-
2021-05-11 09:30:15
符号说明:
符号 说明 f ~ = F [ f ] \tilde{f}=F[f] f~=F[f] f f f 的傅里叶变换为 f ~ \tilde{f} f~ f = F − 1 [ f ~ ] f=F^{-1}[\tilde{f}] f=F−1[f~] f ~ \tilde{f} f~ 的傅里叶逆变换为 f f f 定理:
f 1 ( x ) f_1(x) f1(x) 和 f 2 ( x ) f_2(x) f2(x) 乘积的傅里叶变换等于 f 1 ( x ) f_1(x) f1(x) 和 f 2 ( x ) f_2(x) f2(x) 的傅里叶变换的乘积的卷积乘 1 2 π \frac{1}{2\pi} 2π1,即
F [ f 1 ⋅ f 2 ] = 1 2 π F [ f 1 ] ∗ F [ f 2 ] F[f_1·f_2]=\frac{1}{2\pi}F[f_1]*F[f_2] F[f1⋅f2]=2π1F[f1]∗F[f2]
证明:
设 F 1 ( ω ) = F [ f 1 ( t ) ] , F 2 ( ω ) = F [ f 2 ( t ) ] , I F F_{1}(\omega)=\mathcal{F}\left[f_{1}(t)\right], F_{2}(\omega)=\mathcal{F}\left[f_{2}(t)\right], \quad I \mathcal{F} F1(ω)=F[f1(t)],F2(ω)=F[f2(t)],IF 表示傅里叶逆变换, 则
F − 1 [ F 1 ( ω ) ∗ F 2 ( ω ) ] = F − 1 [ ∫ − ∞ + ∞ F 1 ( μ ) F 2 ( ω − μ ) d μ ] = 1 2 π ∫ − ∞ + ∞ [ ∫ − ∞ + ∞ F 1 ( μ ) F 2 ( ω − μ ) d μ ] e i ω t d ω = 1 2 π ∫ − ∞ + ∞ [ ∫ − ∞ + ∞ F 1 ( μ ) F 2 ( ω − μ ) e i μ t e i ( ω − μ ) t d ω ] d μ = 1 2 π ∫ − ∞ + ∞ F 1 ( μ ) e i μ t [ ∫ − ∞ + ∞ F 2 ( ω − μ ) e i ( ω − μ ) t d ( ω − μ ) ] d μ = f 2 ( t ) ∫ − ∞ + ∞ F 1 ( μ ) e i μ t d μ = 2 π f 1 ( t ) f 2 ( t ) \begin{aligned} F^{-1}\left[F_{1}(\omega) * F_{2}(\omega)\right]&=F^{-1}\left[\int_{-\infty}^{+\infty} F_{1}(\mu) F_{2}(\omega-\mu) \rm{d} \mu\right]\\ &=\frac{1}{2 \pi} \int_{-\infty}^{+\infty}\left[\int_{-\infty}^{+\infty} F_{1}(\mu) F_{2}(\omega-\mu) d \mu\right] e^{i \omega t} \rm{d} \omega\\ &=\frac{1}{2 \pi} \int_{-\infty}^{+\infty}\left[\int_{-\infty}^{+\infty} F_{1}(\mu) F_{2}(\omega-\mu) e^{i \mu t} e^{i(\omega-\mu) t} d \omega\right] \rm{d} \mu\\ &=\frac{1}{2 \pi} \int_{-\infty}^{+\infty} F_{1}(\mu) e^{i \mu t}\left[\int_{-\infty}^{+\infty} F_{2}(\omega-\mu) e^{i(\omega-\mu) t} d(\omega-\mu)\right] \rm{d} \mu\\ &=f_{2}(t) \int_{-\infty}^{+\infty} F_{1}(\mu) e^{i \mu t} \rm{d} \mu\\ &=2 \pi f_{1}(t) f_{2}(t) \end{aligned} F−1[F1(ω)∗F2(ω)]=F−1[∫−∞+∞F1(μ)F2(ω−μ)dμ]=2π1∫−∞+∞[∫−∞+∞F1(μ)F2(ω−μ)dμ]eiωtdω=2π1∫−∞+∞[∫−∞+∞F1(μ)F2(ω−μ)eiμtei(ω−μ)tdω]dμ=2π1∫−∞+∞F1(μ)eiμt[∫−∞+∞F2(ω−μ)ei(ω−μ)td(ω−μ)]dμ=f2(t)∫−∞+∞F1(μ)eiμtdμ=2πf1(t)f2(t)更多相关内容 -
【信号与系统学习笔记】—— 连续时间非周期信号傅里叶变换的性质 【下篇】(时域卷积定理和频域卷积定理)
2020-04-21 14:16:05文章目录一、时域卷积定理二、频域卷积定理(时域相乘)2.1 应用:正弦幅度调制三、计算系统冲激响应 h(t) 的方法3.1 频率响应 H(jω) 与系统结构的关系 一、时域卷积定理 我们先给出定理:两个时域信号做卷积,就...一、时域卷积定理
我们先给出定理:两个时域信号做卷积,就等价于它们的频谱做乘法。
