DFT的一些基本性质

DFT有许多基本性质,在这里做一个整理,主要介绍了DFT的如下性质:线性性质、平移性质、翻转性质、实数信号的对称性和奇偶性、卷积和DFT的联系、相关和DFT的联系、帕塞瓦尔定理、缩放性质、上下采样和混叠效应,以及这些性质之间的联系。DFT是数字信号处理的基石,这些性质可以帮助我们更深入的理解数字信号处理。另外,还使用了python对这些性质进行了验证,还给出了使用DFT计算相关,以及上下采样算法。

Linearity

两函数之和的傅里叶变换等于各自变换之和
α x 1 + β x 2 ↔ α X 1 + β X 2 \alpha x_1 + \beta x_2 \leftrightarrow \alpha X_1 + \beta X_2 αx1+βx2αX1+βX2
python测试代码如下:

import numpy as np

x1 = np.random.randint(0,10,64)
x2 = np.random.randint(0,10,64)
alpha = np.random.normal()
beta = np.random.normal()
y1 = alpha*x1+beta*x2
X1 = alpha*np.fft.rfft(x1)
X2 = beta*np.fft.rfft(x2)
Y = X1+X2
y2 = np.fft.irfft(Y)
print(np.allclose(y1,y2))

结果如下:

True

Shift Theorem

时域x(n)输入序列的时间偏移表现为与DFT结果相关的角度中的恒定相移,如果我们定义 S H I F T k ( x ) SHIFT_k(x) SHIFTk(x)表示将信号右移k个样本点,那么偏移后的序列的频谱与偏移前的频谱有如下关系
S H I F T k ( x ) = x ( n − k ) SHIFT_k(x) = x(n-k) SHIFTk(x)=x(nk)
X s h i f t e d ( m ) = e j 2 π k m / N X ( m ) X_{shifted}(m) = e^{j2\pi km/N}X(m) Xshifted(m)=ej2πkm/NX(m)
即如果时域输入序列x(n)右移k个样本点,那么对应的DFT频谱 X s h i f t e d ( m ) X_{shifted}(m) Xshifted(m) X ( m ) X(m) X(m)乘以一个恒定的相位偏移 e j 2 π k m / N e^{j2\pi km/N} ej2πkm/N,同样,如果左移k个样本点,那么对应的DFT频谱则是乘以 e − j 2 π k m / N e^{-j2\pi km/N} ej2πkm/N
python测试代码如下:

def shift(x,N):
  p = len(x)-(N%len(x))
  x_s = np.concatenate([x[p:],x[:p]])
  return x_s
  
N = 8
l = 7
x = np.random.randint(0,10,N)
x_shift = shift(x,l)

X = np.fft.fft(x)
X_shift = np.fft.fft(x_s)*np.exp(2j*np.pi*np.arange(N)*l/N)

print(np.allclose(X,X_shift ))

结果如下:

True

Time Reversal

在离散时间系统中,我们需要考虑两种形式的时间反转。考虑六点x(n)时域序列
x ( n ) = x ( 0 ) , x ( 1 ) , x ( 2 ) , x ( 3 ) , x ( 4 ) , x ( 5 ) x(n) = x(0),x(1),x(2),x(3),x(4),x(5) x(n)=x(0),x(1),x(2),x(3),x(4),x(5)

第一种反转是直接时间反转:
x s ( n ) = x ( 5 ) , x ( 4 ) , x ( 3 ) , x ( 2 ) , x ( 1 ) , x ( 0 ) x_s(n) = x(5),x(4),x(3),x(2),x(1),x(0) xs(n)=x(5),x(4),x(3),x(2),x(1),x(0)

第二种是循环时间反转:
由于FFT的周期性特性,我们可以将x(n)时间序列描绘为一个圆上的采样,如下图所示。我们将逆时针旋转表示为正时间流,因此x(n)等间隔逆时针分布在圆上,与之前我介绍过的循环卷积中的圆的概念一样,那么循环时间反转便是围绕圆的负时间方向(顺时针方向)移动得到反转后的序列
DFT的一些基本性质_第1张图片

