音频进阶学习十一——离散傅里叶级数DFS

文章目录

前言
一、傅里叶级数
- 1.定义
- 2.周期信号序列
- 3.表达式
- - DFS
  - IDFS
  - 参数含义
- 4.DFS公式解析
- - 1）右边解析
  - - [T T T、 f f f、 ω \omega ω的关系](#T T T、 f f f、 ω \omega ω的关系)
    - 求和公式N的释义
    - 求和公式K的释义
    - [e j ( − 2 π k n N ) e^{j(\frac{-2\pi kn}{N})} ej(N−2πkn)的释义](#e j ( − 2 π k n N ) e^{j(\frac{-2\pi kn}{N})} ej(N−2πkn)的释义)
    - [∑ n = 0 N − 1 e j ( − 2 π k n N ) x ~ $n$ \sum_{n=0}^{N-1}e^{j(\frac{-2\pi kn}{N})}\tilde{x} $n$ ∑n=0N−1ej(N−2πkn)x~ $n$ 的释义](#∑ n = 0 N − 1 e j ( − 2 π k n N ) x ~ [ n ] \sum_{n=0}^{N-1}e{j(\frac{-2\pi kn}{N})}\tilde{x}[n] ∑n=0N−1ej(N−2πkn)x~[n]的释义)
  - 2）左边解释
  - - 实部与虚部
    - 幅度与相位
二、IDFS推导
三、DFS的性质
- [1. 周期性性质](#1. 周期性性质)
- 2.线性性质
- 3.时域移位
- 4.频域移位
- 5.时间翻转
- 6.时域卷积
- 7.频域卷积
总结

前言

按照傅里叶发展的历史，最先出现的傅里叶公式是傅里叶级数，只不过由于通用性以及核心理论先介绍了DTFT，它描述的是一个连续的频谱，描述了信号在整个频率范围内的频率成分。

对于本章内容离散傅里叶级数DFS，它描述的是离散的频谱，频率成分在周期上重复，本文将深入解析DFS的公式，并对IDFS进行推导，最后会对DFS的性质结合图像进行介绍。

|版本声明：山河君，未经博主允许，禁止转载

一、傅里叶级数

1.定义

傅里叶级数简称为FS，是由法国数学家傅里叶为了进行热解析提出来的------周期信号表示为不同频率的正弦和余弦波的和。它能够将一个复杂的周期函数分解为一系列简单的正弦和余弦函数，从而实现信号的频域分析。

2.周期信号序列

离散周期序列指的是时间域上以固定周期重复出现的离散信号，使用 x ~ $n$ \tilde{x} $n$ x~ $n$ 表示，即：
x ~ $n$ = x ~ $n + r T$ , r ∈ Z \tilde{x} $n$ =\tilde{x} $n+rT$ ,\quad r\in Z x~ $n$ =x~ $n+rT$ ,r∈Z

如下图， T = 10 T=10 T=10的周期序列

3.表达式

DFS

X ~ $k$ = ∑ n = 0 N − 1 e j ( − 2 π k n N ) x ~ $n$ \tilde{X} $k$ =\sum_{n=0}^{N-1}e^{j(\frac{-2\pi kn}{N})}\tilde{x} $n$ X~ $k$ =n=0∑N−1ej(N−2πkn)x~ $n$

IDFS

x ~ $n$ = 1 N ∑ k = 0 N − 1 e j ( 2 π k n N ) X ~ $k$ \tilde{x} $n$ =\frac{1}{N}\sum_{k=0}^{N-1}e^{j(\frac{2\pi kn}{N})}\tilde{X} $k$ x~ $n$ =N1k=0∑N−1ej(N2πkn)X~ $k$

参数含义

~:表示为周期序列
X ~ $k$ \tilde{X} $k$ X~ $k$ : 是信号在频域中的分量（傅里叶系数）
x ~ $n$ \tilde{x} $n$ x~ $n$ :是时间域中的周期离散信号
N N N:是序列周期
k k k:表示频率索引
e j ( − 2 π k n N ) e^{j(\frac{-2\pi kn}{N})} ej(N−2πkn):复指数，表示信号的频率分量

