首页 > 其他分享 >傅里叶变换推导

傅里叶变换推导

时间:2023-06-04 22:11:48浏览次数:38  
标签:infty frac 0t 推导 变换 傅里叶 int delta omega

定义

\[F(\omega)=F(f(t))=\int_{}^{}f(t)*e^{-j\omega t}dt \]

常用信号的傅里叶变换对

  • \(F(A*cos(\omega_0 t))=\pi A[\delta(\omega-\omega_0)+\delta(\omega+\omega_0)]\)
  • \(F(A*sin(\omega_0 t))=-j\pi A[\delta(\omega-\omega_0)-\delta(\omega+\omega_0)]\)
  • \(F(A*cos(\omega_0 t))= \frac{A}{2}[\delta(f-f_0)+\delta(f+f_0)]\)
  • \(F(A*sin(\omega_0 t))=-j \frac{A}{2}[\delta(f-f_0)-\delta(f+f_0)]\)

狄拉克δ函数

  • 关于狄拉克δ函数
    狄拉克δ函数是一个广义函数,在物理学中常用其表示质点、点电荷等理想模型的密度分布,该函数在除了零以外的点取值都等于零,而其在整个定义域上的积分等于1。
    狄拉克δ函数在概念上,它是这么一个“函数”:在除了零以外的点函数值都等于零,而其在整个定义域上的积分等于1。
  • 理解狄拉克δ函数
    这是一个抽象的函数,只有在0处有一个脉冲,其他地方都是0,可以用来表示理想频谱图中的频点,所以这里要引入这个概念。
  • 性质

\[\int_{-\infty}^{\infty}e^{jkx}dx=2\pi \delta(k) \]

\[\int_{-\infty}^{\infty}e^{-jkx}dx=2\pi \delta(k) \]

欧拉公式

\[cos(\omega_0 t)=\frac{1}{2}(e^{j\omega_0t}+e^{-j\omega_0t}) \]

\[sin(\omega_0 t)=\frac{1}{2}(e^{j\omega_0t}-e^{-j\omega_0t}) \]

证明cos的傅里叶变换

\[f(t)=Acos(\omega_0t) \]

根据欧拉公式得到:

\[f(t)=\frac{A}{2}(e^{j\omega_0t}+e^{-j\omega_0t}) \]

根据傅里叶变换的定义,对f(t)做傅里叶变换:

\[F(f(t))=\int_{-\infty}^{\infty}f(t)*e^{-j\omega t}dt \]

\[=\int_{-\infty}^{\infty}*\frac{A}{2}(e^{j\omega_0t}+e^{-j\omega_0t})*e^{-j\omega t}dt \]

\[=\frac{A}{2}\int_{-\infty}^{\infty}(e^{j\omega_0t}+e^{-j\omega_0t})*e^{-j\omega t}dt \]

\[=\frac{A}{2}\int_{-\infty}^{\infty}(e^{j\omega_0t}*e^{-j\omega t}+e^{-j\omega_0t}*e^{-j\omega t})dt \]

\[=\frac{A}{2}[\int_{-\infty}^{\infty}(e^{j\omega_0t}*e^{-j\omega t}dt)+\int_{-\infty}^{\infty}(e^{-j\omega_0t}*e^{-j\omega t})dt] \]

\[=\frac{A}{2}[\int_{-\infty}^{\infty}(e^{-j(\omega-\omega_0)t}dt)+\int_{-\infty}^{\infty}(e^{-j(\omega+\omega_0)t}dt)] \]

根据狄拉克函数:

\[=\pi A[\delta(\omega-\omega_0)+\delta(\omega+\omega_0)] \]

也可以用频率代替角频率:

\[F(f(t))=\frac{A}{2}[\int_{-\infty}^{\infty}(e^{-j2\pi(f-f_0)t}dt)+\int_{-\infty}^{\infty}(e^{-j2\pi(f+f_0)t}dt)] \]

\[=\frac{A}{2}*\frac{1}{2\pi}[\int_{-\infty}^{\infty}(e^{-j2\pi(f-f_0)t}d2\pi t)+\int_{-\infty}^{\infty}(e^{-j2\pi(f+f_0)t}d2\pi t)] \]

\[=\frac{A}{2}[\delta(f-f_0)+\delta(f+f_0)] \]

  • 说明这也是为什么对于时域信号做傅里叶变换,得到的频谱图有两个频谱
  • 注意横坐标为\(\omega\)和f时,频谱幅值不一样。

标签:infty,frac,0t,推导,变换,傅里叶,int,delta,omega
From: https://www.cnblogs.com/judes/p/17456487.html