即:若: x ( t ) F ↔ X ( j ω ) ; y ( t ) F ↔ Y ( j ω ) x(t)\space \underleftrightarrow{\mathscr{F}} \space X(jω); \quad y(t)\space \underleftrightarrow{\mathscr{F}} \space Y(jω) x(t) F X(jω);y(t) F Y(jω);那么 x ( t ) ∗ y ( t ) F ↔ X ( j ω ) Y ( j ω ) x(t)*y(t) \space \underleftrightarrow{\mathscr{F}} \space X(jω)Y(jω) x(t)∗y(t) F X(jω)Y(jω)这给我们计算一个系统的输出带来了极大的便利。我们可以先求出输入信号的频谱和系统的频率响应,两者一乘,最后做一下傅里叶逆变换就可以得出系统的输出(时域上的)。
【Proof】:我们下面证明一下,直接从定义出发: Y ( j ω ) = ∫ − ∞ + ∞ y ( t ) e − j ω t d t = ∫ − ∞ + ∞ [ ∫ − ∞ + ∞ x ( τ ) h ( t − τ ) d τ ] e − j ω t d t \begin{aligned} Y(jω) &= \int_{-∞}^{+∞}y(t)e^{-jωt}dt\\ &=\int_{-∞}^{+∞}[\int_{-∞}^{+∞}x(τ)h(t - τ)dτ]e^{-jωt}dt\\\\ \end{aligned} Y(jω)=∫−∞+∞y(t)e−jωtdt=∫−∞+∞[∫−∞+∞x(τ)h(t−τ)dτ]e−jωtdt
到这里,博主有话要说了:因为我们现在的被积函数是 x ( τ ) x(τ) x(τ) 和 h ( t − τ ) h(t - τ) h(t−τ) 都是和 τ τ τ 有关的表达式,因此我们不能简单粗暴地把它们拆开,一个是 t t t 的积分,另一个是 τ τ τ 的积分。这样是错误的!!但是我们又注意到:只有 h ( t − τ ) h(t - τ) h(t−τ) 是和 t t t 有关的,那么我们确实可以先让 h ( t − τ ) h(t - τ) h(t−τ) 对 t t t 积分, d τ dτ dτ 放在最后面去做。Y ( j ω ) = ∫ − ∞ + ∞ [ ∫ − ∞ + ∞ x ( τ ) h ( t − τ ) d τ ] e − j ω t d t = ∫ − ∞ + ∞ [ x ( τ ) ∫ − ∞ + ∞ h ( t − τ ) e − j ω t d t ] d τ \begin{aligned} Y(jω) &=\int_{-∞}^{+∞}[\int_{-∞}^{+∞}x(τ)h(t - τ)dτ]e^{-jωt}dt\\ &=\int_{-∞}^{+∞}[x(τ)\int_{-∞}^{+∞}h(t - τ)e^{-jωt}dt]dτ \end{aligned} Y(jω)=∫−∞+∞[∫−∞+∞x(τ)h(t−τ)dτ]e−jωtdt=∫−∞+∞[x(τ)∫−∞+∞h(t−τ)e−jωtdt]dτ
这里我们需要用到傅里叶变换的延时特性:若 x ( t ) F ↔ X ( j ω ) x(t)\space \underleftrightarrow{\mathscr{F}} \space X(jω) x(t) F X(jω),那么 x ( t − t 0 ) F ↔ X ( j ω ) e − j ω t 0 x(t-t_0) \space \underleftrightarrow{\mathscr{F}} \space X(jω)e^{-jωt_0} x(t−t0) F X(jω)e−jωt0换成数学表达式就是: ∫ − ∞ + ∞ h ( t − τ ) e − j ω t d t = H ( j ω ) e − j ω τ \int_{-∞}^{+∞}h(t - τ)e^{-jωt}dt = H(jω)e^{-jωτ} ∫−∞+∞h(t−τ)e−jωtdt=H(jω)e−jωτ
所以上式就变为: Y ( j ω ) = ∫ − ∞ + ∞ [ x ( τ ) ∫ − ∞ + ∞ h ( t − τ ) e − j ω t d t ] d τ = ∫ − ∞ + ∞ x ( τ ) e − j ω τ H ( j ω ) d τ = H ( j ω ) ∫ − ∞ + ∞ x ( τ ) e − j ω τ d τ = H ( j ω ) X ( j ω ) \begin{aligned} Y(jω) &=\int_{-∞}^{+∞}[x(τ)\int_{-∞}^{+∞}h(t - τ)e^{-jωt}dt]dτ\\ &=\int_{-∞}^{+∞}x(τ)e^{-jωτ}H(jω)dτ\\ &=H(jω)\int_{-∞}^{+∞}x(τ)e^{-jωτ}dτ\\ &=H(jω)X(jω) \end{aligned} Y(jω)=∫−∞+∞[x(τ)∫−∞+∞h(t−τ)e−jωtdt]dτ=∫−∞+∞x(τ)e−jωτH(jω)dτ=H(jω)∫−∞+∞x(τ)e−jωτdτ=H(jω)X(jω)那么,问题来了:还记得我们在之前的 B l o g Blog Blog 里面说过的吗?任何一个系统都可以通过其单位冲激响应 h ( t ) h(t) h(t) 来表征对吧,那么根据我们现在推导出的时域卷积定理: Y ( j ω ) = H ( j ω ) X ( j ω ) Y(jω)=H(jω)X(jω) Y(jω)=H(jω)X(jω),那么按理说任何一个系统应该也可以用它的频率响应 H ( j ω ) H(jω) H(jω) 来表征。但是,确实是这样吗?
