【信号与系统 - 6】周期信号的傅里叶变换

1 方法一:对傅里叶级数展开式 F T 变换 FT变换 FT变换

由于周期信号进行傅里叶变换不满足标准定义式 F ( j w ) = ∫ − ∞ + ∞ e − j w t f ( t ) d t F(jw)=\int^{+\infty}_{-\infty}e^{-jwt}f(t)dt F(jw)=+ejwtf(t)dt 使用的条件:需要绝对可积(周期信号时域上无限向两端延展会导致积分不收敛,而傅里叶变换要求积分主体范围是有界的),则求周期信号的傅里叶变换需另辟新径:根据周期信号的傅里叶级数展开式为 f ( t ) = ∑ n = − ∞ n = + ∞ F n e j n w 0 t f(t)=\sum_{n=-\infty}^{n=+\infty}F_ne^{jnw_0t} f(t)=n=n=+Fnejnw0t

对上式求傅里叶变换(实际上将对周期信号进行 F T 变换 FT变换 FT变换 转化成了对非周期信号 e j n w 0 t e^{jnw_0t} ejnw0t F T 变换 FT变换 FT变换

F T [ f ( t ) ] = F T [ ∑ n = − ∞ + ∞ F n e j n w 0 t ] = ∑ n = − ∞ + ∞ F n ⋅ F T [ e j n w 0 t ] FT[f(t)]=FT[\sum_{n=-\infty}^{+\infty}F_ne^{jnw_0t}]=\sum_{n=-\infty}^{+\infty}F_n\cdot FT[e^{jnw_0t}] FT[f(t)]=FT[n=+Fnejnw0t]=n=+FnFT[ejnw0t]

由于 F T [ f ( t ) e ± j w 0 t ] = F [ j ( w ∓ w 0 ) ] FT[f(t)e^{\pm jw_0t}]=F[j(w\mp w_0)] FT[f(t)e±jw0t]=F[j(ww0)] F T [ 1 ] = 2 π δ ( w ) FT[1]=2\pi\delta(w) FT[1]=2πδ(w),则:

F T [ e j n w 0 t ] = F T [ 1 ⋅ e j n w 0 t ] = 2 π δ ( w − n w 0 ) FT[e^{jnw_0t}]=FT[1\cdot e^{jnw_0t}]=2\pi\delta(w-nw_0) FT[ejnw0t]=FT[1ejnw0t]=2πδ(wnw0)

合并得到:

F T [ f ( t ) ] = 2 π ∑ n = − ∞ + ∞ F n ⋅ δ ( w − n w 0 ) FT[f(t)]=2\pi\sum_{n=-\infty}^{+\infty}F_n\cdot \delta(w-nw_0) FT[f(t)]=2πn=+Fnδ(wnw0)

则周期信号的傅里叶变换得到的频谱函数图由无限个冲激信号构成


  • 例1:对矩形脉冲信号 f ( t ) f(t) f(t) (实际上就是周期的门函数 g τ ( t ) = u ( t + τ 2 ) − u ( t − τ 2 ) g_\tau(t)=u(t+\frac{\tau}{2})-u(t-\frac{\tau}{2}) gτ(t)=u(t+2τ)u(t2τ) )进行 F T 变换 FT变换 FT变换
    注:下面所有的 w 0 = 2 π T w_0=\frac{2\pi}{T} w0=T2π

在这里插入图片描述

F n = 1 T ∫ T e − j n w 0 t ⋅ f T ( t ) d t , ∣ n ∣ = 0 , 1 , 2 , 3... F_n=\frac{1}{T}\int_Te^{-jnw_0t}\cdot f_T(t)dt,|n|=0,1,2,3... Fn=T1Tejnw0tfT(t)dt,n=0,1,2,3...

