第3章离散傅里叶变换
一、学习目标
1.掌握DFT的定义、物理含义；
2.熟练掌握圆周卷积的计算，线性卷积和圆周卷积的关系；
3.掌握DFT进行谱分析三种误差产生的原因及解决办法；
4.了解频域采样定理。
二、本章导航
3.3离散傅里叶级数
3.4离散傅里叶变换
3.5频域采样理论
3.6用DFT计算线性卷积
3.7用DFT进行频谱分析
DFT是为适应计算机分析傅里叶变换规定的一种专门运算，本章是数字信号处理课程的重点章节。
3.3离散傅里叶级数
1.周期序列的离散傅里叶级数
连续时间周期信号可以用傅里叶级数表示，离散周期序列也可以表示成傅里叶级数形式。
周期为N的复指数序列的基频序列为
k次谐波序列为
由于，即，因而，离散傅里叶级数的所有谐波成分中只有N个是独立的。因此在展开成离散傅里叶级数时，我们只能取N个独立的谐波分量，通常取k=0到(N-1)，即
（*）
式中，1/N是习惯上采用的常数，是k次谐波的系数。利用
将（*）式两端同乘以，并对一个周期求和
即
由于
所以也是一个以N为周期的周期序列。因此，时域离散周期序列的离散傅里叶级数在频域上仍然是一个周期序列。
令，则
其中，符号DFS[.]表示离散傅里叶级数正变换，IDFS[.]表示离散傅里叶级数反变换。
2.周期序列的傅里叶变换
思路：由
利用和DTFT的频移特性，可得
一、重点与难点
1.DFT的定义、性质，DFT与z变换、DTFT之间的关系；
2.循环卷积的计算；
3.频域采样定理；
4.圆周卷积和线性卷积的关系，DFT计算线性卷积的框图；
5.DFT进行谱分析参数选择，三种误差产生的原因及解决办法。
二、具体讲解
1.频域采样定理
离散傅里叶变换相当于信号傅里叶变换的等间隔采样，也就是说实现了频域的采样，便于计算机计算。那么是否任一序列都能用频域采样的方法去逼近呢？这是一个很吸引人的问题。
我们考虑一个任意的绝对可和的序列x(n)，它的z变换为
如果对X(z)单位圆上进行等距离采样
现在要问，这样采样以后，信息有没有损失？或者说，采样后所获得的有限长序列x N(n)能不能代表原序列x(n)。
为了弄清这个问题，我们从周期序列开始
由于
所以
也即是原非周期序列x(n)的周期延拓序列，其时域周期为频域采样点数N。在第一章我们看到，时域的采样造成频域的周期延拓，这里又对称的看到，频域采样同样造成时域的周期延拓。
因此，如果序列x(n)不是有限长的，则时域周期延拓时，必然造成混叠现象，因而一定会产生误差。
对于长度为M的有限长序列，只有当频域采样点数N大于或等于序列长度M时，才有
即可由频域采样值X(k)恢复出原序列x(n)，否则产生时域混叠现象，这就是所谓的频域采样定理。
2.用DFT进行谱分析的误差问题
（1）混叠现象
利用DFT逼近连续时间信号的傅里叶变换，为避免混叠失真，按照抽样定理的要求，采样频率至少是信号最高频率的两倍。
解决混叠问题的唯一方法是保证采样频率足够高。
（2）频谱泄露
任何带限信号都是非时限的，任何时限信号都是非带限的。实际问题中遇到的离散时间序列可能是非时限的、无限长序列，在对该序列利用DFT进行处理时，由于作DFT的点数总是有限的，因此就有一个必须将该序列截断的问题。序列截断的过程相当
于给该序列乘上一个矩形窗口函数RN(n)。如果原来序列的频谱为，矩形窗函数的频谱为，则截断后有限长序列的频谱为
由于矩形窗函数频谱的引入，使卷积后的频谱被展宽了，即的频谱“泄露”到其它频率处，称为频谱泄露。
在进行DFT时，由于取无限个数据是不可能的，所以序列的时域截断是必然的，泄露是难以避免的。为了尽量减少泄露的影响，截断时要根据具体的情况，选择适当形状的窗函数，如汉宁窗或汉明窗等。
（3）栅栏效应
由于DFT是有限长序列的频谱等间隔采样所得到的样本值，这就相当于透过一个栅栏去观察原来信号的频谱，因此必然有一些地方被栅栏所遮挡，这些被遮挡的部分就是未被采样到的部分，这种现象称为栅栏效应。由于栅栏效应总是存在的，因而可能会使信号频率中某些较大的频率分量由于被“遮挡”而无法得到反映。此时，通常在有限长序列的尾部增补若干个零值，借以改变原序列的长度。这样对加长的序列作DFT时，由于点数增加就相当于调整了原来栅栏的间隙，可以使原来得不到反映的那些较大的频率分量落在采样点上而得到反映。
一、例题
1.设x(t)的最高频率f c不超过3Hz，现用f s＝10Hz，即T＝0.1s对其抽样，求所得到的频率最大分辨率。如果信号x(n)由三个正弦组成，其频率分别f1＝2Hz，f2＝
2.02Hz，f3＝2.07Hz，即
那么用DFT求其频谱时，能否分辨出三个频率分量？
解：x(t)的最高频率f c不超过3Hz，现用f s＝10Hz对其抽样，由抽样定理可知，不会发生混叠问题。T p＝25.6s，对x(n)做DFT时，所得到的频率最大分辨率
如果信号x(n)由三个正弦组成，其频率分别f1＝2Hz，f2＝2.02Hz，f3＝2.07Hz，那
么用DFT求其频谱时，由于，所以不能分辨出由f2产生的正弦分量；又由于，所以能分辨由f3产生的正弦分量。
2.对有限长序列的Z变换在单位圆上进行5等份采样，得到采样值，即
，
试根据频率采样定理求的逆离散傅里叶变换。
解：
二、习题
1.证明：若x(n)实偶对称，即x(n)=x(N-n)，则X(k)也实偶对称。
2.已知序列，，今对其Z变换X(z)在单位圆上N等分采样，采样值为
求有限长序列。
3.研究两个有限长序列x(n)和y(n)，此二序列当n<0时皆为零，并且
x(n)=0n≥8
y(n)=0n≥20
各作其20点DFT，然后将两个DFT相乘，再计算乘积序列的IDFT得r(n)，试指出r(n)的哪些点对应于x(n)和y(n)作线性卷积应得到的点。
4.设有两个序列：{1,1,1,1,0,0,0}和{1,2,3,4,5,0,0}，试求
（1）它们的循环卷积（周期长度N＝7）；
（2）它们的循环卷积（序列长度N＝7），试问这个卷积结果与上一结果有何不同？
（3）它们的线性卷积，问至少需要多少点的DFT？
