页数:85页文件大小:1.25 MB来源: 数字信号处理ppt课件
本课件由周期序列的离散傅里叶级数(DFS)出发,说明时域周期与频域周期的对应关系,导出有限长序列的离散傅里叶变换DFT及其矩阵形式,进而讨论循环移位、循环卷积、线性卷积与循环卷积的等价条件,并给出共轭对称性与参数选择原则。
第二章离散傅里叶变换及其快速算法
离散傅里叶变换不仅具有明确的物理意义,相对于DTFT他更便于用计算机处理。但是,直至上个世纪六十年代,由于数字计算机的处理速度较低以及离散傅里叶变换的计算量较大,离散傅里叶变换长期得不到真正的应用,快速离散傅里叶变换算法的提出,才得以显现出离散傅里叶变换的强大功能,并被广泛地应用于各种数字信号处理系统中。
近年来,计算机的处理速率有了惊人的发展,同时在数字信号处理领域出现了许多新的方法,但在许多应用中始终无法替代离散傅里叶变换及其快速算法。
§2.1离散傅里叶变换(DFT)为了便于更好地理解DFT的概念,先讨论周期序列及其离散傅里叶级数(DFS)表示。§2.1.1离散傅里叶级数(DFS)一个周期为N的周期序列,即,k为任意整数,N为周期周期序列不能进行Z变换,因为其在n=-到+都周而复始永不衰减,即z平面上没有收敛域。
但是,正象连续时间周期信号可用傅氏级数表达,周期序列也可用离散的傅氏级数来表示,也即用周期为N的正弦序列来表示。
周期为N的正弦序列其基频成分为:K次谐波序列为:但离散级数所有谐波成分中只有N个是独立的,这是与连续傅氏级数的不同之处,即因此
将周期序列展成离散傅里叶级数时,只需取k=0到(N-1)这N个独立的谐波分量,所以一个周期序列的离散傅里叶级数只需包含这N个复指数,利用正弦序列的周期性可求解系数将上式两边乘以,并对一个周期求和
本页为图形示意页,展示2.1 离散傅里叶级数。具体公式与数值以原课件图片为准,建议对照原图补充要点说明。
k=r ,N=8k≠r ,N=8
上式中[]部分显然只有当k=r时才有值为1,其他任意k值时均为零,所以有或写为1)可求N次谐波的系数2)也是一个由N个独立谐波分量组成的傅里叶级数3)为周期序列,周期为N。
•时域上周期序列的离散傅里叶级数在频域上仍是一个周期序列。
是一个周期序列的离散傅里叶级数(DFS)变换对,这种对称关系可表为习惯上:记
假设都是周期为N的两个周期序列,各自的离散傅里叶级数为:1)线性a,b为任意常数DFS的几个主要特性:
证:因为及都是以N为周期的函数,所以有2)序列移位
由于与对称的特点,同样可证明
证:同理:对于复序列其共轭序列满足3)共轭对称性
进一步可得共轭偶对称分量共轭奇对称分量
4)周期卷积若则或
周期卷积周期为5~x(n)~h(n)nn
本页为图形示意页,展示离散卷积计算过程(n=0)。图中标注 x(k)、h(0-k)、y(0);具体公式与数值以原课件图片为准,建议对照原图补充要点说明。
周期卷积~x(k)~h(0-k)k~y(0)n
本页为图形示意页,展示离散卷积计算过程(n=1)。图中标注 x(k)、h(1-k)、y(1);具体公式与数值以原课件图片为准,建议对照原图补充要点说明。
周期卷积~x(k)~h(1-k)k~y(1)n
本页为图形示意页,展示离散卷积计算过程(n=2)。图中标注 x(k)、h(2-k)、y(2);具体公式与数值以原课件图片为准,建议对照原图补充要点说明。
周期卷积~x(k)~h(2-k)k~y(2)n
本页为图形示意页,展示离散卷积计算过程(n=3)。图中标注 x(k)、h(3-k)、y(3);具体公式与数值以原课件图片为准,建议对照原图补充要点说明。
周期卷积~x(k)~h(3-k)k~y(3)n
本页为图形示意页,展示离散卷积计算过程(n=4)。图中标注 x(k)、h(4-k)、y(4);具体公式与数值以原课件图片为准,建议对照原图补充要点说明。
周期卷积~x(k)~h(4-k)k~y(4)n
周期卷积~y(n)n先计算主值区间,再周期延拓,求得最终的周期卷积的结果,如下图所示。
证:这是一个卷积公式,但与前面讨论的线性卷积的差别在于,这里的卷积过程只限于一个周期内(即m=0~N-1),称为周期卷积。例:、,周期为N=7,宽度分别为4和3,求周期卷积。结果仍为周期序列,周期为N =7。
由于DFS与IDFS的对称性,对周期序列乘积,存在着频域的周期卷积公式,若则
