三大变换与自控(六)傅立叶变换的性质,平移,对称,卷积等

2023-10-31 04:40

本文主要是介绍三大变换与自控(六)傅立叶变换的性质,平移,对称,卷积等,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

前面的文章中我们推导出了傅立叶变换的公式,但是显然在实际应用中,这样的计算过程依旧是非常复杂的。

是否存在一些方法可以让计算变得简单一些呢?

答案是肯定的,这篇文章将探讨傅立叶变换的一些性质,从一些简单的函数的ft来推导出复杂函数的ft。

首先,先来看最简单的时域上的平移。

如果一个函数在时域上发生了平移,那么它的ft会有什么改变吗?

在这里插入图片描述
证明过程很简单,我们只需要使用换元法代入公式再整理一下就可以了:
在这里插入图片描述
把t=u+T代入,变成对u的积分:
在这里插入图片描述
最后发现,时域上向右平移T对ft的影响只是乘e^-(jwT)。

除了平移之外,还有时域上的对称。如果函数相对于y轴对称,ft会有什么影响?
在这里插入图片描述
我们用同样的办法代入公式整理:
在这里插入图片描述
这里我们也是换元,最后整理一下正负号,得出结论:
在这里插入图片描述

看到这里可能有小伙伴要问了,这有什么用呢?
这当然很有用了。

举个简单的例子:
在这里插入图片描述
左上角的函数求ft很简单,但是右上角的就很难了。但是只需要我们把左上角的函数进行对称,平移,再和原来的相加,就可以直接得到右上角的函数图像了。

通过我们之前推导的ft性质,可以轻松得到右上角函数的ft。这就是开头说的,从简单函数推导出复杂函数的ft。

当然,这样的性质还有很多,推导的方法也很简单雷同,所以后面就不详细列出推导过程了,直接给出结论,感兴趣的小伙伴可以自行推导。
在这里插入图片描述
除了上面这些比较简单的性质外,还有一项稍微复杂一点,且非常重要的东西:convolution,也就是常说的卷积。

卷积是个很神奇的东西,它可以把任何一样东西变成另一样东西的形状。

我(好像?)在前面的文章提到过,把一个信号和一个系统的冲激响应进行卷积,就得到了这个信号进过系统后的样子。

翻译成人话,比如,把你的声音和浴室的冲激响应进行卷积,就可以得到你在浴室里说这段话的声音,不仅如此,我们还可以对操场,走廊等等任何系统做类似的操作。

所以,卷积把你的声音变成了浴室的形状。

比方说下面这两个函数:
在这里插入图片描述
这两个函数进行卷积后,蓝色的函数受到了紫色三角形函数的制约,变成了最后橙色图像的样子,是不是很神奇?

卷积不仅神奇,而且用处非常大,可以用来分析系统和模拟输出。

说了这么多,卷积的数学表达是什么呢?

很简单,就是把两个函数的ft相乘,再逆变换组成的全新函数,这个新函数就集合了两个函数的形状。

我们来推导一下:

在这里插入图片描述
推导过程要复杂一点,思路就是对两个函数的乘积进行ift,建议拿起纸笔跟着推导比较好理解。不想理解的也可以直接记结论。

当然,身为工科生,我们更加注重实际应用,而对具体原理有个大致的了解就可以了,因此这个系列的文章直接跳过dft和fft,尽早进入拉普拉斯变换,以及如何绘制伯德图,二阶系统的分析,设计滤波器等等实际应用。

这篇关于三大变换与自控(六)傅立叶变换的性质,平移,对称,卷积等的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/312893

相关文章

Verybot之OpenCV应用二:霍夫变换查找圆

其实我是想通过这个程序来测试一下,OpenCV在Verybot上跑得怎么样,霍夫变换的原理就不多说了,下面是程序: #include "cv.h"#include "highgui.h"#include "stdio.h"int main(int argc, char** argv){cvNamedWindow("vedio",0);CvCapture* capture;i

基于深度学习 卷积神经网络resnext50的中医舌苔分类系统

项目概述 本项目旨在通过深度学习技术,特别是利用卷积神经网络(Convolutional Neural Networks, CNNs)中的ResNeXt50架构,实现对中医舌象图像的自动分类。该系统不仅能够识别不同的舌苔类型,还能够在PyQt5框架下提供一个直观的图形用户界面(GUI),使得医生或患者能够方便地上传舌象照片并获取分析结果。 技术栈 深度学习框架:采用PyTorch或其他

