Ch3nyang's blog

home

home

person

about

hive

project

collections_bookmark

mindclip

rss_feed

rss

频谱是什么

calendar_month 2021-02
archive 通信
tag signal tag spectrum

什么是傅立叶变换?什么是频谱?

得益于你校把信号系统这门课放在复变函数前面学,导致我一直有点懵:这傅里叶变换怎么就冒出来了个 \(j\)?频谱图像又怎么会只有几根小棍子?

我们知道,任何信号都可以由若干个正弦信号叠加而成。下图是方波信号的分解图。

spectrum1

我们用数学的形式描述上面这句话。假设有一个信号 \(x(t)\),则其可以表示为许多正弦信号的和:

\[x(t)=A_0+A_1\cos{(2\pi f_1t+\varphi_1)}+A_2\cos{(2\pi f_2t+\varphi_2)}+\cdots+A_N\cos{(2\pi f_N t+\varphi_N)}\]

写成 \(\Sigma\) 求和的形式即为

\[x(t)=A_0+\sum\limits_{k=0}^{N}{A_k\cos{(2\pi f_k t+\varphi_k)}}\]

这里的 \(N\) 可能会非常大,或者就是无穷——因为可能由无数个正弦信号叠加而成。

在上式中,我们实际上是做了一个变换

\[x(t)\longleftrightarrow A_0,(f_1,A_1,\varphi_1),(f_2,A_2,\varphi_2),\cdots,(f_N,A_N,\varphi_N)\]

变换的左半边是关于时间 \(t\) 的函数,右半边的则变为了关于频率 \(f_k\) 的函数。频谱 \(X(f)\) 就是右半边函数的系数。它的值与 \(A_k\) 和 \(\varphi_k\) 有关。

我们不妨结合例子来加深理解:

Example

已知 \(x(t)=A\cos{(2\pi f_0 t+\varphi)}\),求频谱函数 \(X(f)\)。

\(x(t)\) 的图像为(随手画的,不太标准):

spectrum2

根据复变函数的知识(如果你开心的话也可以用 Euler 公式推导得到),我们有

\[x(t)&=\frac{A}{2}e^{j(2\pi f_0 t+\varphi)}+\frac{A}{2}e^{-j(2\pi f_0 t+\varphi)}\\&=\frac{A}{2}e^{j\varphi}e^{j2\pi f_0 t}+\frac{A}{2}e^{-j\varphi}e^{-j2\pi f_0 t}\]

上式是关于 \(f\) 的函数,而我们前面提到,频谱 \(X(f)\) 是该函数的系数,因此可以得到

\[X(f)=\left\{\begin{array}{ll}\frac{A}{2}e^{j\varphi}&f=f_0\\\frac{A}{2}e^{-j\varphi}&f=-f_0\end{array}\right.\]

这时,我们再作出 \(X(f)\) 的图像,也就是频谱图像:

spectrum3

如果我们只考虑幅度 \(A\),则得到了幅度谱图像:

spectrum4

模仿上面例子的做法,对所有的 \(\cos\) 做拆分,我们得到

\[x(t)&=&A_0+\sum\limits_{k=0}^{N}{A_k\cos{(2\pi f_k t+\varphi_k)}}\\ &=&A_0+\sum\limits_{k=1}^{N}{\left(\frac{A_k}{2}e^{j\varphi}e^{j2\pi f_k t}+\frac{A_k}{2}e^{-j\varphi}e^{-j2\pi f_k t} \right)}\\ &=&a_0+\sum\limits_{k=1}^{N}{\left(a_ke^{j2\pi f_k t}+a_k^*e^{-j2\pi f_k t} \right)}\\\]

其中,

\[a_0=A_0,a_k=\frac{A_k}{2}e^{j\varphi}\]

这,便是傅立叶变换。

同样地,我们可以得到频谱图像:

spectrum5

不管你懂没懂,反正我是懂了。

Comments

Share This Post