§2.1.2离散傅里叶变换(DFT)我们知道周期序列实际上只有有限个序列值有意义,因此它的许多特性可推广到有限长序列上。一个有限长序列x(n),长为N,为了引用周期序列的概念,假定一个周期序列,它由长度为N的有限长序列x(n)延拓而成,它们的关系:
周期序列的主值区间与主值序列:对于周期序列,定义其第一个周期n=0~N-1,为的“主值区间”,主值区间上的序列为主值序列x(n)。x(n)与的关系可描述为:数学表示:RN(n)为矩形序列。符号((n))N是余数运算表达式,表示n对N求余数。
例:是周期为N=8的序列,求n=11和n=-2对N的余数。因此
频域上的主值区间与主值序列:周期序列的离散傅氏级数也是一个周期序列,也可给它定义一个主值区间,以及主值序列X(k)。数学表示:
再看周期序列的离散傅里叶级数变换(DFS)公式:这两个公式的求和都只限于主值区间(0~N-1),它们完全适用于主值序列x(n)与X(k),因而我们可得到一个新的定义——有限长序列离散傅里叶变换定义。
长度为N的有限长序列x(n),其离散傅里叶变换X(k)仍是一个长度为N的有限长序列,它们的关系为:x(n)与X(k)是一个有限长序列离散傅里叶变换对,已知x(n)就能唯一地确定X(k),同样已知X(k)也就唯一地确定x(n),实际上x(n)与X(k)都是长度为N的序列(复序列)都有N个独立值,因而具有等量的信息。
有限长序列隐含着周期性。
DFT的矩阵方程表示
DFT特性:以下讨论DFT的一些主要特性,这些特性都与周期序列的DFS有关。假定x(n)与y(n)是长度为N的有限长序列,其各自的离散傅里叶变换分别为:X(k)=DFT[x(n)]Y(k)=DFT[y(n)](1)线性DFT[ax(n)+by(n)]=aX(k)+bY(k),a,b为任意常数
本页为图形示意页,展示2.1.2 离散傅里叶变换DFT图示。图中标注 f(n)、x((n+2)、N(n);具体公式与数值以原课件图片为准,建议对照原图补充要点说明。
循环移位f(n)=x((n+2))NRN(n)
循环移位移位前左移两位后
证:利用周期序列的移位特性:实际上,利用WN-mk的周期性,将f(n)=x((n+m))NRN(n)代入DFT定义式,同样很容易证明。序列循环移位后的DFT为F(k)=DFT[f(n)]= x(k)
同样,对于频域有限长序列X(k)的循环移位,有如下反变换特性:IDFT[X((k+l))NRN(k)]=x(n)
(3)循环卷积若F(k)=X(k)Y(k)则或
证:这个卷积可看作是周期序列卷积后再取其主值序列。将F(k)周期延拓,得:则根据DFS的周期卷积公式:因0≤m≤N-1时,x((m))N=x(m),因此经过简单的换元可证明:
这一卷积过程与周期卷积比较,过程是一样的,只是这里只取结果的主值序列,由于卷积过程只在主值区间0≤m≤N-1内进行,所以实际上就是y(m)的循环移位,称为“循环卷积”,习惯上常用符号“”表示循环卷积,以区别于线性卷积。
1)由有限长序列x(n)、y(n)构造周期序列循环卷积过程:2)计算周期卷积3)卷积结果取主值
循环卷积x(n)h(n)nn
本页为图形示意页,展示离散卷积计算过程(n=0)。图中标注 x(k)、y(n)、x(n)、h(n);具体公式与数值以原课件图片为准,建议对照原图补充要点说明。
循环卷积x(k)ky(n)=x(n)* h(n)n~h(0-k)
本页为图形示意页,展示离散卷积计算过程(n=1)。图中标注 x(k)、y(n)、x(n)、h(n);具体公式与数值以原课件图片为准,建议对照原图补充要点说明。
循环卷积x(k)ky(n)=x(n) * h(n)n~h(1-k)
本页为图形示意页,展示离散卷积计算过程(n=2)。图中标注 x(k)、y(n)、x(n)、h(n);具体公式与数值以原课件图片为准,建议对照原图补充要点说明。
循环卷积x(k)ky(n)=x(n)* h(n)n~h(2-k)
本页为图形示意页,展示离散卷积计算过程(n=3)。图中标注 x(k)、y(n)、x(n)、h(n);具体公式与数值以原课件图片为准,建议对照原图补充要点说明。
循环卷积x(k)ky(n)=x(n) * h(n)n~h(3-k)
本页为图形示意页,展示离散卷积计算过程(n=4)。图中标注 h(4-k)、y(n)、x(n)、h(n);具体公式与数值以原课件图片为准,建议对照原图补充要点说明。