循环时间反转后的序列:
x c ( n ) = x ( 0 ) , x ( 5 ) , x ( 4 ) , x ( 3 ) , x ( 2 ) , x ( 1 ) x_c(n) = x(0),x(5),x(4),x(3),x(2),x(1) xc(n)=x(0),x(5),x(4),x(3),x(2),x(1)

用X(m)表示x(n)的DFT,反转后的序列有如下性质:
X s ( m ) = X c ( m ) e − j 2 π m ( N − 1 ) / N = X ∗ ( m ) e − j 2 π m ( N − 1 ) / N X_s(m) = X_c(m)e^{-j2\pi m(N-1)/N} = X^* (m)e^{-j2\pi m(N-1)/N} Xs(m)=Xc(m)ej2πm(N1)/N=X(m)ej2πm(N1)/N
python测试代码如下:

def circular_time_reversal(x):
    x_r = x.copy()
    x_r[1:] = x_r[1:][::-1]
    return x_r

def straight_time_reversal(x):
  x_s = x.copy()
  return x_s[::-1]
  
N = 8
x = np.random.randint(0,10,N)
x_ctr = circular_time_reversal(x)
x_str = straight_time_reversal(x)

X = np.fft.fft(x)
X_ctr = np.fft.fft(x_ctr).conj()
X_str = np.fft.fft(x_str).conj()*np.exp(-2j*np.pi*np.arange(N)*(N-1)/N)

print(np.allclose(X,X_ctr))
print(np.allclose(X,X_str))

结果如下:

True
True

时间反转与位移定理的关系:
将序列x(n)右移N-1个样本点然后直接时间反转等于将序列x(n)循环时间反转
对于序列x(n),首先右移N-1个样本:
x ( n ) = x ( 1 ) , x ( 2 ) , x ( 3 ) , x ( 4 ) , x ( 5 ) , x ( 0 ) x(n) = x(1),x(2),x(3),x(4),x(5),x(0) x(n)=x(1),x(2),x(3),x(4),x(5),x(0)
然后直接反转:
x ( n ) = x ( 0 ) , x ( 5 ) , x ( 4 ) , x ( 3 ) , x ( 2 ) , x ( 1 ) x(n) = x(0),x(5),x(4),x(3),x(2),x(1) x(n)=x(0),x(5),x(4),x(3),x(2),x(1)

Symmetry for Real Signals

在实际工程中大多数处理的真实信号都是实信号,实信号的傅里叶变换频谱为共轭对称的,其频谱有如下性质:
实部为偶对称,虚部为奇对称:
r e { X ( − ω ) } = r e { X ( ω ) } re\{X(-\omega)\} = re\{X(\omega)\} re{X(ω)}=re{X(ω)}
i m { X ( − ω ) } = − i m { X ( ω ) } im\{X(-\omega)\} = -im\{X(\omega)\} im{X(ω)}=im{X(ω)}
幅度为偶对称,相位为奇对称:
∣ X ( − ω ) = ∣ X ( ω ) ∣ |X(-\omega) = |X(\omega)| X(ω)=X(ω)
∠ X ( − ω ) = − ∠ X ( ω ) \angle X(-\omega) = -\angle X(\omega) X(ω)=X(ω)

Real Even (or Odd) Signals

如果一个信号偶对称且为实信号,那么其对应的DTFT频谱也是偶对称且为实数,即虚部为0
与此类似,如果一个信号奇对称且为实信号,那么其对应的DTFT频谱也是奇对称且为纯虚数,即实部为0

Convolution Theorem

卷积与DFT的关系在之前有讲到,这里不再做介绍

Correlation Theorem

对于两个序列x(n)和y(n),相关定义为:
r ( n ) = ∑ m = 0 N − 1 x ( m ) y ( m − n ) r(n) = \sum\limits_{m=0}^{N-1}x(m)y(m-n) r(n)=m=0N1x(m)y(mn)
从相关的定义可以看出,相比卷积,相关只是少了将y反转这一步骤,卷积的计算方式是一样的,因此同样可以使用DFT来计算相关,假设序列x(n)长为M,y(n)长为N,计算相关的结果长为L=M+N-1,计算步骤如下:
1、将序列x(n)补零至L,进行傅里叶变换得到X(m)
2、将序列y(n)反转,然后补零至L,进行傅里叶变换得到Y(m)
3、计算R(m)=X(m)Y(m),进行傅里叶逆变换得到r(n)

