離散傅裡葉變換

離散傅裡葉變換

信号分析基本方法
離散傅裡葉變換(Discrete Fourier Transform,DFT)傅裡葉分析方法是信号分析的最基本方法,傅裡葉變換是傅裡葉分析的核心,通過它把信号從時間域變換到頻率域,進而研究信号的頻譜結構和變化規律。在形式上,變換兩端(時域和頻域上)的序列是有限長的,而實際上這兩組序列都應當被認為是離散周期信号的主值序列。即使對有限長的離散信号作DFT,也應當将其看作經過周期延拓成為周期信号再作變換。在實際應用中通常采用快速傅裡葉變換以高效計算DFT[1]。
  • 中文名:離散傅裡葉變換
  • 外文名:Discrete Fourier Transform
  • 适用領域:
  • 所屬學科:
  • 時域信号:離散時間傅裡葉變換
  • 計算:快速傅裡葉變換
  • 應用學科:通信
  • 特點:傅裡葉、離散

定義

離散傅裡葉變換(DFT),是傅裡葉變換在時域和頻域上都呈現離散的形式,将時域信号的采樣變換為在離散時間傅裡葉變換(DTFT)頻域的采樣。在形式上,變換兩端(時域和頻域上)的序列是有限長的,而實際上這兩組序列都應當被認為是離散周期信号的主值序列。即使對有限長的離散信号作DFT,也應當将其看作經過周期延拓成為周期信号再作變換。在實際應用中通常采用快速傅裡葉變換以高效計算DFT。

物理意義

(1)物理意義

設x(n)是長度為N的有限長序列,則其傅裡葉變換,Z變換與離散傅裡葉變換分别用以下三個關系式表示

X(e^jω)= ∑n={0,N-1}x(n) e^j-ωn

X(z)= ∑n={0,N-1}x(n)z^-n

X(k)= ∑n={0,N-1}x(n) e^-j2πkn/N

單位圓上的Z變換就是序列的傅裡葉變換

離散傅裡葉變換是x(n)的頻譜X(ejω)在[0,2π]上的N點等間隔采樣,也就是對序列頻譜的離散化,這就是DFT的物理意義.

基本性質

1.線性性質

如果X1(n)和X2(N)是兩個有限長序列,長度分别為N1和N2,且Y(N)=AX1(N)+BX2(N)

式中A,B為常數,取N=max[N1,N2],則Y(N)的N點DFT為

Y(K)=DFT[Y(N)]=AX1(K)+BX2(K), 0≤K≤N-1;

2.循環移位特性

設X(N)為有限長序列,長度為N,則X(N)地循環移位定義為

Y(N)=X((N+M))下标nR(N)

式中表明将X(N)以N為周期進行周期拓延得到新序列X'(N)=X((N))下标n,再将X'(N)左移M位,最後取主值序列得到循環移位序列Y(N)

隐含的周期性

DFT的一個重要特點就是隐含的周期性,從表面上看,離散傅裡葉變換在時域和頻域都是非周期的,有限長的序列,但實質上DFT是從DFS引申出來的,它們的本質是一緻的,因此DTS的周期性決定DFT具有隐含的周期性。可以從以下三個不同的角度去理解這種隐含的周期性

(1)從序列DFT與序列FT之間的關系考慮X(k)是對頻譜X(ejω)在[0,2π]上的N點等間隔采樣,當不限定k的取值範圍在[0,N-1]時,那麼k的取值就在[0,2π]以外,從而形成了對頻譜X(ejω)的等間隔采樣。由于X(ejω)是周期的,這種采樣就必然形成一個周期序列

(2)從DFT與DFS之間的關系考慮。X(k)= ∑n={0,N-1}x(n) WNexp^nk,當不限定N時,具有周期性

(3)從WN來考慮,當不限定N時,具有周期性

模拟信号分析

在工程實際中經常遇到的模拟信号xn(t),其頻譜函數Xn(jΩ)也是連續函數,為了利用DFT對xn(t)進行譜分析,對xn(t)進行時域采樣得到x(n)= xn(nT),再對x(n)進行DFT,得到X(k)則是x(n)的傅裡葉變換X(ejω)在頻率區間[0,2π]上的N點等間隔采樣,這裡x(n)和X(k)都是有限長序列

然而,傅裡葉變換理論證明,時間有限長的信号其頻譜是無限寬的,反之,弱信号的頻譜有限寬的則其持續時間将為無限長,因此,按采樣定理采樣時,采樣序列應為無限長,這不滿足DFT的條件。實際中,對于頻譜很寬的信号,為防止時域采樣後産生‘頻譜混疊’,一般用前置濾波器濾除幅度較小的高頻成分,使信号的帶寬小于折疊頻率;同樣對于持續時間很長的信号,采樣點數太多也會導緻存儲和計算困難,一般也是截取有限點進行計算。上述可以看出,用DFT對模拟信号進行譜分析,隻能是近似的,其近似程度取決于信号帶寬、采樣頻率和截取長度

模拟信号xn(t)的傅裡葉變換對為

X(jΩ)={-∞,+∞}x(t)*exp^-jΩt dt

x(t)=1/2π{-∞,+∞} X(JΩ)*e^jΩt dΩ

用DFT方法計算這對變換對的方法如下:

(a)對xn(t)以T為間隔進行采樣,即xn(t)|t=nT= xa(nT)= x(n),由于

t→nT,dt→T, {-∞,+∞}→∑n={-∞,+∞}

因此得到

X(jΩ)≈∑n={-∞,+∞}x(nT)*exp^-jΩnT*T

x(nT)≈1/2π{0, Ωs} X(JΩ)*e^jΩnT Dω

(b)将序列x(n)= xn(t)截斷成包含有N個抽樣點的有限長序列

X(jΩ)≈T∑n={0,N-1}x(nT)*exp^-jΩnT*T

由于時域抽樣,抽樣頻率為fs=1/T,則頻域産生以fs為周期的周期延拓,如果頻域是帶限信号,則有可能不産生頻譜混疊,成為連續周期頻譜序列,頻譜的周期為fs=1/T

(c)為了數值計算,頻域上也要抽樣,即在頻域的一個周期中取N個樣點,fs=NF0,每個樣點間隔為F0,頻域抽樣使頻域的積分式變成求和式,而在時域就得到原來已經截斷的離散時間序列的周期延拓,時間周期為T0=1/F0。因此有

Ω→kΩ0,dΩ→Ω0,{-∞,+∞} dΩ→∑n={-∞,+∞}Ω0

T0=1/F0=N/fs=NT

Ω0=2ΠF0

Ω0T=Ω0/fs=2π/N

X(jkΩ0)≈T∑n={0,N-1}x(nT)*exp^-jkΩ0nT

判斷方法

判斷系統是否為最小相位系統的簡單方法是:如果兩個系統的傳遞函數分子和分母的最高次數都分别是m,n,則頻率ω趨于無窮時,兩個系統的對數幅頻曲線斜率均為-20(n-m)dB/dec但對數相頻曲線卻不同:最小相位系統趨于-90°(n-m),而非最小相位系統卻不這樣。

注意事項

(1)時域和頻域混疊

根據采樣定理,隻有當采樣頻率大于信号最高頻率的兩倍時,才能避免頻域混疊。實際信号的持續時間是有限的,因而從理論上來說,其頻譜寬度是無限的,無論多 大的采樣頻率也不能滿足采樣定理。但是超過一定範圍的高頻分量對信号已沒有多大的影響,因而在工程上總是對信号先進行低通濾波

另一方面,DFT得到的頻率函數也是離散的,其頻域抽樣間隔為F0,即頻率分辨力。為了對全部信号進行采樣,必須是抽樣點數N滿足條件

N=T0/T=fs/F0

從以上兩個公式來看,信号最高頻率分量fc和頻率分辨力F0有矛盾。若要fc增加,則抽樣間隔T就要減小,而FS就要增加,若在抽樣點數N不變的情況下,必然是F0增加,分辨力下降。唯一有效的方法是增加記錄長度内的點數N,在fc和F0給定的條件下,N必須滿足

N>2fc/F0

(2)截斷效應

在實際中遇到的序列x(n),其長度往往是有限長,甚至是無限長,用DFT對其進行譜分析時,必須将其截斷為長度為N的有限長序列

Y(n)=x(n).RN(n)

根據頻率卷積定理

Y(e)=1/2Πx(e)*H(e)

|ω|<2π/N叫做主瓣,其餘部分叫做旁瓣

(3)頻譜洩露

原序列x(n)的頻譜是離散譜線,經截斷後使每根譜線都帶上一個辛格譜,就好像使譜線向兩邊延申,通常将這種是遇上的截斷導緻頻譜展寬成為洩露,洩露使得頻譜變得模糊,分辨率降低

(4)譜間幹擾

因截斷使主譜線兩邊形成許多旁瓣,引起不同分量間的幹擾,成為譜間幹擾,這不僅影響頻譜分辨率,嚴重時強信号的旁瓣可能湮滅弱信号的主譜線。

截斷效應是無法完全消除的,隻能根據要求折中選擇有關參量。

(5)栅欄效應

N點DFT是在頻率區間[0,2π]上對信号的頻譜進行N點等間隔采樣,得到的是若幹個離散點X(k),且它們之限制為基頻F0的整數倍,這部好像在栅欄的一邊通過縫隙看另一邊的景象,隻能在離散點的地方看到真實的景象,其餘部分頻譜成分被遮攔,所以稱為栅欄效應。

減小栅欄效應,可以在時域數據末端增加一些零值點,是一個周期内的點數增加

(6)信号長度的選擇

在時域内對信号長度的選擇會影響DFT運算的正确性。實際的信号往往是随機的,沒有确定的周期,因此在實際中,應經可能估計出幾個典型的、帶有一定周期性的信号區域進行頻譜分析,然後在取其平均值,從而得到合理的結果。

計算機代碼

1.C語言實現代碼int DFT(int dir,int m,double *x1,double *y1){    long i,k;    double arg;    double cosarg,sinarg;    double *x2=NULL,*y2=NULL;    x2=malloc(m*sizeof(double));    y2=malloc(m*sizeof(double));    if(x2==NULL||y2==NULL)return(FALSE);    for(i=0;i    {        x2[i]=0;        y2[i]=0;        arg=-dir*2.0*3.141592654*(double)i/(double)m;        for(k=0;k        {            cosarg=cos(k*arg);            sinarg=sin(k*arg);            x2[i]+=(x1[k]*cosarg-y1[k]*sinarg);            y2[i]+=(x1[k]*sinarg+y1[k]*cosarg);        }    }/*Copythedataback*/    if(dir==1)    {        for(i=0;i        {            x1[i]=x2[i]/(double)m;            y1[i]=y2[i]/(double)m;        }    }    else    {        for(i=0;i        {            x1[i]=x2[i];            y1[i]=y2[i];        }    }    free(x2);    free(y2);    return(TRUE);

相關詞條

相關搜索

其它詞條