我们知道, H ( j ω ) H(jω) H(jω) 是 h ( t ) h(t) h(t) 的傅里叶变换,那么所以只有当 h ( t ) h(t) h(t) 满足傅里叶变换的收敛条件其中之一: ∫ − ∞ + ∞ ∣ h ( t ) ∣ 2 d t < ∞ ∫ − ∞ + ∞ ∣ h ( t ) ∣ d t < ∞ \int_{-∞}^{+∞}|h(t)|^2dt < ∞\\ \space\\ \int_{-∞}^{+∞}|h(t)|dt < ∞ ∫−∞+∞∣h(t)∣2dt<∞ ∫−∞+∞∣h(t)∣dt<∞
那么,这个系统才会存在频率响应,也就是说,不是所有的系统都能够求出它的频率响应。那么也就不能说:任何系统都可以用它的频率响应 H ( j ω ) H(jω) H(jω) 来表征。但是在本文后面的部分将会给出 h ( t ) h(t) h(t) 和 H ( j ω ) H(jω) H(jω)(存在的情况)的计算方法。二、频域卷积定理(时域相乘)
我们先给出定理:若 x 1 ( t ) , x 2 ( t ) x_1(t), x_2(t) x1(t),x2(t) 的傅里叶变换分别为: X 1 ( j ω ) , X 2 ( j ω ) X_1(jω), X_2(jω) X1(jω),X2(jω),那么有: x 1 ( t ) ⋅ x 2 ( t ) F ↔ 1 2 π X 1 ( j ω ) ∗ X 2 ( j ω ) x_1(t)\sdot x_2(t) \space \underleftrightarrow{\mathscr{F}} \space \frac{1}{2π} X_1(jω) * X_2(jω) x1(t)⋅x2(t) F 2π1X1(jω)∗X2(jω)
2.1 应用:正弦幅度调制
我们知道如果要计算系统的输出,我们可以通过时域卷积的方法计算得到。那么,什么场合下我们会用到时域信号相乘呢?答案就是—— 正弦幅度调制(当然不仅仅是这种,未来的 I Q IQ IQ 调制等等也都会用得上)
我们来看看正弦幅度调制的框图:
其中, s ( t ) s(t) s(t) 是我们的时域信号, p ( t ) = c o s ( ω 0 t ) p(t) = cos(ω_0t) p(t)=cos(ω0t),那么得到的 r ( t ) r(t) r(t) 就是 s ( t ) ⋅ p ( t ) s(t)\sdot p(t) s(t)⋅p(t)
下面,我们就从频域的角度去分析正弦幅度调制:
【1】第一步:计算 p ( t ) p(t) p(t), s ( t ) s(t) s(t) 的频谱。对于 c o s ( ω 0 t ) cos(ω_0t) cos(ω0t) 的频谱我们应该是很熟悉了,即 P ( j ω ) = π δ ( ω + ω 0 ) + π δ ( ω − ω 0 ) P(jω) = πδ(ω+ω_0) + πδ(ω-ω_0) P(jω)=πδ(ω+ω0)+πδ(ω−ω0),如下图所示:
我们再假设信号 s ( t ) s(t) s(t) 的频谱如下图所示:
根据: x 1 ( t ) ⋅ x 2 ( t ) F ↔ 1 2 π X 1 ( j ω ) ∗ X 2 ( j ω ) x_1(t)\sdot x_2(t) \space \underleftrightarrow{\mathscr{F}} \space \frac{1}{2π} X_1(jω) * X_2(jω) x1(t)⋅x2(t) F 2π1X1(jω)∗X2(jω),我们可以知道两个信号相乘之后的频谱如下图所示:
这里我们得出了一个结论:信号 s ( t ) s(t) s(t) 在时域上与 c o s ( ω 0 t ) cos(ω_0t) cos(ω0t) 相乘,相当于在频谱上把 s ( t ) s(t) s(t) 的频谱一分为二之后,分别向左右各搬移 ω 0 ω_0 ω0! (频谱搬移)好的,到这里,我们已经了解了正弦幅度调制的细节。可以既然有调制,那么在接收端就必然需要解调。我们如何把这个调制的信号解调出来呢??
我们看到,最左边的箭头的输入,就是我们刚刚那个调制的信号,在解调端,我们需要再给这个信号乘以原载波 c o s ( ω 0 t ) cos(ω_0t) cos(ω0t) ,然后经过一个低通滤波器(通带增益为2),就可以换原原本的信号了!我们也是从频谱的角度来直观地看一下这个过程:
下图是输入信号 r ( t ) r(t) r(t) 的频谱:
下图是 p ( t ) p(t) p(t) 的频谱, r ( t ) r(t) r(t) 需要再和载波进行相乘:
那么,二者相乘得到信号的频谱就是:
此时注意:中间频谱的幅度是 1 2 \frac{1}{2} 21那么,经过一个通带增益为2的低通滤波器,就可以恢复原信号的频谱了!(下图为该低通滤波器的频响)
三、计算系统冲激响应 h(t) 的方法
我们常常使用线性常系数微分方程来表征一个系统,如下:
这时,我们可以直接对方程两边做傅里叶变换,根据傅里叶变换的微分性可以得出: ∑ k = 0 N a k ( j ω ) k Y ( j ω ) = ∑ k = 0 N b k ( j ω ) k X ( j ω ) \sum_{k=0}^{N}a_k(jω)^kY(jω) = \sum_{k=0}^Nb_k(jω)^kX(jω) k=0∑Nak(jω)kY(jω)=k=0∑Nbk(jω)kX(jω)