由于:

f T ( t ) = ∑ m = − ∞ + ∞ g τ ( t − m T ) f_T(t)=\sum_{m=-\infty}^{+\infty}g_\tau(t-mT) fT(t)=m=+gτ(tmT)

则:

F n = 1 T ∫ T e − j n w 0 t ⋅ [ ∑ m = − ∞ + ∞ g τ ( t − m T ) ] d t F_n=\frac{1}{T}\int_Te^{-jnw_0t}\cdot[\sum_{m=-\infty}^{+\infty}g_\tau(t-mT)]dt Fn=T1Tejnw0t[m=+gτ(tmT)]dt

由于 T > τ T>\tau T>τ,一个周期内只有一个门函数,则:

F n = 1 T ∫ − τ 2 + τ 2 e − j n w 0 t ⋅ g τ ( t ) d t = 1 T ∫ − τ 2 + τ 2 e − j n w 0 t ⋅ 1 d t F_n=\frac{1}{T}\int_{-\frac{\tau}{2}}^{+\frac{\tau}{2}}e^{-jnw_0t}\cdot g_\tau(t)dt=\frac{1}{T}\int_{-\frac{\tau}{2}}^{+\frac{\tau}{2}}e^{-jnw_0t}\cdot 1dt Fn=T12τ+2τejnw0tgτ(t)dt=T12τ+2τejnw0t1dt
= 1 T ⋅ 1 − j n w 0 [ e − j n w 0 t ] t = − τ 2 t = + τ 2 = 2 T s i n ( n w 0 τ 2 ) n w 0 =\frac{1}{T}\cdot\frac{1}{-jnw_0}\Big[e^{-jnw_0t}\Big]_{t=-\frac{\tau}{2}}^{t=+\frac{\tau}{2}}=\frac{2}{T}\frac{sin(\frac{nw_0\tau}{2})}{nw_0} =T1jnw01[ejnw0t]t=2τt=+2τ=T2nw0sin(2nw0τ)

结论是:

F n = τ T S a ( n w 0 τ 2 ) F_n=\frac{\tau}{T}Sa(\frac{nw_0\tau}{2}) Fn=TτSa(2nw0τ)

则:

F T [ f ( t ) ] = 2 π τ T ∑ n = − ∞ + ∞ S a ( n w 0 τ 2 ) ⋅ δ ( w − n w 0 ) FT[f(t)]=\frac{2\pi\tau}{T}\sum_{n=-\infty}^{+\infty}Sa(\frac{nw_0\tau}{2})\cdot \delta(w-nw_0) FT[f(t)]=T2πτn=+Sa(2nw0τ)δ(wnw0)

在这里插入图片描述


例2、 δ T ( t ) = ∑ m = − ∞ + ∞ δ ( t + m T ) , m 为整数 \delta_T(t)=\sum_{m=-\infty}^{+\infty}\delta(t+mT),m为整数 δT(t)=m=+δ(t+mT),m为整数

F n = 1 T ∫ T δ T ( t ) e − j n w 0 t d t = 1 T ∫ − T 2 T 2 δ ( t ) e − j n w 0 t d t F_n=\frac{1}{T}\int_T\delta_T(t)e^{-jnw_0t}dt=\frac{1}{T}\int_{-\frac{T}{2}}^{\frac{T}{2}}\delta(t)e^{-jnw_0t}dt Fn=T1TδT(t)ejnw0tdt=T12T2Tδ(t)ejnw0tdt

根据采样定理 ∫ − ∞ + ∞ f ( t ) δ ( t ) d t = ∫ − ∞ + ∞ f ( 0 ) δ ( t ) d t = f ( 0 ) ∫ − T 2 T 2 δ ( t ) d t = f ( 0 ) ⋅ 1 \int_{-\infty}^{+\infty}f(t)\delta(t)dt=\int_{-\infty}^{+\infty}f(0)\delta(t)dt=f(0)\int_{-\frac{T}{2}}^{\frac{T}{2}}\delta(t)dt=f(0)\cdot 1 +f(t)δ(t)dt=+f(0)δ(t)dt=f(0)2T2Tδ(t)dt=f(0)1 ,则:

F n = 1 T e 0 = 1 T F_n=\frac{1}{T}e^0=\frac{1}{T} Fn=T1e0=T1

则傅里叶变换为:

F T [ δ T ( t ) ] = 2 π T ⋅ ∑ n = − ∞ + ∞ δ ( w − n w 0 ) = w 0 ⋅ ∑ n = − ∞ + ∞ δ ( w − n w 0 ) FT[\delta_T(t)]=\frac{2\pi}{T}\cdot\sum_{n=-\infty}^{+\infty}\delta(w-nw_0)=w_0\cdot\sum_{n=-\infty}^{+\infty}\delta(w-nw_0) FT[δT(t)]=T2πn=+δ(wnw0)=w0n=+δ(wnw0)


2 方法二:通过卷积进行 F T 变换 FT变换 FT变换

f T ( t ) = ∑ m = − ∞ + ∞ f 0 ( t − m T ) = f 0 ( t ) ∗ δ T ( t ) = f 0 ( t ) ∗ ∑ m = − ∞ + ∞ δ ( t − m T ) f_T(t)=\sum_{m=-\infty}^{+\infty}f_0(t-mT)=f_0(t)*\delta_T(t)=f_0(t)*\sum_{m=-\infty}^{+\infty}\delta(t-mT) fT(t)=m=+f0(tmT)=f0(t)δT(t)=f0(t)m=+δ(tmT)
f T ( t ) ↔ F T [ f 0 ( t ) ] ⋅ F T [ δ T ( t ) ] = F T [ f 0 ( t ) ] ⋅ w 0 ∑ n = − ∞ + ∞ δ ( w − n w 0 ) = 2 π T ⋅ F T [ f 0 ( t ) ] ⋅ ∑ n = − ∞ + ∞ δ ( w − n w 0 ) f_T(t)\leftrightarrow FT[f_0(t)]\cdot FT[\delta_T(t)]=FT[f_0(t)]\cdot w_0\sum_{n=-\infty}^{+\infty}\delta(w-nw_0)=\frac{2\pi}{T}\cdot FT[f_0(t)]\cdot\sum_{n=-\infty}^{+\infty}\delta(w-nw_0) fT(t)FT[f0(t)]FT[δT(t)]=FT[f0(t)]w0n=+δ(wnw0)=T2πFT[f0(t)]n=+δ(wnw0)

实际上:将对 f T ( t ) f_T(t) fT(t) 这个周期信号的傅里叶变换求解转变为了对某个周期内的单独的(非周期的)信号 f 0 ( t ) f_0(t) f0(t) F T 变换 FT变换 FT变换


证明 f 0 ( t ) ∗ δ T ( t ) = f T ( t ) f_0(t)*\delta_T(t)=f_T(t) f0(t)δT(t)=fT(t)

f 0 ( t ) ∗ δ ( t ) = ∫ − ∞ + ∞ f 0 ( τ ) ⋅ δ ( t − τ ) d τ f_0(t)*\delta(t)=\int_{-\infty}^{+\infty}f_0(\tau)\cdot\delta(t-\tau)d\tau f0(t)δ(t)=+f0(τ)δ(tτ)dτ

根据 ∫ − ∞ + ∞ f ( t ) ⋅ δ ( t − t 0 ) d t = ∫ − ∞ + ∞ f ( t 0 ) ⋅ δ ( t − t 0 ) d t = f ( t 0 ) \int_{-\infty}^{+\infty}f(t)\cdot\delta(t-t_0)dt=\int_{-\infty}^{+\infty}f(t_0)\cdot\delta(t-t_0)dt=f(t_0) +f(t)δ(tt0)dt=+f(t0)δ(tt0)dt=f(t0),将 t t t 替换成 τ \tau τ,即 ∫ − ∞ + ∞ f ( τ ) ⋅ δ ( τ − t 0 ) d τ = ∫ − ∞ + ∞ f ( t 0 ) ⋅ δ ( τ − t 0 ) d τ = f ( t 0 ) \int_{-\infty}^{+\infty}f(\tau)\cdot\delta(\tau-t_0)d\tau=\int_{-\infty}^{+\infty}f(t_0)\cdot\delta(\tau-t_0)d\tau=f(t_0) +f(τ)δ(τt0)dτ=+f(t0)δ(τt0)dτ=f(t0)

