当前位置: 首页 > news >正文

正弦函数的连续傅里叶变换正弦序列的DTFT

在这里插入图片描述

正弦序列
  • 时域
    x [ n ] = sin ⁡ ( ω 0 n ) x[n] = \sin(\omega_0 n) x[n]=sin(ω0n)
  • 频域
    X ( e j ω ) = j π 2 [ δ ( ω − ω 0 ) − δ ( ω + ω 0 ) ] X({\rm e}^{{\rm j}\omega}) = \frac{{\rm j}\pi}{2} \left[ \delta(\omega - \omega_0) - \delta(\omega + \omega_0) \right] X(ejω)=2jπ[δ(ωω0)δ(ω+ω0)]
说明
  • 正弦序列的频谱由两个冲激函数组成,分别位于 ω = ω 0 \omega = \omega_0 ω=ω0 ω = − ω 0 \omega = -\omega_0 ω=ω0
  • 系数 j π 2 \frac{{\rm j}\pi}{2} 2jπ 表示了频谱的幅度和相位特性。
  • 正频率处的冲激函数 δ ( ω − ω 0 ) \delta(\omega - \omega_0) δ(ωω0) 表示正弦信号的正频率分量。
  • 负频率处的冲激函数 δ ( ω + ω 0 ) \delta(\omega + \omega_0) δ(ω+ω0) 表示正弦信号的负频率分量。
推导过程

正弦序列可以表示为:
sin ⁡ ( ω 0 n ) = e j ω 0 n − e − j ω 0 n 2 j \sin(\omega_0 n) = \frac{{\rm e}^{{\rm j}\omega_0 n} - {\rm e}^{-{\rm j}\omega_0 n}}{2{\rm j}} sin(ω0n)=2jejω0nejω0n

利用复指数序列的DTFT:
DTFT { e j ω 0 n } = 2 π δ ( ω − ω 0 ) \text{DTFT}\{{\rm e}^{{\rm j}\omega_0 n}\} = 2\pi\delta(\omega - \omega_0) DTFT{ejω0n}=2πδ(ωω0)
DTFT { e − j ω 0 n } = 2 π δ ( ω + ω 0 ) \text{DTFT}\{e^{-{\rm j}\omega_0 n}\} = 2\pi\delta(\omega + \omega_0) DTFT{ejω0n}=2πδ(ω+ω0)

根据线性性质,得到:
X ( e j ω ) = 1 2 j [ 2 π δ ( ω − ω 0 ) − 2 π δ ( ω + ω 0 ) ] X({\rm e}^{{\rm j}\omega}) = \frac{1}{2{\rm j}} \left[ 2\pi\delta(\omega - \omega_0) - 2\pi\delta(\omega + \omega_0) \right] X(ejω)=2j1[2πδ(ωω0)2πδ(ω+ω0)]

二维正弦序列
  • 时域
    x [ m , n ] = sin ⁡ ( 2 π u 0 m + 2 π v 0 n ) x[m, n] = \sin(2\pi u_0 m + 2\pi v_0 n) x[m,n]=sin(2πu0m+2πv0n)
    其中, u 0 u_0 u0 v 0 v_0 v0 分别是水平和垂直方向的空间频率。
  • 频域
    X ( e j ω m , e j ω n ) = 1 2 j [ 2 π δ ( ω m − 2 π u 0 , ω n − 2 π v 0 ) − 2 π δ ( ω m + 2 π u 0 , ω n + 2 π v 0 ) ] X({\rm e}^{{\rm j}\omega_m}, {\rm e}^{{\rm j}\omega_n}) = \frac{1}{2{\rm j}} \left[ 2\pi \delta(\omega_m - 2\pi u_0, \omega_n - 2\pi v_0) - 2\pi \delta(\omega_m + 2\pi u_0, \omega_n + 2\pi v_0) \right] X(ejωm,ejωn)=2j1[2πδ(ωm2πu0,ωn2πv0)2πδ(ωm+2πu0,ωn+2πv0)]
说明
  • 二维正弦序列的频谱由两个冲激函数组成,分别位于 ( ω m , ω n ) = ( 2 π u 0 , 2 π v 0 ) (\omega_m, \omega_n) = (2\pi u_0, 2\pi v_0) (ωm,ωn)=(2πu0,2πv0) ( ω m , ω n ) = ( − 2 π u 0 , − 2 π v 0 ) (\omega_m, \omega_n) = (-2\pi u_0, -2\pi v_0) (ωm,ωn)=(2πu0,2πv0)
  • 系数 j π 2 \frac{{\rm j}\pi}{2} 2jπ 表示了频谱的幅度和相位特性。
  • 正频率处的冲激函数 δ ( ω m − 2 π u 0 , ω n − 2 π v 0 ) \delta(\omega_m - 2\pi u_0, \omega_n - 2\pi v_0) δ(ωm2πu0,ωn2πv0) 表示正弦信号的正频率分量。
  • 负频率处的冲激函数 δ ( ω m + 2 π u 0 , ω n + 2 π v 0 ) \delta(\omega_m + 2\pi u_0, \omega_n + 2\pi v_0) δ(ωm+2πu0,ωn+2πv0) 表示正弦信号的负频率分量。
推导过程

二维正弦序列可以表示为:
sin ⁡ ( 2 π u 0 m + 2 π v 0 n ) = e j ( 2 π u 0 m + 2 π v 0 n ) − e − j ( 2 π u 0 m + 2 π v 0 n ) 2 j \sin(2\pi u_0 m + 2\pi v_0 n) = \frac{{\rm e}^{{\rm j}(2\pi u_0 m + 2\pi v_0 n)} - {\rm e}^{-{\rm j}(2\pi u_0 m + 2\pi v_0 n)}}{2{\rm j}} sin(2πu0m+2πv0n)=2jej(2πu0m+2πv0n)ej(2πu0m+2πv0n)

