简介：对于傅里叶变换，傅里叶级数分解中存在的狄利克雷条件进行实验展示，说明这些条件是如何影响信号的傅里叶变换结果的。

关键词： 傅里叶变换，FFT，狄利克雷条件

傅里叶在提出傅里叶级数时坚持认为，任何一个周期信号都可以展开成傅里叶级数，虽然这个结论在当时引起许多争议，但持异议者却不能给出有力的不同论据。直到20年后(1829年)狄利克雷才对这个问题作出了令人信服的回答，狄利克雷认为，只有在满足一定条件时，周期信号才能展开成傅里叶级数。这个条件被称为 狄利克雷条件（Dirichlet Condition） 。

下面对于经常看到的不符合Dirichlet条件的波形，通过FFT来研究使用部分它的系数来合成对应的信号时，随着系数的增加，合成波形的变化规律。

1.有限个间断点

定一个在(0,1)\left( {0,1} \right)(0,1)之内具有无限间断点的函数。从0到1之间每前进当前剩余区间一半的时候，函数值就降低一倍。

![](https://img-blog.csdnimg.cn/20210324000420286.png#pic_center =415x#pic_center =800x)
根据上面的表达式可以绘制出对应的函数，如下图所示。这个函数具有无穷多个间断点，它的面积为：

∫01f(t)dt=12∑n=0∞14n=12⋅11−1/4=23\int_0^1 {f\left( t \right)dt} = {1 \over 2}\sum\limits_{n = 0}^\infty {{1 \over {4^n }} = {1 \over 2} \cdot {1 \over {1 - 1/4}} = {2 \over 3}}∫01f(t)dt=21n=0∑∞4n1=21⋅1−1/41=32

^{▲ f(t)一个周期内的波形}

#------------------------------------------------------------
def setfv(t):tn = len(t)f = zeros(tn)for i in range(20):v = 2**(-i)startn = int(tn - v*tn)f[startn:] = vreturn f
#------------------------------------------------------------
t = linspace(0, 1, 100000)
data = setfv(t)
plt.plot(t, data)
plt.xlabel("t")
plt.ylabel("f(t)")
plt.grid(True)
plt.tight_layout()
plt.show()

将信号抽取100000数据，利用FFT计算对应的离散傅里叶系数。下面绘制出前面200个系数的幅值。可以看到该信号的频谱幅度随着n增加迅速降低到0。

^{▲ 信号f(t)的FFT前200个系数的幅值}

下面给出了利用信号f(t)的前1~200个系数合成信号的过程。可以看到信号在间断点处出现Gibbs过冲现象。但是误差信号还是随着n增加逐步能量降低。

^{▲ 使用前200个系数合成信号波形}

^{▲ 使用前2000个系数合成信号波形}

^{▲ 使用前20000个系数合成信号波形}

2.无限个极值

下面表达式给出了一个在周期(0,1)\left( {0,1} \right)(0,1)内的具有无限多个极大值，极小值的函数：

f1(t)=sin⁡(πt),t∈(0,1)f_1 \left( t \right) = \sin \left( {{\pi \over t}} \right),\,\,t \in \left( {0,1} \right)f1(t)=sin(tπ),t∈(0,1)

^{▲ 函数sin(pi/t)的信号波形}

对这个函数进行离散傅里叶变换（DFT），从0.0001~1之间采集10510^5105个数据的，利用FFT计算DFT的系数，下图绘制了前200个系数的幅值。可以看到它的频率迅速衰减到0。如果jd计算后的系数重新进行逆运算，合成后的波形就会与原来信号保持一致。

^{▲ sin(pi/t)DFT前200个系数幅值}

^{▲ 使用100000000采样后计算的DFT系数}

t = linspace(0.0000000001, 1, 100000000)
data = sin(1/t*pi)
fftdata = fft.fft(data)plt.plot(abs(fftdata[:20000]))
plt.xlabel("k")
plt.ylabel("abs(fft(data))")
plt.grid(True)
plt.tight_layout()
plt.show()

下面分别使用sin(1/t)DFT前面若干系数来合成对应的波形。
fN(t)=real{IFFT[X[m:−m]]}f_N \left( t \right) = real\left\{ {IFFT\left[ {X\left[ {m: - m} \right]} \right]} \right\}fN(t)=real{IFFT[X[m:−m]]}

下图显示了合成系数的个数分别从1演变到300过程中，合成信号波形的变化。毫不夸张的说，这个波形与sin(1/t)之间几乎毫无关系。

^{▲ 使用sin(pi/t)DFT前200个系数合成信号的波形演变过程}

如果将合成系数的数量增加10倍，合成之后的波形在左边的高频波形逐步丰富，在右端则会出现越来越高的尖峰。

^{▲ 使用sin(pi/t)DFT前2000个系数合成信号的波形演变过程}

^{▲ 使用sin(pi/t)DFT前30000个系数合成信号的波形演变过程}

3.绝对可积

下图是在(0,1)\left( {0,1} \right)(0,1)之间函数：f(t)=1tf\left( t \right) = {1 \over t}f(t)=t1

它的面积为无穷大。但是信号的能量为：

Ef=∫01f2(t)dt=∫011t2dt=−1t∣0∞=∞E_f = \int_0^1 {f^2 \left( t \right)dt} = \int_0^1 {{1 \over {t^2 }}dt} = \left. { - {1 \over t}} \right|_0^\infty = \inftyEf=∫01f2(t)dt=∫01t21dt=−t1∣∣∣∣0∞=∞