4.DFS公式解析

1）右边解析

和上一篇解析DTFT一样，我们先解析DFS右边，在此之前，如果对于复指数序列和正交不太理解的同学，还是需要先看音频进阶学习九------离散时间傅里叶变换DTFT这篇文章，里面有对于为什么需要把序列转换成复指数序列的详细解释。
∑ n = 0 N − 1 e j ( − 2 π k n N ) x ~ $n$ \sum_{n=0}^{N-1}e^{j(\frac{-2\pi kn}{N})}\tilde{x} $n$ n=0∑N−1ej(N−2πkn)x~ $n$

T T T、 f f f、 ω \omega ω的关系

我们来梳理一下周期、频率和角频率的关系

频率：指的是某个周期性事件在单位时间内发生的次数， f = 1 T f=\frac{1}{T} f=T1
周期：是一个周期性信号或事件完成一次完整波动所需的时间， T = 1 f T=\frac{1}{f} T=f1
角频率：表示波动或振动的"速率"，即信号的变化速度， ω = 2 π f = 2 π T \omega = 2\pi f=\frac{2\pi}{T} ω=2πf=T2π

求和公式N的释义

上文中提到 N N N是序列周期，并且根据DFS公式也很容易看出来，对于序列的求和范围 n ∈ $N - 1$ n \in $N-1$ n∈ $N-1$ ，也就是序列的长度为 N N N。

从 T T T、 f f f、 ω \omega ω的关系，我们得到 ω = 2 π f = 2 π T = 2 π N \omega = 2\pi f=\frac{2\pi}{T} = \frac{2\pi}{N} ω=2πf=T2π=N2π，也就是该周期序列的基波（一个波形的最低频率，是波形的基本振动频率）为 2 π N \frac{2\pi}{N} N2π。

求和公式K的释义

对于DFS来说，一个周期序列分解为不同频率的正弦和余弦波的和，从上文中 N N N的作用我们首先得到了基波的频率，那么其他频率怎么来表示呢？我们知道对于谐波是基频的整数倍频率，例如2倍频（第二谐波）、3倍频（第三谐波）等，而谐波和基波组成了周期序列。

对于 k k k代表了频率索引，即：
2 π N k ， k ∈ $0 , 1 , 2 , . . . . , N - 1$ \frac{2\pi}{N}k，k\in $0,1,2,....,N-1$ N2πk，k∈ $0,1,2,....,N-1$

当 k = 0 k=0 k=0时，表示的是直波
当 k = 1 k=1 k=1时，表示的是基波（第一谐波）
当 k = 2 k=2 k=2时，表示的是第二谐波
当 k = N / 2 k=N/2 k=N/2时，对应奈奎斯特频率（即采样定理）

此时我们得到了不同的 ω 0 , ω 1 , ω 2 , . . . , ω N − 1 \omega_0,\omega_1,\omega_2,...,\omega_N-1 ω0,ω1,ω2,...,ωN−1，从这里也能看出，对于离散傅里叶级数，频域也是离散的。

e j ( − 2 π k n N ) e^{j(\frac{-2\pi kn}{N})} ej(N−2πkn)的释义

其实在音频进阶学习九------离散时间傅里叶变换DTFT文章中已经解释过了，这里再简单解释一遍：

对于欧拉公式将极坐标表示为复指数形式：
e j θ = cos ⁡ ( θ ) + j sin ⁡ ( θ ) e^{j\theta}=\cos(\theta)+j\sin(\theta) ejθ=cos(θ)+jsin(θ)

由此可以得到
e − j ω n = > cos ⁡ ( j ω n ) − j s i n ( ω n ) e^{-j\omega n}=>\cos(j\omega n)-jsin(\omega n) e−jωn=>cos(jωn)−jsin(ωn)

它表示的是随着 n n n的增长，以频率 ω \omega ω在一个单位圆上以顺时针方式进行周期震荡，可以根据之前文章中的图片进行理解。

∑ n = 0 N − 1 e j ( − 2 π k n N ) x ~ $n$ \sum_{n=0}^{N-1}e^{j(\frac{-2\pi kn}{N})}\tilde{x} $n$ ∑n=0N−1ej(N−2πkn)x~ $n$ 的释义

