DTFT变换的性质

线性性质


\[
x[n]\xrightarrow{DTFT}X(e^{jw})\quad y[n]\xrightarrow{DTFT}Y(e^{jw})​
\]


\[
\begin{aligned}ax[n]+by[n]&\xrightarrow{DTFT}\sum_{n=-\infty}^{\infty}(ax[n]+by[n])e^{-jwn} \\
&=a\sum_{n=-\infty}^{\infty}x[n]e^{-jwn}+b\sum_{n=-\infty}^{\infty}y[n]e^{-jwn}\\
&=aX(e^{jw})+bY(e^{jw})
\end{aligned}
\]

时移性质


\[
x[n]\xrightarrow{DTFT}X(e^{jw})
\]

则\(x[n-n_0]\)的傅里叶变换为
\[
\sum_{n=-\infty}^{\infty}x[n-n_0]e^{-jwn}\xrightarrow{m=n-n_0}\sum_{m=-\infty}^{\infty}x[m]e^{-jwm}e^{-jwn_0}=e^{-jwn_0}X(e^{jw})
\]

频移性质


\[
x[n]\xrightarrow{DTFT}X(e^{jw})
\]

则\(e^{jw_0n}x[n]\)的傅里叶变换为
\[
\sum_{n=-\infty}^{\infty}e^{jw_0n}x[n]e^{-jwn}=\sum_{n=-\infty}^{\infty}x[n]e^{-j(w-w_0)n}=X(e^{j(w-w_0)})
\]

时域反转


\[
x[n]\xrightarrow{DTFT}X(e^{jw})
\]

则\(x[-n]\)的傅里叶变换为
\[
\sum_{n=-\infty}^{\infty}x[-n]e^{-jwn}\xrightarrow{m=-n}\sum_{m=-\infty}^{\infty}x[m]e^{-(-jw)m}=X(e^{-jw})
\]

时域微分


\[
x[n]\xrightarrow{DTFT}X(e^{jw})
\]

由于
\[
x[n]=\frac{1}{2\pi}\int_{-\pi}^{\pi}X(e^{jw})e^{jwn}dw
\]

两边同时对\(n\)进行微分运算
\[
\frac{dx[n]}{dn}=\frac{1}{2\pi}\int_{-\pi}^{\pi}jwX(e^{jw})e^{jwn}dw
\]

所以
\[
\frac{dx[n]}{dn}\xrightarrow{DTFT}jwX(e^{jw})
\]

频域微分


\[
x[n]\xrightarrow{DTFT}X(e^{jw})
\]


\[
X(e^{jw})=\sum_{n=-\infty}^{\infty}x[n]e^{-jwn}
\]

两边同时对\(w\)进行微分
\[
\frac{dX(e^{jw})}{dw}=\sum_{n=-\infty}^{\infty}-jnx[n]e^{-jwn}
\]

\[
\Rightarrow \sum_{n=-\infty}^{\infty}nx[n]e^{-jwn}= j\frac{dX(e^{jw})}{dw}
\]

所以
\[
nx[n]\xrightarrow{DTFT}j\frac{dX(e^{jw})}{dw}
\]

卷积性质


\[
x[n]\xrightarrow{DTFT}X(e^{jw})\quad y[n]\xrightarrow{DTFT}Y(e^{jw})
\]

则二者卷积的\(DTFT\)为
\[
\begin{aligned}
\sum_{n=-\infty}^{\infty}(x[n]*y[n])e^{-jwn}&=\sum_{n=-\infty}^{\infty}\sum_{m=-\infty}^{\infty}x[m]y[n-m]e^{-jwn} \\
&=\sum_{m=-\infty}^{\infty}x[m]\sum_{n=-\infty}^{\infty}y[n-m]e^{-jwn} \\
&\xrightarrow{k=n-m}\sum_{m=-\infty}^{\infty}x[m]e^{-jwm}\sum_{k=-\infty}^{\infty}y[k]e^{-jwk} \\
&=X(e^{jw})Y(e^{jw})
\end{aligned}
\]

调制定理


\[
x[n]\xrightarrow{DTFT}X(e^{jw})\quad y[n]\xrightarrow{DTFT}Y(e^{jw})
\]

则\(x[n]y[n]\)的\(DTFT\)为
\[
\begin{aligned}
\sum_{n=-\infty}^{\infty}(x[n]y[n])e^{-jwn} &=\sum_{n=-\infty}^{\infty}x[n]\frac{1}{2\pi}\int_{-\pi}^{\pi}Y(e^{j\theta})e^{j\theta n}d\theta e^{-jwn} \\
&=\frac{1}{2\pi}\int_{-\pi}^{\pi}\sum_{n=-\infty}^{\infty}x[n]^{-j(w-\theta)n}Y(e^{j\theta})d\theta \\
&=\frac{1}{2\pi}\int_{-\pi}^{\pi}Y(e^{j\theta})X(e^{j(w-\theta)})d\theta
\end{aligned}
\]

Parseval定理


\[
x[n]\xrightarrow{DTFT}X(e^{jw})\quad y[n]\xrightarrow{DTFT}Y(e^{jw})
\]


\[
\begin{aligned}
\sum_{n=-\infty}^{\infty}x[n]y^{*}[n]&=\sum_{n=-\infty}^{\infty}x[n](\frac{1}{2\pi}\int_{-\pi}^{\pi}Y(e^{jw})e^{jwn}dw)^{*} \\
&=\frac{1}{2\pi}\int_{-\pi}^{\pi}x[n]e^{-jwn}Y^{*}(e^{jw})dw \\
&=\frac{1}{2\pi}\int_{-\pi}^{\pi}X(e^{jw})Y^{*}(e^{jw})dw
\end{aligned}
\]

