傅里叶级数与傅里叶变换

简介: 傅里叶级数与傅里叶变换

本文有关三角函数的描述很多,忘记高中知识的可以从这个链接复习下各个概念:振幅、周期、相移和频率


一、从简单变换到傅里叶级数


如下图所示,在笛卡尔坐标系中,由于我们定义了一组基O9%[X6AO6V7~CT6}5DX1%KT.png,因此坐标系中的所有点才能够被一个坐标唯一地表示:


C1SU9TQZM)02RD7WH0L$KWR.png

                                       简单变换  


这样的好处是有了坐标以后,点与点之间就不再是相互孤立的存在,也就有了距离的关系。这个过程就是一种变换,即把坐标变换到坐标系中。


这种简单的变换是将空间中的点使用一组基来表示,点是基的加权累加,而类比到函数中,对于一个函数,我们期待使用一组基函数来表示。傅里叶级数与傅里叶变换就是用来办到这件事的方法,其中傅里叶级数能够将任意周期函数表示成一组基函数依照各自的系数的累加,而傅里叶变换针对的是非周期函数


首先阐述傅里叶级数,它可以将任意周期函数分解为简单震荡函数(正弦函数和余弦函数,这些函数作为基函数)的加和。具体地,对于周期为7{%18YTQI0_YM9$S_CM5RCI.png,可以分解为三角函数的组合:


2C2VO8JK6XLWD0K_VJ5O{J7.png

S)MS0ZIVU8LPCQ%U}8)S]9M.png


本节类比了笛卡尔坐标系与傅里叶级数,首先对变换有一个简单的概念,接下来的章节会介绍更多的细节。


二、傅里叶级数


  1. 三角函数系


一个三角函数系为:

{G[ZB2`252XZT19[($8YSLM.png

[X$`%}CL`50~D5F[9KALQMY.png

  1. 傅里叶级数的直观理解


  • 矩形波的分解


以一个周期矩形波为例,难以想象的是这个矩形波是可以被傅里叶级数分解的。下图中展示了多个正弦函数如何逐步组合成为一个矩形波,随着震荡函数的增加,它们最终就可以组成一个矩形波:


KW90XOMI6RA1LBYXBH]GCFG.png

                                        矩形波的分解


注意这里只有正弦函数而没有余弦函数,这里的正弦函数并非指的是前面对G8F76{16)~0H{9RB`LJP_PA.png的分解公式里的正弦函数,公式里的正弦函数是没有相位的,而这里说的正弦函数是有相位的。我们之前说任意周期函数都可以由正弦和余弦函数累加而组成,这里的正弦函数和余弦函数是没有相位的,而事实上我们只需要有相位的正弦函数就可以组成任意的周期函数了。下图也同样展示了这些有相位的正弦波组合成矩形波的过程:


4$IPSYD1~31_[]KE0I9[`JO.png

                                        矩形波的分解


这里的正弦波之间还有一些直线,这些直线其实也是正弦波,只不过振幅为7@D5TNW}VZGGC(7J38CD4WX.png,这说明组成一个周期函数时,可能一些成分是不需要的。


  • 频谱


上面的图立体地展示了正弦波组合成周期函数的过程,如果我们从侧面来看这个立体图,也就得到了所谓的频谱(Spectrum)

G2]UT1A9IW41OVDCENGP_]0.png

                                     频谱的由来


其实也就相当于以这些正弦波的频率做横轴,振幅做竖轴得到图像:


$NEE3{U}NAZKI7J55N0UB~S.png

                                          频谱


现在再重新来看一个周期函数的立体分解图,也就是说从正面来看看到的是时域(Time Domain)的图像,而从侧面来看看到的就是频域(Frequency Domain)图像:


46XT9H1}H$4@U%KY24GATNR.png

                                            时域与频域


  • 相位谱


频谱记录了正弦波的频率和振幅,但没有记录相位信息,同样的我们可以以频率为横轴,相位为纵轴构建一个相位谱(phase spectrum)