^{▲ 信号f(t)在0~1之间的波形}

下面使用信号的FFT前20000项系数合成信号，随着n增加合成信号的变化过程。

^{▲ 使用信号的FFT前20000个系数重新合成信号}

▌附件

#!/usr/local/bin/python
# -*- coding: gbk -*-
#============================================================
# TEST1.PY                     -- by Dr. ZhuoQing 2021-03-23
#
# Note:
#============================================================from headm import *#------------------------------------------------------------def setfv(t):tn = len(t)f = zeros(tn)for i in range(20):v = 2**(-i)startn = int(tn - v*tn)f[startn:] = vreturn f#------------------------------------------------------------
t = linspace(0.0001, 1, 100000)
data = 1/t**2#------------------------------------------------------------#area = sum(data)/len(data)
#printf(area)'''
m = 100plt.draw()
plt.pause(.25)pltgif = PlotGIF()for i in range(200):startm = m * (i+1)dataf = fft.fft(data)dataf[startm:-startm] = 0plt.clf()plt.plot(t, real(fft.ifft(dataf)))plt.xlabel("t")plt.ylabel("ifft(data)")plt.grid(True)plt.title('n = %d'%startm)plt.tight_layout()plt.axis([0, 1, 0, 20])plt.draw()plt.pause(.01)pltgif.append(plt)pltgif.save(r'd:\temp\1.gif')
printf('\a')'''
#------------------------------------------------------------'''datafft = fft.fft(data)plt.plot(abs(datafft[:200]))
plt.xlabel("k")
plt.ylabel("abs(fft(data))")
plt.grid(True)
plt.tight_layout()
plt.show()'''
#------------------------------------------------------------plt.plot(t, data)
plt.xlabel("t")
plt.ylabel("f(t)")
plt.grid(True)
plt.axis([0, 1, 0, 20])
plt.tight_layout()
plt.show()#------------------------------------------------------------#------------------------------------------------------------
#        END OF FILE : TEST1.PY
#============================================================

■ 相关文献链接:

狄利克雷条件（Dirichlet Condition）

● 相关图表链接:

f(t)一个周期内的波形
信号f(t)的FFT前200个系数的幅值
使用前200个系数合成信号波形
使用前2000个系数合成信号波形
使用前20000个系数合成信号波形
函数sin(pi/t)的信号波形
sin(pi/t)DFT前200个系数幅值
使用100000000采样后计算的DFT系数
使用sin(pi/t)DFT前200个系数合成信号的波形演变过程
使用sin(pi/t)DFT前2000个系数合成信号的波形演变过程
使用sin(pi/t)DFT前30000个系数合成信号的波形演变过程
信号f(t)在0~1之间的波形
使用信号的FFT前20000个系数重新合成信号

傅里叶变换中的狄利克雷条件相关推荐

一文教你理解傅里叶变换及MATLAB在求傅里叶变换中的应用
大纲从积分变换谈起积分变换的基本概念积分变换的来源傅里叶级数傅里叶级数的相关基础概念傅里叶级数的基石--三角函数系及其正交性三角函数系三角函数系的正交性傅里叶级数的含义傅里叶系数的 ...
狄利克雷条件和帕塞瓦尔定理
狄利克雷条件和帕塞瓦尔定理狄利克雷条件狄利克雷条件是一个信号存在傅里叶变换的充分不必要条件该条件包括三个部分: 在一个周期内,连续或只有有限个第一类间断点在一个周期内,极大值和极小值的数目有限 ...
mysql按条件提取数据库_SQL中的where条件，在数据库中提取与应用浅析
1 问题描述一条SQL,在数据库中是如何执行的呢?相信很多人都会对这个问题比较感兴趣.当然,要完整描述一条SQL在数据库中的生命周期,这是一个非常巨大的问题,涵盖了SQL的词法解析.语 ...
html 判断boolean,js关于if()else{}中的判定条件的认识，各种数据类型转换为Boolean类型的转换规则...
if()中的判断条件其实是转换成Boolean类型对Boolean类型的判断 String类型 var a="test"; if(a){ alert("yes" ...
【Groovy】集合遍历 ( 使用集合的 findAll 方法查找集合中符合匹配条件的所有元素 | 代码示例 )
文章目录一.使用集合的 findAll 方法查找集合中符合匹配条件的所有元素 1.闭包中使用 == 作为 findAll 方法的查找匹配条件 2.闭包中使用 is 作为 findAll 方法的查找匹 ...
Mybatis多参数封装到map中，多条件查询
1.UserMapper接口 package com.william.dao;import com.william.domain.QueryValueObject; import com.willia ...
python矩阵中找满足条件的元素_Python 找到列表中满足某些条件的元素方法
Python 找到列表中满足某些条件的元素方法更新时间:2018年06月26日 11:20:17 作者:CS_network 今天小编就为大家分享一篇Python 找到列表中满足某些条件的元素方法, ...
中if判断中文_Excel中的逻辑函数的使用技巧 IF函数中的多条件判断
IF函数的基本结构很简单,真正使用的过程中,在于条件判断的写法,如何构造一个正确判断条件才是关键,也就是下图中A的构造才是IF函数的关键交集.并集和求反函数应用技巧常用的逻辑关系有3种,即[与]. ...
报表下拉框多选查询及一般在sql中添加查询条件
1.sql SELECT * FROM [销量] where 1=1 ${if(len(销售员1) == 2,"","and 销售员 in (" + 销售员1 ...

傅里叶变换中的狄利克雷条件

1.有限个间断点

2.无限个极值

3.绝对可积

▌附件

傅里叶变换中的狄利克雷条件相关推荐

最新文章

热门文章