)=feven+fodd
所以同时需要sin(x)sin(x)sin(x),cos(x)cos(x)cos(x)。
2.3 保证组合出来周期为T
之前说了,f(x)f(x)f(x)是周期为TTT的函数,我们怎么保证组合出来的函数周期依然为TTT呢?
比如下面这个函数的周期为2π2\pi2π:
很显然,sin(x)sin(x)sin(x)的周期也是2π2\pi2π:
sin(2x)sin(2x)sin(2x)的周期也是2π2\pi2π,虽然最小周期是π\piπ:
很显然,sin(nx),n∈Nsin(nx),n\in\mathbb{N}sin(nx),n∈N的周期中都有一个周期为2π2\pi2π:
更一般的,如果f(x)f(x)f(x)的周期为TTT,那么:
sin(2πnTx)cos(2πnTx),n∈Nsin({\frac{2\pi n}{T}x})\quad cos({\frac{2\pi n}{T}x}),n\in\mathbb{N}sin(T2πnx)cos(T2πnx),n∈N
这些函数的周期都为TTT。将这些函数进行加减,就保证了得到的函数的周期也为TTT。
2.4 调整振幅
现在我们有一堆周期为2π2\pi2π的函数了,比如说sin(x),sin(2x),sin(3x),sin(4x),sin(5x)sin(x),sin(2x),sin(3x),sin(4x),sin(5x)sin(x),sin(2x),sin(3x),sin(4x),sin(5x):
通过调整振幅可以让它们慢慢接近目标函数,比如sin(x)sin(x)sin(x)看起来处处都比目标函数低一些:
把它的振幅增加一倍:
2sin(x)2sin(x)2sin(x)有的地方超出去了,从周期为2π2\pi2π的函数中选择一个,减去一点:
调整振幅,加加减减,我们可以慢慢接近目标函数:
2.5 小结
综上,构造出来的三角函数之和大概类似下面的样子:
f(x)=C+∑n=1∞(ancos(2πnTx)+bnsin(2πnTx)),C∈Rf(x)=C+\sum_{n=1}^{\infty}\left(a_{n} \cos \left(\frac{2 \pi n}{T} x\right)+b_{n} \sin \left(\frac{2 \pi n}{T} x\right)\right), C \in \mathbb{R} f(x)=C+n=1∑∞(ancos(T2πnx)+bnsin(T2πnx)),C∈R
这样就符合之前的分析:
- 有常数项
- 奇函数和偶函数可以组合出任意函数
- 周期为 TTT
- 调整振幅,逼近原函数
之前的分析还比较简单,后面开始有点难度了。即怎么确定这三个系数:CanbnC\quad a_n\quad b_nCanbn
3. sin(x) 的另外一种表示方法
直接不好确定,要迂回一下,先稍微介绍一下什么是:eiωte^{i\omega t}eiωt?
3.1 eiωte^{i\omega t}eiωt
eiθe^{i\theta}eiθ 这种就应该想到复平面上的一个夹角为\theta的向量:
那么当θ\thetaθ不再是常数,而是代表时间的变量ttt的时候:
eiθ→eite^{i\theta}\to e^{i{\color{red}t}}eiθ→eit
随着时间ttt的流逝,从0开始增长,这个向量就会旋转起来,2π2\pi2π秒会旋转一圈,也就是T=2πT=2\piT=2π:
3.2 通过eiωte^{i\omega t}eiωt表示sin(t)sin(t)sin(t)
根据欧拉公式,有:
eit=cos(t)+isin(t)e^{it}=cos(t)+isin(t)eit=cos(t)+isin(t)
所以,在时间ttt轴上,把eite^{it}eit向量的虚部(也就是纵坐标)记录下来,得到的就是sin(t)sin(t)sin(t),代数上用 ImImIm 表示虚部 sin(t)=Im(eit)sin(t)=Im(e^{it})sin(t)=Im(eit):
在时间ttt轴上,把ei2te^{i2t}ei2t向量的虚部记录下来,得到的就是sin(2t)sin(2t)sin(2t):
如果在时间ttt轴上,把eite^{it}eit的实部(横坐标)记录下来,得到的就是cos(t)cos(t)cos(t)的曲线,代数上用 ReReRe 表示虚部 cos(t)=Re(eit)cos(t)=Re(e^{it})cos(t)=Re(eit):
更一般的我们认为,我们具有两种看待sin(x)sin(x)sin(x),cos(x)cos(x)cos(x)的角度:
eiωt⟺{sin(ωt)cos(ωt)e^{i\omega t}\iff \begin{cases}sin(\omega t)\\cos(\omega t)\end{cases}eiωt⟺{sin(ωt)cos(ωt)
这两种角度,一个可以观察到旋转的频率,所以称为频域
;一个可以看到流逝的时间,所以称为时域
:
4. 通过频域来求系数
4.1 函数是线性组合
假设有这么个函数:
g(x)=sin(x)+sin(2x)g(x)=sin(x)+sin(2x)g(x)=sin(x)+sin(2x)
是一个T=2πT=2\piT=2π的函数:
如果转到频域去,那么它们是下面这个复数函数的虚部:
eit+ei2te^{it}+e^{i2t}eit+ei2t
先看看eiθ+ei2θe^{i\theta}+e^{i2\theta}eiθ+ei2θ,其中θ\thetaθ是常数,很显然这是两个向量之和:
现在让它们动起来,把θ\thetaθ变成流逝的时间ttt,那么就变成了旋转的向量和:
很显然,如果把虚部记录下来,就得到 g(t)g(t)g(t):
我们令:
G(t)=eit+ei2tG(t)=e^{it}+e^{i2t}G(t)=eit+ei2t
这里用大写的GGG来表示复数函数。
刚才看到了,eite^{it}eit和ei2te^{i2t}ei2t都是向量,所以上式可以写作:
G(t)=eit+ei2t\boldsymbol{G(t)}=\boldsymbol{e^{it}}+\boldsymbol{e^{i2t}}G(t)=eit+ei2t
这里就是理解的重点了,从线性代数的角度:
- eite^{it}eit和ei2te^{i2t}ei2t是基
- G(t)是基eite^{it}eit,ei2te^{i2t}ei2t的线性组合
g(t)g(t)g(t)是G(t)G(t)G(t)的虚部,所以取虚部,很容易得到:
g(t)⃗=sin(t)⃗+sin(2t)⃗\vec{g(t)}=\vec{sin(t)}+\vec{sin(2t)}g(t)=sin(t)+sin(2t)
即 g(t)g(t)g(t) 是基 sin(t)sin(t)sin(t),sin(2t)sin(2t)sin(2t) 的线性组合。
那么 sin(t)sin(t)sin(t), sin(2t)sin(2t)sin(2t) 的系数,实际上是 g(t)g(t)g(t) 在基 sin(t)sin(t)sin(t), sin(2t)sin(2t)sin(2t) 下的坐标了。
4.2 如何求正交基的坐标
有了这个结论之后,我们如何求坐标?
我们来看个例子,假设:
w⃗=2u⃗+3v⃗\vec{w_{}}=2\vec{u_{}}+3\vec{v_{}}w=2u+3v
其中u⃗=(11),v⃗=(−11)\vec{u_{}}=\begin{pmatrix}1\\1\end{pmatrix},\vec{v_{}}=\begin{pmatrix}-1\\1\end{pmatrix}u=(11),v=(−11)
通过点积:
u⃗⋅v⃗=0\vec{u_{}}\cdot \vec{v_{}}=0u⋅v=0
可知这两个向量正交,是正交基
。图示如下:
通过点积可以算出u⃗\vec{u_{}}u的系数(对于正交基才可以这么做):
w⃗⋅u⃗u⃗⋅u⃗=(1,5)⋅(−1,1)(−1,1)⋅(−1,1)=2\frac{\vec{w_{}}\cdot \vec{u_{}}}{\vec{u_{}}\cdot \vec{u_{}}}=\frac{(1,5)\cdot(-1,1)}{(-1,1)\cdot(-1,1)}=2u⋅uw⋅u=(−1,1)⋅(−1,1)(1,5)⋅(−1,1)=2
4.3 如何求 sin(nt) 基下的坐标
在这里抛出一个结论,函数向量的点积是这么定义的:
f(x)⃗⋅g1(x)⃗=∫0Tf(x)g1(x)dx\vec{f(x)}\cdot\vec{g_1(x)}=\int_{0}^{T}f(x)g_1(x)dxf(x)⋅g1(x)=∫0Tf(x)g1(x)dx
其中,f(x)f(x)f(x)是函数向量
,g1(x)g_1(x)g1(x)是基
,TTT是f(x)f(x)f(x)的周期
。
那么对于:
g(x)=sin(x)+sin(2x)g(x)=sin(x)+sin(2x)g(x)=sin(x)+sin(2x)
其中,g2(x)g_2(x)g2(x)是向量
,sin(t),sin(2t)sin(t),sin(2t)sin(t),sin(2t) 是 基
,周期
T=2πT=2\piT=2π。
根据刚才内积的定义:
sin(t)⃗⋅sin(2t)⃗=∫02πsin(t)sin(2t)dt=0\vec{sin(t)}\cdot\vec{sin(2t)}=\int_{0}^{2\pi}sin(t)sin(2t)dt=0sin(t)⋅sin(2t)=∫02πsin(t)sin(2t)dt=0
所以 sin(t)sin(t)sin(t) 和 sin(2t)sin(2t)sin(2t) 互为正交基,那么根据刚才的分析,可以这么求 ggg 的正交基系数:
g⃗⋅sin(t)⃗sin(t)⃗⋅sin(t)⃗=∫02πg(x)sin(x)dx∫02πsin2(x)dx=1\frac{\vec{g_{}}\cdot \vec{sin(t)}}{\vec{sin(t)}\cdot \vec{sin(t)}}=\frac{\int_{0}^{2\pi}g(x)sin(x)dx}{\int_{0}^{2\pi}sin^2(x)dx}=1sin(t)⋅sin(t)g⋅sin(t)=∫02πsin2(x)dx∫02πg(x)sin(x)dx=1
4.4 更一般的
对于我们之前的假设,其中 f(x)f(x)f(x) 周期为 TTT:
f(x)=C+∑n=1∞(ancos(2πnTx)+bnsin(2πnTx)),C∈R\displaystyle f(x)=C+\sum _{{n=1}}^{\infty}\left(a_{n}cos({\frac{2\pi n}{T}x})+b_{n}sin({\frac{2\pi n}{T}x})\right),C\in\mathbb{R}f(x)=C+n=1∑∞(ancos(T2πnx)+bnsin(T2πnx)),C∈R
可以改写为这样:
f(x)=C⋅1+∑n=1∞(ancos(2πnTx)+bnsin(2πnTx)),C∈R\displaystyle f(x)=C\cdot 1+\sum _{{n=1}}^{\infty}\left(a_{n}cos({\frac{2\pi n}{T}x})+b_{n}sin({\frac{2\pi n}{T}x})\right),C\in\mathbb{R}f(x)=C⋅1+n=1∑∞(ancos(T2πnx)+bnsin(T2πnx)),C∈R
也就是说向量 f(x)f(x)f(x) 的基为(即把f(x)f(x)f(x)当作了如下基的向量):
{1,cos(2πnTx),sin(2πnTx)}\{1,cos({\frac{2\pi n}{T}x}),sin({\frac{2\pi n}{T}x})\}{1,cos(T2πnx),sin(T2πnx)}
是的,111 也是基。
该式可以解读为:
f(x)=a0⏟基1下的坐标⋅1+∑n=1∞(an⏟对应基的坐标cos(2πnTx)+bn⏟对应基的坐标sin(2πnTx))\displaystyle f(x)=\underbrace{a_0}_{基1下的坐标}\cdot 1+\sum _{{n=1}}^{\infty }\left(\underbrace{a_{n}}_{对应基的坐标}cos({\frac{2\pi n}{T}x})+\underbrace{b_{n}}_{对应基的坐标}sin({\frac{2\pi n}{T}x})\right)f(x)=基1下的坐标a0⋅1+n=1∑∞⎝⎛对应基的坐标ancos(T2πnx)+对应基的坐标bnsin(T2πnx)⎠⎞
那么可以得到(通过上一节求正交基系数的方法计算每一项的系数):
an=∫0Tf(x)cos(2πnTx)dx∫0Tcos2(2πnTx)dx=2T∫0Tf(x)cos(2πnTx)dxbn=∫0Tf(x)sin(2πnTx)dx∫0Tsin2(2πnTx)dx=2T∫0Tf(x)sin(2πnTx)dxa_n=\frac{\int_{0}^{T}f(x)cos({\frac{2\pi n}{T}x})dx}{\int_{0}^{T}cos^2({\frac{2\pi n}{T}x})dx}=\frac{2}{T}\int_{0}^{T}f(x)cos({\frac{2\pi n}{T}x})dx\\ b_n=\frac{\int_{0}^{T}f(x)sin({\frac{2\pi n}{T}x})dx}{\int_{0}^{T}sin^2({\frac{2\pi n}{T}x})dx}=\frac{2}{T}\int_{0}^{T}f(x)sin({\frac{2\pi n}{T}x})dxan=∫0Tcos2(T2πnx)dx∫0Tf(x)cos(T2πnx)dx=T2∫0Tf(x)cos(T2πnx)dxbn=∫0Tsin2(T2πnx)dx∫0Tf(x)sin(T2πnx)dx=T2∫0Tf(x)sin(T2πnx)dx