JVM、JRE和 JDK:理解Java开发的三大核心组件

Java是一门跨平台的编程语言,它的成功离不开背后强大的运行环境与开发工具的支持。在Java的生态中,JVM(Java虚拟机)、JRE(Java运行时环境)和JDK(Java开发工具包)是三个至关重要的核心组件。本文将探讨JVM、JDK和JRE的区别,帮助你更好地理解Java的运行机制。 1. JVM:Java虚拟机(Java Virtual Machine) 什么是JVM? JVM,即

接口自动化三大经典难题

目录 一、接口项目不生成token怎么解决关联问题 1. Session机制 2. 基于IP或设备ID的绑定 3. 使用OAuth或第三方认证 4. 利用隐式传递的参数 5. 基于时间戳的签名验证 二、接口测试中网络问题导致无法通过怎么办 1. 重试机制 2. 设置超时时间 3. 使用模拟数据 4. 网络问题的预检测 5. 日志记录与错误分析 6. 切换网络环境 7.

如何将卷积神经网络(CNN)应用于医学图像分析:从分类到分割和检测的实用指南

引言 在现代医疗领域,医学图像已经成为疾病诊断和治疗规划的重要工具。医学图像的类型繁多,包括但不限于X射线、CT(计算机断层扫描)、MRI(磁共振成像)和超声图像。这些图像提供了对身体内部结构的详细视图,有助于医生在进行准确诊断和制定个性化治疗方案时获取关键的信息。 1. 医学图像分析的挑战 医学图像分析面临诸多挑战,其中包括: 图像数据的复杂性:医学图像通常具有高维度和复杂的结构

线性代数 第六讲 特征值和特征向量_相似对角化_实对称矩阵_重点题型总结详细解析

文章目录 1.特征值和特征向量1.1 特征值和特征向量的定义1.2 特征值和特征向量的求法1.3 特征值特征向量的主要结论 2.相似2.1 相似的定义2.2 相似的性质2.3 相似的结论 3.相似对角化4.实对称矩阵4.1 实对称矩阵的基本性质4.2 施密特正交化 5.重难点题型总结5.1 判断矩阵能否相似对角化5.2 已知两个矩阵相似,求某个矩阵中的未知参数5.3 相似时,求可逆矩阵P,使

设计表时的三大范式(MySQL)

设计表时的三大范式 什么是范式第一范式第二范式不满足第二范式的缺点数据冗余插入异常更新异常删除异常 第三范式 什么是范式 在表的设计中,范式是一种设计规范,用于更好的组织和管理数据。 设计数据表时的范式有第一范式1NF、第二范式2NF、第三范式3NF等等,一般满足三大范式即可 第一范式 第一范式规定:数据表中的字段不可以再次拆分 只有满足了第一范式,才称得上是关系型数据

深度学习基础--卷积的变种

随着卷积同经网络在各种问题中的广泛应用,卷积层也逐渐衍生出了许多变种,比较有代表性的有: 分组卷积( Group Convolution )、转置卷积 (Transposed Convolution) 、空洞卷积( Dilated/Atrous Convolution )、可变形卷积( Deformable Convolution ),下面分别介绍下。 1. 分组卷积 在普通的卷积操作中,一个

VSC++: 括号对称比较

括号的使用规则:大括号,中括号,小括号{[()]};中括号,小括号[()];小括号();大括号、中括号、小括号、中括号、小括号、大括号{[()][()]};大括号,中括号,小括号,小括号{[(())]};大括号,中括号,小括号,小括号{[()()]};小括号不能嵌套,小括号可连续使用。 {[]}、{()}、([])、({})、[{}]、{}、[]、{[}]、[(])都属非法。 char aa[

对极约束及其性质 —— 公式详细推导

Title: 对极约束及其性质 —— 公式详细推导 文章目录 前言1. 对极约束 (Epipolar Constraint)2. 坐标转换 (Coordinate Transformations)3. 像素坐标 (Pixel Coordinates)4. 像素坐标转换 (Transformations of Pixel Coordinates)5. 本质矩阵 (Essential Matr