傅里叶变换在物理学、数论、组合数学、信号处理、概率论、统计学、密码学、声学、光学、海洋学、结构动力学等领域都有着广泛的应用（例如在信号处理中，傅里叶变换的典型用途是将信号分解成幅值分量和频率分量）。 傅里叶变换能将满足一定条件的某个函数表示成三角函数（正弦和/或余弦函数）或者它们的积分的线性组合。在不同的研究领域，傅里叶变换具有多种不同的变体形式，如连续傅里叶变换和离散傅里叶变换。 傅里叶变换是一种解决问题的方法，一种工具，一种看待问题的角度。理解的关键是：一个连续的信号可以看作是一个个小信号的叠加，从时域叠加与从频域叠加都可以组成原来的信号，将信号这么分解后有助于处理。 我们原来对一个信号其实是从时间的角度去理解的，不知不觉中，其实是按照时间把信号进行分割，每一部分只是一个时间点对应一个信号值，一个信号是一组这样的分量的叠加。傅里叶变换后，其实还是个叠加问题，只不过是从频率的角度去叠加，只不过每个小信号是一个时间域上覆盖整个区间的信号，但他确有固定的周期，或者说，给了一个周期，我们就能画出一个整个区间上的分信号，那么给定一组周期值（或频率值），我们就可以画出其对应的曲线，就像给出时域上每一点的信号值一样，不过如果信号是周期的话，频域的更简单，只需要几个甚至一个就可以了，时域则需要整个时间轴上每一点都映射出一个函数值。 傅里叶变换就是将一个信号的时域表示形式映射到一个频域表示形式；逆傅里叶变换恰好相反。这都是一个信号的不同表示形式。它的公式会用就可以，当然把证明看懂了更好。 对一个信号做傅里叶变换，可以得到其频域特性，包括幅度和相位两个方面。幅度是表示这个频率分量的大小，那么相位呢，它有什么物理意义频域的相位与时域的相位有关系吗信号前一段的相位（频域）与后一段的相位的变化是否与信号的频率成正比关系。 傅里叶变换就是把一个信号，分解成无数的正弦波（或者余弦波）信号。也就是说，用无数的正弦波，可以合成任何你所需要的信号。
河北联合大学 本科毕业设计（论文） 题目傅里叶变换在信号与系统中的应用 院系理学院 专业班级07数学一班 学生姓名刘帅 学生学号200710050113 指导教师佟玉霞 2011年5月24日
题目傅里叶变换在信号与系统中的应用 专业数学与应用数学姓名刘帅学号200710050113 主要内容、基本要求、主要参考资料等 主要内容 傅里叶变换是一种重要的变换，且在与通信相关的信号与系统中有着广泛的应用。本文主要研究傅里叶变换的基本原理；其次，掌握其在滤波，调制、解调，抽样等方面中的应用。分析了信号在通信系统中的处理方法，通过傅里叶变换推导出信号调制解调的原理，由此引出对频分复用通信系统的组成原理的介绍。 基本要求 通过傅里叶变换实现一个高通滤波，低通滤波，带通滤波。用傅里叶变换推导出信号调制解调的原理。通过抽样实现连续信号离散化，简化计算。另外利用调制的原理推导出通信系统中的时分复用和频分复用。 参考资料 [1]《信号与系统理论、方法和应用》徐守时著中国科技大学出版社 2006年3月修订二版 [2]《信号与系统》第二版上、下册郑君里、应启珩、杨为理著高等教育出版社 [3]《通信系统》第四版 Simon Haykin 著宋铁成、徐平平、徐智勇等译沈 连丰审校电子工业出版社 [4]《信号与系统—连续与离散》第四版 Rodger E.Ziemer 等著肖志涛等译 腾建辅审校电子工业出版社 [5]《现代通信原理》陶亚雄主编电子工业出版社 [6]《信号与系统》乐正友著清华大学出版社 [7]《信号与线性系统》阎鸿森、王新风、田惠生编西安交通大学出版社 [8]《信号与线性系统》张卫钢主编郑晶、徐琨、徐建民副主编西安电 子科技大学出版社 [9] https://www.doczj.com/doc/5e14648149.html,/view/191871.htm//百度百科傅里叶变换 [10]《通信原理》第六版樊昌信曹丽娜编著国防工业出版社 [11]A．V．Oppenheim,A.S.Willsky with S.H.Nawab.Siganals and systems(Second edition).Prentice-Hall,1997.中译：刘树棠。信号与系统。西安交通工业大学出版社 完成期限 指导教师 专业负责人
信息工程学院实验报告 课程名称：信号与系统 实验项目名称：实验3 傅里叶变换及其性质实验时间：2013-11-29 班级： 姓名： 学号： 一、实验目的: 1、学会运用MATLAB 求连续时间信号的傅里叶（Fourier ）变换； 2、学会运用MATLAB 求连续时间信号的频谱图； 3、学会运用MATLAB 分析连续时间信号的傅里叶变换的性质。 二、实验环境: 1、硬件：在windows 7 操作环境下； 2、软件：Matlab 版本7.1 三、实验原理： 3.1傅里叶变换的实现 信号()f t 的傅里叶变换定义为： ()[()]()j t F F f t f t e dt ωω∞ --∞ == ? ， 傅里叶反变换定义为：1 1 ()[()]()2j t f t F F f e d ωωωωπ ∞ --∞ == ? 。 信号的傅里叶变换主要包括MATLAB 符号运算和MATLAB 数值分析两种方法，下面分别加以探讨。同时，学习连续时间信号的频谱图。 3.1.1 MATLAB 符号运算求解法 MATLAB 符号数学工具箱提供了直接求解傅里叶变换与傅里叶反变换的函数fourier( )和ifourier( )。Fourier 变换的语句格式分为三种。 （1）F=fourier(f)：它是符号函数f 的Fourier 变换，默认返回是关于ω的函数。 （2）F=fourier(f,v)：它返回函数F 是关于符号对象v 的函数，而不是默认的ω，即()()jvt F v f t e dt ∞ --∞ = ? 。 （3）F=fourier(f,u,v)：是对关于u 的函数f 进行变换，返回函数F 是关于v 的函数，即 ()()jvu F v f t e du ∞ --∞ =? 。 傅里叶反变换的语句格式也分为三种。 （1）f=ifourier(F)：它是符号函数F 的 Fourier 反变换，独立变量默认为ω，默认返回是关于x 的函数。
