【 MATLAB 】离散傅里叶级数(DFS)与DFT、DTFT及 z变换之间的关系

版权声明:本博客内容来自于个人学习过程中的总结,参考了互联网、数据手册、帮助文档、书本以及论文等上的内容,仅供学习交流使用,如有侵权,请联系,我会重写!转载请注明地址! https://blog.csdn.net/Reborn_Lee/article/details/83476137

上篇博文我们简单的讨论了离散傅里叶级数DFS和离散傅里叶变换DFT之间的关系,简单地说,DFT就是DFS在一个周期内的表现。

【 MATLAB 】离散傅里叶变换(DFT)以及逆变换(IDFT)的MATLAB实现

为了后面讨论方便,这里给出DFS的系数公式(分析公式):

\tilde X(k) = DFS[\tilde x(n)] = \sum_{n = 0}^{N-1}\tilde x(n)W_N ^{nk}                                                                                                        (1)

其中:

W_N = e^{-j \frac{2\pi}{N}}

综合公式:

\tilde x(n) = IDFS[\tilde X(n)] = \frac{1}{N}\sum_{k = 0}^{N-1}\tilde X(k)W_N^{-nk}                                                                                              (2)


为了对比,给出DFT的分析公式:

X(k)=DFT[x(n)]=\begin{cases} \tilde X(k), & \text{ } 0 \leq k \leq N-1 \\0, & \text{ } else \end{cases} = \tilde X(k)R_N(k)                                                         (3)

X(k)=\sum_{n = 0}^{N-1}x(n)W_N^{nk},0\leq k \leq N-1                                                                                                      (4)

扫描二维码关注公众号,回复: 3774809 查看本文章

综合公式:

x(n)=IDFT[X(k)]=\tilde x(n) R_N(n)                                                                                                          (5)

x(n)=\frac{1}{N}\sum_{k = 0}^{N-1}X(k)W_N^{-kn},0 \leq n \leq N-1                                                                                              (6)


下面讨论DFS和 z 变换之间的关系:

这部分内容提取到博文: 【 MATLAB 】DFS 与 z 变换之间的关系

设 x(n) 为一有限长序列,长度为N,即,

x(n) = \left\{\begin{matrix} nonzero, &0 \leq n \leq N-1 \\ 0 ,& else \end{matrix}\right.                                                                                                          (7)

那么,能求它的 z 变换为:

X(z) = \sum_{n = 0}^{N-1}x(n)z^{-n}                                                                                                                                     (8)

现在,以周期N,周期重复x(n)构造一个周期序列 \tilde x(n),即

x(n) = \left\{\begin{matrix} \tilde x(n), &0 \leq n \leq N-1 \\0, & else \end{matrix}\right.                                                                                                                  (9)

\tilde x(n) 的DFS给出为:

\tilde X (k) = \sum_{n = 0}^{N-1} \tilde x(n)e^{-j \frac{2 \pi}{N}nk} =\sum_{n = 0}^{N-1} x(n)[e^{j \frac{2 \pi}{N}k]^{-n}}                                                                                           (10)

将(10)式与 z 正变换公式(8)比较后,得到:

\tilde X(k) = X(z) |_{z=e^{j\frac{2\pi}{N}k}}                                                                                                                                    (11)

这就是说,DFS \tilde X(k)代表了z变换 X(z)在单位圆上N个等间隔样本。


接着讨论DFS和DTFT的关系。

这部分内容提取出来到:【 MATLAB 】DFS 和 DTFT 之间的关系

我们大概都知道DTFT和z变换之间的关系,DTFT是单位圆上的z变换。我们通过一个公式就能说清楚,如下:

先给出DTFT的公式:

X(e^{jw})=\sum_{n = 0}^{N-1}x(n)e^{-jwn}=\sum_{n = 0}^{N-1}\tilde x(n)e^{-jwn}                                                                                                 (12)

对比z变换的公式(8),不难看出:

X(e^{jw}) = X(z)|_{z = e^{jw}}                                                                                                                                     (13)

为了避免某些人的抗议,我们不得不做出声明,这里都是针对有限长序列推导的公式,无论针对其他任何可行信号,推导的关系最后都是一样的。

从(13)式可以看出,DTFT是单位圆上的z变换。

上面又说了DFS和z变换的关系,关系是,DFS \tilde X(k)代表了z变换 X(z)在单位圆上N个等间隔样本。

结合z变换和DTFT之间的关系,我们是不是可以说DFS \tilde X(k)是对DTFT X(e^{jw})上的等间隔采样。采样间隔为w_1 = \frac{2\pi}{N},下面我们正式推导二者间的关系。

式(12)为:

X(e^{jw})=\sum_{n = 0}^{N-1}x(n)e^{-jwn}=\sum_{n = 0}^{N-1}\tilde x(n)e^{-jwn}

DFS为:

\tilde X(k) = DFS[\tilde x(n)] = \sum_{n = 0}^{N-1}\tilde x(n)W_N ^{nk}

W_N = e^{-j \frac{2\pi}{N}}

可以看出,

\tilde X(k) = X(e^{jw})|_{w = \frac{2\pi}{N}k}                                                                                                                                                 (14)

w_1 = \frac{2\pi}{N}and w_k = \frac{2\pi}{N}k = kw_1                                                                                                                                    (15)                                           

这样,

DFS \tilde X(k) = X(e^{jw_k})=X(e^{jkw_1})                                                                                                                               (16)

这意味着 DFS 可以通过以 w_1 = \frac{2\pi}{N}为间隔对DTFT均匀采样而得到。

由式子(13):

X(e^{jw}) = X(z)|_{z = e^{jw}}

以及式子(14):

\tilde X(k) = X(e^{jw})|_{w = \frac{2\pi}{N}k}

可见,DFS 表示给出了一种在频域的采样机理;而这个在原理上类似于时域采样。

间隔 w_1 = \frac{2\pi}{N} 是在频域上的采样间隔,也称为频率分辨率。因为它告诉我们频率样本有多密集。

猜你喜欢

转载自blog.csdn.net/Reborn_Lee/article/details/83476137