DSP-4 连续时间信号的采样与量化

PPT例题很重要

#

🌟 欢迎来到第四讲！

#

本讲主要介绍傅里叶变换的家族史，从连续到离散，从理论到计算的伟大旅程。

📝 本讲主要内容

#

• 回顾祖辈 (CTFS and CTFT) 👴
• 认识父辈 (DTFT) 👨‍🦱
• 迎接王者 (DFT/FFT) 👑
• 前沿实战 (Applications) 🚀
• 傅里叶变换及性质 ✨
• 离散时间 LTI 系统的频率响应 🎶

🔍 变换缩写

#

• CTFS: 连续时间傅里叶级数 (Continuous-Time Fourier Series)
• CTFT: 连续时间傅里叶变换 (Continuous-Time Fourier Transform)
• DTFT: 离散时间傅里叶变换 (Discrete-Time Fourier Transform)
• DFT: 离散傅里叶变换 (Discrete Fourier Transform)
• FFT: 快速傅里叶变换 (Fast Fourier Transform)

一、傅里叶变换的"四世同堂"：从理论到计算的演进 🔄

#

傅里叶变换家族的发展，本质是从连续模拟世界走向离散数字世界，解决"信号可分析"到"信号可计算"的核心问题。四者的时域/频域特性、核心作用及局限如下：

1.1 祖辈1：连续时间傅里叶级数（CTFS）——周期信号的基石

#

• 核心定位：分析连续、周期模拟信号的频率成分，是傅里叶家族的起源。
• 时域/频域特性：
  • 时域：连续、周期（周期$T$，角频率$\omega\_0 = 2\pi/T$）；
  • 频域：离散、非周期（仅含$\omega = k\omega\_0$的谐波分量，$k$为整数）。
• 变换对：
  正变换（时域→频域，求谐波系数$a\_k$）：
  $$a_k = \frac{1}{T} \int_{T} x(t) e^{-jk\omega_0 t} dt$$
  逆变换（频域→时域，重构周期信号）：
  $$x(t) = \sum_{k=-\infty}^{\infty} a_k e^{jk\omega_0 t}$$
• 优势：首次将周期信号分解为正弦/复指数分量，奠定频率分析基础。
• 局限：仅适用于周期信号，无法处理单个、孤立的非周期事件（如单次语音、单个图像）。

【CTFS时域频域对比图（上：连续周期时域波形$x(t)$；下：离散非周期频域谱线$a\_k$）】

1.2 祖辈2：连续时间傅里叶变换（CTFT）——非周期信号的突破

#

• 核心定位：突破周期限制，分析连续、非周期模拟信号的频率成分。
• 思想飞跃：将非周期信号视为"周期$T \to \infty$的周期信号"，此时$\omega\_0 = 2\pi/T \to 0$，离散谱线连成连续频谱。
• 时域/频域特性：
  • 时域：连续、非周期；
  • 频域：连续、非周期（覆盖$\Omega \in (-\infty,+\infty)$，$\Omega$为模拟角频率，单位：rad/s）。
• 变换对：
  正变换（时域→频域）：
  $$X_a(j\Omega) = \int_{-\infty}^{\infty} x_a(t) e^{-j\Omega t} dt$$
  逆变换（频域→时域）：
  $$x_a(t) = \frac{1}{2\pi} \int_{-\infty}^{\infty} X_a(j\Omega) e^{j\Omega t} d\Omega$$
• 优势：可分析非周期信号（如单次脉冲、语音片段），扩展了频率分析的适用范围。
• 局限：时域和频域均为连续形式，无法用数字计算机处理（计算机仅能处理离散、有限长数据）。