写在最前面：本文是我阅读了多篇相关文章后对它们进行分析重组整合而得，绝大部分内容非我所原创。在此向多位原创作者致敬！！！ 为什么要进行傅立叶变换？傅立叶变换究竟有何意义？如何用Matlab实现快速傅立叶变换？来源：张宗帅.docx的日志 一、傅立叶变换的由来 关于傅立叶变换，无论是书本还是在网上可以很容易找到关于傅立叶变换的描述，但是大都是些故弄玄虚的文章，太过抽象，尽是一些让人看了就望而生畏的公式的罗列，让人很难能够从感性上得到理解，最近，我偶尔从网上看到一个关于数字信号处理的电子书籍，是一个叫Steven W. Smith, Ph.D.外国人写的，写得非常浅显，里面有七章由浅入深地专门讲述关于离散信号的傅立叶变换，虽然是英文文档，我还是硬着头皮看完了有关傅立叶变换的有关内容，看了有茅塞顿开的感觉，在此把我从中得到的理解拿出来跟大家分享，希望很多被傅立叶变换迷惑的朋友能够得到一点启发，这电子书籍是免费的，有兴趣的朋友也可以从网上下载下来看一下，URL地址是： https://www.doczj.com/doc/5e14648149.html,/pdfbook.htm 要理解傅立叶变换，确实需要一定的耐心，别一下子想着傅立叶变换是怎么变换的，当然，也需要一定的高等数学基础，最基本的是级数变换，其中傅立叶级数变换是傅立叶变换的基础公式。 二、傅立叶变换的提出 让我们先看看为什么会有傅立叶变换？傅立叶是一位法国数学家和物理学家的名字，英语原名是Jean Baptiste Joseph Fourier(1768-1830), Fourier对热传递很感兴趣，于1807年在法国科学学会上发表了一篇论文，运用正弦曲线来描述温度分布，论文里有个在当时具有争议性的决断：任何连续周期信号可以由一组适当的正弦曲线组合而成。当时审查这个论文的人，其中有两位是历史上著名的数学家拉格朗日(Joseph Louis Lagrange, 1736-1813)和拉普拉斯(Pierre Simon de Laplace, 1749-1827)，当拉普拉斯和其它审查者投票通过并要发表这个论文时，拉格朗日坚决反对，在近50年的时间里，拉格朗日坚持认为傅立叶的方法无法表示带有棱角的信号，如在方波中出现非连续变化斜率。法国科学学会屈服于拉格朗日的威望，拒绝了傅立叶的工作，幸运的是，傅立叶还有其它事情可忙，他参加了政治运动，随拿破仑远征埃及，法国大革命后因会被推上断头台而一直在逃避。直到拉格朗日死后15年这个论文才被发表出来。 谁是对的呢？拉格朗日是对的：正弦曲线无法组合成一个带有棱角的信号。但是，我们可以用正弦曲线来非常逼近地表示它，逼近到两种表示方法不存在能量差别，基于此，傅立叶是对的。 为什么我们要用正弦曲线来代替原来的曲线呢？如我们也还可以用方波或三角波来代替呀，分解信号的方法是无穷的，但分解信号的目的是为了更加简单地处理原来的信号。用正余弦来表示原信号会更加简单，因为正余弦拥有原信号所不具有的性质：正弦曲线保真度。一个正弦曲线信号输入后，输出的仍是正弦曲线，只有幅度和相位可能发生变化，但是频率和波的形状仍是一样的。且只有正弦曲线才拥有这样的性质，正因如此我们才不用方波或三角波来表示。
傅立叶变换的原理、意义和应用 1概念：编辑 傅里叶变换是一种分析信号的方法，它可分析信号的成分，也可用这些成分合成信号。许多波形可作为信号的成分，比如正弦波、方波、锯齿波等，傅里叶变换用正弦波作为信号的成分。 参考《数字信号处理》杨毅明著，机械工业出版社2012年发行。 定义 f(t）是t的周期函数，如果t满足狄里赫莱条件：在一个周期内具有有限个间断点，且在这些间断点上，函数是有限值；在一个周期内具有有限个极值点；绝对可积。则有下图①式成立。称为积分运算f(t）的傅里叶变换， ②式的积分运算叫做F（ω）的傅里叶逆变换。F（ω）叫做f(t）的像函数，f(t）叫做 F（ω）的像原函数。F（ω）是f(t）的像。f(t）是F（ω）原像。 ①傅里叶变换 ②傅里叶逆变换 中文译名 Fourier transform或Transformée de Fourier有多个中文译
名，常见的有“傅里叶变换”、“付立叶变换”、“傅立叶转换”、“傅氏转换”、“傅氏变换”、等等。为方便起见，本文统一写作“傅里叶变换”。 应用 傅里叶变换在物理学、电子类学科、数论、组合数学、信号处理、概率论、统计学、密码学、声学、光学、海洋学、结构动力学等领域都有着广泛的应用（例如在信号处理中，傅里叶变换的典型用途是将信号分解成幅值谱——显示与频率对应的幅值大小）。 相关 * 傅里叶变换属于谐波分析。 * 傅里叶变换的逆变换容易求出，而且形式与正变换非常类似; * 正弦基函数是微分运算的本征函数，从而使得线性微分方程的求解可以转化为常系数的代数方程的求解.在线性时不变的物理系统内，频率是个不变的性质，从而系统对于复杂激励的响应可以通过组合其对不同频率正弦信号的响应来获取； *卷积定理指出：傅里叶变换可以化复杂的卷积运算为简单的乘积运算，从而提供了计算卷积的一种简单手段； * 离散形式的傅立叶变换可以利用数字计算机快速地算出（其算法称为快速傅里叶变换算法（FFT)).[1] 2性质编辑 线性性质 傅里叶变换的线性，是指两函数的线性组合的傅里叶变换，等于
快速傅里叶变换地现实作用 （快速傅里叶变换）是数字信号处理地经典算法，学过或者芯片设计地人大多知道这个算法.但是，大家是否想过，为什么数字信号处理会有那么多呢？有人会说，为了分析信号地频谱.那么下边地问题就是，分析频谱对我们地日常需求，比如手机打电话，雷达测量速度和方向等等一些与实际需求有什么联系？为什么如此重要？本文举一些简明地例子，阐释一下到底有什么用. 先回忆一下是什么.上世纪年代之前，我们主要通过模拟电路来进行信号处理，比如大家熟悉地用二极管和电容进行调制信号地包络检波一样，随着数字系统地普及，我们可以用处理器或者数字电路更为精确地处理信号，比如我们做检波，实际上可以用载波把信号混频（与余弦函数做乘法），再进行低通滤波，那么这个过程可以用数字电路地乘法器和滤波器来做，比二极管和电容构成地低通滤波器阶数高地多，性能自然更为理想，同时，由于数字电路易于做成集成电路，因此我们更多地是将原先地模拟信号（比如麦克风地音频）通过模拟数字转换器，转换为数字值后进行处理.这样地系统有几个问题，一个是信号需要被采样，其次是信号被分成若干量阶.信号被采样，也就意味着我们得到地不是原先地连续地信号了，而是一个离散地一些采集地样点.那么对时域信号进行采样，必然造成频谱地周期化，如果原先频谱仅限于有限地带宽，那么周期化之后，只要周期大于原先地带宽，那么实际上没有混叠失真.而数字电路限制我们只能进行乘加
