学习通信原理之——傅里叶正变换/傅里叶逆变换公式的证明

2024-02-21 16:52

本文主要是介绍学习通信原理之——傅里叶正变换/傅里叶逆变换公式的证明,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!

文章目录

  • 频谱密度函数
  • 傅里叶正变换
  • 傅里叶逆变换
  • 总结
    • 傅里叶正变换
    • 傅里叶逆变换


频谱密度函数

F ( ω ) = lim ⁡ T → ∞ F n 1 / T = lim ⁡ T → ∞ F n ⋅ T = lim ⁡ w → 0 F n ⋅ 2 π w F\left( \omega \right) =\lim_{T\rightarrow \infty} \frac{F_n}{1/T}=\lim_{T\rightarrow \infty} F_n \cdot T= \lim_{w\rightarrow 0} \frac{F_n\cdot 2\pi}{w} F(ω)=Tlim1/TFn=TlimFnT=w0limwFn2π
在这里 F n F_n Fn(指数型傅里叶级数的系数)是趋于无穷小的, T T T是趋于无穷大的,所以这两者相乘是一个常数。

傅里叶正变换

由上文的公式
F ( ω ) = lim ⁡ T → ∞ F n 1 / T = lim ⁡ T → ∞ F n ⋅ T = lim ⁡ w → 0 F n ⋅ 2 π w F\left( \omega \right) =\lim_{T\rightarrow \infty} \frac{F_n}{1/T}=\lim_{T\rightarrow \infty} F_n \cdot T= \lim_{w\rightarrow 0} \frac{F_n\cdot 2\pi}{w} F(ω)=Tlim1/TFn=TlimFnT=w0limwFn2π
以及
F n = 1 T ∫ − T 2 T 2 f ( t ) e − j n ω t d t F_n=\frac{1}{T}\int_{-\frac{T}{2}}^{\frac{T}{2}}{f\left( t \right) e^{-jn\omega t}dt} Fn=T12T2Tf(t)ejnωtdt
F n F_n Fn代入 F ( j ω ) = lim ⁡ T → ∞ F n ⋅ T F\left( j\omega \right) =\lim_{T\rightarrow \infty} F_n \cdot T F()=limTFnT

F ( ω ) = ∫ − T 2 T 2 f ( t ) e − j n ω t d t F\left( \omega \right) =\int_{-\frac{T}{2}}^{\frac{T}{2}}{f\left( t \right) e^{-jn\omega t}dt} F(ω)=2T2Tf(t)ejnωtdt
因为傅里叶变换的情况是 T T T趋于无穷, ω \omega ω趋于0, n ω n\omega 变成连续的了,所以傅里叶正变换公式就是

F ( ω ) = ∫ − ∞ ∞ f ( t ) e − j ω t d t F\left( \omega \right) =\int_{-\infty}^{\infty}{f\left( t \right) e^{-j\omega t}dt} F(ω)=f(t)etdt

傅里叶逆变换

先看傅里叶级数的指数形式
f ( t ) = ∑ n = − ∞ ∞ F n e j n ω t f\left( t \right) =\sum_{n=-\infty}^{\infty}{F_ne^{jn\omega t}} f(t)=n=Fnejnωt
为了凑出 F ( ω ) F(\omega) F(ω),我们要这样处理
f ( t ) = ∑ n = − ∞ ∞ F n T e j n ω t ⋅ 1 T f\left( t \right) =\sum_{n=-\infty}^{\infty}{F_nTe^{jn\omega t}\cdot \frac{1}{T}} f(t)=n=FnTejnωtT1
我们令 T → ∞ T\rightarrow \infty T,则 ω → 0 \omega \rightarrow 0 ω0,取其为 d ω d\omega dω,我们就可以将上式的 1 T \frac{1}{T} T1改为 2 π T ⋅ 1 2 π \frac{2\pi}{T}\cdot \frac{1}{2\pi} T2π2π1 ω \omega ω趋于0, n ω n\omega 变成连续的了,求和符号应变为积分符号,所以 f ( t ) f(t) f(t)最后为

f ( t ) = 1 2 π ∫ − ∞ ∞ F ( ω ) e j ω t d ω f\left( t \right) =\frac{1}{2\pi}\int_{-\infty}^{\infty}{F(\omega )}e^{j\omega t}d\omega f(t)=2π1F(ω)etdω
这就是傅里叶逆变换。

总结

傅里叶正变换

F ( ω ) = ∫ − ∞ ∞ f ( t ) e − j ω t d t F\left( \omega \right) =\int_{-\infty}^{\infty}{f\left( t \right) e^{-j\omega t}dt} F(ω)=f(t)etdt

傅里叶逆变换

f ( t ) = 1 2 π ∫ − ∞ ∞ F ( ω ) e j ω t d ω f\left( t \right) =\frac{1}{2\pi}\int_{-\infty}^{\infty}{F(\omega )}e^{j\omega t}d\omega f(t)=2π1F(ω)etdω

这篇关于学习通信原理之——傅里叶正变换/傅里叶逆变换公式的证明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/732441

相关文章

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

深入探索协同过滤:从原理到推荐模块案例

文章目录 前言一、协同过滤1. 基于用户的协同过滤(UserCF)2. 基于物品的协同过滤(ItemCF)3. 相似度计算方法 二、相似度计算方法1. 欧氏距离2. 皮尔逊相关系数3. 杰卡德相似系数4. 余弦相似度 三、推荐模块案例1.基于文章的协同过滤推荐功能2.基于用户的协同过滤推荐功能 前言     在信息过载的时代,推荐系统成为连接用户与内容的桥梁。本文聚焦于

hdu4407(容斥原理)

题意:给一串数字1,2,......n,两个操作:1、修改第k个数字,2、查询区间[l,r]中与n互质的数之和。 解题思路:咱一看,像线段树,但是如果用线段树做,那么每个区间一定要记录所有的素因子,这样会超内存。然后我就做不来了。后来看了题解,原来是用容斥原理来做的。还记得这道题目吗?求区间[1,r]中与p互质的数的个数,如果不会的话就先去做那题吧。现在这题是求区间[l,r]中与n互质的数的和

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

系统架构师考试学习笔记第三篇——架构设计高级知识(20)通信系统架构设计理论与实践

本章知识考点:         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识