【CTFT时域频域对比图（上：连续非周期时域波形$x\_a(t)$；下：连续非周期频域频谱$X\_a(j\Omega)$）】

1.3 父辈：离散时间傅里叶变换（DTFT）——数字世界的初探

#

• 核心定位：进入数字领域，分析离散、非周期数字序列的频率成分。
• 时域/频域特性：
  • 时域：离散、非周期（序列$x[n]$，$n$为整数）；
  • 频域：连续、周期（周期$2\pi$，$\omega$为数字角频率，单位：rad/sample）。
  • 周期性来源：时域采样导致频域周期延拓（采样定理的延伸）。
• 变换对：
  正变换（时域→频域）：
  $$X(e^{j\omega}) = \sum_{n=-\infty}^{\infty} x[n] e^{-j\omega n}$$
  逆变换（频域→时域）：
  $$x[n] = \frac{1}{2\pi} \int_{-\pi}^{\pi} X(e^{j\omega}) e^{j\omega n} d\omega$$
• 优势：适配数字序列输入，为数字信号的频域分析提供理论工具。
• 局限：频域仍为连续形式（$\omega$覆盖$[-\pi,\pi]$），计算机无法直接存储和计算（需无穷多采样点描述频谱）。

【DTFT时域频域对比图（上：离散非周期时域序列$x[n]$；下：连续周期频域频谱$X(e^{j\omega})$，标注周期$2\pi$）】

1.4 王者：离散傅里叶变换（DFT/FFT）——工程计算的终极武器

#

• 核心定位：解决"频域离散化"问题，实现双离散、有限长信号的频率计算，是工程应用的核心工具。
• 关键突破：对DTFT的连续频谱进行"等间隔采样"（采样点$k=0,1,\dots,N-1$，$N$为序列长度），得到离散频谱$X[k]$。
• 时域/频域特性：
  • 时域：离散、有限长（$x[n]$，$0 \leq n \leq N-1$）；
  • 频域：离散、有限长（$X[k]$，$0 \leq k \leq N-1$），隐含周期$N$。
• 核心价值：
  • DFT：理论基础，将频域从连续变为离散，使计算机可处理；
  • FFT：DFT的快速算法（如基2FFT），将计算复杂度从$O(N^2)$降至$O(N\log N)$，实现实时频谱分析（如手机、雷达的实时信号处理）。

【DFT与DTFT关系图（上：DTFT连续周期频谱$X(e^{j\omega})$；下：DFT离散频谱$X[k]$，标注采样点$\omega\_k = 2\pi k/N$）】

1.5 前沿实战：FFT的典型应用——Shazam"听歌识曲" 🎵

#

• 核心挑战：用户录制的音频含噪声、仅为歌曲片段，需精准匹配数据库中的歌曲。
• FFT的作用（“声音指纹"生成）：
  1. 时域→频域：对录制音频做短时傅里叶变换（STFT，基于FFT），生成频谱图（Spectrogram）（时间-频率-幅度的三维图）；
  2. 特征提取：从频谱图中提取"频谱峰值”（突出高频能量点），形成独特的"声音指纹"；
  3. 匹配检索：将"声音指纹"与数据库中的歌曲指纹对比，找到最相似的匹配结果。

【Shazam技术流程图（左：时域音频波形；中：STFT生成的频谱图；右：提取的声音指纹（频谱峰值标记））】

二、傅里叶变换基础：核心概念与定理 📖

#

2.1 为什么需要傅里叶变换？——历史与核心价值

#

• 历史起源：1807年，法国数学家傅里叶（Fourier）在《热的传播》中提出"任一函数可展为三角函数级数"，奠定傅里叶分析基础。
• 核心价值（现代视角）：
  1. 频率成分分析：将时域信号分解为不同频率的正弦/复指数分量，直观看到信号的"频率构成"（如语音中的基频、图像中的低频轮廓/高频细节）；
  2. LTI系统适配：正弦/复指数信号是LTI系统的本征函数——输入为$e^{j\omega n}$时，输出仅为$H(e^{j\omega})e^{j\omega n}$（$H(e^{j\omega})$为系统频率响应），简化系统响应计算；
  3. 卷积定理：时域卷积→频域乘积（$x[n]*h[n] \leftrightarrow X(e^{j\omega})H(e^{j\omega})$），将复杂的卷积运算转化为简单的乘法；
  4. 高效计算：DFT的快速算法（FFT）使频域分析可实时实现，推动工程应用（如通信、雷达、音频处理）。

