feng

started from 11.28.2025

首页·个人博客

周期信号的傅里叶表示

周期信号的傅里叶分解

我们之前了解了如何通过卷积操作来将信号分解,并利用线性性得到输入信号的输出.那么对于一个输入信号\(e^{st}\),输出就是

\[e^{st}*h(t)=\int_{-\infty}^{+\infty}e^{s\tau}h(t-\tau) d\tau=\int_{-\infty}^{+\infty}h(\tau) e^{s(t-\tau)}d\tau=e^{st}\int_{-\infty}^{+\infty}h(\tau) e^{s\tau}d\tau\]

也就是说,输入为\(e^{st}\)时输出可以表示为\(H(s)e^{st}\),其中\(H(s)=\int_{-\infty}^{+\infty}h(\tau) e^{s\tau}d\tau\),一个信号如果系统对该信号的响应是一个常数,那就称该信号为特征函数.而复指数\(e^{st}\)是线性时不变系统的特征函数.
一个信号能够被写为复指数信号的线性组合,其含义为一堆相位幅值频率不同的正弦信号的叠加.那么也就可以用卷积的方式得到输出,而信号写成成复指数,我们又知道复指数是LIT的特征函数,就可以把输出表示为对应输入乘上特征函数的和.
假设\(x(t)=a_1e^{s_1t}+a_2e^{s_2t}+a_3e^{s_3t}\),那么\(y(t)=a_1H(s_1)e^{s_1t}+a_2H(s_2)e^{s_2t}+a_3H(s_3)e^{s_3t}\)
也就是说:

\[x(t)=\sum_ka_ke^{s_kt},y(t)=\sum_ka_kH(s_k)e^{s_kt}\]

现在我们记\(x^*(t)\)为\(x(t)\)的共轭,那么如果\(x(t)\)是一个实信号,则一定满足\(x(t)=x^*(t)\),即

\[x^{*}(t)=\sum_{k=-\infty}^{\infty}a_k^*e^{-jkw_0t}=x(t)\]

把k反过来看,令\(-k=k\),则有

\[x(t)=\sum_{k=-\infty}^{\infty}a_{-k}^*e^{jkw_0t}=\sum_{k=-\infty}^{\infty}a_ke^{jw_0kt}\]

由此可得:\(a^*_{-k}=a_k,即a_{-k}=a^*_k\)
所以由此可以推出另外一种形式

\[x(t)=\sum_{k=0}^{\infty}x(t)+\sum_{k=0}^{\infty}x^{*}(t)=a_0+\sum_{k=1}^{\infty}2Re(a_ke^{jkw_0t})=a_0+\sum_{k=0}^{\infty}2a_kcos(kw_0t)\]

如果以极坐标形式给出令\(a_k=A_ke^{j\theta_k}\)则上式可以写为

\[x(t)=a_0+2\sum_{k=0}^{\infty}Re[A_ke^{j(kw_0+\theta_k)}]=a_0+2\sum_{k=0}^{\infty}A_kcos(kw_0t+\theta_k)\]

如果以笛卡尔坐标形式给出\(a_k=B_k+jC_k\),则

\[x(t)=a_0+2\sum_{k=0}^{\infty}[B_kcos(kw_0t)-C_ksin(kw_0t)]\]

现在我们来考虑下\(a_k\)的问题,\(x(t)=\sum_{k=-\infty}^{\infty}a_ke^{jkw_0t}\),所以\(x(t)e^{-jnw_0t}=\sum_{k=-\infty}^{\infty}a_ke^{j(k-n)w_0t}\),由于\(x(t)\)是周期信号,所以对周期T积分

\[\int_{\tau}^{\tau+T}x(t)e^{-jnw_0t}dt=\int_\tau^{\tau+T}\sum_{k=-\infty}^{\infty}a_ke^{j(k-n)w_0t}dt=\sum_{k=-\infty}^{\infty}a_k\int_\tau^{\tau+T}e^{j(k-n)w_0t}dt\]

\[\int_\tau^{\tau+T}e^{j(k-n)w_0t}dt=\int_\tau^{\tau+T}cos(k-n)w_0tdt+j\int_\tau^{\tau+T}sin(k-n)w_0tdt=\begin{cases}\int_\tau^{\tau+T}1dt=T,(k=n)\\0,k\neq n \end{cases}\]

对于sinx和cosx,对一个周期进行积分得到的结果就是0.所以原式为

\[\int_{\tau}^{\tau+T}x(t)e^{-jnw_0t}dt=\sum_{k=-\infty}^{\infty}a_k\int_\tau^{\tau+T}e^{j(k-n)w_0t}dt=Ta_n\]

所以

\[a_n=\frac{1}{T}\int_{\tau}^{\tau+T}x(t)e^{-jnw_0t}dt\]