循环卷积x (k)~h(4-k)ky(n)=x(n) * h(n)n
循环卷积y(n)=x(n) * h(n)n由有限长序列x(n)、h(n)构造周期序列,计算周期卷积,卷积结果取主值,如下图所示。
同样,若f(n)=x(n)y(n),则
(4)有限长序列的线性卷积与循环卷积(循环卷积的应用)实际问题的大多数是求解线性卷积,如信号x(n)通过系统h(n),其输出就是线性卷积y(n)=x(n)*h(n)。而循环卷积比起线性卷积,在运算速度上有很大的优越性,它可以采用快速傅里叶变换(FFT)技术,若能利用循环卷积求线性卷积,会带来很大的方便。
现在我们来讨论上述x(n)与h(n)的线性卷积,如果x(n)、h(n)为有限长序列,则在什么条件下能用循环卷积代替而不产生失真。
有限长序列的线性卷积:假定x(n)为有限长序列,长度为N,y(n)为有限长序列,长度为M,它们的线性卷积f(n) =x(n) *y(n)也应是有限长序列。因x(m)的非零区间:0≤m≤N-1,y(n-m)的非零区间:0≤n-m≤M-1,这两个不等式相加,得:0≤n≤N+M-2,在这区间以外不是x(m) =0,就是y(n-m) =0,因而f(n)=0。
因此,f(n)是一个长度为N+M-1的有限长序列。
循环卷积:重新构造两个有限长序列x(n)、y(n),长度均为L>max{N,M},序列x(n)只有前N个是非零值,后L-N个为补充的零值;序列y(n)只有前M个是非零值,后L-M个为补充的零值。为了分析x(n)与y(n)的循环卷积,先看x(n),y(n)的周期延拓:
其中f(n)就是线性卷积,也就是说,x(n)、y(n)周期延拓后的周期卷积,是x(n)、y(n)线性卷积的周期延拓,周期为L。它们的周期卷积序列为:
根据前面的分析,f(n)具有N+M-1个非零序列值,因此,如果周期卷积的周期L<N+M-1,那么f(n)周期延拓后,必然有一部分非零序列值要重叠,出现混淆现象。只有L≥N+M-1时,才不会产生交叠,这时f(n)的周期延拓中每一个周期L内,前N+M-1个序列值是f(n)的全部非零序列值,而剩下的L—(N+M-1)点的序列则是补充的零值。
循环卷积正是周期卷积取主值序列:所以使圆周卷积等于线性卷积而不产生混淆的必要条件是:L≥N+M-1
比较线性卷积与循环卷积例:设有两个序列,x(n)为N=4矩形序列,y(n)为M=6矩形序列,观察其线性卷积和圆周卷积。由线性卷积定义可直接验证,两者的线性卷积f(n)=x(n)*y(n)具有N+M-1=9个非零值,其结果见下图左半部分(c),不同L下的圆周卷积结果在图的右半部分。
图线性卷积和循环卷积图中(d)、(e)、(f),反映了不同L下循环卷积与线性卷积之间的关系,图(d)中L=6,产生严重的混淆,致使fl(n)与f(n)已完全不同,图(e)中L=8,这时有两点(n=0,n=8)发生混淆失真,只有图(f)中,满足条件L≥N+M-1=9,循环卷积与线性卷积相同(与图(c)比较)。
(5)共轭对称性设x*(n)为x(n)的共轭复数序列,则DFT[x*(n)]=X*(N-k)证:DFT[x*(n)]0≤k≤N-1由于因此,DFT[x*(n)]
2.复序列的实部与虚部的DFT变换以xr(n)和xi(n)表示序列x(n)的实部与虚部即x(n)=xr(n)+jxi(n)则
Xe(k)和X0(k)表示实部与虚部序列的DFT,则
用同样的方法可得到X0(k)=-X*0(N-k)即Xo(k)具有共轭反对称特性,称其为X(k)的共轭奇对称分量。对于纯实数序列x(n),即x(n)=xr(n),X(k)只有共轭偶对称部分,即X(k)=Xe(k),表明实数序列的DFT满足共轭对称性,利用这一特性,只要知道一半数目的X(k),就可得到另一半的X(k),这一特点在DFT运算中可以加以利用,以提高运算效率。
根据x(n)与X(k)的对称性,同样可找到X(k)的实部、虚部与x(n)的共轭偶部与共轭奇部的关系。分别以xe(n)及x0(n)表示序列x(n)的圆周共轭偶部与圆周共轭奇部:同样应从圆周意义上理解x(N-0)=x(0)。
可证明:DFT[xe(n)]=Re[X(k)]DFT[x0(n)]=jIm[X(k)]