得到Parseval定理
\[
\sum_{n=-\infty}^{\infty}x[n]y^{*}[n]=\frac{1}{2\pi}\int_{-\pi}^{\pi}X(e^{jw})Y^{*}(e^{jw})dw
\]

如果\(y[n]=x[n]\),那么
\[
\sum_{n=-\infty}^{\infty}\vert x[n] \vert^2=\frac{1}{2\pi}\int_{-\pi}^{\pi}\vert X(e^{jw})\vert^2dw
\]

即序列\(x[n]\)的能量,可以通过对\(\vert X(e^{jw})\vert^2\)的积分求得,所以称\(\vert X(e^{jw})\vert^2\)为序列\(x[n]\)的能量谱密度。

08 DTFT变换的性质的更多相关文章

  1. 13 DFT变换的性质

    DFT变换的性质 线性性质 \[ \begin{aligned} y[n]&=ax[n]+bw[n]\xrightarrow{DFT}Y[k]=\sum_{n=0}^{N-1}(ax[n]+ ...

  2. 常用函数的DTFT变换对和z变换对

    直接从书上抓图的,为以后查表方便 1.DTFT 2.z变换对

  3. z变换的性质

    z变换的许多重要性质在数字信号处理中常常要用到. 序列 z变换 收敛域 1)x(n) X(z) Rx-< |z| <Rx+ 2)y(n) Y(z) Ry-< |z| <Ry+ ...

  4. 转载:一幅图弄清DFT与DTFT,DFS的关系

    转载:http://www.cnblogs.com/BitArt/archive/2012/11/24/2786390.html 很多同学学习了数字信号处理之后,被里面的几个名词搞的晕头转向,比如DF ...

  5. FS,FT,DFS,DTFT,DFT,FFT的联系和区别

    DCT变换的原理及算法 文库介绍 对于初学数字信号处理(DSP)的人来说,这几种变换是最为头疼的,它们是数字信号处理的理论基础,贯穿整个信号的处理. 学习过<高等数学>和<信号与系统 ...

  6. FS,FT,DFT,DFS和DTFT的关系

    对于初学数字信号(Digital Signal Processing,DSP)的人来说,这几种变换是最为头疼的,它们是数字信号处理的理论基础,贯穿整个信号的处理. FS:时域上任意连续的周期信号可以分 ...

  7. FS,FT,DFS,DTFT,DFT,FFT的联系和区别 数字信号处理

    DCT变换的原理及算法 文库介绍 对于初学数字信号处理(DSP)的人来说,这几种变换是最为头疼的,它们是数字信号处理的理论基础,贯穿整个信号的处理. 学习过<高等数学>和<信号与系统 ...

  8. 16 Z变换

    Z变换 由于\(DTFT\)变换是有收敛条件的,并且其收敛条件比较严格,很多信号不能够满足条件,为了有效的分析信号,需要放宽收敛的条件,引入\(Z\)变换. 定义 已知序列的\(DTFT\)为 \[ ...

  9. 07 DTFT

    DTFT 连续时间傅里叶变换(CTFT) 连续时间傅里叶变换的定义为: \[ X(j\Omega)=\int_{-\infty}^{\infty}x_a(t)e^{-j\Omega t}dt \] 其 ...

随机推荐

  1. k8s 部署 custom-metrics-apiserver 时使用 secret 保存 ca 证书遇到的问题

    部署 k8s-prometheus-adapter 的 custom-metrics-apiserver 时,pod 总是启动失败,对应的错误日志: unable to install resourc ...

  2. DataGridView绑定数据源后添加行

    本文链接:https://blog.csdn.net/u012386475/article/details/88639799 在已经绑定数据源时,无法以Add的方式方式添加行,会报错 解决方法一: D ...

  3. JetBrains PyCharm 2018.2.1 x64永久激活码

    812LFWMRSH-eyJsaWNlbnNlSWQiOiI4MTJMRldNUlNIIiwibGljZW5zZWVOYW1lIjoi5q2j54mIIOaOiOadgyIsImFzc2lnbmVlT ...

  4. MongoDB_05_更新和删除

    文档的更新和删除 更新文档的方法: db.collection.update(query,update,options) //或 db.collection.update( <query> ...

  5. Codeforces Round #599 (Div. 2) C. Tile Painting

    Ujan has been lazy lately, but now has decided to bring his yard to good shape. First, he decided to ...

  6. 短网址(t.cn、url.cn)生成,网址缩短接口API

    简要说明 短网址api接口有很多格式,不同的接口生成的短网址格式也不同,比如常见的t.cn.url.cn.w.url.cn等格式.总而言之短网址接口就是用来将一个冗长的链接缩短成10个字符以内的短链接 ...

  7. 多核 CPU 和多个 CPU 有何区别?

    原文来自:http://www.solves.com.cn/it/yj/CPU/2019-06-24/1122.html 多核CPU和多CPU的区别主要在于性能和成本.多核CPU性能最好,但成本最高: ...

  8. Go第三方库之tail

    Tail Demo // tail.TailFile()函数开启goroutine去读取文件,通过channel格式的t.lines传递内容. t, err := tail.TailFile(&quo ...

  9. .net C# Chart控件的简单使用

    1.拖控件Chart 到界面 2. 清除默认的序列  chart1.Series.Clear();   3.生成一个序列,并添加到chart1中,序列可添加多个  Series s1 = new Se ...

  10. Atcoder Beginner Contest153E(完全背包)

    完全背包,价值取题意代价的最小值 #define HAVE_STRUCT_TIMESPEC #include<bits/stdc++.h> using namespace std; ],b ...