上面这种计算方式需要将y(n)反转,步骤稍显复杂,我们可以使用上面的移位定理和时间反转定理,不做反转,只在频域乘上一个相位偏移,步骤如下:
1、将序列x(n)和y(n)都补零至L,进行傅里叶变换得到X(m),Y(m)
2、计算 R ( m ) = X ( m ) Y ∗ ( m ) e − 2 j π m ( L − M ) / L R(m) = X(m)Y^* (m)e^{-2j\pi m(L-M)/L} R(m)=X(m)Y(m)e2jπm(LM)/L,进行傅里叶逆变换得到r(n)
python代码如下:

M = 8
N = 5
x = np.random.randint(0,10,M)
y = np.random.randint(0,10,N)
r1 = np.correlate(x,y,mode='full')
L = M+N-1
X = np.fft.fft(x,L)
Y = np.fft.fft(y,L)
R = X*Y.conj()*np.exp(-2j*np.pi*np.arange(L)*(L-M)/L)
r2 = np.fft.ifft(R,L)
print(np.allclose(r1,r2))

Parseval’s theorem

序列x(n)与其频谱有如下关系:
∑ n = − ∞ ∞ ∣ x [ n ] ∣ 2 = 1 2 π ∫ − π π ∣ X ( e j ω ) ∣ 2 d ω \sum\limits_{n=-\infty}^\infty|x[n]|^2 = \frac{1}{2\pi} \int_{-\pi}^{\pi}|X(e^{j\omega})|^2d\omega n=x[n]2=2π1ππX(ejω)2dω
∑ n = 0 N − 1 ∣ x [ n ] ∣ 2 = 1 N ∑ m = 0 N − 1 ∣ X ( m ) ∣ 2 \sum\limits_{n=0}^{N-1}|x[n]|^2 = \frac{1}{N} \sum\limits_{m=0}^{N-1}|X(m)|^2 n=0N1x[n]2=N1m=0N1X(m)2

根据帕塞瓦尔定理的表达式可以看出,序列x(n)依时间域t累积的总能量与该波形的傅立叶变换X(f)在频率域f累积的总能量相等。
python测试代码如下:

N = 8
a = np.random.randint(0,10,N)
aa = np.sum(np.abs(a)**2)
A = np.fft.fft(a)
AA = np.sum(np.abs(A)**2)/N
print(np.allclose(aa,AA))

结果如下:

True

Scaling Theorem

我们将序列x(n)拉伸L倍定义为:在序列x(n)的每对样本之间插入L-1个零,以使序列拉长至原序列长度的L倍,如下图所示:
DFT的一些基本性质_第2张图片

我们将频域的RepeatL次定义为将整个频谱 ( − π   π ) (-\pi~\pi) (π π)映射到 ( − π / L , π / L ) (-\pi/L,\pi/L) (π/L,π/L),以 ω = 0 \omega=0 ω=0为中心并重复L次,如下图所示:
DFT的一些基本性质_第3张图片

根据以上两个定义,DFT有如下定理:
S T R E T C H L ( x ) ↔ R E P E A T L ( x ) STRETCH_L(x) \leftrightarrow REPEAT_L(x) STRETCHL(x)REPEATL(x)
即时域将序列x(n)拉伸L倍,其对应的频域频谱在 ( − π , π ) (-\pi,\pi) (π,π)上缩放并重复L次,这就是傅里叶变换的缩放定理

根据缩放定理,对于正整数L,如果我们能够实现一个截止频率为 π / L \pi/L π/L的理想的低通滤波器,那么我们就实现了一个理想的上采样L倍的系统,对拉伸后的信号x(n)进行滤波,就可以实现将信号x(n)上采样L倍
python实现上采样代码如下:

fs = 16000
L = 2
T = 10
t = np.linspace(0, T, T*fs, endpoint=False)
x = signal.chirp(t, f0=0, f1=fs/2, t1=10, method='linear')