等二进制域地计算，获得另一些离散地点，因此我们不得不将频谱也进行“采样”，频域地抽样导致时域上又周期化了，好在如果我们只取有限地长度，可以假定没采集地部分进行地是周期化延拓（由于平稳系统认为信号可以分解为正余弦函数地组合，而正余弦函数是可以周期延拓地，所以这个假设没有问题），那么我们得到了时域和频域都是离散地周期延拓地点集.既然是周期延拓地，那么延拓地部分和主值区间（靠近地那个周期）是重复地数值，因此我们只保留主值区间地部分，这样地时域点集到频域点集地变换关系叫离散傅里叶变换（）.然而它地运算过于复杂，因此库里和图基（, ）两人力图化简它，找到了这个算法地一些内在运算规律，得到地运算量由原来地平方级降为级，这个算法就叫按时间抽取快速傅里叶变换，桑德和图基研究按频率抽取也可以得到类似地低复杂度算法，这类算法统称快速傅里叶变换（），地计算结果和是完全等价地，只是运算量降低了.又由于时频变换能量不变（定理），所以频域地绝对数值没有意义了，只要获得相对数值即可，因此数字系统中地量化阶数以及数字系统溢出后地缩放调整对地计算结果影响仅在于精度，而不是对错，从而，正好满足数字系统可以处理地前提，同时运算复杂度不高，因此获得了广泛地应用.那么，模拟系统能不能做类似地呢？可以，构造与频点数量相同个数地带通滤波器，组成一个阵列，信号进入这个带通滤波器组，每个滤波器只保留了相应频点为中心地类似于地频响函数，那么就可以得到地结果.当然，这个代价不是一般地系统可以负担地.所以，在没有数字电路普及地年代里，基本是数学算法，是不可实现地.
傅里叶变换能将满足一定条件的某个函数表示成三角函数（正弦和/或余弦函数）或者它们的积分的线性组合。在不同的研究领域，傅里叶变换具有多种不同的变体形式，如连续傅里叶变换和离散傅里叶变换。最初傅里叶分析是作为热过程的解析分析的工具被提出的。 傅里叶变换属于谐波分析。 傅里叶变换的逆变换容易求出,而且形式与正变换非常类似; 正弦基函数是微分运算的本征函数,从而使得线性微分方程的求解可以转化为常系数的代数方程的求解.在线性时不变的物理系统内,频率是个不变的性质,从而系统对于复杂激励的响应可以通过组合其对不同频率正弦信号的响应来获取; 卷积定理指出:傅里叶变换可以化复杂的卷积运算为简单的乘积运算,从而提供了计算卷积的一种简单手段; 离散形式的傅里叶变换可以利用数字计算机快速的算出(其算法称为快速傅里叶变换算法(FFT)). 1、为什么要进行傅里叶变换，其物理意义是什么？ 傅立叶变换是数字信号处理领域一种很重要的算法。要知道傅立叶变换算法的意义，首先要了解傅立叶原理的意义。傅立叶原理表明：任何连续测量的时序或信号，都可以表示为不同频率的正弦波信号的无限叠加。而根据该原理创立的傅立叶变换算法利用直接测量到的原始信号，以累加方式来计算该信号中不同正弦波信号的频率、振幅和相位。 和傅立叶变换算法对应的是反傅立叶变换算法。该反变换从本质上说也是一种累加处理，这样就可以将单独改变的正弦波信号转换成一个信号。 因此，可以说，傅立叶变换将原来难以处理的时域信号转换成了易于分析的频域信号（信号的频谱），可以利用一些工具对这些频域信号进行处理、加工。最后还可以利用傅立叶反变换将这些频域信号转换成时域信号。 从现代数学的眼光来看，傅里叶变换是一种特殊的积分变换。它能将满足一定条件的某个函数表示成正弦基函数的线性组合或者积分。在不同的研究领域，傅里叶变换具有多种不同的变体形式，如连续傅里叶变换和离散傅里叶变换。 在数学领域，尽管最初傅立叶分析是作为热过程的解析分析的工具，但是其思想方法仍然具有典型的还原论和分析主义的特征。"任意"的函数通过一定的分解，都能够表示为正弦函数的线性组合的形式，而正弦函数在物理上是被充分研究而相对简单的函数类：1. 傅立叶变换是线性算子,若赋予适当的范数,它还是酉算子;2. 傅立叶变换的逆变换容易求出,而且形式与正变换非常类似;3. 正弦基函数是微分运算的本征函数,从而使得线性微分方程的求解可以转化为常系数的代数方程的求解.在线性时不变杂的卷积运算为简单的乘积运算,从而提供了计算卷积的一种简单手段;5. 离散形式的傅立叶的物理系统内,频率是个不变的性质,从而系统对于复杂激励的响应可以通过组合其对不同频率正弦信号的响应来获取;４. 著名的卷积定理指出:傅立叶变换可以化复变换可以利用数字计算机快速的算出(其算法称为快速傅立叶变换算法(FFT))。 正是由于上述的良好性质,傅里叶变换在物理学、数论、组合数学、信号处理、概率、统计、密码学、声学、光学等领域都有着广泛的应用。 2、图像傅立叶变换的物理意义 图像的频率是表征图像中灰度变化剧烈程度的指标，是灰度在平面空间上的梯度。如：大面积的沙漠在图像中是一片灰度变化缓慢的区域，对应的频率值很低；而对于地表属性变换剧烈的边缘区域在图像中是一片灰度变化剧烈的区
x=[1,1,1,1];w=[0:1:500]*2*pi/500; [H]=freqz(x,1,w); magH=abs(H);phaH=angle(H); subplot(2,1,1);plot(w/pi,magH);grid;xlabel('');ylabel('|X|'); title('DTFT的幅度') subplot(2,1,2);plot(w/pi,phaH/pi*180);grid; xlabel('以pi为单位的频率');label('度'); title('DTFT的相角')
