【笔记整理】数字信号处理复习——FT、DTFT、DFT和FFT之间的关系

FT、DTFT、DFT和FFT之间的关系

FT(傅立叶变换:Fourier transform)

对于一个模拟信号,要分析它的频率成分,必须变换到频域,通过傅立叶变换可以得到模拟信号的频谱。
模拟信号的傅立叶变换:
x ( t ) ↔ F T X ( j Ω ) = ∫ T 2 T 2 x ( t ) e − j Ω t d t x(t) \stackrel{FT} \leftrightarrow X(j \Omega)=\int_{\frac{T}{2}}^{\frac{T}{2}}x(t)e^{-j \Omega t}dt x(t)FTX(jΩ)=2T2Tx(t)ejΩtdt

DTFT(离散时间傅立叶变换:discrete time Fourier transform)

计算机只能处理数字信号,要将模拟信号在时域离散化,即在时域对其进行采样

x ( n ) ↔ D T F T X ( j ω ) = ∑ n = − ∞ ∞ x ( n ) e − j ω n x(n) \stackrel{DTFT}\leftrightarrow X(j\omega)=\sum_{n=-\infty}^{\infty}x(n)e^{-j\omega n} x(n)DTFTX(jω)=n=x(n)ejωn

强调的是离散时间:时域是离散的,而频域依然是连续的,并且是周期的

  • 采样具体过程
    • 采样脉冲序列:
      δ T ( t ) = ∑ n = − ∞ ∞ δ ( t − n T s ) ↔ δ T ( ω ) = 1 T s ∑ n = − ∞ ∞ δ ( ω − n ω s ) \delta_T(t)=\sum_{n=-\infty}^{\infty}\delta(t-nT_s) \leftrightarrow \delta_T(\omega)=\frac{1}{T_s} \sum_{n=-\infty}^{\infty} \delta(\omega-n\omega_s) δT(t)=n=δ(tnTs)δT(ω)=Ts1n=δ(ωnωs)
    • 时域采样,即信号与时域单位冲激序列进行相乘:
      x ( t ) ⋅ δ T ( t ) = ∑ n = − ∞ ∞ x ( n T s ) δ ( t − n T s ) ↔ 1 2 π X ( ω ) ∗ δ T ( ω ) = 1 2 π T s ∑ n = − ∞ ∞ X ( ω − n ω s ) x(t) \cdot \delta_T(t)=\sum_{n=-\infty}^{\infty}x(nT_s) \delta(t-nT_s) \leftrightarrow \frac{1}{2 \pi}X(\omega)*\delta_T(\omega) =\frac{1}{2 \pi T_s} \sum_{n=-\infty}^{\infty}X(\omega-n\omega_s) x(t)δT(t)=n=x(nTs)δ(tnTs)2π1X(ω)δT(ω)=2πTs1n=X(ωnωs)

DFT(离散傅立叶变换:discrete Fourier tranform)

经过时域采样信号依然不能被计算机处理,因为在频域上,离散事件傅立叶变换既连续,又周期。因此进行频域采样。
DFT是对有限长序列的傅立叶变换,是将傅立叶变换在时域和频域进行离散化,便于计算机处理
x ( n ) ↔ D F T X [ k ] = ∑ n = 0 N − 1 x ( n ) e − j 2 π N n k = ∑ n = 0 N − 1 x ( n ) W N n k x(n) \stackrel{DFT} \leftrightarrow X[k]=\sum_{n=0}^{N-1}x(n)e^{-j\frac{2\pi}{N}nk}=\sum_{n=0}^{N-1}x(n)W_N^{nk} x(n)DFTX[k]=n=0N1x(n)ejN2πnk=n=0N1x(n)WNnk

FFT(快速傅里叶变换:fast Fourier transform)

把原始的 N N N点序列,一次分解成一系列的短序列。充分利用DFT计算式中指数因子所具有的对称性和周期性,进而求出这些短序列相应的DFT并进行适当组合,删除重复计算,减少复数乘法运算复数加法运算的目的==【重要!!!掌握原理】==

  • N N N点DFT复杂度

    • 复数乘法 N 2 N^2 N2
    • 复数加法 ( N − 1 ) N (N-1)N (N1)N
  • N N N点FFT复杂度

    • 复数乘法 N 2 log ⁡ 2 N \dfrac{N}{2}\log_2N 2Nlog2N
    • 复数加法 N log ⁡ 2 N N\log_2N Nlog2N
  • 计算FFT的方法:

    • 时间抽取(时域信号序列按奇偶分排)
    • 频率抽取(频域信号序列按奇偶分排)

各种变换时域和频域的特点

  • 傅立叶级数(FS: Fourier series):时域周期连续信号,频域离散非周期信号
  • 傅立叶变换(FT: Fourier transform):时域非周期连续信号,频域连续非周期信号
  • 离散时间傅立叶变换(DTFT: discrete time Fourier transform):时域离散非周期信号,频域周期连续信号
  • 离散傅立叶变换(DFT: discrete Fourier transform):时域离散周期信号,频域周期离散信号

引出以下几个问题:

DTFT和DFT的区别和联系

  1. DTFT是离散时间傅立叶变换;DFT是离散傅里叶变换
  2. DTFT变换后的频率响应一般是连续的
    x ( n ) ↔ D T F T X ( j ω ) = ∑ n = − ∞ ∞ x ( n ) e − j ω n x(n) \stackrel{DTFT} \leftrightarrow X(j\omega)=\sum_{n=-\infty}^{\infty}x(n)e^{-j\omega n} x(n)DTFTX(jω)=n=x(n)ejωn
    DFT是DTFT以 2 π 2 \pi 2π为周期做等间隔抽样并且取主值序列,DFT变换后的频率响应一般是离散的
    x ( n ) ↔ D F T X [ k ] = ∑ n = 0 N − 1 x ( n ) e − j 2 π N n k = ∑ n = 0 N − 1 x ( n ) W N n k x(n) \stackrel{DFT} \leftrightarrow X[k]=\sum_{n=0}^{N-1}x(n)e^{-j\frac{2\pi}{N}nk}=\sum_{n=0}^{N-1}x(n)W_N^{nk} x(n)DFTX[k]=n=0N1x(n)ejN2πnk=n=0N1x(n)WNnk
  3. DTFT的 X ( j ω ) X(j\omega) X(jω)是以 2 π 2 \pi 2π为周期;DFT的 X [ k ] X[k] X[k]序列是有限长的
  4. DTFT是以复指数序列 e − j ω n e^{-j\omega n} ejωn的加权来表示的;而DFT是等间隔抽样,也就是说,将一个圆周 2 π 2 \pi 2π分成 N N N个等分,一般用旋转因子 W N = e − j 2 π N W_N=e^{-j\frac{2 \pi}{N}} WN=ejN2π来表示
  5. DTFT和DFT都能够表征元序列的信息。由于计算机只能处理数字信号,因此需要将模拟信号进行时域采样,变成DTFT后,在时域上是离散的,但在频域上是周期连续的,因此需要将频域的信号进行频域抽样。也就是说DFT是为了计算机处理方便,在频率域对DTFT进行的采样并截取主值序列。

离散傅里叶变换DFT和DTFT之间的关系?

  • DTFT(离散时间傅里叶变换)
    x ( n ) ↔ D T F T X ( j ω ) = ∑ n = − ∞ ∞ x ( n ) e − j ω n x(n) \stackrel{DTFT} \leftrightarrow X(j\omega)=\sum_{n=-\infty}^{\infty}x(n)e^{-j \omega n} x(n)DTFTX(jω)=n=x(n)ejωn
  • DFT(离散傅里叶变换——有限长序列的离散傅里叶变换
    x ( n ) ↔ D F T X [ k ] = ∑ n = 0 N − 1 x ( n ) e − j 2 π N k n = ∑ n = 0 N − 1 x ( n ) W N k n x(n) \stackrel{DFT} \leftrightarrow X[k]=\sum_{n=0}^{N-1}x(n)e^{-j\frac{2 \pi}{N}kn}=\sum_{n=0}^{N-1}x(n)W_N^{kn} x(n)DFTX[k]=n=0N1x(n)ejN2πkn=n=0N1x(n)WNkn
  • 因此可以得到关系:
    X [ k ] = X ( j ω ) ∣ ω = 2 π N k X[k]=X(j\omega)|_{\omega=\frac{2 \pi}{N}k} X[k]=X(jω)ω=N2πk
  • 语言描述:序列的 N N N点DFT是离散时间傅里叶变换在频率区间 [ 0 , 2 π ] [0,2\pi] [0,2π]上的 N N N点等间隔采样,采样间隔为 2 π N \dfrac{2\pi}{N} N2π

离散傅里叶变换DFT和z变换的关系?

  • DFT(离散傅里叶变换——有限长序列的离散傅里叶变换
    x ( n ) ↔ D F T X [ k ] = ∑ n = 0 N − 1 x ( n ) e − j 2 π N k n = ∑ n = 0 N − 1 x ( n ) W N k n x(n) \stackrel{DFT} \leftrightarrow X[k]=\sum_{n=0}^{N-1}x(n)e^{-j\frac{2 \pi}{N}kn}=\sum_{n=0}^{N-1}x(n)W_N^{kn} x(n)DFTX[k]=n=0N1x(n)ejN2πkn=n=0N1x(n)WNkn
  • z变换
    x ( n ) ↔ Z T X ( z ) = ∑ n = − ∞ ∞ x ( n ) z − n x(n) \stackrel{ZT} \leftrightarrow X(z)=\sum_{n=-\infty}^{\infty}x(n)z^{-n} x(n)ZTX(z)=n=x(n)zn
  • 因此可以得到关系:
    X [ k ] = X ( z ) ∣ z = e j 2 π N k X[k]=X(z)|_{z=e^{j\frac{2 \pi}{N}k}} X[k]=X(z)z=ejN2πk
  • 语言描述:序列的 N N N点DFT是z变换的单位圆上的 N N N点等间隔采样,采样间隔为 2 π N \dfrac{2 \pi}{N} N2π

你可能感兴趣的:(数字信号处理,数字信号处理,dtft,fft,离散时间傅立叶变换)