当前位置: 首页 > article >正文

正弦函数的连续傅里叶变换正弦序列的DTFT

在这里插入图片描述

正弦序列
  • 时域
    x [ n ] = sin ⁡ ( ω 0 n ) x[n] = \sin(\omega_0 n) x[n]=sin(ω0n)
  • 频域
    X ( e j ω ) = j π 2 [ δ ( ω − ω 0 ) − δ ( ω + ω 0 ) ] X({\rm e}^{{\rm j}\omega}) = \frac{{\rm j}\pi}{2} \left[ \delta(\omega - \omega_0) - \delta(\omega + \omega_0) \right] X(ejω)=2jπ[δ(ωω0)δ(ω+ω0)]
说明
  • 正弦序列的频谱由两个冲激函数组成,分别位于 ω = ω 0 \omega = \omega_0 ω=ω0 ω = − ω 0 \omega = -\omega_0 ω=ω0
  • 系数 j π 2 \frac{{\rm j}\pi}{2} 2jπ 表示了频谱的幅度和相位特性。
  • 正频率处的冲激函数 δ ( ω − ω 0 ) \delta(\omega - \omega_0) δ(ωω0) 表示正弦信号的正频率分量。
  • 负频率处的冲激函数 δ ( ω + ω 0 ) \delta(\omega + \omega_0) δ(ω+ω0) 表示正弦信号的负频率分量。
推导过程

正弦序列可以表示为:
sin ⁡ ( ω 0 n ) = e j ω 0 n − e − j ω 0 n 2 j \sin(\omega_0 n) = \frac{{\rm e}^{{\rm j}\omega_0 n} - {\rm e}^{-{\rm j}\omega_0 n}}{2{\rm j}} sin(ω0n)=2jejω0nejω0n

利用复指数序列的DTFT:
DTFT { e j ω 0 n } = 2 π δ ( ω − ω 0 ) \text{DTFT}\{{\rm e}^{{\rm j}\omega_0 n}\} = 2\pi\delta(\omega - \omega_0) DTFT{ejω0n}=2πδ(ωω0)
DTFT { e − j ω 0 n } = 2 π δ ( ω + ω 0 ) \text{DTFT}\{e^{-{\rm j}\omega_0 n}\} = 2\pi\delta(\omega + \omega_0) DTFT{ejω0n}=2πδ(ω+ω0)

根据线性性质,得到:
X ( e j ω ) = 1 2 j [ 2 π δ ( ω − ω 0 ) − 2 π δ ( ω + ω 0 ) ] X({\rm e}^{{\rm j}\omega}) = \frac{1}{2{\rm j}} \left[ 2\pi\delta(\omega - \omega_0) - 2\pi\delta(\omega + \omega_0) \right] X(ejω)=2j1[2πδ(ωω0)2πδ(ω+ω0)]

二维正弦序列
  • 时域
    x [ m , n ] = sin ⁡ ( 2 π u 0 m + 2 π v 0 n ) x[m, n] = \sin(2\pi u_0 m + 2\pi v_0 n) x[m,n]=sin(2πu0m+2πv0n)
    其中, u 0 u_0 u0 v 0 v_0 v0 分别是水平和垂直方向的空间频率。
  • 频域
    X ( e j ω m , e j ω n ) = 1 2 j [ 2 π δ ( ω m − 2 π u 0 , ω n − 2 π v 0 ) − 2 π δ ( ω m + 2 π u 0 , ω n + 2 π v 0 ) ] X({\rm e}^{{\rm j}\omega_m}, {\rm e}^{{\rm j}\omega_n}) = \frac{1}{2{\rm j}} \left[ 2\pi \delta(\omega_m - 2\pi u_0, \omega_n - 2\pi v_0) - 2\pi \delta(\omega_m + 2\pi u_0, \omega_n + 2\pi v_0) \right] X(ejωm,ejωn)=2j1[2πδ(ωm2πu0,ωn2πv0)2πδ(ωm+2πu0,ωn+2πv0)]
说明
  • 二维正弦序列的频谱由两个冲激函数组成,分别位于 ( ω m , ω n ) = ( 2 π u 0 , 2 π v 0 ) (\omega_m, \omega_n) = (2\pi u_0, 2\pi v_0) (ωm,ωn)=(2πu0,2πv0) ( ω m , ω n ) = ( − 2 π u 0 , − 2 π v 0 ) (\omega_m, \omega_n) = (-2\pi u_0, -2\pi v_0) (ωm,ωn)=(2πu0,2πv0)
  • 系数 j π 2 \frac{{\rm j}\pi}{2} 2jπ 表示了频谱的幅度和相位特性。
  • 正频率处的冲激函数 δ ( ω m − 2 π u 0 , ω n − 2 π v 0 ) \delta(\omega_m - 2\pi u_0, \omega_n - 2\pi v_0) δ(ωm2πu0,ωn2πv0) 表示正弦信号的正频率分量。
  • 负频率处的冲激函数 δ ( ω m + 2 π u 0 , ω n + 2 π v 0 ) \delta(\omega_m + 2\pi u_0, \omega_n + 2\pi v_0) δ(ωm+2πu0,ωn+2πv0) 表示正弦信号的负频率分量。
推导过程