而对于序列与复指数相乘，我们可以看作是序列 x ~ $n$ \tilde{x} $n$ x~ $n$ 对于不同谐波上的正交，即求投影。根据欧拉公式的特性，我们可以看到公式
∑ n = 0 N − 1 e j ( ω m − ω l ) n \sum_{n=0}^{N-1}e^{j(\omega_m-\omega_l)n} n=0∑N−1ej(ωm−ωl)n

当 ω m ≠ ω l \omega_m\neq \omega_l ωm=ωl时， e j ( ω m − ω l ) n e^{j(\omega_m-\omega_l)n} ej(ωm−ωl)n表示的是一个周期性复数，几何上表示在复平面上绕原点画圆，如同上文中对于 e − j ω n e^{-j\omega n} e−jωn解释的图像，所以对于累加和 ∑ n = 0 N − 1 e j ( ω m − ω l ) n \sum_{n=0}^{N-1}e^{j(\omega_m-\omega_l)n} ∑n=0N−1ej(ωm−ωl)n为0。

也就是说对于 e j ( − 2 π k n N ) × x ~ $n$ e^{j(\frac{-2\pi kn}{N})} \times \tilde{x} $n$ ej(N−2πkn)×x~ $n$ ，如果 x ~ $n$ \tilde{x} $n$ x~ $n$ 中间不包含特定的 − 2 π k n N \frac{-2\pi kn}{N} N−2πkn(当 N , k N,k N,k确定时)的频率，那么对于 ∑ n = 0 N − 1 e j ( − 2 π k n N ) x ~ $n$ \sum_{n=0}^{N-1}e^{j(\frac{-2\pi kn}{N})}\tilde{x} $n$ ∑n=0N−1ej(N−2πkn)x~ $n$ ，求和为零。

2）左边解释

与DTFT相同，对于 X ~ $k$ \tilde{X} $k$ X~ $k$ 同样包含了幅度与相位，这里也简单回顾一下之前的文章。

实部与虚部

我们知道对于欧拉公式：
e j θ = cos ⁡ ( θ ) + j sin ⁡ ( θ ) e^{j\theta}=\cos(\theta)+j\sin(\theta) ejθ=cos(θ)+jsin(θ)

它的实部表示了相位（两波之间的时间或空间偏移），虚部表示了幅度，对于DFS中:
X ~ $k$ = ∑ n = 0 N − 1 e j ( − 2 π k n N ) x ~ $n$ X ~ $k$ = ∑ n = 0 N − 1 x ~ $n$ cos ⁡ ( 2 π N k ) ⏟ R e ( X ~ $k$ ) − ∑ n = 0 N − 1 j x ~ $n$ sin ⁡ ( 2 π N k ) ⏟ I e ( X ~ $k$ ) \tilde{X} $k$ =\sum_{n=0}^{N-1}e^{j(\frac{-2\pi kn}{N})}\tilde{x} $n$ \\ \tilde{X} $k$ =\underbrace{\sum_{n=0}^{N-1}\tilde{x} $n$ \cos(\frac{2\pi}{N}k)}{Re(\tilde{X} $k$ )} - \underbrace{\sum{n=0}^{N-1}j\tilde{x} $n$ \sin(\frac{2\pi}{N}k)}_{Ie(\tilde{X} $k$ )} X~ $k$ =n=0∑N−1ej(N−2πkn)x~ $n$ X~ $k$ =Re(X~ $k$ ) n=0∑N−1x~ $n$ cos(N2πk)−Ie(X~ $k$ ) n=0∑N−1jx~ $n$ sin(N2πk)

R e ( X ~ $k$ ) Re(\tilde{X} $k$ ) Re(X~ $k$ )是实部
I m ( X ~ $k$ ) Im(\tilde{X} $k$ ) Im(X~ $k$ )是虚部