N=4;w1=2*pi/N;k=0:N-1; X=fft(x,N); magX=abs(X);phaX=angle(X)*180/pi; subplot(2,1,1);plot(w*N/(2*pi),magH,'--');axis([-0.1,4.1,0,5]);hold on; stem(k,magX);ylabel('|X(k)|');title('DFT的幅度:N=4');text(4.3,-1,'k'); hold off; subplot(2,1,2);plot(w*N/(2*pi),phaH*180/pi,'--');axis([-0.1,4.1,-200,200]); hold on; stem(k,phaX);ylabel('度');title('DFT的相角:N=4');text(4.3,-200,'k')
n=(0:1:9);x=cos(0.48*pi*n)+cos(0.52*pi*n); w=[0:1:500]*2*pi/500; X=x*exp(-1i*n'*w); magx=abs(X); x1=fft(x);magx1=abs(x1(1:1:10)); k1=0:1:9;w1=2*pi/10*k1; subplot(3,1,1);stem(n,x);title('signalx(n),0<=n<=9'); axis([0,10,-2.5,2.5]);line([0,10],[0,0]); subplot(3,1,2);plot(w/pi,magx);title('DTFT幅度');xlabel('w');axis([0,1,0,10]); subplot(3,1,3);stem(w1/pi,magx1);title('DFT幅度'); xlabel('频率（单位：pi)');axis([0,1,0,10]) 实验总结：补零运算提供了一个较密的频谱和较好的图示形式，但因为在信号中只是附加了零，而没有增加任何新的信息，因此不能提供高分辨率的频谱。
Matlab中快速傅里叶变换FFT结果的物理意义 FFT是离散傅立叶变换的快速算法，可以将一个信号变换到频域。有些信号在时域上是很难看出什么特征的，但是如果变换到频域之后，就很容易看出特征了。这就是很多信号分析采用FFT变换的原因。另外，FFT可以将一个信号的频谱提取出来，这在频谱分析方面也是经常用的。 虽然很多人都知道FFT是什么，可以用来做什么，怎么去做，但是却不知道FFT之后的结果是什意思、如何决定要使用多少点来做FFT。 现在就根据实际经验来说说FFT结果的具体物理意义。一个模拟信号，经过ADC采样之后，就变成了数字信号。采样定理告诉我们，采样频率要大于信号频率的两倍，这些我就不在此啰嗦了。 采样得到的数字信号，就可以做FFT变换了。N个采样点，经过FFT之后，就可以得到N个点的FFT结果。为了方便进行FFT运算，通常N取2的整数次方。 假设采样频率为Fs，信号频率F，采样点数为N。那么FFT之后结果就是一个为N点的复数。每一个点就对应着一个频率点。这个点的模值，就是该频率值下的幅度特性。具体跟原始信号的幅度有什么关系呢？假设原始信号的峰值为A，那么FFT的结果的每个点（除了第一个点直流分量之外）的模值就是A的N/2倍。而第一个点就是直流分量，它的模值就是直流分量的N倍。而每个点的相位呢，就是在该频率下的信号的相位。第一个点表示直流分量（即0Hz），而最后一个点N的再下一个点（实际上这个点是不存在的，这里是假设的第N+1个点，也可以看做是将第一个点分做两半分，另一半移到最后）则表示采样频率Fs，这中间被N-1个点平均分成N等份，每个点的频率依次增加。例如某点n所表示的频率为：Fn=(n-1)*Fs/N。由上面的公式可以看出，Fn所能分辨到频率为为Fs/N，如果采样频率Fs为1024Hz，采样点数为1024点，则可以分辨到1Hz。1024Hz的采样率采样1024点，(1/fs*n=t)刚好是1秒，也就是说，采样1秒时间的信号并做FFT，则结果可以分析到1Hz，如果采样2秒时间的信号并做FFT，则结果可以分析到0.5Hz(fs/n即频域两点间距)。如果要提高频率分辨力，则必须增加采样点数，也即采样时间。频率分辨率和采样时间是倒数关系。 假设FFT之后某点n用复数a+bi表示，那么这个复数的模就是An=根号a*a+b*b，相位就是Pn=atan2(b,a)。根据以上的结果，就可以计算出n点（n≠1，且n<=N/2）对应的信号的表达式为：An/(N/2)*cos(2*pi*Fn*t+Pn)，即2*An/N*cos(2*pi*Fn*t+Pn)。对于n=1点的信号，是直流分量，幅度即为A1/N。由于FFT结果的对称性，通常我们只使用前半部分的结果，即小于采样频率一半的结果。 下面以一个实际的信号来做说明。假设我们有一个信号，它含有2V的直流分量，频率为50Hz、相位为-30度、幅度为3V 的交流信号，以及一个频率为75Hz、相位为90度、幅度为1.5V的交流信号。用数学表达式就是如下： S=2+3*cos(2*pi*50*t-pi*30/180)+1.5*cos(2*pi*75*t+pi*90/180)。式中cos参数为弧度，所以-30度和90度要分别换算成弧度。我们以256Hz的采样率对这个信号进行采样，总共采样256点。按照我们上面的分析，Fn=(n-1)*Fs/N，我们可以知道，每两个点之间的间距就是1Hz，第n个点的频率就是n-1。我们的信号有3个频率：0Hz、50Hz、75Hz，应该分别在第1个点、第50个点、第76个点上出现峰值，其它各点应该接近0。实际情况如何呢？我们来看看FFT的结果的模值如图所示。
一、傅立叶变换的由来 关于傅立叶变换，无论是书本还是在网上可以很容易找到关于傅立叶变换的描述，但是大都是些故弄玄虚的文章，太过抽象，尽是一些让人看了就望而生畏的公式的罗列，让人很难能够从感性上得到理解，最近，我偶尔从网上看到一个关于数字信号处理的电子书籍，是一个叫Steven W. Smith, Ph.D.外国人写的，写得非常浅显，里面有七章由浅入深地专门讲述关于离散信号的傅立叶变换，虽然是英文文档，我还是硬着头皮看完了有关傅立叶变换的有关内容，看了有茅塞顿开的感觉，在此把我从中得到的理解拿出来跟大家分享，希望很多被傅立叶变换迷惑的朋友能够得到一点启发，这电子书籍是免费的，有兴趣的朋友也可以从网上下载下来看一下，URL地址是： https://www.doczj.com/doc/5e14648149.html,/pdfbook.htm 要理解傅立叶变换，确实需要一定的耐心，别一下子想着傅立叶变换是怎么变换的，当然，也需要一定的高等数学基础，最基本的是级数变换，其中傅立叶级数变换是傅立叶变换的基础公式。 二、傅立叶变换的提出 让我们先看看为什么会有傅立叶变换？傅立叶是一位法国数学家和物理学家的名字，英语原名是Jean Baptiste Joseph Fourier(1768-1830), Fourier对热传递很感兴趣，于1807年在法国科学学会上发表了一篇论文，运用正弦曲线来描述温度分布，论文里有个在当时具有争议性的决断：任何连续周期信号可以由一组适当的正弦曲线组合而成。当时审查这个论文的人，其中有两位是历史上著