同时,又根据: X ( j ω ) H ( j ω ) = Y ( j ω ) X(jω)H(jω) = Y(jω) X(jω)H(jω)=Y(jω),所以我们可以得到系统的频率响应为: H ( j ω ) = Y ( j ω ) X ( j ω ) = ∑ k = 0 N b k ( j ω ) k ∑ k = 0 N a k ( j ω ) k H(jω) = \frac{Y(jω)}{X(jω)} = \frac{\sum_{k=0}^Nb_k(jω)^k}{\sum_{k=0}^{N}a_k(jω)^k} H(jω)=X(jω)Y(jω)=∑k=0Nak(jω)k∑k=0Nbk(jω)k【我们举一个例子来感受这种方法的简便性,同时也给大家介绍一种解题技法】:
求以下面这个微分方程表征的系统的 h ( t ) h(t) h(t):
两边做傅里叶变换,得: ( j ω ) 2 Y ( j ω ) + 6 ( j ω ) Y ( j ω ) + 8 Y ( j ω ) = ( j ω ) X ( j ω ) + 3 X ( j ω ) ( ( j ω ) 2 + 6 ( j ω ) + 8 ) Y ( j ω ) = ( ( j ω ) + 3 ) X ( j ω ) (jω)^2Y(jω) + 6(jω)Y(jω) + 8Y(jω) = (jω)X(jω) + 3X(jω)\\ ((jω)^2 + 6(jω) + 8)Y(jω) = ((jω) + 3)X(jω) (jω)2Y(jω)+6(jω)Y(jω)+8Y(jω)=(jω)X(jω)+3X(jω)((jω)2+6(jω)+8)Y(jω)=((jω)+3)X(jω)
因此,系统得频率响应可以表示为: H ( j ω ) = Y ( j ω ) X ( j ω ) = ( j ω ) + 3 ( j ω ) 2 + 6 ( j ω ) + 8 = j ω + 3 ( j ω + 2 ) ( j ω + 4 ) H(jω) = \frac{Y(jω)}{X(jω)} = \frac{(jω)+3}{(jω)^2 + 6(jω) + 8} = \frac{jω+3}{(jω+2)(jω+4)} H(jω)=X(jω)Y(jω)=(jω)2+6(jω)+8(jω)+3=(jω+2)(jω+4)jω+3
我们乍一看这个表达式看不能立刻得出结论,还需要使用下面这个技巧来分解一下: H ( j ω ) = A 1 j ω + 2 + A 2 j ω + 4 = j ω + 3 ( j ω + 2 ) ( j ω + 4 ) H(jω) = \frac{A_1}{jω+2} + \frac{A_2}{jω+4} = \frac{jω+3}{(jω+2)(jω+4)} H(jω)=jω+2A1+jω+4A2=(jω+2)(jω+4)jω+3
下面就需要计算 A 1 , A 2 A_1, A_2 A1,A2。下面是固定套路:- 要求 A 1 A_1 A1,我们就对上面的等式两边同乘 j ω + 2 jω+2 jω+2,再令 j ω + 2 = 0 jω+2 = 0 jω+2=0,就可以把 A 1 A_1 A1 解出来。 A 1 = 1 2 A_1 = \frac{1}{2} A1=21
- 要求 A 2 A_2 A2 ,我们就对上面的等式两边同乘以 j ω + 4 jω+4 jω+4,再令 j ω + 4 = 0 jω+4 = 0 jω+4=0,就可以把 A 2 A_2 A2解出来。 A 2 = 1 2 A_2 = \frac{1}{2} A2=21
即: H ( j ω ) = 1 2 1 j ω + 2 + 1 2 1 j ω + 4 H(jω) = \frac{1}{2}\frac{1}{jω+2} + \frac{1}{2}\frac{1}{jω+4} H(jω)=21jω+21+21jω+41
还记得单边指数信号 e − a t u ( t ) e^{-at}u(t) e−atu(t) 的频谱嘛?—— 1 a + j ω \frac{1}{a+jω} a+jω1
因此,我们看到这里: 1 j ω + 2 \frac{1}{jω+2} jω+21 的原信号就是: e − 2 t u ( t ) e^{-2t}u(t) e−2tu(t)。所以 h ( t ) h(t) h(t) 为: h ( t ) = 1 2 e − 2 t u ( t ) + 1 2 e − 4 t u ( t ) h(t) = \frac{1}{2}e^{-2t}u(t) + \frac{1}{2}e^{-4t}u(t) h(t)=21e−2tu(t)+21e−4tu(t)3.1 频率响应 H(jω) 与系统结构的关系
【1】级联
还记得时域里面如果两个系统级联,那么它们的响应关系是: h 1 ( t ) ∗ h 2 ( t ) h_1(t) * h_2(t) h1(t)∗h2(t)
根据时域卷积定理,它们的频域关系就是: H 1 ( j ω ) H 2 ( j ω ) H_1(jω)H_2(jω) H1(jω)H2(jω)【2】并联:并联里面时域和频域都一样,都是相加。
H 1 ( j ω ) + H 2 ( j ω ) H_1(jω) + H_2(jω) H1(jω)+H2(jω) -
傅里叶变换频域积分性质和频域卷积性质证明
2021-04-29 23:29:36最近在学习信号与系统这门课程,其中的一个知识点就是傅里叶变换的性质,为了更好地记忆和使用这些性质,就需要知道这些性质的证明过程,而有些性质如频域积分和频域卷积定理的证明在书中并未给出,所以在就个人理解...傅里叶变换频域积分性质和频域卷积性质证明
最近在学习信号与系统这门课程,其中的一个知识点就是傅里叶变换的性质,为了更好地记忆和使用这些性质,最好是知道这些性质的证明过程,而有些性质如频域积分和频域卷积定理的证明在书中并未给出,所以在此对这两条性质进行证明。
1. 频域积分性质的证明
首先想要证明频域积分性质,就要先了解时域积分性质的证明,时域积分性质证明的过程如下:
