Advertisement

傅里叶变换性质证明卷积_积分变换(3)——傅里叶变换的性质

阅读量:
0e8fee38df6fa127e50272d096bda0f5.png

学习阶段:大学数学,积分变换。

前置知识:微积分、复变函数、傅里叶变换

tetradecane:积分变换(2)——连续傅里叶变换​zhuanlan.zhihu.com

2795dbf848be30db172139fdac43e11b.png

我们来探讨一下傅里叶变换所具有的若干实用特性。这些特性均可通过傅里叶变换的基本定义进行推导,并且在教材中能找到相关解释。我打算采取一种更加直观且深入本质的方法来探讨这些问题。

1. 线性性

为常数,则

其本质是将不同频率的周期函数(频域)通过线性组合来表征原函数(时域),必然是一个线性的特性。这与积分运算的线性特性一致。

线性性质可用图1来概括。先变换再求和,与先求和再变换,结果是一致的。

f9acc3608b17d8df9e10c110bd689206.png

图1 线性性质概括

2. 位移性

为常数,则

把时域的函数向右平移了

,相当于时间起点改到了

,那么频域的相位也要相应地退回。分量

在时刻

的值

的值作为起点,因此

乘上了该量。

把频域的函数向右平移了

,相当于把每个分量

的频率都减慢为了

,那么时间自然要加快以弥补这个变化。对分量

补乘上

,就能还原回原来的频率,因此

乘上了该量。

3. 放缩/相似性

为非零常实数,则

,那么

. 取

,则

,显然是将每个分量的频率都加快为了原来的两倍。为了抵消这个变化,让

除以2,但同时分量的系数也成比例变了,如图2所示:

749a5a7c32895a0693b15a35b5421041.png

图2 系数成比例变化

除以

,会让分量

变为

的同时,其系数也变为了

倍。因此,最终

要再除以

.

对于上述例子,利用

函数的放缩性,易得

4. 对称性

,则

对圆周运动的典型分量

做两次变换观察一下,如图3所示:

ad44dbdabb703fd405268f714ae9fb2e.png

图3 e^(it)做两次傅氏变换

首先对

进行各种频率的反向旋转,

时平均为0,

时叠加出无穷大,得到

,这是第一次变换。再对

做第二次变换,变换的结果是把每个频率的起点都改为

,最终

时平均为0,

时叠加出无穷大,正好时域上构成一冲激强度为

冲击函数的一种表示形式为\delta(t)。在频域中出现的脉冲现象对应于时域中的周期性分布,在时间上均匀重复的现象称为周期信号;反之,在时域中出现的脉冲现象则会在频域中呈现周期性分布特征。这种相互对应的特性共同构建了系统的对称性

实际上,函数

既可以用一系列圆周函数

线性表示为

,又可以用一系列冲激函数

线性表示为

,这是两种非常重要的思想。傅氏变换会把圆周

变为脉冲,脉冲翻转后变为圆周,因此具有

的关系。大致示意图如图4所示:

1d02741fc306f548b4ccd03ea49ee459.png

图4 对称性示意图

5. 微分关系

,只要相关的导数存在,则

对于复值函数

求导会让起点逆时针旋转

并伸缩至

倍,但不改变频率,如图5所示:

ac02689a281896c24a4ad8b1176bc245.png

图5 对e^(iωt)求导

根据求导公式也容易直接写出

对t的n阶导数是

.

因此

对t求n阶导时,频谱只需要简单地把每个分量

乘上

,即

乘上

.

求导时,考虑将

分解为冲激函数,且时域的

分量对应频域的

分量。

求n阶导数得到

,那么

的每个分量

也只需要简单地乘上

即可。

只会在

时影响到整体的值,故求和之后得到的是

.

6. 积分关系

,则

这与微分关系是一致的,取

即可。

由于

,这个任意常数

会在频谱中带来一个冲激函数

,而

无意义,因此这个公式不考虑

的情况。

7. 帕萨瓦尔(Parseval)定理

,则

这个定理充分体现了

这些基底在

内积下的正交性。

中的一个分量

分别乘以

中的每一个分量

并对

做积分,在

时积分结果为0,在

时积分结果为1. 也就是说,两个函数只有频率相同的分量的系数才会相乘。

中分量

的系数近似为

,同理

的系数近似为

,那么两者乘积的

的系数即可近似为

. 如图6所示:

f08bae152b16c316ce1e3a4a53efacda.png

图6 对应点系数相乘

因为

算的是

,那么

分量算出的是

,最后把所有

求和并取极限即可得到帕萨瓦尔定理。

特别地,若取

,则可得到

8. 卷积与卷积定理

8.1 卷积

冲激函数的筛选性质

非常重要,我们称这个运算是

的卷积。一般地,定义

卷积 (convolution)为

视第二个函数为冲激函数的线性组合,即

,那么它的

分量的系数可近似为

,而

卷积得到

,相当于把

向右平移了

个单位。因此,卷积的含义是:

的起点平移到

处,就把函数值放缩为原来的

倍。对于任意的

,把所有这些平移且放缩过的

函数叠加的结果。如图7所示:

ca99808b8461799fe40d4a9fa799f954.png

图7 卷积的示意图

概括来说,卷积就是

的滑动加权和,权重由

决定。

同时,如果只考虑

的一个冲激函数分量,则在卷积中会生成一个滑动加权的

,且由

控制。也就是说,卷积具有

交换律 。如图8所示:

4d0122056960f41c0ee60f67c52dfca9.png

图8 卷积交换律的示意图

实际上,卷积还满足结合律和分配律,这里不再详述。

8.2 时域卷积定理

,则

按照8.1节对卷积的理解,将

拆成各种

分量,且系数近似为

. 那么

在处理单个分量时, 卷积等同于通过位移并赋予权重。根据第2节所述的位移特性, 可以推导出频谱函数将转换为

,对

求和就得到了

.

8.3 频域卷积定理

,则

这里我们把

拆成各种

的分量,且系数近似为

. 那么

在每个分量上进行卷积运算,在时域中转换为通过平移并赋予权重的方式。由第2节所述的位移性质可知,在频域中该时域函数将转换为相应的形式。

,对

求和就得到了

.

全部评论 (0)

还没有任何评论哟~