限的信号，可以把信号无限地从左右进行延伸，延伸的部分用零来表示，这样，这个信号就可以被看成是非周期性离解信号，我们就可以用到离散时域傅立叶变换的方法。还有，也可以把信号用复制的方法进行延伸，这样信号就变成了周期性离解信号，这时我们就可以用离散傅立叶变换方法进行变换。这里我们要学的是离散信号，对于连续信号我们不作讨论，因为计算机只能处理离散的数值信号，我们的最终目的是运用计算机来处理信号的。 但是对于非周期性的信号，我们需要用无穷多不同频率的正弦曲线来表示，这对于计算机来说是不可能实现的。所以对于离散信号的变换只有离散傅立叶变换（DFT）才能被适用，对于计算机来说只有离散的和有限长度的数据才能被处理，对于其它的变换类型只有在数学演算中才能用到，在计算机面前我们只能用DFT方法，后面我们要理解的也正是DFT方法。这里要理解的是我们使用周期性的信号目的是为了能够用数学方法来解决问题，至于考虑周期性信号是从哪里得到或怎样得到是无意义的。 每种傅立叶变换都分成实数和复数两种方法，对于实数方法是最好理解的，但是复数方法就相对复杂许多了，需要懂得有关复数的理论知识，不过，如果理解了实数离散傅立叶变换(real DFT)，再去理解复数傅立叶就更容易了，所以我们先把复数的傅立叶放到一边去，先来理解实数傅立叶变换，在后面我们会先讲讲关于复数的基本理论，然后在理解了实数傅立叶换的基础上再来理解复数傅立叶变换。
傅里叶变换在MATLZB里的应用 摘要：在现代数学中，傅里叶变换是一种非常重要的变换，且在数字信号处理中有着广泛的应用。本文首先介绍了傅里叶变换的基本概念、性质及发展情况；其次，详细介绍了分离变数法及积分变换法在解数学物理方程中的应用。傅立叶变换将原来难以处理的时域信号转换成了易于分析的频域信号，再利用傅立叶反变换将这些频域信号转换成时域信号。应用MATLAB实现信号的谱分析和对信号消噪。 关键词：傅里叶变换；MA TLAB软件；信号消噪 Abstract: In modern mathematics,Fourier transform is a transform is very important ,And has been widely used in digital signal processing.This paper first introduces the basic concepts, properties and development situation of Fourier transform ;Secondly, introduces in detail the method of separation of variables and integral transform method in solving equations in Mathematical Physics.Fourier transformation makes the original time domain signal whose analysis is difficult easy, by transforming it into frequency domain signal that can be transformed into time domain signal by inverse transformation of Fourier. Using Mat lab realizes signal spectral analysis and signal denoising. Key word: Fourier transformation, software of mat lab ,signal denoising 1、傅里叶变换的提出及发展 在自然科学和工程技术中为了把较复杂的运算转化为较简单的运算，人们常常采用所谓变换的方法来达到目的"例如在初等数学中，数量的乘积和商可以通过对数变换化为较简单的加法和减法运算。在工程数学里积分变换能够将分析运算（如微分，积分）转化为代数运算，正是积分变换这一特性，使得它在微分方程和其它方程的求解中成为重要方法之一。 1804年，法国科学家J-.B.-J.傅里叶由于当时工业上处理金属的需要，开始从事热流动的研究"他在题为<<热的解析理论>>一文中，发展了热流动方程，并且指出如何求解"在求解过程中，他提出了任意周期函数都可以用三角级数来表示的想法。他的这种
第3章 离散傅里叶变换(DFT)
3.2 离散傅里叶变换的基本性质
3.2.1 线性性质
如果x1(n)和x2(n)是两个有限长序列， 长度分别为N1 和N2。 若 y(n)=ax1(n)+bx2(n) 式中a、 b为常数. 取N=max［N1, N2］ ， 则y(n)的N点DFT为 Y(k)=DFT［y(n)］=aX1(k)+bX2 (k), 0≤k≤N-1 (3.2.1) 其中X1(k)和X2(k)分别为x1(n)和x2(n)的N点DFT。
1
PDF 文件使用 "pdfFactory Pro" 试用版本创建 https://www.doczj.com/doc/5e14648149.html,
X
第3章 离散傅里叶变换(DFT)
3.2.2
循环移位性质
1. 序列的循环移位 设x(n)为有限长序列， 长度为N， 则x(n)的循环 移位定义为 y(n)=x((n+m))NRN(n) (3.2.2)
2
PDF 文件使用 "pdfFactory Pro" 试用版本创建 https://www.doczj.com/doc/5e14648149.html,