CCC 也可以通过点积来表示,最终我们得到:
f(x)=a02+∑n=1∞(ancos(2πnxT)+bnsin(2πnxT))\displaystyle f(x)={\frac{a_{0}}{2}}+\sum _{{n=1}}^{\infty}\left(a_{n}\cos({\tfrac {2\pi nx}{T}})+b_{n}\sin({\tfrac {2\pi nx}{T}})\right)f(x)=2a0+n=1∑∞(ancos(T2πnx)+bnsin(T2πnx))
其中:
an=2T∫x0x0+Tf(x)⋅cos(2πnxT)dx,n∈{0}⋃Nbn=2T∫x0x0+Tf(x)⋅sin(2πnxT)dx,n∈N\displaystyle a_{n}={\frac {2}{T}}\int _{{x_{0}}}^{{x_{0}+T}}f(x)\cdot \cos({\tfrac {2\pi nx}{T}})\ dx, n\in\{0\}\bigcup\mathbb{N}\\ b_{n}={\frac {2}{T}}\int _{{x_{0}}}^{{x_{0}+T}}f(x)\cdot \sin({\tfrac {2\pi nx}{T}})\ dx, n\in\mathbb{N}an=T2∫x0x0+Tf(x)⋅cos(T2πnx) dx,n∈{0}⋃Nbn=T2∫x0x0+Tf(x)⋅sin(T2πnx) dx,n∈N
5. 傅里叶级数
5.1 基坐标画到图上
举个例子,T=2πT=2\piT=2π 的方波 f(x)f(x)f(x),可以粗略的写做:
f(x)≈1+4πsin(x)f(x)\approx 1+\frac{4}{\pi}sin(x)f(x)≈1+π4sin(x)
从几何上看,有那么一丁点相似:
我们可以认为:
f(x)≈1+4πsin(x)f(x)\approx 1+\frac{4}{\pi}sin(x)f(x)≈1+π4sin(x)
此函数的基为 {1,sin(x)}\{1,sin(x)\}{1,sin(x)}。则 f(x)f(x)f(x) 相当于向量:(1,4π)\displaystyle (1,\frac{4}{\pi})(1,π4)
画到图上如下,注意坐标轴不是 x,yx,yx,y,而是 1,sin(x)1,sin(x)1,sin(x):
5.2 频域图
再增加几个三角函数:
f(x)≈1+4πsin(x)+0sin(2x)+43πsin(3x)+0sin(4x)+45πsin(5x)f(x)\approx 1+\frac{4}{\pi}sin(x)+0sin(2x)+\frac{4}{3\pi}sin(3x)+0sin(4x)+\frac{4}{5\pi}sin(5x)f(x)≈1+π4sin(x)+0sin(2x)+3π4sin(3x)+0sin(4x)+5π4sin(5x)
从几何上看,肯定更接近了:
此时基为 {1,sin(x),sin(2x),sin(3x),sin(4x),sin(5x)}\{1,sin(x),sin(2x),sin(3x),sin(4x),sin(5x)\}{1,sin(x),sin(2x),sin(3x),sin(4x),sin(5x)}
, 其对应的向量为:(1,4π,0,43π,0,45π)\displaystyle (1,\frac{4}{\pi},0,\frac{4}{3\pi},0,\frac{4}{5\pi})(1,π4,0,3π4,0,5π4)
六维的向量没有办法画图啊,没关系,数学家发明了一个频域图来表示这个向量:
上图中的 0,1,2,3,4,50,1,2,3,4,50,1,2,3,4,5 分别代表了不同频率的正弦波函数,也就是之前的基:
0Hz⟺sin(0x)3Hz⟺sin(3x)⋯0Hz\iff sin(0x)\quad 3Hz\iff sin(3x)\cdots0Hz⟺sin(0x)3Hz⟺sin(3x)⋯
而高度则代表在这个频率上的振幅,也就是这个基上的坐标分量。
这里举的例子只有正弦函数,余弦函数其实也需要这样一个频谱图,也就是需要两个频谱图。当然还有别的办法,综合正弦和余弦,这个后面再说。
原来的曲线图就称为时域图
,往往把时域图
和频域图
画在一起,这样能较为完整的反映傅立叶级数:
不管时域、频域其实反映的都是同一个曲线,只是一个是用函数的观点,一个是用向量的观点。
当习惯了频域之后,会发现看到频域图,似乎就看到了傅立叶级数的展开:
6. 非周期函数
非周期函数,比如下面这个函数可以写出傅立叶级数吗?