相关文章

  • 相机的坐标系变换
    1.正文 图像处理、立体视觉等等方向常常涉及到四个坐标系:世界坐标系、相机坐标系、图像坐标系、像素坐标系。例如下图:   构建世界坐标系只是为了更好的描述相机的位置在哪里,在双目视觉中一般将世界坐标系原点定在左相机或者右相机或者二者X轴方向的中点。 接下来的......
  • Blender+kanzi 变换归原则和应用窗口的变换使用方法。
    1、选中物体,ctrl+a 弹出 应用窗口,选择应用旋转,它会把变换的窗口数值都归0.同理其他的也是一样。这个操作会把模型的轴心回归到blender画面的中心点儿。 如果不归0的话,导入到kanzi里面,模型就跟kanzi里的不一致。 2、移动物体到左上角,设置原点到几何中心。ctrl +a 全......
  • 支持向量机(含具体推导、核函数)
    参考了西瓜书,《机器学习》周志华背景在超平面(比如三维立体,甚至更高维)上,找到一个分类面\[\boldsymbol{w}^T\boldsymbol{x}+b=0\]看起来很陌生,其实直线方程和\(Ax+By+C=0\)一个道理,只不过拓展到了高维,另外注意这里的\(\boldsymbol{x}\)是指一个高维变量使得分......
  • 最大熵模型原理——选择符合所有事实,在其他方面尽可能均匀分布(熵最大)的模型,其实思想很
    1.熵与最大熵原理熵是随机变量不确定性的度量,不确定性越大,熵值就越大;若随机变量退化成定值,熵为0。均匀分布是“最不确定”的分布假设离散随机变量X的概率分布为P(x),则其熵为:联合熵和条件熵两个随机变量的X,Y的联合分布,可以形成联合熵,用H(X,Y)表示条件熵H(X|Y)=H(X,Y)-H(Y) 相对......
  • Gym - 100851L [二分+线性推导]
    题目链接:https://vjudge.net/problem/Gym-100851L 解题思路:根据题目知道,墙的两边是不能放石头的,所以最终的结果肯定会收到两边墙的限制,从而使得答案不会超过1e9+1e5。此外我们再去二分最大高度,一个明显的结论就是以i为最高点建墙的话最少花费肯定是建一个金字塔形的墙面。但由于......
  • 小波变换
    1小波产生的背景与历史1.1“点”的概念一维中,“点”可以表示为“一个数\(x\)”;到了二维平面中,“点”可以表示为“一个数对\((x,y)\)”、或者考虑复平面时可以表示为\(x+\mathrm{i}y\)参考链接:小波理论及应用-哈工大-冉启文-Bilibili......
  • upc 6621: HSI(数学期望,数学推导能力)
    6621:HSI时间限制:1Sec  内存限制:128MB提交:544  解决:112[提交][状态][讨论版][命题人:admin]题目描述Takahashiisnowcompetinginaprogrammingcontest,buthereceivedTLEinaproblemwheretheanswerisYESorNO.Whenhecheckedthedetaileds......
  • [5月摸鱼计划] 浅谈DCDC电压变换(原理、结构、可用)
    DCDC转换器简介在电子产品中,我们常需要不同的直流电压来为电路提供工作,这时我们便会见到LDO和DC/DC的身影,但是严格意义上LDO也是一种DC/DC,在电源芯片选型中,LDO和DC/DC则是两种完全不同的芯片。与线性稳压器LDO相比较,效率高是DC/DC的显著优势,通常效率在70%以上,效率高的可达到95%以上......
  • lsh的三角函数变换题
    题面在蔡徐坤右肩带脱落时,形成两个角\(\alpha,\beta\),其中\(\alpha\in[\frac{\pi}{4},\pi]\),\(\beta\in[\pi,\frac{3\pi}{2}]\),且\(\sin2\alpha\)=\(\frac{\sqrt{5}}{5}\),\(\sin(\alpha-\beta)=\frac{\sqrt{10}}{10}\),问\(\alpha+\b......
  • 2.3Tucker分解HOSVD、HOOI算法推导和python实现
    HOSVD参考论文:AMULTILINEARSINGULARVALUEDECOMPOSITIONHOSVD虽然不能保证给Tucker分解给出最优拟合,但是可以提供一个好的初始化的解这些矩阵都是正交的。之所以求前R最大特征值,可以在下文的HOOI看到,目的是最大化目标函数UWHOSVD的最后一行证明如下:HOOI:黄色之所以可以化过去,......