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. 密码学笔记——playfair密码

     Playfair密码(Playfair cipher 或 Playfair square)一种替换密码,1854年由查尔斯·惠斯通(Charles Wheatstone)的英国人发明. 例题: 某种 ...

  2. Spark编程基础_RDD初级编程

    摘要:Spark编程基础_RDD初级编程 RDD(Resilient Distributed Dataset)叫做弹性分布式数据集,是Spark中最基本的数据抽象,它代表一个不可变.可分区.里面的元素 ...

  3. 题解【洛谷P2619】[国家集训队2]Tree I

    题目描述 给你一个无向带权连通图,每条边是黑色或白色.让你求一棵最小权的恰好有\(need\)条白色边的生成树. 题目保证有解. 输入输出格式 输入格式 第一行\(V,E,need\)分别表示点数,边 ...

  4. Java - JVM - jinfo

    1. 概述 jinfo java 运行时的配置工具 查看 设置 2. 环境 idea 2018.2 java jdk8 3. 准备 写个 死循环 概述 需要查看 jvm 的信息, 必须有个运行中的 j ...

  5. 消息中间件技术 - 浅谈mqtt协议及其实现

    作者:carter(佘虎),转载请注明出处,特别说明:本博文来自博主原博客,为保证新博客中博文的完整性,特复制到此留存,如需转载请注明新博客地址即可. 1.1概念 MQTT(MQ Telemetry ...

  6. RAID 5+备份硬盘实验:mdadm

    *独立冗余磁盘阵列---RAID5* RAID5+备份盘: 把硬盘设备的数据奇偶校验信息保存到其他硬盘设备中.  RAID 5磁盘阵列组中数据的奇偶校验信息并不是单独保存到某一块硬盘设备中, 而是存储 ...

  7. 每日扫盲(一):java的rmi

    JAVA RMI 原理和使用浅析 本地对象调用 我们先看看本地对象方法的调用: ObjectClass objectA = new ObjectClass(); String retn = objec ...

  8. 《实战Java高并发程序设计》读书笔记五

    第五章 并行模式与算法 1.单例模式 是一种对象创建模式,用于产生一个对象的具体实例,它可以确保系统一个类只产生一个实例. 对于频繁创建使用的对象可以省略new 操作花费的时间,可以减少系统开销. 由 ...

  9. css 中 max-width 和 min-width 的区别

    max-width:规定元素本身最大宽度,即元素本身 (该div) 的宽度应小于等于其最大宽度值. min-width:规定元素本身最小宽度,即元素本身应大于等于其宽度值. 例:min-width:1 ...

  10. 【译】高级T-SQL进阶系列 (三)【中篇】:理解公共表表达式(CTEs)

    [译注:此文为翻译,由于本人水平所限,疏漏在所难免,欢迎探讨指正] 原文链接:传送门. 一个简单的CTE例子 如前所述,CTE‘s提供给你了一个方法来更容易的书写复杂的代码以提高其可读性.假设你有列表 ...