幅度与相位

幅度：幅度是频谱中每个频率分量的强度或大小，实部和虚部的模长，可以得出该频率分量的幅度。使用 ∣ X ~ $k$ ∣ |\tilde{X} $k$ | ∣X~ $k$ ∣表示信号在频率 ω \omega ω处的能量强度或振幅
∣ X ~ $k$ ∣ = R e ( X ~ $k$ ) 2 + I m ( X ~ $k$ ) 2 |\tilde{X} $k$ |=\sqrt{Re(\tilde{X} $k$ )^2+Im(\tilde{X} $k$ )^2} ∣X~ $k$ ∣=Re(X~ $k$ )2+Im(X~ $k$ )2
相位：相位是频谱中每个频率分量相对于其他频率分量的相位偏移，通过实部和虚部的比值，可以计算相位。使用 arg ⁡ ( X ~ $k$ ) 或 ∠ ( X ~ $k$ ) \arg(\tilde{X} $k$ )或\angle(\tilde{X} $k$ ) arg(X~ $k$ )或∠(X~ $k$ )表示：
∠ ( X ~ $k$ ) = tan ⁡ − 1 I m ( X ~ $k$ ) R e ( X ~ $k$ ) \angle(\tilde{X} $k$ )=\tan^{-1}\frac{Im(\tilde{X} $k$ )}{Re(\tilde{X} $k$ )} ∠(X~ $k$ )=tan−1Re(X~ $k$ )Im(X~ $k$ )

二、IDFS推导

离散傅里叶级数的逆公式（Inverse Discrete Fourier Series, IDFS）是将频域信息转换回时间域信号的过程。其推导过程是基于傅里叶变换的性质。其验证如下：

DFS
X ~ $k$ = ∑ m = 0 N − 1 e j ( − 2 π k n N ) x ~ $m$ \tilde{X} $k$ =\sum_{m=0}^{N-1}e^{j(\frac{-2\pi kn}{N})}\tilde{x} $m$ X~ $k$ =m=0∑N−1ej(N−2πkn)x~ $m$
IDFS
x ~ $n$ = 1 N ∑ k = 0 N − 1 e j ( 2 π k n N ) X ~ $k$ \tilde{x} $n$ =\frac{1}{N}\sum_{k=0}^{N-1}e^{j(\frac{2\pi kn}{N})}\tilde{X} $k$ x~ $n$ =N1k=0∑N−1ej(N2πkn)X~ $k$
将DFS代入IDFS
x ~ $n$ = 1 N ∑ k = 0 N − 1 ( ∑ m = 0 N − 1 e j ( − 2 π k n N ) x ~ $m$ ) e j ( 2 π k n N ) \tilde{x} $n$ =\frac{1}{N}\sum_{k=0}^{N-1}\Big(\sum_{m=0}^{N-1}e^{j(\frac{-2\pi kn}{N})}\tilde{x} $m$ \Big)e^{j(\frac{2\pi kn}{N})} x~ $n$ =N1k=0∑N−1(m=0∑N−1ej(N−2πkn)x~ $m$ )ej(N2πkn)
根据交换求和
x ~ $n$ = 1 N ∑ m = 0 N − 1 x ~ $m$ ∑ k = 0 N − 1 e j 2 π k N ( n − m ) \tilde{x} $n$ =\frac{1}{N}\sum_{m=0}^{N-1}\tilde{x} $m$ \sum_{k=0}^{N-1}e^{j\frac{2\pi k}{N}(n-m)} x~ $n$ =N1m=0∑N−1x~ $m$ k=0∑N−1ejN2πk(n−m)
内层求和
∑ k = 0 N − 1 e j 2 π k N ( n − m ) = { N , n = m 0 , n ≠ m \sum_{k=0}^{N-1}e^{j\frac{2\pi k}{N}(n-m)}=\begin{cases} N, \quad n=m\\ 0,\quad n\neq m\end{cases} k=0∑N−1ejN2πk(n−m)={N,n=m0,n=m
将内层求和替换进入
x ~ $n$ = 1 N ∑ m = 0 N − 1 x ~ $m$ × N × δ n , m \tilde{x} $n$ =\frac{1}{N}\sum_{m=0}^{N-1}\tilde{x} $m$ \times N \times \delta_{n,m} x~ $n$ =N1m=0∑N−1x~ $m$ ×N×δn,m
简化
x ~ $n$ = ∑ m = 0 N − 1 x ~ $m$ δ ( n − m ) \tilde{x} $n$ =\sum_{m=0}^{N-1}\tilde{x} $m$ \delta(n-m) x~ $n$ =m=0∑N−1x~ $m$ δ(n−m)

于是我们有一次得到了冲激分解公式，使用单位冲激序列表示的加权和。

三、DFS的性质

由于DFS和DTFT的相似性，在上一篇文章中音频进阶学习十------DTFT的条件、性质与举例，已经对于各种性质做了详细介绍，并且其推导公式很简单（如果感兴趣推导过程，可以看看北京航空航天大学王俊老师的课程），这里只做简单介绍。