f 0 ( t ) ∗ δ ( t ) = ∫ − ∞ + ∞ f 0 ( τ ) ⋅ δ ( t − τ ) d τ f_0(t)*\delta(t)=\int_{-\infty}^{+\infty}f_0(\tau)\cdot\delta(t-\tau)d\tau f0(t)δ(t)=+f0(τ)δ(tτ)dτ

又由于 δ ( t ) \delta(t) δ(t) 为偶函数,则 δ ( t − τ ) = δ ( τ − t ) \delta(t-\tau)=\delta(\tau-t) δ(tτ)=δ(τt),则:

= ∫ − ∞ + ∞ f 0 ( τ ) ⋅ δ ( τ − t ) d τ = f ( t ) =\int_{-\infty}^{+\infty}f_0(\tau)\cdot\delta(\tau-t)d\tau=f(t) =+f0(τ)δ(τt)dτ=f(t)

δ T ( t ) \delta_T(t) δT(t) 替换掉原来的 δ ( t ) \delta(t) δ(t),则可推出: f 0 ( t ) ∗ δ T ( t ) = f T ( t ) f_0(t)*\delta_T(t)=f_T(t) f0(t)δT(t)=fT(t)


同上面例1、对周期矩形脉冲求 F ( j w ) F(jw) F(jw)

其中 f 0 ( t ) = g τ ( t ) f_0(t)=g_\tau(t) f0(t)=gτ(t) ,且 F T [ g τ ( t ) ] = τ S a ( w τ 2 ) FT[g_\tau(t)]=\tau Sa(\frac{w\tau}{2}) FT[gτ(t)]=τSa(2wτ)

G T τ ( t ) = g τ ( t ) ∗ δ T ( t ) ↔ w 0 τ S a ( w τ 2 ) ⋅ ∑ n = − ∞ + ∞ δ ( w − n w 0 ) = 2 π τ T ∑ n = − ∞ + ∞ S a ( w τ 2 ) ⋅ δ ( w − n w 0 ) G_T^\tau(t)=g_\tau(t)*\delta_T(t)\leftrightarrow w_0\tau Sa(\frac{w\tau}{2})\cdot \sum_{n=-\infty}^{+\infty}\delta(w-nw_0)=\frac{2\pi\tau}{T}\sum_{n=-\infty}^{+\infty}Sa(\frac{w\tau}{2})\cdot\delta(w-nw_0) GTτ(t)=gτ(t)δT(t)w0τSa(2wτ)n=+δ(wnw0)=T2πτn=+Sa(2wτ)δ(wnw0)

上面存在一个频域的抽样特性 f ( w ) δ ( w − w 0 ) = f ( w 0 ) δ ( w − w 0 ) f(w)\delta(w-w_0)=f(w_0)\delta(w-w_0) f(w)δ(ww0)=f(w0)δ(ww0)

F ( j w ) = 2 π τ T ∑ n = − ∞ + ∞ S a ( n w 0 τ 2 ) ⋅ δ ( w − n w 0 ) F(jw)=\frac{2\pi\tau}{T}\sum_{n=-\infty}^{+\infty}Sa(\frac{nw_0\tau}{2})\cdot\delta(w-nw_0) F(jw)=T2πτn=+Sa(2nw0τ)δ(wnw0)

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:/a/535032.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

【智能算法应用】灰狼算法求解TSP问题

目录 1.算法原理2.TSP数学模型3.结果展示4.参考文献 1.算法原理 【智能算法】灰狼算法(GWO)原理及实现 2.TSP数学模型 旅行商问题(TSP)是一种著名的组合优化问题,它涉及寻找给定一组城市及其之间的距离或成本&#…

