При изучении обработки дискретных сигналов понимание свойств дискретного временного преобразования Фурье (ДВПФ) имеет решающее значение для анализа и обработки сигналов в частотной области. Несколько свойств, включая частотную дифференциацию, свертку, накопление и соотношение Парсеваля, предлагают мощные инструменты для анализа сигналов.
Свойство частотного дифференцирования иллюстрируется рассмотрением пары ДВПФ и дифференцированием обеих сторон по ω. Умножая на j (мнимая единица), правая часть преобразуется в преобразование Фурье nx[n]. Математически, если X(e^jω) — это ДВПФ x[n], то j(d/dω(X(e^jω)) — это ДВПФ nx[n]. Это свойство полезно для нахождения частотных характеристик, связанных с наклоном спектра сигнала.
Применяя дискретную временную свёртку к парам ДВПФ, мы наблюдаем еще одно важное свойство. Изменяя порядок суммирования в правой части и применяя свойство сдвига во времени, мы приходим к свойству свёртки во времени. Оно гласит, что свёртка двух сигналов во временном домене соответствует умножению их ДВПФ в частотном домене. И наоборот, умножение двух сигналов во временном домене приводит к периодической свёртке их ДВПФ в частотном домене, масштабированной обратной периода.
Свойство накопления фокусируется на суммировании дискретного по времени сигнала с течением времени. Дискретное по времени преобразование Фурье (ДВПФ) этого накопленного сигнала связано с ДВПФ исходного сигнала, но изменено экспоненциальным масштабным коэффициентом. Кроме того, есть термин, который включает дельта-функцию, которая вводит периодические компоненты с интервалом 2π в частотной области. Это свойство подчеркивает, как накопление во временном домене влияет на частотное представление, приводя к периодическим особенностям.
Соотношение Парсеваля является ключевым результатом, который связывает энергию сигнала во временном домене с его представлением в частотном домене. В частности, полная энергия сигнала x[n], которая является суммой квадратов величин во временном домене, равна интегралу квадратов величин его ДВПФ. Это соотношение является основополагающим при анализе мощности и энергии сигнала в обеих доменах.
Эти свойства в совокупности повышают способность анализировать, проектировать и понимать дискретные по времени системы, делая их незаменимыми в цифровой обработке сигналов.
Из главы 17:
Now Playing
The Fourier Transform
169 Просмотры
The Fourier Transform
255 Просмотры
The Fourier Transform
456 Просмотры
The Fourier Transform
149 Просмотры
The Fourier Transform
147 Просмотры
The Fourier Transform
759 Просмотры
The Fourier Transform
244 Просмотры
The Fourier Transform
338 Просмотры
The Fourier Transform
198 Просмотры
The Fourier Transform
232 Просмотры
Авторские права © 2025 MyJoVE Corporation. Все права защищены