F { ∫ − ∞ t f ( τ ) d τ } = ∫ − ∞ ∞ { ∫ − ∞ t f ( τ ) d τ } e − j w t d t = ∫ − ∞ ∞ { ∫ − ∞ ∞ f ( τ ) ϵ ( t − τ ) d τ } e − j w t d t \mathcal{F}\{ \int_{ - \infty }^{ t } f(\tau)d_\tau\}=\int_{-\infty}^{\infty}\{ \int_{-\infty}^t f(\tau) d_\tau\}e^{-jwt} d_t \\ =\int_{-\infty}^{\infty}\{\int_{-\infty}^{\infty}f(\tau)\epsilon(t-\tau) d_\tau \}e^{-jwt} d_t F{∫−∞tf(τ)dτ}=∫−∞∞{∫−∞tf(τ)dτ}e−jwtdt=∫−∞∞{∫−∞∞f(τ)ϵ(t−τ)dτ}e−jwtdt
经观察发现可以先将阶跃函数 ϵ ( t − τ ) \epsilon(t-\tau) ϵ(t−τ)进行傅里叶变化变成 [ π δ ( w ) + 1 j w ] e − j w τ [\pi \delta(w)+\frac{1}{jw}]e^{-jw\tau} [πδ(w)+jw1]e−jwτ
∫ − ∞ ∞ f ( τ ) { ∫ − ∞ ∞ ϵ ( t − τ ) e − j w t d t } d τ = ∫ − ∞ ∞ f ( τ ) π δ ( w ) e − j w τ d τ + ∫ − ∞ ∞ f ( τ ) ⋅ 1 j w e − j w τ d τ = π F ( 0 ) δ ( w ) + 1 j w F ( j w ) \int_{-\infty}^{\infty}f(\tau)\{\int_{-\infty}^{\infty}\epsilon(t-\tau)e^{-jwt}d_t\}d_\tau\\=\int_{-\infty}^{\infty}f(\tau)\pi \delta (w)e^{-jw\tau}d_\tau+\int_{-\infty}^{\infty}f(\tau)\cdot \frac{1}{jw}e^{-jw\tau}d_\tau\\=\pi F(0)\delta(w)+\frac{1}{jw}F(jw) ∫−∞∞f(τ){∫−∞∞ϵ(t−τ)e−jwtdt}dτ=∫−∞∞f(τ)πδ(w)e−jwτdτ+∫−∞∞f(τ)⋅jw1e−jwτdτ=πF(0)δ(w)+jw1F(jw)
综上时域积分性质可以表示为:若 f ( t ) ⟺ F ( j w ) f(t) \iff F(jw) f(t)⟺F(jw),则
∫ − ∞ t f ( τ ) d τ ⟺ π F ( 0 ) δ ( w ) + 1 j w F ( j w ) \int_{-\infty}^tf(\tau)d\tau \iff \pi F(0) \delta(w)+\frac{1}{jw}F(jw) ∫−∞tf(τ)dτ⟺πF(0)δ(w)+jw1F(jw)从上述时域积分性质的证明中可以看出首先需要改变积分上限,然后变换积分次序,最后按照一般的傅里叶变换即可
这样的证明过程可以沿用到频域积分上,频域积分性质证明如下:
F − 1 { ∫ − ∞ w F ( j Ω ) d Ω } = 1 2 π ∫ − ∞ ∞ { ∫ − ∞ w F ( j Ω ) d Ω } e j w t d w = 1 2 π ∫ − ∞ ∞ { ∫ − ∞ ∞ F ( j Ω ) ϵ ( w − Ω ) d Ω } e j w t d w = ∫ − ∞ ∞ F ( j Ω ) { 1 2 π ∫ − ∞ ∞ ϵ ( w − Ω ) e j w t d w } d Ω = 1 2 π ( ∫ − ∞ ∞ F ( j Ω ) π δ ( t ) e j Ω t d Ω + ∫ − ∞ ∞ F ( j Ω ) ⋅ j t e j Ω t d Ω ) = π f ( 0 ) δ ( t ) + j t f ( t ) \mathcal{F^{-1}}\{ \int_{ - \infty }^{ w } F(j\Omega)d_\Omega\}=\frac{1}{2\pi}\int_{-\infty}^{\infty}\{ \int_{-\infty}^w F(j\Omega) d_\Omega\}e^{jwt} d_w \\ =\frac{1}{2\pi}\int_{-\infty}^{\infty}\{\int_{-\infty}^{\infty}F(j\Omega) \epsilon(w-\Omega) d_\Omega \}e^{jwt} d_w\\=\int_{-\infty}^{\infty}F(j\Omega)\{\frac{1}{2\pi}\int_{-\infty}^{\infty}\epsilon(w-\Omega)e^{jwt}d_w\}d_\Omega\\=\frac{1}{2\pi}(\int_{-\infty}^{\infty}F(j\Omega)\pi \delta (t)e^{j\Omega t}d_\Omega+\int_{-\infty}^{\infty}F(j\Omega)\cdot \frac{j}{t}e^{j\Omega t}d_\Omega)\\=\pi f(0)\delta(t)+\frac{j}{t}f(t) F−1{∫−∞wF(jΩ)dΩ}=2π1∫−∞∞{∫−∞wF(jΩ)dΩ}ejwtdw=2π1∫−∞∞{∫−∞∞F(jΩ)ϵ(w−Ω)dΩ}ejwtdw=∫−∞∞F(jΩ){2π1∫−∞∞ϵ(w−Ω)ejwtdw}dΩ=2π1(∫−∞∞F(jΩ)πδ(t)ejΩtdΩ+∫−∞∞F(jΩ)⋅tjejΩtdΩ)=πf(0)δ(t)+tjf(t)