独家原创 | Matlab实现INFO-BiTCN-BiGRU-Attention多输入单输出回归预测

独家原创 | Matlab实现INFO-BiTCN-BiGRU-Attention多输入单输出回归预测 目录 独家原创 | Matlab实现INFO-BiTCN-BiGRU-Attention多输入单输出回归预测效果一览基本介绍程序设计参考资料 效果一览 基本介绍 1.Matlab实现INFO-BiTCN-BiGRU-Attention向量加权算法优化双向时间卷积…

springboot在使用 Servlet API中提供的javax.servlet.Filter 过滤器 对请求参数 和 响应参数 进行获取并记录日志方案

不多说 直接上代码 第一步 package com.xxx.init.webFilter;import com.alibaba.fastjson.JSONObject; import com.xxx.api.constant.CommonConstant; import com.xxx.api.entities.log.OperationLog; import com.xxx.init.utils.JwtHelper; import com.xxx.init.utils.Reques…

9.vector的使用介绍和模拟实现

1.vector的介绍及使用 1.1 vector的介绍 vector的文档介绍 vector是表示可变大小数组的序列容器。 就像数组一样,vector也采用的连续存储空间来存储元素。也就是意味着可以采用下标对vector的元素进行访问,和数组一样高效。但是又不像数组&#xff0c…

【MATLAB源码-第18期】基于matlab的(2,1,7)卷积码硬判决和软判决误码率对比仿真

1、算法描述 **217卷积码原理**: 217卷积码是一种纠错编码技术,通常用于数字通信,特别是在误差严重的通信信道中。它的原理如下: 1. **生成多项式**:217卷积码由生成多项式定义。这些多项式决定了如何将输入数据转换…

月入过万的地推网推人,他们都在做这五款拉新项目

地推网推拉新平台哪几个靠谱?这一定是刚加入地推网推拉新行业的“萌新”们最关心的问题。毕竟知晓了这个问题的答案,就能够让自己的拉新之行少走弯路。 今天我们就带大家总结5个以“聚小推”为首的,常见的地推网推拉新平台,旨在科…

《QT实用小工具·二十》存款/贷款计算器

1、概述 源码放在文章末尾 该项目实现了用于存款和贷款的计算器的功能&#xff0c;如下图所示&#xff1a; 项目部分代码如下&#xff1a; #ifndef WIDGET_H #define WIDGET_H#include <QWidget>namespace Ui { class Widget; }class Widget : public QWidget {Q_OBJ…

libVLC 视频界面分割

先看看分割后的界面吧&#xff0c;根据分割的数量&#xff0c;来分割视频画面。 其实视频界面分割很简单&#xff0c;看过叠加窗口的这篇文章&#xff0c;不难理解&#xff0c;如何分割。 libVLC 视频窗口上叠加透明窗口-CSDN博客 如果还是不懂的话&#xff0c;我讲解一下原理…

信号完整性之哪来的串扰?

原文来自微信公众号&#xff1a;工程师看海&#xff0c;与我联系&#xff1a;chunhou0820 看海原创视频教程&#xff1a;《运放秘籍》 大家好&#xff0c;我是工程师看海。 我们经常听说PCB走线间距大于等于3倍线宽时可以抑制70%的信号间干扰&#xff0c;这就是3W原则&#…

EEPROM读写案例(以AT24C02为例)

本篇文章主要是在学习单片机串行接口时的学习经历&#xff0c;主要侧重于驱动程序的讲解。下文将通过ESP32S3、STM32两款MCU进行编写驱动案例。 1、AT24C02简要说明 AT24C02是美国微芯科技公司生产的电擦写式只读存储器系列中的一款&#xff0c;其容量为2K位&#xff08;即256字…

Google 推出 Gemini 1.5 Pro能处理音频;iOS 18或带来Safari 浏览助手;Llama 3 开源模型下个月推出

Google 推出 Gemini 1.5 Pro 公共预览版&#xff0c;能处理音频 Google 宣布将通过其 AI 应用平台 Vertex AI 向公众提供 Gemini 1.5 Pro&#xff0c;并且还赋予其「听力」&#xff0c;帮助用户处理音频内容。 用户可以上传会议录音、电视节目等音频内容&#xff0c;无需书面记…