\(a_n\)代表谐波的幅值,

示例:

分析\(x(t)=1+sinw_0t+2cosw_0t+cos2w_0t\)的成分.
\(x(t)=1+\frac{1}{2j}[e^{jw_0t}-e^{-jw_0t}]+[e^{jw_0t}+e^{-jw_0t}]+\frac{1}{2}[e^{j2w_0t}+e^{-j2w_0t}]=\frac{1}{2}e^{-j2w_0t}+(1+\frac{1}{2}j)e^{-jw_0t}+1+(1-\frac{1}{2}j)e^{jw_0t}+\frac{1}{2}e^{j2w_0t}\)
所以

Pasted image 20250919134226.png

分析\(x(t)=\frac{1}{3}+\frac{1}{2}e^{j\frac{w_0}{2}t}-\frac{5}{6}e^{-j3w_0t}\)的成分
这里的最小分度为\(\frac{w_0}{2}\),所以我们就把它当成最小分度,\(x(t)=\sum_{k=-\infty}^{\infty}a_ke^{jkwt},w=\frac{w_0}{2}\),那么就可以得到:\(a_0=\frac{1}{3},a_1=\frac{1}{2},a_{-6}=-\frac{5}{6}\)
分析方波\(x(t)=\begin{cases}1,|t|<T_1\\0,T_1<\frac{T}{2}\end{cases}\)的成分

Pasted image 20250919141043.png

对一个周期进行分析,则\(a_k=\frac{1}{T}\int_{-T_1}^{T_1}x(t)e^{-jkw_0t}dt=\frac{e^{jkw_0T_1}-e^{-jkw_0T_1}}{Tjkw_0}=\frac{2sin(kw_0T_1)}{kw_0T}=\frac{sin(kw_0T_1)}{k\pi},k\neq 0\).
假设方波占空比为50%,则\(T_1=\frac{T}{4}\),所以原式可得\(a_k=\frac{sin(\frac{k\pi}{2})}{k\pi}\).所以k为偶数时结果为0,k为奇数时才有解.
那么对于占空比不同的方波来说,得到的\(a_k\)也不同.