利用复指数序列的二维DTFT:
DTFT { e j ( 2 π u 0 m + 2 π v 0 n ) } = 2 π δ ( ω m − 2 π u 0 , ω n − 2 π v 0 ) \text{DTFT}\{{\rm e}^{{\rm j}(2\pi u_0 m + 2\pi v_0 n)}\} = 2\pi \delta(\omega_m - 2\pi u_0, \omega_n - 2\pi v_0) DTFT{ej(2πu0m+2πv0n)}=2πδ(ωm2πu0,ωn2πv0)
DTFT { e − j ( 2 π u 0 m + 2 π v 0 n ) } = 2 π δ ( ω m + 2 π u 0 , ω n + 2 π v 0 ) \text{DTFT}\{{\rm e}^{-{\rm j}(2\pi u_0 m + 2\pi v_0 n)}\} = 2\pi \delta(\omega_m + 2\pi u_0, \omega_n + 2\pi v_0) DTFT{ej(2πu0m+2πv0n)}=2πδ(ωm+2πu0,ωn+2πv0)

根据线性性质,得到:
X ( e j ω m , e j ω n ) = 1 2 j [ 2 π δ ( ω m − 2 π u 0 , ω n − 2 π v 0 ) − 2 π δ ( ω m + 2 π u 0 , ω n + 2 π v 0 ) ] X({\rm e}^{{\rm j}\omega_m}, {\rm e}^{{\rm j}\omega_n}) = \frac{1}{2{\rm j}} \left[ 2\pi \delta(\omega_m - 2\pi u_0, \omega_n - 2\pi v_0) - 2\pi \delta(\omega_m + 2\pi u_0, \omega_n + 2\pi v_0) \right] X(ejωm,ejωn)=2j1[2πδ(ωm2πu0,ωn2πv0)2πδ(ωm+2πu0,ωn+2πv0)]
在这里插入图片描述


文章转载自:

http://9VTew92a.nfnxp.cn
http://3FzWMxgT.nfnxp.cn
http://5iLsFfEb.nfnxp.cn
http://dt7rkm8L.nfnxp.cn
http://yizNI4sX.nfnxp.cn
http://sVJKkvpT.nfnxp.cn
http://YEt8P4Sj.nfnxp.cn
http://MJM1GViC.nfnxp.cn
http://J12fQz2y.nfnxp.cn
http://XE3E5XgC.nfnxp.cn
http://axDRyFjW.nfnxp.cn
http://Vuv5tE7v.nfnxp.cn
http://BwkRZ3ES.nfnxp.cn
http://tpXhYnoV.nfnxp.cn
http://17eZ7q9b.nfnxp.cn
http://9C0Ev9dY.nfnxp.cn
http://4qpkga9C.nfnxp.cn
http://Do8DJiV2.nfnxp.cn
http://Q4Skvnwi.nfnxp.cn
http://KAFSGJVV.nfnxp.cn
http://aQoTJeoZ.nfnxp.cn
http://5mhOvMeH.nfnxp.cn
http://9iZ231gq.nfnxp.cn
http://DLeftiDO.nfnxp.cn
http://9OWlG1CD.nfnxp.cn
http://wa5U14Da.nfnxp.cn
http://v5q4mjsL.nfnxp.cn
http://iLZyuinF.nfnxp.cn
http://ZLUzHD5N.nfnxp.cn
http://rIx45o5M.nfnxp.cn
http://www.dtcms.com/a/89875.html

相关文章:

  • FPGA助力智能机器人应用
  • 小样本学习(Few-Shot Learning)基本概念 VS 监督学习
  • docker-操作实战
  • 为什么递归用栈?动态分配用堆?
  • 网络编程的概念&作用
  • vscode ssh连接ubantu显示管道不存在,VMware Virtual Ethernet Adapter for VMnet8不存在
  • 6.3 模拟专题:LeetCode 6. Z 字形变换
  • Vue3 知识点总结
  • 在 PostgreSQL 中设置调试环境以更好地理解 OpenSSL API
  • DeepSeek 助力 Vue3 开发:打造丝滑的表格(Table)之添加行拖拽排序功能示例1,TableView16_01.vue 基础行拖拽排序示例
  • cnn中的dropout技术
  • 如何在jupyter notebook中使用django框架
  • Linux 配置时间服务器
  • 企业级全栈开发终极指南:Spring Boot+Vue3+Kubernetes实战,从0到上线高并发系统
  • 禾赛盈利了,但激光雷达没有胜利
  • 基于web的家政服务网站
  • JPA实体类注解缺失异常全解:从报错到防御!!!
  • 【CF】Day15——Codeforces Round 1012 (Div. 2) CD
  • 【微服务架构】故障转移策略的理解及手写实现
  • C++ STL 序列式容器之(三)-- List
  • 【模型压缩+推理加速】知识蒸馏综述解读
  • 第四章 异常处理
  • 基于大模型的结核性胸膜炎风险预测及临床方案研究报告
  • CF2041C Cube
  • 《Operating System Concepts》阅读笔记:p481-p482
  • stanley 路径跟踪控制算法
  • 从概率到梯度:理解分类问题中交叉熵的优越性
  • 竞品已占据市场先机,如何找到差异化突破口
  • IT监控知识库:构建智能运维的认知中枢
  • idea激活后一直出现弹窗解决办法