Linux Shell:`alias`命令

Linux Shell&#xff1a;alias命令 alias命令是Linux和Unix系统中Shell的内置命令&#xff0c;用于创建命令的简短名称&#xff0c;即别名。这些别名通常用来缩短长命令或为常用命令序列创建便捷的缩写&#xff0c;从而提高工作效率。别名在当前Shell会话中有效&#xff0c;除…

【随笔】Git 高级篇 -- 整理提交记录(下)rebase -i(十六)

&#x1f48c; 所属专栏&#xff1a;【Git】 &#x1f600; 作  者&#xff1a;我是夜阑的狗&#x1f436; &#x1f680; 个人简介&#xff1a;一个正在努力学技术的CV工程师&#xff0c;专注基础和实战分享 &#xff0c;欢迎咨询&#xff01; &#x1f496; 欢迎大…

快速生成二维码——Python QRCode库详解

&#x1f340; 前言 博客地址&#xff1a; CSDN&#xff1a;https://blog.csdn.net/powerbiubiu &#x1f44b; 简介 QRCode码是由日本于1994年9月研制的一种矩阵二维码符号&#xff0c;它具有一维条码及其它二维条码所具有的信息容量大、可靠性高、可表示汉字及图象多种文字…

sky光遇加速器推荐 steam光遇低延迟稳定的加速器推荐

在光遇游戏中&#xff0c;子民指的就是游戏中的人影&#xff0c;玩家在游戏里面需要找到蓝色人影并触碰它&#xff0c;然后跟随光点&#xff0c;这样的话我们就可以看到一个深灰色的石像&#xff0c;点燃石像上的火苗&#xff0c;它就会教我们一个新的互动姿势。玩家找到黄色人…

学习大数据,所需要的java(Maven)基础(1)

文章目录 使用Maven的优势第三方jar包添加第三方jar包获取jar包之间的依赖关系jar包之间的冲突处理将项目拆分成多个工程模块 实现项目的分布式部署Maven是什么自动化构建工具构建的概念构建环节自动化构建 Maven如何使用安装Maven核心程序maven联网问题Maven中的settings配置在…

Spring整合Redis

在 Spring Boot 中整合、使用 Redis 2023-09-25 教程 &#x1f381;开发者新年礼物&#x1f193;免费领香港云服务器 12 个月 永久免费 CDN 服务 免费 VPS广告 Redis 是一款开源的&#xff0c;使用 C 开发的高性能内存 Key/Value 数据库&#xff0c;支持 String、Set、Has…

每日Bug汇总--Day04

Bug汇总—Day04 一、项目运行报错 二、项目运行Bug 1、**问题描述&#xff1a;**下拉框关联数据&#xff0c;选择下拉框数据后&#xff0c;联动输入框中的数据查询不到&#xff0c;在后台接收到的是null 原因分析&#xff1a; 前端是否正确接收到了参数’jishigonghao’(判…

【记录】Prompt模板|作为甲方怎么清晰专业地描述自己的需求(又名“乙方,给你的甲方扔个GPT解放自己吧”)

这篇Prompt摘抄并修改自朋友送给我的书的第49页5.2.3让ChatGPT构建提示&#xff0c;质量挺不错&#xff0c;支持一下她的博客&#xff1a;【好书推荐2】AI提示工程实战&#xff1a;从零开始利用提示工程学习应用大语言模型。 书长这样&#xff1a; 不啰嗦了&#xff0c;正文如…

取数游戏(dfs)

前言&#xff1a; 该题取自洛谷P1123&#xff0c;题主用的dfs&#xff08;深度优先搜索&#xff09; 题目描述&#xff1a; 数据范围&#xff1a; 思路&#xff1a; 思路见代码&#xff0c;注释的很清晰嗷 AC代码&#xff1a; #include <iostream> #include <alg…