傅里叶级数的特点

1.线性性:\(z(t)=Ax(t)+By(t)\Leftrightarrow c_k=Aa_k+Bb_k\)
\(c_k=\frac{1}{T}\int_TAx(t)e^{-jkw_0t}+By(t)e^{-jw_0t}dt\).所以\(c_k=Aa_k+Bb_k\)
2.时移:\(x(t-t_0)\Leftrightarrow e^{-jkw_0t_0}a_k\)
\(c_k=\frac{1}{T}\int_T x(t-t_0)e^{-jkw_0t}dt=\frac{1}{T}\int_T x(\tau)e^{-jkw_0(\tau+t_0)}dt=e^{-jkwt_0}a_k\)
3.频移:\(e^{jk_0w_0t}x(t)\Leftrightarrow a_{k-k_0}\)
\(c_k=\frac{1}{T}\int_Te^{jk_0w_0t}x(t)e^{-jkw_0t}dt=\frac{1}{T}\int_Te^{-j(k-k_0)w_0t}x(t)dt=a_{k-k_0}\);
4.时间翻转:\(x(-t)\Leftrightarrow a_{-k}\)
\(x(-t)=\sum_{k=-\infty}^{\infty}a_ke^{-jw_0kt}=\sum_{k=-\infty}^{\infty}a_{-k}e^{jw_0kt}\)(令k=-k)
5.时间收缩:\(x(\alpha t)=\sum_{k=-\infty}^{\infty}a_ke^{jwk(\alpha t)}=\sum_{k=-\infty}^{\infty}a_ke^{j(\alpha w)kt}\).表现在频谱图上为信号的频率被拉长\(\alpha\)倍.
6.乘法:\(x(t)y(t)\Leftrightarrow c_k=\sum_{l=-\infty}^{\infty}a_lb_{k-l}\)
\(c_k=\frac{1}{T}\int_{-\infty}^{\infty}x(t)y(t)e^{-jwkt}dt,x(t)=\sum_{l=-\infty}^{\infty}a_le^{jwlt}\),所以,\(c_k=\frac{1}{T}\int_{-\infty}^{\infty}(\sum_{l=-\infty}^{\infty}a_le^{jwlt})y(t)e^{-jwkt}dt=\frac{1}{T}\sum_{l=-\infty}^{\infty}a_l\int_{-\infty}^{\infty}e^{jwlt}y(t)e^{-jwkt}dt=\frac{1}{T}\sum_{l=-\infty}^{\infty}a_l\int_{-\infty}^{\infty}e^{jw(l-k)t}y(t)dt=\sum_{l=-\infty}^{\infty}a_lb_{l-k}\)7.周期卷积:\(\int_Tx(\tau)y(t-\tau)d\tau\Leftrightarrow c_k=Ta_kb_k\)\(c_k=\frac{1}{T}\int_T(\int_Tx(\tau)y(t-\tau)d\tau)e^{-jwkt}dt=T\frac{1}{T}\int_Tx(\tau)e^{-jwk\tau}d\tau\frac{1}{T}\int_Ty(t-\tau)e^{-jkw(t-\tau)}d(t-\tau)=Ta_kb_k\)8.共轭:\(x^{*}(t)\Leftrightarrow a^{*}_{-k}\)
\(x^{*}(t)=\sum_{k=-\infty}^{\infty}a^*_ke^{-jwkt}=\sum_{k=-\infty}^{\infty}a^*_{-k}e^{jwkt}\).(令k=-k)
注释:当取共轭的时候,原来的\(e^{jwkt}\)会变成\(e^{-jwkt}\),用欧拉公式展开即证.
如果\(x(t)\)是奇信号,则有\(-a_k=a_{-k}\),所以\(a^*_k=-a_k\)
如果\(x(t)\)为偶信号,则有\(a_k=a_{-k}\),所以\(a^*_k=a_k\)
实际上可以换种思路理解:对于偶信号来说,利用欧拉公式展开只会有cos的部分,也就是一定是个实信号,所以它的共轭就是它本身;对于奇信号来说,展开后只会有sin的部分,所以一定是一个纯复信号,因此共轭就是其相反数.
9.微分:\(\frac{dx(t)}{dt}\Leftrightarrow jw_0ka_k\)
\(\frac{dx(t)}{dt}=\frac{d(\sum_{k=-\infty}^{\infty}a_ke^{jwkt})}{dt}=\sum_{k=-\infty}^{\infty}a_k\frac{de^{jwkt}}{dt}=\sum_{k=-\infty}^{\infty}a_kjwke^{jwkt}\)
10.Parseval关系:\(\frac{1}{T}\int_T|x(t)|^2dt=\sum_{k=-\infty}^{\infty}|a_k|^2\)\(\frac{1}{T}\int_T|x(t)|^2dt=\frac{1}{T}\int_Tx(t)x^*(t)dt=\frac{1}{T}\int_Tx(t)(\sum_{k=-\infty}^{\infty}a^*_ke^{-jwkt})=\sum_{k=-\infty}^{\infty}a^*_k(\frac{1}{T}\int_Tx(t)e^{-jwkt})=\sum_{k=-\infty}^{\infty}a^*_ka_k=\sum_{k=-\infty}^{\infty}|a_k|^2\) ^9a6a1b

示例

1.分析下列信号的成分

对于图1,由于已知了方波的成分为\(a_k=\frac{sin(\frac{k\pi}{2})}{k\pi}\)

Pasted image 20250919141043.png

所以\(T_1=2\),将信号向下平移\(\frac{1}{2}\)个单位,然后再右移\(1\)就是目标信号.因此\(g(t)=x(t-1)-\frac{1}{2}\)所以\(b_k=a_ke^{-jkw_0}\),由于直流分量只会影响k=0(直流)时的信号,所以当\(k\neq 0\)时,\(b_k=\frac{sin(\frac{k\pi}{2})}{\pi k}e^{-jk\pi/2}\).
\(k=0\)时,\(b_0=\frac{1}{2}-\frac{1}{2}=0\)
对于图2,\(r(t)=\int_T g(t)dt\),也就是说\(r'(t)=g(t)\)即\(r_kjw_0k=g_k\)
所以\(r_k=\frac{g_k}{jw_0k}=\frac{sin(\frac{k\pi}{2})}{(\pi k)^2j}e^{-jk\pi/2},k\neq 0,c_0=\frac{1}{T}\int_Tr(t)dt=\frac{1}{2}\)
2.推导\(x(t)\),\(x(t)\)满足如下效果:
1.x是实信号 2.x是周期为4的周期信号 3.当|k|>1时\(a_k\)=0
4.\(b_k=e^{-\frac{jk\pi}{2}}a_{-k}\)是奇函数 5.\(\frac{1}{4}\int_4|x(t)|^2dt=\frac{1}{2}\)
因为x是实信号,所以\(a_{-k}=a^*_k\),因为T=4,所以\(w=\frac{\pi}{2}\)
因为\(当|k|>1时a_k=0\),所以只有\(a_{-1},a_{0},a_{1}\)不为0.因此\(x(t)=a_0+a_1e^{j\frac{\pi}{2}t}+a_{-1}e^{-j\frac{\pi}{2}t}\)
\(b_k=e^{-\frac{jk\pi}{2}}a_{-k}\),所以\(b(t)=x(-t+1)\).因为\(b_k\)是奇函数,所以\(b_0=0,b^*_1=-b_1,b_1=-b_{-1}\)
由.\(\frac{1}{4}\int_4|x(t)|^2dt=\frac{1}{2}\)知:\(\sum_{k=-1}^{1}|a_k|^2=\frac{1}{2}\).由于\(|a_k|=|b_k|\)所以原式等于\(\sum_{k=-1}^{1}|b_k|^2=\frac{1}{2}\).所以\(|b_1|^2+|b_{-1}|^2=\frac{1}{2}\).且因为b是奇函数,所以b是纯虚数,所以\(b_1=\frac{j}{2}或-\frac{j}{2}\),所以\(a_{-1}=\frac{j}{2}e^{\frac{j\pi}{2}}=\frac{1}{2},a_1=-\frac{j}{2}e^{\frac{j\pi}{2}}=-\frac{1}{2}\).或恰好相反,最终结果为\(x(t)=-cos(\frac{\pi t}{2})或cos(\frac{\pi t}{2})\)
3.推导该信号的傅里叶级数