这并非一个周期函数,没有办法写出傅立叶级数。
不过可以变换一下思维,如果刚才的方波的周期:
T=2π→T=∞T=2\pi\to T=\inftyT=2π→T=∞
那么就得到了这个函数:
在这样的思路下,就可以使用三角级数来逼近这个函数:
观察下频域,之前说了,对于周期为 TTT 的函数 f(x)f(x)f(x),其基为:{1,cos(2πnTx),sin(2πnTx)}\{1,cos({\frac{2\pi n}{T}x}),sin({\frac{2\pi n}{T}x})\}{1,cos(T2πnx),sin(T2πnx)}
刚才举的方波 T=2πT=2\piT=2π,对应的基就为(没有余弦波):{1,sin(x),sin(2x),sin(3x),sin(4x),sin(5x),⋯sin(nx)}\{1,sin(x),sin(2x),sin(3x),sin(4x),sin(5x),\cdots\,sin(nx)\}{1,sin(x),sin(2x),sin(3x),sin(4x),sin(5x),⋯sin(nx)}
对应的频率就是:{0Hz,1Hz,2Hz,3Hz,4Hz,5Hz,⋯nHz}\{0Hz,1Hz,2Hz,3Hz,4Hz,5Hz,\cdots\,nHz\}{0Hz,1Hz,2Hz,3Hz,4Hz,5Hz,⋯nHz}
按照刚才的思路,如果 TTT 不断变大,比如让 T=4πT=4\piT=4π,对应的基就为(没有余弦波):{1,sin(0.5x),sin(x),sin(1.5x),sin(2x),sin(2.5x),⋯sin(0.5nx)}\{1,sin(0.5x),sin(x),sin(1.5x),sin(2x),sin(2.5x),\cdots\,sin(0.5nx)\}{1,sin(0.5x),sin(x),sin(1.5x),sin(2x),sin(2.5x),⋯sin(0.5nx)}
对应的频率就是:{0Hz,0.5Hz,1Hz,1.5Hz,2Hz,2.5Hz,⋯0.5nHz}\{0Hz,0.5Hz,1Hz,1.5Hz,2Hz,2.5Hz,\cdots\,0.5nHz\}{0Hz,0.5Hz,1Hz,1.5Hz,2Hz,2.5Hz,⋯0.5nHz}
和刚才相比,频率更加密集:
之前的方波的频域图,画了前 505050 个频率,可以看到,随着 TTT 不断变大,这 505050 个频率越来越集中:
可以想象,如果:
T=2π→T=∞T=2\pi\to T=\inftyT=2π→T=∞
这些频率就会变得稠密,直至连续,变为一条频域曲线:
傅立叶变换就是,让 T=∞T=\inftyT=∞,求出上面这根频域曲线。
7. 傅里叶变换
之前说了,傅立叶级数是:
f(x)=a0+∑n=1∞(ancos(2πnTx)+bnsin(2πnTx)),a0∈R\displaystyle f(x)=a_0+\sum _{{n=1}}^{\infty}\left(a_{n}cos({\frac{2\pi n}{T}x})+b_{n}sin({\frac{2\pi n}{T}x})\right),a_0\in\mathbb{R}f(x)=a0+n=1∑∞(ancos(T2πnx)+bnsin(T2πnx)),a0∈R
这里有正弦波,也有余弦波,画频域图也不方便,通过欧拉公式,可以修改为复数形式:
f(x)=∑n=−∞∞cn⋅ei2πnxT\displaystyle f(x)=\sum _{{n=-\infty }}^{\infty }c_{n}\cdot e^{{i{\tfrac {2\pi nx}{T}}}}f(x)=n=−∞∑∞cn⋅eiT2πnx
其中:
cn=1T∫x0x0+Tf(x)⋅e−i2πnxTdx\displaystyle c_{n}={\frac{1}{T}}\int _{{x_{0}}}^{{x_{0}+T}}f(x)\cdot e^{{-i{\tfrac {2\pi nx}{T}}}}\ dxcn=T1∫x0x0+Tf(x)⋅e−iT2πnx dx
复数形式也是向量,可以如下解读:
f(x)=∑n=−∞∞cn⏟对应基的坐标⋅ei2πnxT⏟正交基\displaystyle f(x)=\sum _{{n=-\infty}}^{\infty}\underbrace{c_{n}}_{对应基的坐标}\cdot \underbrace{e^{{i{\tfrac {2\pi nx}{T}}}}}_{正交基}f(x)=n=−∞∑∞对应基的坐标cn⋅正交基eiT2πnx
不过 cnc_{n}cn 是复数,不好画频域图,所以之前讲解全部采取的是三角级数。
周期推向无穷的时候可以得到:
f(x)=∑n=−∞∞cn⋅ei2πnxTT=∞}⟹f(x)=∫−∞∞F(ω)eiωxdω\left. \begin{align*} \displaystyle f(x)=\sum _{{n=-\infty }}^{\infty }c_{n}\cdot e^{{i{\tfrac {2\pi nx}{T}}}}\\ T=\infty \end{align*} \right\}\implies f(x) = \int_{-\infty}^\infty F(\omega)\ e^{i\omega x}\,d\omegaf(x)=n=−∞∑∞cn⋅eiT2πnxT=∞⎭⎬⎫⟹f(x)=∫−∞∞F(ω) eiωxdω
上面简化了一下,用 ω\omegaω 代表频率(2πnT\frac{2\pi n}{T}T2πn 在这里没有意义,因为是连续的)。
F(ω)F(\omega)F(ω) 大致是这么得到的:
cn=1T∫x0x0+Tf(x)⋅e−i2πnxTdxT=∞}⟹F(ω)=12π∫−∞∞f(x)e−iωxdx\left. \begin{align*} c_{n}={\frac{1}{T}}\int _{{x_{0}}}^{{x_{0}+T}}f(x)\cdot e^{{-i{\tfrac {2\pi nx}{T}}}}\ dx\\ T=\infty \end{align*} \right\}\implies F(\omega)=\frac{1}{2\pi}\int_{-\infty}^\infty f(x)\ e^{-i\omega x}\,dxcn=T1∫x0x0+Tf(x)⋅e−iT2πnx dxT=∞⎭⎬⎫⟹F(ω)=2π1∫−∞∞f(x) e−iωxdx
F(ω)F(\omega)F(ω) 就是傅立叶变换
,得到的就是频域曲线。
下面两者称为傅立叶变换对,可以相互转换:
f(x)⟺F(ω)f(x)\iff F(\omega)f(x)⟺F(ω)
正如之前说的,这是看待同一个数学对象的两种形式,一个是函数,一个是向量。
傅立叶级数与傅里叶变换相关推荐
- 三角形和矩形傅里叶变换_信号与系统:第三章傅立叶变换2.ppt
第三节 连续时间周期信号的频谱分析 一)周期矩形脉冲的频谱 三. 周期信号的有效频帶宽度(简称带宽) 四. 周期信号的功率谱 第四节. 连续时间非周期信号的频谱 一. 从傅立叶级数到傅里叶变换 三.一 ...
- 离散傅里叶变换(DFT)(为了使用而学习的DFT)
1. 离散周期信号的傅里叶级数及其系数(DFS) 1)针对的对象:周期离散序列,设周期为N: 2)像连续周期信号那样用傅里叶级数表示信号,也即周期序列x[n]的傅里叶级数(DFS)表示: 其中: 从上 ...