综上频域积分性质可以表示为:若 F ( j w ) ⟺ f ( t ) F(jw) \iff f(t) F(jw)⟺f(t),则
∫ − ∞ w F ( j Ω ) d Ω ⟺ π f ( 0 ) δ ( t ) + j t f ( t ) \int_{-\infty}^wF(j\Omega)d\Omega \iff \pi f(0) \delta(t)+\frac{j}{t}f(t) ∫−∞wF(jΩ)dΩ⟺πf(0)δ(t)+tjf(t)
在以上证明过程中使用到了傅里叶变化的对称特性和移频特性
ϵ ( t ) ⟺ π δ ( w ) + 1 j w \epsilon(t) \iff \pi \delta(w)+\frac{1}{jw} ϵ(t)⟺πδ(w)+jw1
对 称 特 性 : ϵ ( w ) ⟺ 1 2 π ( π δ ( − t ) + 1 − j t ) = 1 2 π ( π δ ( t ) + j t ) 对称特性:\epsilon(w) \iff \frac{1}{2\pi} (\pi \delta(-t)+\frac{1}{-jt})=\frac{1}{2\pi} (\pi \delta(t)+\frac{j}{t}) 对称特性:ϵ(w)⟺2π1(πδ(−t)+−jt1)=2π1(πδ(t)+tj)
移 频 特 性 : ϵ ( w − Ω ) ⟺ 1 2 π ( π δ ( t ) + j t ) e j Ω t 移频特性:\epsilon(w-\Omega) \iff \frac{1}{2\pi} (\pi \delta(t)+\frac{j}{t})e^{j\Omega t} 移频特性:ϵ(w−Ω)⟺2π1(πδ(t)+tj)ejΩt
2. 频域卷积性质的证明
首先还是先给出时域卷积性质的证明:
F { f 1 ( t ) ∗ f 2 ( t ) } = ∫ − ∞ ∞ { ∫ − ∞ ∞ f 1 ( τ ) f 2 ( t − τ ) d τ } e − j w t d t \mathcal{F}\{f_1(t)*f_2(t)\}=\int_{-\infty}^{\infty}\{ \int_{-\infty}^{\infty} f_1(\tau)f_2(t-\tau) d_\tau\}e^{-jwt} d_t F{f1(t)∗f2(t)}=∫−∞∞{∫−∞∞f1(τ)f2(t−τ)dτ}e−jwtdt
变换积分次序
F { f 1 ( t ) ∗ f 2 ( t ) } = ∫ − ∞ ∞ f 1 ( τ ) { ∫ − ∞ ∞ f 2 ( t − τ ) e − j w t d t } d τ \mathcal{F}\{f_1(t)*f_2(t)\}=\int_{-\infty}^{\infty} f_1(\tau)\{ \int_{-\infty}^{\infty}f_2(t-\tau) e^{-jwt}d_t\} d_\tau F{f1(t)∗f2(t)}=∫−∞∞f1(τ){∫−∞∞f2(t−τ)e−jwtdt}dτ
因为 f 2 ( t − τ ) ⟺ F 2 ( w ) e − j w τ f_2(t-\tau) \iff F_2(w)e^{-jw\tau} f2(t−τ)⟺F2(w)e−jwτ
F { f 1 ( t ) ∗ f 2 ( t ) } = ∫ − ∞ ∞ f 1 ( τ ) F 2 ( j w ) e − j w τ d τ = F 1 ( j w ) F 2 ( j w ) \mathcal{F}\{f_1(t)*f_2(t)\}=\int_{-\infty}^{\infty}f_1(\tau)F_2(jw)e^{-jw\tau}d_\tau = F_1(jw)F_2(jw) F{f1(t)∗f2(t)}=∫−∞∞f1(τ)F2(jw)e−jwτdτ=F1(jw)F2(jw)
所以可得性质: f 1 ( t ) ∗ f 2 ( t ) ⟺ F 1 ( j w ) F 2 ( j w ) f_1(t)*f_2(t) \iff F_1(jw)F_2(jw) f1(t)∗f2(t)⟺F1(jw)F2(jw)
模仿时域卷积定理的证明过程可得频域卷积定理的证明过程:
F − 1 { F 1 ( j w ) ∗ F 2 ( j w ) } = 1 2 π ∫ − ∞ ∞ { ∫ − ∞ ∞ F 1 ( j Ω ) ⋅ F 2 ( j ( w − Ω ) ) d Ω } e j w t d w = ∫ − ∞ ∞ F 1 ( j Ω ) { 1 2 π ∫ − ∞ ∞ F 2 ( j ( w − Ω ) ) e j w t d w } d Ω = ∫ − ∞ ∞ F 1 ( j Ω ) f 2 ( t ) e j Ω t d Ω = 2 π ( 1 2 π ∫ − ∞ ∞ F 1 ( j Ω ) e j Ω t f 2 ( t ) d Ω ) = 2 π f 1 ( t ) f 2 ( t ) \mathcal{F^{-1}}\{ F_1(jw)*F_2(jw)\}=\frac{1}{2\pi}\int_{-\infty}^{\infty}\{ \int_{-\infty}^{\infty} F_1(j\Omega)\cdot F_2(j(w-\Omega)) d_\Omega\}e^{jwt} d_w \\ =\int_{-\infty}^{\infty}F_1(j\Omega)\{\frac{1}{2\pi}\int_{-\infty}^{\infty} F_2(j(w-\Omega))e^{jwt} d_w \}d_\Omega\\=\int_{-\infty}^{\infty}F_1(j\Omega)f_2(t)e^{j\Omega t}d_\Omega\\={2\pi}(\frac{1}{2\pi}\int_{-\infty}^{\infty}F_1(j\Omega)e^{j\Omega t}f_2(t)d_\Omega)\\=2\pi f_1(t)f_2(t) F−1{F1(jw)∗F2(jw)}=2π1∫−∞∞{∫−∞∞F1(jΩ)⋅F2(j(w−Ω))dΩ}ejwtdw=∫−∞∞F1(jΩ){2π1∫−∞∞F2(j(w−Ω))ejwtdw}dΩ=∫−∞∞F1(jΩ)f2(t)ejΩtdΩ=2π(2π1∫−∞∞F1(jΩ)ejΩtf2(t)dΩ)=2πf1(t)f2(t)
