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. GIL/Copy/私有/面向对象

    1. GIL Python语言和GIL没有关系.仅仅是由于历史原因在Cpython虚拟机(解释器),难以移除GIL. GIL:全局解释器锁.每个线程在执行的过程都需要先获取GIL,保证同一时刻只有一个 ...

  2. 【Vue实例生命周期】

    目录 实例创建之前执行--beforeCreate 实例创建之后执行--created 挂载之前执行--beforeMount 挂载之后执行--mounted 数据更新之前执行--beforeUpda ...

  3. 最全的 eclipse web 项目目录结构以及Tomcat的各个目录的作用

    本文会尽可能对 java web 项目的目录结构做出最详细的解释,尽量做到浅显易懂. eclipse web 项目目录结构   java web 项目事例 03-springmvc-drien-xgq ...

  4. HashMap知识初探

    public class TestHashMap { /** * HashMap是数组和链表组合构成的数据结构 * 数组里面每个地方都存了key-value这样的实例Java7叫Entry,Java8 ...

  5. 用python实现文件加密功能

    生活中,有时候我们需要对一些重要的文件进行加密,Python 提供了诸如 hashlib,base64 等便于使用的加密库. 但对于日常学习而言,我们可以借助异或操作,实现一个简单的文件加密程序,从而 ...

  6. 01-Spring的概述

    Spring概述 ①Spring是一个开源框架 ②Spring为简化企业级开发而生,使用Spring开发可以将Bean对象,Dao组件对象,Service组件对象等交给Spring容器来管理,这样使得 ...

  7. Java_Habse_add

    import java.io.IOException; import org.apache.hadoop.conf.Configuration; import org.apache.hadoop.hb ...

  8. thinkphp 3.2链接Oracle数据库,查询数据

    ennnn,换工作了,开始用新的东西了,最近就是调用nc接口,数据库是Oracle,首先先把数据查出来,这个比较简单. 在网上看的其他的方法都是改数据库配置文件,然后需要修改tp核心的一个类文件,比较 ...

  9. How2j学习java-2、用命令行中编写第一个 JAVA 程序

    真正在工作中开发 java 应用都会使用eclipse,myeclipse, IntelliJ等等 使用最原始的命令行方式来执行Hello World 1.准备项目目录 在e: 创建一个project ...

  10. JavaScript - 代码片段,Snippets,Gist

    求n个数字的累加和 递归实现 function getSum(x) { if (x == 1) { return 1; } return x + getSum(x - 1); } var result ...