Pasted image 20250919195301.png

虽然前面的推导都是基于连续时间信号的,但是实际上离散时间信号一样满足上述的所有性质.

Pasted image 20250919200007.png

\(a_k=\frac{1}{N}\sum_{n=-N_1}^{N_1}e^{-jkw_0n}=\frac{e^{jkw_0N_1}}{N}\sum_{m=0}^{2N_1}e^{-jkw_0m}=\frac{e^{jkw_0N_1}}{N}\frac{1-e^{-jkw_0(2N_1+1)}}{1-e^{-jkw_0}}\),化简得\(a_k=\frac{1}{N}\frac{sin[kw_0(2N_1+1)/2]}{sin(kw_0/2)}\).

傅里叶级数与线性时不变系统

我们知道对于一个系统,输入\(e^{st}\),输出则为\(e^{st}*h(t)=H(s)e^{st}\).其中\(H(s)=\int_{-\infty}^{+\infty}h(t)e^{-st}dt\).令\(s=jw\),则有输出为\(H(jw)e^{jwt}\),其中\(H(jw)=\int_{-\infty}^{\infty}h(t)e^{-jwt}dt\).
而我们上一节讲到,一个周期信号可以表示为\(x(t)=\sum_{k=-\infty}^{\infty}a_ke^{jkw_0t}\),那么按照卷积的思路,我知道了系统对\(e^{jwt}\)的响应为\(H(jw)e^{jwt}\),那么就可以求出系统对\(x(t)\)的响应为

\[y(t)=\sum_{k=-\infty}^{\infty}a_kH(jkw_0)e^{jkw_0t}\]

滤波器

由上面的式子我们可以知道\(y(t)=\sum_{k=-\infty}^{\infty}H(jkw_0)(a_ke^{jkw_0t})\),\(H(jkw_0)\)是\(w\)的函数,也就是说它的结果与频率相关.因此我们把它称作频率响应.通过选取特定的频率响应,我们可以实现对信号进行滤波.
1.微分滤波器
输入\(e^{jwt}\)输出\(jwe^{jwt}\),所以\(H(jw)=jw\).

Pasted image 20250920122316.png

所以对于频率较高的信号,其频率响应越明显,因此该滤波器可以用于对快速变化的信号进行增强.对于图片来说,使用该滤波器可以实现边缘增强的效果.

Pasted image 20250920122343.png

2.选频滤波器
选频滤波器分为高通低通带通带阻,其传递函数已经在模电中讲过.

Pasted image 20250920122806.png

对于带通来说,它可以是\(w_a<w<w_b\),也可以是两个低通的差;对于带阻来说,它可以是全通-带阻,也可以是低通+高通.
3.微分方程描述的滤波器
在模电中我们学过RC滤波器,其微分方程描述如下:

Pasted image 20250920124911.png

如果选取C为端口,则该滤波器为低通,\(V_c(t)\)为输出.现在令\(v_c(t)=e^{jwt}\)则\(RCjwe^{jwt}+e^{jwt}=H(jw)e^{jwt}\).所以\(H(jw)=\frac{1}{1+RCjw}\).

Pasted image 20250920131332.png

如果取R为端口

Pasted image 20250920131726.png

对于离散时间系统,我们通过差分方程可以构建FIR(有限脉冲响应滤波器)和IIR(无限脉冲响应滤波器).
对于IIR,定义式如下

\[y[n]-ay[n-1]=x[n]\]

同样令\(x[n]=e^{jwn},则y[n]=H(e^{jw})e^{jwn}\)

← 上一篇:
下一篇: →