X
第3章 离散傅里叶变换(DFT) x(n)
n 0 1 2 3 4 5 6 7
% x ( n)
…
-7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8 9 10 11 12 13
…
n
% x(n + 2)
…
-7 -6 -5 -4 -3 -2 -1
3
…
0 1 2 3 4 5 6 7 8 9 10 11 12 13
n
图 3.2.1
循环移位过程示意图 (N=8)
X
PDF 文件使用 "pdfFactory Pro" 试用版本创建 https://www.doczj.com/doc/5e14648149.html,
研究生课程论文（作业）封面 （ 2014 至 2015 学年度第 1 学期） 课程名称：__________________ 课程编号：__________________ 学生姓名：__________________ 学号：__________________ 年级：__________________ 提交日期：年月日 成绩：__________________ 教师签字：__________________ 开课---结课：第周---第周 评阅日期：年月日 东北农业大学研究生部制
积分变换在工程上的应用 摘要：在现代数学中，傅里叶变换是一种非常重要的积分变换，且在数字信号处理中有着广泛的应用。本文首先介绍了傅里叶变换的基本概念、性质及发展情况；其次，详细介绍了分离变数法及积分变换法在解数学物理方程中的应用，并在分离变数法中对齐次方程及非齐次方程进行了区分。傅里叶变换在不同的领域有不同的形式，诸如现代声学，语音通讯，声纳，地震，核科学，乃至生物医学工程等信号的研究发挥着重要的作用。 关键词：傅里叶变换；偏微分方程；数字信号处理 1 概要介绍 积分变换无论在数学理论或其应用中都是一种非常有用的工具。最重要的积分变换有傅里叶变换、拉普拉斯变换。由于不同应用的需要，还有其他一些积分变换，其中应用较为广泛的有梅林变换和汉克尔变换，它们都可通过傅里叶变换或拉普拉斯变换转化而来。傅里叶变换的典型用途是将信号分解成幅值分量和频率分量。傅里叶变换将原来难以处理的时域信号转换成了易于分析的频域信号（信号的频谱），可以利用一些工具对这些频域信号进行处理、加工。最后还可以利用傅里叶反变换将这些频域信号转换成时域信号。要知道傅立叶变换算法的意义，首先要了解傅立叶原理的意义。傅立叶原理表明：任何连续测量的时序或信号，都可以表示为不同频率的正弦波信号的无限叠加。而根据该原理创立的傅立叶变换算法利用直接测量到的原始信号，以累加方式来计算该信号中不同正弦波信号的频率、振幅和相位。傅里叶变换能将满足一定条件的某个函数表示成三角函数（正弦和/或余弦函数）或者它们的积分的线性组合。在不同的研究领域，傅里叶变换具有多种不同的变体形式，如连续傅里叶变换和离散傅里叶变换。最初傅里叶分析是作为热过程的解析分析的工具被提出的。 1.傅里叶变换能将满足一定条件的某个函数表示成三角函数（正弦和/或余弦函数）或者它们的积分的线性组合。在不同的研究领域，傅里叶变换具有多种不同的变体形式，如连续傅里叶变换和离散傅里叶变换。最初傅里叶分析是作为热过程的解析分析的工具被提出的。——（1） 2.傅里叶变换的逆变换容易求出，而且形式与正变换非常类似。 3.正弦基函数是微分运算的本征函数，从而使得线性微分方程的求解可以转化为常系数的代数方程的求解。在线性时不变的物理系统内，频率是个不变的性质，从而系统对于复杂激励的响应可以通过组合其对不同频率正弦信号的响应来获取。 ()()()()()()?? ? ??-++=-? ? ∞ +∞ +∞ -.,200,]cos [1 其它连续点处， 在t f t f t f t f d d t f ωττωτπ 当()t f 满足一定条件时，在()t f 的连续点处有：
傅立叶变换在图像处理中有非常非常的作用。因为不仅傅立叶分析涉及图像处理的很多方面，傅立叶的改进算法， 比如离散余弦变换，gabor与小波在图像处理中也有重要的分量。 印象中，傅立叶变换在图像处理以下几个话题都有重要作用： 1.图像增强与图像去噪 绝大部分噪音都是图像的高频分量，通过低通滤波器来滤除高频——噪声; 边缘也是图像的高频分量，可以通过添加高频分量来增强原始图像的边缘； 2.图像分割之边缘检测 提取图像高频分量 3.图像特征提取： 形状特征：傅里叶描述子 纹理特征：直接通过傅里叶系数来计算纹理特征 其他特征：将提取的特征值进行傅里叶变换来使特征具有平移、伸缩、旋转不变性 4.图像压缩 可以直接通过傅里叶系数来压缩数据；常用的离散余弦变换是傅立叶变换的实变换； 傅立叶变换 傅里叶变换是将时域信号分解为不同频率的正弦信号或余弦函数叠加之和。连续情况下要求原始信号在一个周期内满足绝对可积条件。离散情况下，傅里叶变换一定存在。冈萨雷斯版<图像处理>里面的解释非常形象：一个恰当的比喻是将傅里叶变换比作一个玻璃棱镜。棱镜是可以将光分解为不同颜色的物理仪器，每个成分的颜色由波长（或频率）来决定。傅里叶变换可以看作是数学上的棱镜，将函数基于频率分解为不同的成分。当我们考虑光时,讨论它的光谱或频率谱。同样,傅立叶变换使我们能通过频率成分来分析一个函数。 傅立叶变换有很多优良的性质。比如线性，对称性（可以用在计算信号的傅里叶变换里面）; 时移性：函数在时域中的时移，对应于其在频率域中附加产生的相移，而幅度频谱则保持不变； 频移性：函数在时域中乘以e^jwt，可以使整个频谱搬移w。这个也叫调制定理，通讯里面信号的频分复用需要用到这个特性（将不同的信号调制到不同的频段上同时传输）； 卷积定理：时域卷积等于频域乘积；时域乘积等于频域卷积（附加一个系数）。（图像处理里面这个是个重点） 信号在频率域的表现 在频域中，频率越大说明原始信号变化速度越快；频率越小说明原始信号越平缓。当频率为0时，表示直流信号，没有变化。因此，频率的大小反应了信号的变化