所以可得频域卷积的性质: 1 2 π f 1 ( t ) f 2 ( t ) ⟺ F 1 ( j w ) F 2 ( j w ) \frac{1}{2\pi}f_1(t)f_2(t) \iff F_1(jw)F_2(jw) 2π1f1(t)f2(t)⟺F1(jw)F2(jw)
傅里叶变换中频域积分和频域卷积的性质已经证明完毕,如果有错误的地方,还请指正。 -
如何证明频域卷积定理
2021-01-30 20:06:274102扩展资料频域卷积定理频域卷积定理表明两信号1653在时域的乘积对应于这两个信号傅立叶变换的卷积除以2π。卷积定理揭示了时间域与频率域的对应关系。这一定理对Laplace变换、Z变换、Mellin变换等各种傅立叶变换...展开全部
设抄
IF表示傅立叶逆变换,则
因此有袭
故频域卷积定2113理5261得证。4102
扩展资料
频域卷积定理
频域卷积定理表明两信号1653在时域的乘积对应于这两个信号傅立叶变换的卷积除以2π。
卷积定理揭示了时间域与频率域的对应关系。
这一定理对Laplace变换、Z变换、Mellin变换等各种傅立叶变换的变体同样成立。需要注意的是,以上写法只对特定形式的变换正确,因为变换可能由其它方式正规化,从而使得上面的关系式中出现其它的常数因子。
傅里叶变换属于谐波分析。
傅里叶变换的逆变换容易求出,而且形式与正变换非常类似;
正弦基函数是微分运算的本征函数,从而使得线性微分方程的求解可以转化为常系数的代数方程的求解.在线性时不变的物理系统内,频率是个不变的性质,从而系统对于复杂激励的响应可以通过组合其对不同频率正弦信号的响应来获取;
卷积定理指出:傅里叶变换可以化复杂的卷积运算为简单的乘积运算,从而提供了计算卷积的一种简单手段;
离散形式的傅立叶变换可以利用数字计算机快速地算出(其算法称为快速傅里叶变换算法(FFT))。
-
傅里叶级数、傅里叶变换以及卷积定理——信号与系统小结(1)
2020-02-14 17:21:30函数f(t)f(t)f(t)周期为T1T_1T1,角频率ω1=2πT1\omega_{1}=\frac{2 \pi}{T_{1}}ω1=T12π ,函数的傅里叶级数如下: f(t)=∑n=−∞∞Fnejnω1t(1.1)f(t)=\sum_{n=-\infty}^{\infty} ... -
傅里叶变换 卷积定理 空域模板转换为频域模板
2021-01-12 20:45:24拉普拉斯锐化的模板为 ... 由傅里叶卷积定理我们可以知道,空域模板中有一个频域模板与之相对应,现在空域中 左右两边同时进行傅里叶变换可得: 原理为: 结果为: (计算结果可能有错,错了麻烦指出~) ... -
卷积定理及常见傅里叶变换表
2021-08-26 14:14:32特定函数存在傅里叶变换和反变换,所以与其直接求解积分函数,不如把他们变换到频域,直接进行频谱函数『相乘』,然后再反变换回来,就得到积分结果了 滤波 假设时域信号f1和f2做卷积,从f1的角度看,它的频谱函数... -
二维卷积定理的验证(上)
2021-12-01 11:23:41二维卷积定理的验证(上...事实上,可以通过卷积定理,来使用傅里叶变换手段实现卷积计算。也即是卷积定理。 即本文要探讨和验证的内容。 1. 二维卷积定理 卷积定理是傅里叶变换满足的一个重要性质。函数卷积的傅里叶变 -
5.5 卷积、卷积定理和傅里叶变换的关系及其性质
2021-05-02 21:47:57文章目录基本性质卷积与卷积定理卷积的概念与运算性质卷积定理卷积的物理意义Fourier 变换与卷积的关系参考 基本性质 在下面给出的所有基本性质中,假定函数的 Fourier 变换均存在, 且 F(ω)=F[f(t)],G(ω)=F[g(t)].... -
卷积定理的证明
2020-10-29 15:28:37两函数卷积的傅立叶变换等于各自傅立叶变换的乘积 -
Matlab 中卷积运算傅里叶变换的一些验证
2022-04-10 14:58:43对于傅里叶变换我们都知道时域的卷积为频域的乘积,但是对于离散傅里叶变换来说就存在选取区间的问题,这时使用循环卷积。稍微了解一些循环卷积知道该定理依然满足时域卷积频域相乘,但是选取区间是一个重要问题,... -
数字信号处理笔记——离散傅里叶变换定理及其证明
2021-02-15 16:06:28主要知识:离散傅里叶变换定理及其证明 适用对象:初学数字信号处理的同学以及考研备考的同学(尤其是目标院校是:南京理工大学) 重要程度:★★★★\bigstar \bigstar \bigstar \bigstar★★★★ (满5颗星) 设... -
用MATLAB验证时频定理
2019-05-04 10:21:57本文通过计算时间域卷积和频率域乘积的结果,并输出图像进行对比来观测其二者关系。其中的时间域滤波因子由频率域滤波因子通过快速傅里叶逆变换得。频率域函数由时间域函数通过傅里叶...关键字:时间域 卷积 傅里叶变换 -
傅里叶分析、卷积
2019-07-17 17:36:07卷积 在泛函分析中,卷积、旋积或摺积(英语:Convolution)是通过两个函数f 和g 生成第三个函数的一种数学算子,表征函数f 与g经过翻转和平移的...卷积定理指出,函数卷积的傅里叶变换是... -
