08 DTFT变换的性质
DTFT变换的性质
线性性质
设
\[
x[n]\xrightarrow{DTFT}X(e^{jw})\quad y[n]\xrightarrow{DTFT}Y(e^{jw})
\]
则
\[
\begin{aligned}ax[n]+by[n]&\xrightarrow{DTFT}\sum_{n=-\infty}^{\infty}(ax[n]+by[n])e^{-jwn} \\
&=a\sum_{n=-\infty}^{\infty}x[n]e^{-jwn}+b\sum_{n=-\infty}^{\infty}y[n]e^{-jwn}\\
&=aX(e^{jw})+bY(e^{jw})
\end{aligned}
\]
时移性质
设
\[
x[n]\xrightarrow{DTFT}X(e^{jw})
\]
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
设
\[
x[n]\xrightarrow{DTFT}X(e^{jw})
\]
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
设
\[
x[n]\xrightarrow{DTFT}X(e^{jw})
\]
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
设
\[
x[n]\xrightarrow{DTFT}X(e^{jw})
\]
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
设
\[
x[n]\xrightarrow{DTFT}X(e^{jw})
\]
由
\[
X(e^{jw})=\sum_{n=-\infty}^{\infty}x[n]e^{-jwn}
\]
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
设
\[
x[n]\xrightarrow{DTFT}X(e^{jw})\quad y[n]\xrightarrow{DTFT}Y(e^{jw})
\]
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
设
\[
x[n]\xrightarrow{DTFT}X(e^{jw})\quad y[n]\xrightarrow{DTFT}Y(e^{jw})
\]
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
设
\[
x[n]\xrightarrow{DTFT}X(e^{jw})\quad y[n]\xrightarrow{DTFT}Y(e^{jw})
\]
则
\[
\begin{aligned}
\sum_{n=-\infty}^{\infty}x[n]y^{*}[n]&=\sum_{n=-\infty}^{\infty}x[n](\frac{1}{2\pi}\int_{-\pi}^{\pi}Y(e^{jw})e^{jwn}dw)^{*} \\
&=\frac{1}{2\pi}\int_{-\pi}^{\pi}x[n]e^{-jwn}Y^{*}(e^{jw})dw \\
&=\frac{1}{2\pi}\int_{-\pi}^{\pi}X(e^{jw})Y^{*}(e^{jw})dw
\end{aligned}
\]
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
- 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]+ ...
- 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
- 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+ ...
- 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 ...
- 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 ...
- 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 ...
- 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 ...
- 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 \[ ...
- 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
- 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 ...
- 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 ...
- JetBrains PyCharm 2018.2.1 x64永久激活码
812LFWMRSH-eyJsaWNlbnNlSWQiOiI4MTJMRldNUlNIIiwibGljZW5zZWVOYW1lIjoi5q2j54mIIOaOiOadgyIsImFzc2lnbmVlT ...
- 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> ...
- 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 ...
- 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 ...
- 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: ...
- 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 ...
- .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 ...
- 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 ...