1. 周期性性质

离散傅里叶级数的信号 x $n$ x $n$ x $n$ 是周期性的，周期为 N N N
其频域表示 X $k$ X $k$ X $k$ 也是周期性的，周期为 N N N，即：
X ~ $k$ = X ~ $k + N$ \tilde X $k$ =\tilde X $k+N$ X~ $k$ =X~ $k+N$

2.线性性质

离散傅里叶级数具有线性性质，即如果信号 x 1 $n$ x_1 $n$ x1 $n$ 和 x 2 $n$ x_2 $n$ x2 $n$ 的傅里叶系数分别是 X 1 $k$ X_1 $k$ X1 $k$ 和 X 2 $k$ X_2 $k$ X2 $k$ ，那么任意常数倍的线性组合也满足傅里叶级数的线性性:
x ~ $n$ = a x ~ 1 $n$ + b x ~ 2 $n$ ⟷ D F S X ~ $k$ = a X ~ 1 $k$ + b X ~ 2 $k$ \tilde x $n$ =a\tilde x_1 $n$ +b\tilde x_2 $n$ \stackrel{DFS}{\longleftrightarrow}\tilde X $k$ =a\tilde X_1 $k$ +b\tilde X_2 $k$ x~ $n$ =ax~1 $n$ +bx~2 $n$ ⟷DFSX~ $k$ =aX~1 $k$ +bX~2 $k$

3.时域移位

幅度频不变，相位成线性变化
x ~ $n - n d$ ⟷ D F S X ~ $k$ e − j 2 π k N n d \tilde x $n-n_d$ \stackrel{DFS}{\longleftrightarrow}\tilde X $k$ e^{-j\frac{2\pi k}{N}n_d} x~ $n-nd$ ⟷DFSX~ $k$ e−jN2πknd

4.频域移位

频域的移位相当于时域乘上一个复指数序列
x ~ $n$ e − j 2 π k N l ⟷ D F S X ~ $k - l$ \tilde x $n$ e^{-j\frac{2\pi k}{N}l}\stackrel{DFS}{\longleftrightarrow}\tilde X $k-l$ x~ $n$ e−jN2πkl⟷DFSX~ $k-l$

5.时间翻转

时域翻转，频域也会相应翻转，即幅度和相位也会翻转
x ~ $- n$ ⟷ D F S X ~ $- k$ \tilde x $-n$ \stackrel{DFS}{\longleftrightarrow}\tilde X $-k$ x~ $-n$ ⟷DFSX~ $-k$

6.时域卷积

时域卷积等于频域相乘，即 ∗ * ∗代表卷积运算
x ~ $n$ ∗ h ~ $n$ ⟷ D F S X ~ $k$ × H ~ $k$ \tilde x $n$ *\tilde h $n$ \stackrel{DFS}{\longleftrightarrow}\tilde X $k$ \times \tilde H $k$ x~ $n$ ∗h~ $n$ ⟷DFSX~ $k$ ×H~ $k$

7.频域卷积

频域卷积等于时域相乘，即 ∗ * ∗代表卷积运算
x ~ $n$ × w ~ $n$ ⟷ D F S 1 N ∑ l = 0 N − 1 X ~ $l$ ∗ W ~ $k - l$ \tilde x $n$ \times \tilde w $n$ \stackrel{DFS}{\longleftrightarrow} \frac{1}{N}\sum_{l=0}^{N-1}\tilde X $l$ *\tilde W $k-l$ x~ $n$ ×w~ $n$ ⟷DFSN1l=0∑N−1X~ $l$ ∗W~ $k-l$

总结

本篇文章中对于DFS的公式做了详细的介绍，相信对于DFS和IDFS公式的推导和使用有了一定的理解。同时本篇文章也将DFS的性质做了介绍。

DFS和DTFT有着一定的联系和区：对于DFS，它主要用于表示周期性离散时间信号，在频域上是离散的且为周期的，而对于DTFT，它表示非周期性离散时间信号的频谱，在频域上是连续的。也就是说DFS可以看作为 DTFT 在一个周期内的采样。

反正收藏也不会看，请帮忙点个赞吧！