1. [][]()()j j ax n by n aX e bX e ωω+?+ Proof: ([][])[][]()() j n j n j n j j ax n by n e a x n e b y n e aX e bX e ωωωωω∞ --∞ ∞∞ ---∞-∞ +=+=+∑∑∑ 2. (1)[]()d j n j d x n n X e e ωω--? Proof: ()[][].()d d j n d n j n n j n d n j n j x n n e x n n e e X e e ωωωωω∞-=-∞∞---=-∞--=-=∑ ∑ (2) 00()[]()j n j e x n X e ωωω-? Proof: 000()()[][]()j n j n j n j n n e x n e x n e X e ωωωωωω∞∞ ----=-∞=-∞==∑ ∑ 3. []()j x n X e ω--? Proof: ()[][]()j n j n j n n x n e x n e X e ωωω∞∞ ---=-∞=-∞-=-=∑ ∑ if []x n is real ()j X e ω-=*()j X e ω 4. ()[]j dX e nx n j d ωω? Proof: ()[]() ()[]()[]j j n n j j n n j j n n X e x n e dX e jn x n e d dX e j nx n e d ωωωωωωωω∞-=-∞∞-=-∞∞-=-∞=?=-?=∑∑∑
5. (1)22 1|[]||()|2j n x n X e d πωπωπ∞ =-∞-=∑ ? Proof: 2*2221 |()|21 ()()21 [][]21 |[]|21 |[]| 2|[]|j j j j n j n n n n n n X e d X e X e d x n e x n e d x n d x n d x n πωππωωππωωπππππωπ ωπ ωπ ωπ ωπ---∞∞-=-∞=-∞-∞=-∞ -∞=-∞ -∞=-∞ =====??∑∑?∑?∑ ?∑ (2) **1[][]()()2j j n x n y n X e Y e d π ωωπωπ∞=-∞-=∑ ? Proof: *****1 ()()21 ()()21 [][]21[][]21 [][] 2[][] j j j j j n j n n n n n n n X e Y e d X e Y e d x n e y n e d x n y n d x n y n d x n y n πωωππωωππωωπππππωπ ωπ ωπ ωπ ωπ---∞∞-=-∞=-∞-∞ =-∞-∞ ∞=-∞ =-∞-∞=-∞====??∑∑?∑?∑ ∑?∑ 6. []*[]()()j j x n y n X e Y e ωω? Proof:
傅里叶变换在图像处理中的作用 图像的频率是表征图像中灰度变化剧烈程度的指标，是灰度在平面空间上的梯度。如：大面积的沙漠在图像中是一片灰度变化缓慢的区域，对应的频率值很低；而对于地表属性变换剧烈的边缘区域在图像中是一片灰度变化剧烈的区域，对应的频率值较高。傅立叶变换在实际中有非常明显的物理意义，设f是一个能量有限的模拟信号，则其傅立叶变换就表示f的谱。从纯粹的数学意义上看，傅立叶变换是将一个函数转换为一系列周期函数来处理的。从物理效果看，傅立叶变换是将图像从空间域转换到频率域，其逆变换是将图像从频率域转换到空间域。换句话说，傅立叶变换的物理意义是将图像的灰度分布函数变换为图像的频率分布函数，傅立叶逆变换是将图像的频率分布函数变换为灰度分布函数 傅立叶变换以前，图像（未压缩的位图）是由对在连续空间（现实空间）上的采样得到一系列点的集合，我们习惯用一个二维矩阵表示空间上各点，则图像可由z=f(x,y)来表示。由于空间是三维的，图像是二维的，因此空间中物体在另一个维度上的关系就由梯度来表示，这样我们可以通过观察图像得知物体在三维空间中的对应关系。为什么要提梯度？因为实际上对图像进行二维傅立叶变换得到频谱图，就是图像梯度的分布图，当然频谱图上的各点与图像上各点并不存在一一对应的关系，即使在不移频的情况下也是没有。傅立叶频谱图上我们看到的明暗不一的亮点，实际上图像上某一点与邻域点差异的强弱，即梯度的大小，也即该点的频率的大小（可以这么理解，图像中的低频部分指低梯度的点，高频部分相反）。一般来讲，梯度大则该点的亮度强，否则该点亮度弱。这样通过观察傅立叶变换后的频谱图，也叫功率图，我们首先就可以看出，图像的能量分布，如果频谱图中暗的点数更多，那么实际图像是比较柔和的（因为各点与邻域差异都不大，梯度相对较小），反之，如果频谱图中亮的点数多，那么实际图像一定是尖锐的，边界分明且边界两边像素差异较大的。对频谱移频到原点以后，可以看出图像的频率分布是以原点为圆心，对称分布的。将频谱移频到圆心除了可以清晰地看出图像频率分布以外，还有一个好处，它可以分离出有周期性规律的干扰信号，比如正弦干扰，一副带有正弦干扰，移频到原点的频谱图上可以看出除了中心以外还存在以某一点为中心，对称分布的亮点集合，这个集合就是干扰噪音产生的，这时可以很直观的通过在该位置放置带阻滤波器消除干扰 注： 1、图像经过二维傅立叶变换后，其变换系数矩阵表明： 若变换矩阵Fn原点设在中心，其频谱能量集中分布在变换系数短阵的中心附近(图中阴影区)。若所用的二维傅立叶变换矩阵Fn的原点设在左上角，那么图像信号能量将集中在系数矩阵的四个角上。这是由二维傅立叶变换本身性质决定的。同时也表明一股图像能量集中低频区域。 2 、变换之后的图像在原点平移之前四角是低频，最亮，平移之后中间部分是低频，最亮，亮度大说明低频的能量大（幅角比较大） 傅立叶变换在图像处理中有非常非常的作用。因为不仅傅立叶分析涉及图像处理的很多方面，傅立叶的改进算法， 比如离散余弦变换，gabor与小波在图像处理中也有重要的分量。 印象中，傅立叶变换在图像处理以下几个话题都有重要作用： 1.图像增强与图像去噪 绝大部分噪音都是图像的高频分量，通过低通滤波器来滤除高频——噪声; 边缘也是图像的高频分量，可以通过添加高频分量来增强原始图像的边缘； 2.图像分割之边缘检测 提取图像高频分量