%16@(7$78R93BBAWY@PFODW.png

                                                  相位谱


利用频谱和相位谱就可以记录所有的组成一个周期函数的正弦函数了。最终,放一张集合图:


~LQMC957I@K7A9%FT(@2RZV.png

                                                         综合


  1. 傅里叶级数的由来


现在我们解释下面这个式子的由来,也顺便回答第一个章节留下的疑问:


4~}0(4YC7%{XTP5G_G6AR]E.png

利用和角公式进行一些变换:


XF{B]S[2)6)O2~P91V639MU.png


最终得到了我们之前说过的傅里叶级数,同时也解释了前面留下的疑问。


  1. 求解傅里叶级数的系数


U3]F](X@D8{M(JXP5K(N(18.png

}3RD{8FNWOMWXN$09VJD(}0.png


  1. 欧拉公式与傅里叶级数


首先有欧拉公式如下:


653P~M}6Q`WD7PEK3N)R]XA.png


可以简单的将欧拉公式理解为复数的另一种表示形式,B77}U9JSW5A6U{R3W7GWLQ8.png看做复数。为了能够化简傅里叶级数的表达形式,我们需要应用到欧拉公式。


@N39EEM5~@[B2U3HHI8QHB8.png时,根据欧拉公式有:

FMYH%]EM3U$IYPOLE]1B46K.png


那么:

IN%F]NGOR{EZJ2T9ND6@~BL.png


将这两项代入傅里叶级数,并进行整理:


3JZ$%JPYE{Q8_SQ)}4QJPN2.png

S8%(Q$EHGJY4OX%JQ{I{FEX.png


O_D1%F6WP7~)HPAC`5@AL2L.png


                                             时域与频域


上图右边纵5{NWXI8F3)IAT[NNI28_M14.png轴其实是个复数,可以理解为应该有两个维度,一个实部,一个虚部,但是这里为了简单画图,就把它画成了实数,但其实它是个复数。


三、傅里叶变换

CSA1Y3NL{YV(SA33{7UHTHS.png

V`_8}A{QYVFA7YNBSET6NJB.png

1_SO0SRZ([3K`%M$XY`S]]D.png


参考资料

ref:【GCN】万字长文带你入门 GCN——公众号:阿泽的学习笔记


ref:傅里叶变换一步步详细推导


ref:傅里叶分析之掐死教程(完整版)

相关文章
|
11天前
|
机器学习/深度学习
FFT能量归一化
FFT能量归一化
23 0
|
11天前
|
算法 C语言
数字信号处理中的快速傅里叶变换
数字信号处理中的快速傅里叶变换
25 0
|
3天前
|
计算机视觉
傅里叶
傅里叶 “【5月更文挑战第23天】”
6 1
|
11天前
|
算法 计算机视觉
傅里叶变换
傅里叶变换
29 2
|
11天前
|
数据安全/隐私保护
时域与频域数据互相转换,傅里叶变换与逆傅里叶变换,matlab程序,时域转频域
地震波格式转换、时程转换、峰值调整、规范反应谱、计算反应谱、计算持时、生成人工波、时频域转换、数据滤波、基线校正、Arias截波、傅里叶变换、耐震时程曲线、脉冲波合成与提取、三联反应谱、地震动参数、延性反应谱、地震波缩尺、功率谱密度
|
11天前
|
计算机视觉 Python
傅里叶滤波
傅里叶滤波
6 3
|
5月前
|
计算机视觉 Python
图像的傅里叶变换(二)
图像的傅里叶变换(二)
|
5月前
|
数据安全/隐私保护 Python
|
10月前
|
算法
转:fft算法(快速傅里叶变换算法)
FFT (Fast Fourier Transform) 是一种快速傅里叶变换算法。它是用来将一个信号从时域转换到频域的算法。这个算法通过分治策略,将一个长度为 N 的复数序列分解成 N/2 个长度为 2 的复数序列,然后对这些小的序列分别进行 FFT 计算。
242 0
|
算法 计算机视觉 Python