(6)选频性(对ω0有限制?)对复指数函数进行采样得复序列x(n)0≤n≤N-1其中q为整数。当ω0=2π/N时,x(n)=ej2πnq/N,其离散傅里叶变换为写成闭解形式可见,当输入频率为qω0时,变换X(K)的N个值中只有X(q)=N,其余皆为零,如果输入信号为若干个不同频率的信号的组合,经离散傅里叶变换后,不同的k上,X(k)将有一一对应的输出,因此,离散傅里叶变换算法实质上对频率具有选择性。
例:求余弦序列的DFT
(7)DFT与Z变换有限长序列可以进行z变换比较z变换与DFT变换,可见,当z=w-kN时,即
本页为图形示意页,展示零极点分布图。图中标注 X(ejω)、X(k);具体公式与数值以原课件图片为准,建议对照原图补充要点说明。
图DFT与z变换oooooooooooX(ejω)X(k)oRe[z]jIm[z]o
变量周期分辨率
是z平面单位圆上幅角为的点,即将z平面上的单位圆N等分后的第k点。1)X(k)也就是z变换在单位圆上等间隔的采样值。2)X(k)也可看作是对序列傅氏变换X(ejω)的采样,采样间隔为:ωN=2π/N。即结论:
采样定律告诉我们,一个频带有限的信号,可以对它进行时域采样而不丢失任何信息;DFT变换进一步告诉我们,对于时间有限的信号(有限长序列),也可以对其进行频域采样,而不丢失任何信息,这正反应了傅立叶变换中时域、频域的对称关系。
它有十分重要的意义,由于时域上的采样,使我们能够采用数字技术来处理这些时域上的信号(序列),而DFT的理论不仅在时域,而且在频域也离散化,因此使得在频域采用数字技术处理成为可能。FFT就是频域数字处理中最有成效的一例。
(8)DFT形式下的Parseval定理令k= 0,得到
2.2利用DFT做连续信号的频谱分析利用DFT计算连续信号的频谱采样截短DFT
(1)混迭对连续信号xa(t)进行数字处理前,要进行采样采样序列的频谱是连续信号频谱的周期延拓,周期为fs,如采样率过低,不满足采样定理,fs<2fh,则导致频谱混迭,使一个周期内的谱对原信号谱产生失真,无法恢复原信号,进一步的数字处理失去依据。
(2)泄漏处理实际信号序列x(n)时,一般总要将它截断为一有限长序列,长为N点,相当于乘以一个矩形窗w(n)=RN(n)。矩形窗函数,其频谱有主瓣,也有许多副瓣,窗口越大,主瓣越窄,当窗口趋于无穷大时,就是一个冲击函数。
我们知道,时域的乘积对应频域的卷积,所以,加窗后的频谱实际是原信号频谱与矩形窗函数频谱的卷积,卷积的结果使频谱延伸到了主瓣以外,且一直延伸到无穷。当窗口无穷大时,与冲激函数的卷积才是其本身,这时无畸变,否则就有畸变。
例如,信号为,是一单线谱,但当加窗后,线谱与抽样函数进行卷积,原来在Ω0处的一根谱线变成了以Ω0为中心的,形状为抽样函数的谱线序列,原来在一个周期(Ωs)内只有一个频率上有非零值,而现在一个周期内几乎所有频率上都有非零值,即的频率成份从Ω0处“泄漏”到其它频率处去了。
考虑各采样频率周期间频谱“泄漏”后的互相串漏,卷积后还有频谱混迭现象产生。
(3)栅栏效应N点DFT是在频率区间[0,2π]上对信号频谱进行N点等间隔采样,得到的是若干个离散的频谱点X(k),且它们限制在基频的整数倍上,这就好像在栅栏的一边通过缝隙看另一边的景象一样,只能在离散点处看到真实的景象,其余部分频谱成分被遮挡,所以称之为栅栏效应。
减小栅栏效应方法:尾部补零,使谱线变密,增加频域采样点数,原来漏掉的某些频谱分量就可能被检测出来。
(5)周期信号的谱分析对于连续的单一频率周期信号,为信号的频率。可以得到单一谱线的DFT结果,但这是和作DFT时数据的截取长度选得是否恰当有关,截取长度N选得合理,可完全等于的采样。
本页为图形示意页,展示序列波形图。图中标注 x(n)、X(k);具体公式与数值以原课件图片为准,建议对照原图补充要点说明。
051015-1-0.500.51t/Tx(n)0510150246810kX(k)051015-1-0.500.51t/Tx(n)0510150246810kX(k)(a)(b)(c)(d)不同截取长度的正弦信号及其DFT结果
下载地址:{{downurl}}
{{{a}}}
{{#b}}{{{b}}}
{{/b}} {{/title}} {{#nolog}}登陆注册
{{/nolog}} {{#djsx}}点我刷新
{{/djsx}} {{#gocz}} {{/gocz}} {{#ffqr}} {{/ffqr}}