- 通俗讲解傅里叶变换fft
通俗易懂的FFT_fft 二.傅立叶变换的提出 让我们先看看为什么会有傅立叶变换?傅立叶是一位法国数学家和物理学家的名字,英语原名是Jean Baptiste Joseph Fourier(1768- ...
- 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: ...
- 傅里叶变换是用来做什么的,具体举例一下应用?
Comzyh ,计算机专业在读 126 人赞同 看到 @林木然 的答案,用Mathematica 做了下试验,效果没有有这么好. 首先输入图像 做离散傅里叶变换: data = ImageData[C ...
- 我所理解的离散傅里叶变换_DFT
1.闲话放在前面扯 什么是频域?从我们出生,我们看到的世界都以时间贯穿,股票的走势.人的身高.汽车的轨迹都会随着时间发生改变.这种以时间作为参照来观察动态世界的方法我们称其为时域分析.而我们也想当然的 ...
- 从头到尾彻底理解傅里叶变换算法(上)
从头到尾彻底理解傅里叶变换算法(上) 前言 第一部分. DFT 第一章.傅立叶变换的由来 第二章.实数形式离散傅立叶变换(Real DFT) 从头到尾彻底理解傅里叶变换算法.下 第三章.复数 第四章 ...
- householder变换qr分解matlab_【基础教程】Matlab实现傅里叶变换
傅立叶变换 傅立叶变换是一种常见的分析方法,傅立叶变换将满足一定条件的函数表示为一些函数的加权和(或者积分).可以分为四个类别: 1. 非周期连续性信号 对应于傅里叶变换,频域连续非周期 2. 周期性 ...
- 经典算法研究系列:十、从头到尾彻底理解傅里叶变换算法、上
经典算法研究系列:十.从头到尾彻底理解傅里叶变换算法.上 作者:July.dznlong 二零一一年二月二十日 推荐阅读:The Scientist and Engineer's Guide t ...
- 图像处理傅里叶变换图像变化_傅里叶变换和图像床单视图。
图像处理傅里叶变换图像变化 What do Fourier Transforms do? What do the Fourier modes represent? Why are Fourier Tr ...
最新文章
- Lidar与IMU标定代码实战:lidar_align
- Hexo自定义页面的两种方法
- python采集文章_python学习基础之信息采集
- python3读取excel数据-Python3操作Excel文件(读写)的简单实例
- Maven最全教程,还有哪里对maven不解的地方看过来!
- mega x_[MEGA DEAL]通过Hadoop Bundle掌握大数据(91%的折扣)
- 2020款iPhone SE最快下周发布:价格3000以内
- 测试机器学习算法的好坏
- Java中的==符号与equals()的使用(测试两个变量是否相等)
- AOP概述(什么是AOP?)——Spring AOP(一)
- php手机号批量分类,一个非常好的php实现手机号归属地查询接口类
- Skiplist和strcpy以及AVL/红黑树
- 关于html引用css无法加载——新手踩的坑
- telnet登录交换机
- java duration 时间差_Java Duration toDays()用法及代码示例
- 大学选修课计算机心得,大学选修课心得体会范文五篇
- Linux下的启动oracle服务 启动监听 开放端口操作
- PPP协议(PPP协议链路建立过程、PAP、CHAP、华为虚拟网络设备配置)
- FT232RL如何区分正品与盗版
- terminal命令下安装python_Windows Terminal-Windows Terminal命令行安装包下载 官方最新版 - 安下载...
热门文章
- 2、服务器系统:Windows Server 2012 操作系统
- Preparing transaction:done Verifying transaction:failed RemoveError:‘requests‘ is a dependency of **
- 5-2 jmu-java-m05-自定义Judgeable接口 (10分)
- 12级计算机动画制作专业,计算机专业技术12级是什么意思?
- 2019年11月计算机语言排名,2019年11月PYPL编程语言排行榜出炉
- Cyclone IV E资源结构与重点电路
- OSPF之Stub区域
- 程序员的忠告:为什么避免使用 SELECT * 查询,效率低?
- 使用bootstrap画登录页面并实现表单校验与“记住我”功能
- C++案例——联系人管理系统