信号与系统——卷积特性(卷积定理)
2021-05-08 15:38:05时域卷积定理 假设给定了两个时间函数,,的傅里叶变换为,的傅里叶变换为,则 ...频域卷积定理 假设给定了两个时间函数,,的傅里叶变换为,的傅里叶变换为,则 ,其中 傅里叶变换的基本性质 ... -
验证离散傅里叶变换(DFT)的频域循环移位定理
2019-10-18 20:33:36离散傅里叶变换(DFT)的频域循环移位定理如下: 若: 则: 接下来通过MATLAB编程进行验证,为了便于给出任意移位点数与任意序列的验证,此处将验证代码封装为一个DFT_frequency_circshift函数,代码如下: ... -
卷积与傅立叶变换
2018-06-29 15:43:09一、卷积 1、一维的卷积 连续: 在泛函分析中,卷积是通过两个函数f(x)f(x)f(x)和g(x)g(x)g(x)生成第三个函数的一种算子,它代表的意义是:两个函数中的一个(我取g(x)g(x)g(x),可以任意取)函数,把g(x)g(x)g... -
卷积与卷积定理,数字信号卷积
2020-02-18 20:13:00卷积 实值函数f1(t)f_1(t)f1(t)和f2(t)f_2(t)f2(t)在(−∞,+∞-\infty,+\infty−∞,+∞)内有定义,积分∫−∞+∞f1(τ) f2(t−τ)dτ\int_{-\infty}^{+\infty}f_1(τ)\, f_2(t-τ)dτ∫−∞+∞f1(τ)f2... -
【信号与系统】(十六)傅里叶变换与频域分析——傅里叶变换的性质
2020-11-18 17:43:27文章目录傅里叶变换的性质1 线性性质2 奇偶性3 对称性4 尺度变换特性5 时移特性6 频移特性7 卷积定理8 时域微积分特性9 频域微积分特性10 相关定理 傅里叶变换的性质 意义: 傅里叶变换具有唯一性。傅里叶变换变换... -
连续信号(八)| 傅里叶变换的性质 | 积分、微分特性 + 时域、频域卷积 + 帕斯瓦尔
2020-06-19 10:07:36傅里叶变换使任一信号可以有两种描述形式:时域描述和频域描述。 1. 线性 x1(t)↔FX1(w)x2(t)↔FX2(w) x_1(t)\overset{F}{\leftrightarrow}X_1(w) \\ x_2(t)\overset{F}{\leftrightarrow}X_2(w) x1(t)↔FX1(w)x2... -
用matlab验证卷积定理
2021-04-24 16:57:48数字信号处理实验报告实验二:卷积定理班 级: 10051041 姓名: 学号: 一、实验目的 通过本实验,验证卷积定理,掌握利用 DFT 和 FFT 计算线性卷积的方法。 二、 ......应用MATLAB 实现抽样定理探讨及仿真一. 课程设计的... -
利用时域(空域)卷积定理进行图像滤波(Matlab 实现)(二)
2021-04-20 15:21:37引言在 利用时域(空域)卷积定理进行图像滤波(Matlab 实现)(一)中我们知道了傅里叶变换是满足时域(空域)卷积定理的,在 从离散傅里叶变换到离散余弦变换 —— 公式证明 中我们也看到了离散余弦变换实际上就是对经过... -
数字图像处理基础课堂笔记(六)——「一维、二维离散傅里叶变化及其方变换,卷积定理,频域滤波的步骤」 ...
2021-11-08 10:15:10s一维离散傅里叶变换及其反变换傅里叶变换的意义二维傅里叶变换 DFT图像例子二维DFT反变换二维DFT的极坐标表示二维傅里叶变换的性质周期性平移特性平移频谱图频率域的基本性质频谱和相位卷积定理频域滤波的步骤一些... -
信号与系统3-傅里叶变换与频域分析
2022-04-09 12:38:54傅里叶变换与频域分析 -
深入理解傅里叶变换的性质:实函数、卷积、相关、功率谱、频响函数
2019-10-30 09:13:28深入理解傅里叶变换的性质:实函数、卷积、相关、功率谱、频响函数 1实函数傅里叶变换的性质 1.1实函数傅里叶变换的性质 所以,实函数x(t)的傅里叶变换X(w)的共轭 X*(w)=X(-w) 1.2实偶函数傅里叶变换的性质 1.2实... -
卷积和快速傅里叶变换(FFT)的实现
2018-08-22 19:07:05卷积运算 卷积可以说是图像处理中最基本的操作。线性滤波通过不同的卷积核,可以产生很多不同的效果。假如有一个要处理的二维图像,通过二维的滤波矩阵(卷积核),对于图像的每一个像素点,计算它的领域像素和... -
图卷积神经网络系列:1. | 谱域卷积与拉普拉斯
2020-12-24 08:13:34图卷积中,大致分为两类:谱域图卷积根据图谱理论和卷积定理,将数据由空域转换到谱域做处理理论基础坚实空域图卷积不依靠图谱卷积理论,直接在空间上定义卷积操作。定义知观,灵活性更强。一 、谱域图卷积简介1.... -
时域卷积与频域乘积
2017-05-21 10:22:26转自:... 卷积定理:时域的卷积等于频域乘积 情况一,矩阵不拓展: p=[0,-1,0;-1,4,-1;0,-1,0];%矩阵1 x=magic(5);%矩阵2 a=conv2(x,p,'same');%卷积结果 P=fft2(p,5,5);%矩阵1F -
【信号与系统】(二十一)拉普拉斯变换与复频域分析——拉普拉斯变换及其性质
2021-06-18 18:53:59有些函数不满足绝对可积条件,求解傅里叶变换困难。为此,可用一衰减因子e−σte^{-\sigma t}e−σt(σ\sigmaσ为实常数)乘信号f(t)f(t)f(t),适当选取σ\sigmaσ的值,使乘积信号f(t)e−σtf(t)e^{-\sigma t}f(t)...