二维正弦序列可以表示为:
sin ⁡ ( 2 π u 0 m + 2 π v 0 n ) = e j ( 2 π u 0 m + 2 π v 0 n ) − e − j ( 2 π u 0 m + 2 π v 0 n ) 2 j \sin(2\pi u_0 m + 2\pi v_0 n) = \frac{{\rm e}^{{\rm j}(2\pi u_0 m + 2\pi v_0 n)} - {\rm e}^{-{\rm j}(2\pi u_0 m + 2\pi v_0 n)}}{2{\rm j}} sin(2πu0m+2πv0n)=2jej(2πu0m+2πv0n)ej(2πu0m+2πv0n)

利用复指数序列的二维DTFT:
DTFT { e j ( 2 π u 0 m + 2 π v 0 n ) } = 2 π δ ( ω m − 2 π u 0 , ω n − 2 π v 0 ) \text{DTFT}\{{\rm e}^{{\rm j}(2\pi u_0 m + 2\pi v_0 n)}\} = 2\pi \delta(\omega_m - 2\pi u_0, \omega_n - 2\pi v_0) DTFT{ej(2πu0m+2πv0n)}=2πδ(ωm2πu0,ωn2πv0)
DTFT { e − j ( 2 π u 0 m + 2 π v 0 n ) } = 2 π δ ( ω m + 2 π u 0 , ω n + 2 π v 0 ) \text{DTFT}\{{\rm e}^{-{\rm j}(2\pi u_0 m + 2\pi v_0 n)}\} = 2\pi \delta(\omega_m + 2\pi u_0, \omega_n + 2\pi v_0) DTFT{ej(2πu0m+2πv0n)}=2πδ(ωm+2πu0,ωn+2πv0)

根据线性性质,得到:
X ( e j ω m , e j ω n ) = 1 2 j [ 2 π δ ( ω m − 2 π u 0 , ω n − 2 π v 0 ) − 2 π δ ( ω m + 2 π u 0 , ω n + 2 π v 0 ) ] X({\rm e}^{{\rm j}\omega_m}, {\rm e}^{{\rm j}\omega_n}) = \frac{1}{2{\rm j}} \left[ 2\pi \delta(\omega_m - 2\pi u_0, \omega_n - 2\pi v_0) - 2\pi \delta(\omega_m + 2\pi u_0, \omega_n + 2\pi v_0) \right] X(ejωm,ejωn)=2j1[2πδ(ωm2πu0,ωn2πv0)2πδ(ωm+2πu0,ωn+2πv0)]
在这里插入图片描述


http://www.kler.cn/a/600545.html

相关文章:

  • HarmonyOS 之 @Require 装饰器自学指南
  • DeepSeek-V3-0324 模型发布:开源 AI 性能再攀高峰,推理与编码能力逼近顶级闭源模型
  • python康复日记-request库的使用,爬虫自动化测试
  • ToolsSet之:快捷键和速查表
  • VS Code连接远程服务遇到的问题
  • 蓝之洋科技以AI智能制造引领变革,推动移动电源产业迈向高端智能化!
  • 三分钟读懂微服务
  • 蓝桥杯-符号变反操作(差分)
  • Weblogic
  • shopify跨境电商行业前景与规模
  • 【Linux-驱动开发-pinctrl子系统】
  • SpringBoot-配置文件中敏感信息的加密保姆级教程
  • 高度电路中时序设计之二
  • (C语言)习题练习 (sizeof和strlen)
  • UE5摄像机震屏/晃动效果
  • 视频孪生技术赋能智慧交管建设:迈向实时实景的交通管理新时代
  • 参考apollo3 FLASH样例改写实际应用的接口函数(带磨损均衡处理)
  • OpenHarmony 入门——ArkUI 跨页面数据同步和应用全局单例的UI状态存储AppStorage 小结(三)
  • 如何使用QuickAPI生成带参数的数据API(基于原生SQL)
  • Docker多阶段构建:告别臃肿镜像的终极方案