x_stretch = np.zeros(len(x)*L)
x_stretch[::L] = x

ntaps = 4097
cutoff = (1 / L)*fs
lpf = signal.firwin(ntaps,cutoff,window=('kaiser',100),fs=fs*L)
x_upsample = np.convolve(x_stretch,lpf,mode='same')

fig, axes = plt.subplots(nrows=3, ncols=1)
f, t, Sxx = signal.spectrogram(x, fs=fs, nfft=512)
axes[0].set_title("x")
axes[0].pcolormesh(t, f, Sxx)

f, t, Sxx = signal.spectrogram(x_stretch, fs=fs*L, nfft=512)
axes[1].set_title("x_stretch")
axes[1].pcolormesh(t, f, Sxx)

f, t, Sxx = signal.spectrogram(x_upsample, fs=fs*L, nfft=512)
axes[2].set_title("x_upsample")
axes[2].pcolormesh(t, f, Sxx)

plt.show()

结果如图:
DFT的一些基本性质_第4张图片
可以看到,补零后的信号x_stretch相比原信号x,在频谱上被缩放了,当通过了低通滤波后,便实现了信号的上采样

Downsampling and Aliasing

我们将信号x(n)下采样M倍定义为:在序列x(n)中只提取M倍时的样本,即
D O W N S A M P L E M , n ( x ) = x ( M n ) DOWNSAMPLE_{M,n}(x) = x(Mn) DOWNSAMPLEM,n(x)=x(Mn)

根据采样定理,采样率必须高于信号最高频率的2倍,否则会发生频域混叠,当我们对信号进行下采样以降低其采样率时,就会发生混叠。

D O W N S A M P L E M ( x ) ↔ 1 M A L I A S M ( X ) DOWNSAMPLE_M(x) \leftrightarrow \frac{1}{M}ALIAS_M(X) DOWNSAMPLEM(x)M1ALIASM(X)
其中:
A L I A S M , ω = ∑ m = 0 M − 1 X ( ω + k 2 π M ) ALIAS_{M,\omega} = \sum\limits_{m=0}^{M-1} X(\omega + k \frac{2\pi}{M}) ALIASM,ω=m=0M1X(ω+kM2π)

对于 ω ∈ [ − π , π ) \omega \in [-\pi,\pi) ω[π,π),其中 m ≠ 0 m\neq 0 m=0为混叠分量
根据混叠定理,如果我们要对一个信号进行M倍下采样并且无混叠,我们必须将信号首先通过一个截止频率为 π / M \pi/M π/M的理想低通滤波器
python实现下采样代码如下:

fs = 48000
M = 4
T = 10
t = np.linspace(0, T, T*fs, endpoint=False)
x = signal.chirp(t, f0=0, f1=fs/2, t1=10, method='linear')

ntaps = 4097
cutoff = fs/(M*2)
lpf = signal.firwin(ntaps,cutoff,window=('kaiser',100),fs=fs)
x_lp = np.convolve(x,lpf,mode='same')

x_aliasing = x[::M]
x_downsample = x_lp[::M]

fig, axes = plt.subplots(nrows=3, ncols=1)

f, t, Sxx = signal.spectrogram(x, fs=fs, nfft=512)
axes[0].set_title("x")
axes[0].pcolormesh(t, f, Sxx)

f, t, Sxx = signal.spectrogram(x_aliasing, fs=fs/M, nfft=512)
axes[1].set_title("x_aliasing")
axes[1].pcolormesh(t, f, Sxx)

f, t, Sxx = signal.spectrogram(x_downsample, fs=fs/M, nfft=512)
axes[2].set_title("x_downsample")
axes[2].pcolormesh(t, f, Sxx)

plt.show()

结果如图:
DFT的一些基本性质_第5张图片
可以看到,在不进行低通滤波的情况下直接下采样的信号x_aliasing相比低通滤波后再进行下采样后的信号,x_aliasing出现了混叠

更一般化,任何采样率的转换 ρ = L / M \rho=L/M ρ=L/M都可以首先通过时域拉伸L倍,然后经过截止频率为 π / M A X ( L , M ) \pi/MAX(L,M) π/MAX(L,M)的理想低通滤波器,然后再通过下采样M倍来实现

你可能感兴趣的:(数字信号处理,算法,数字信号处理,fft)