2.2 傅里叶变换的复数表示（CTFT/DTFT）

#

傅里叶变换的结果为复数，需通过实部、虚部或幅度、相位描述：

（1）CTFT的复数表示

#

• $X\_{re}(j\Omega)$：频谱实部；$X\_{im}(j\Omega)$：频谱虚部；
• $|X\_a(j\Omega)|$：幅度谱（反映各频率成分的强度）；
• $\theta\_a(\Omega) = \arg\\{X\_a(j\Omega)\\}$：相位谱（反映各频率成分的时延）。

（2）DTFT的复数表示

#

• 符号含义与CTFT一致，仅需将$\Omega$替换为$\omega$（数字角频率）。

2.3 傅里叶变换的收敛条件

#

只有满足收敛条件，傅里叶变换才存在。CTFT与DTFT的收敛条件不同：

（1）CTFT收敛条件：Dirichlet条件

#

1. 绝对可积：$\int\_{-\infty}^{\infty} |x\_a(t)| dt < \infty$（核心条件）；
2. 有限区间内，信号有有限个不连续点和有限个极值点；
3. 有限区间内，不连续点为第一类间断点（左右极限存在且有限）。

（2）DTFT收敛条件：一致收敛与均方收敛

#

• 关键结论：绝对可和是DTFT一致收敛的充分条件，能量有限是DTFT均方收敛的充分条件。

2.4 能量密度谱：Parseval定理与维纳-辛欣定理

#

能量密度谱（Spectral Density）描述信号能量在频域的分布，是连接时域能量与频域能量的核心工具。

（1）Parseval定理（能量守恒）

#

• 连续时间信号（CTFT）：
  时域总能量 = 频域总能量（需除以$2\pi$，因$\Omega$为连续频率）：
  $$\varepsilon_x = \int_{-\infty}^{\infty} |x_a(t)|^2 dt = \frac{1}{2\pi} \int_{-\infty}^{\infty} |X_a(j\Omega)|^2 d\Omega$$

• 离散时间序列（DTFT）：
  时域总能量 = 频域总能量（需除以$2\pi$，因$\omega$周期为$2\pi$）：
  $$\varepsilon_g = \sum_{n=-\infty}^{\infty} |g[n]|^2 = \frac{1}{2\pi} \int_{-\pi}^{\pi} |G(e^{j\omega})|^2 d\omega$$

• 物理意义：信号的能量在时域和频域中守恒，仅分布形式不同。

（2）维纳-辛欣定理（自相关与能量谱的关系）

#

• 核心结论：信号的自相关函数的傅里叶变换，等于其能量密度谱。
  • 离散时间序列：$S\_{gg}(e^{j\omega}) = \text{DTFT}\\{r\_{gg}[l]\\} = \sum\_{l=-\infty}^{\infty} r\_{gg}[l] e^{-j\omega l}$；
  • 扩展（互能量谱）：$S\_{gh}(e^{j\omega}) = \text{DTFT}\\{r\_{gh}[l]\\} = G(e^{j\omega}) H^*(e^{j\omega})$（$H^*$为$H$的共轭）。
• 应用：无法直接计算信号频谱时，可通过自相关函数间接求能量谱（如随机信号的谱估计）。

2.5 带限信号分类（连续/离散时间）

#

带限信号指"频谱仅在有限频率范围内非零"的信号，按能量集中的频段可分为低通、高通、带通三类：

（1）连续时间带限信号（$\Omega$：模拟角频率，单位rad/s）

#

（2）离散时间带限信号（$\omega$：数字角频率，单位rad/sample，范围$[-\pi,\pi]$）

#

• 关键提醒：离散时间信号的频域天然周期为$2\pi$，故带宽最大为$\pi$（对应采样率的一半，即Nyquist频率）。

三、DTFT的核心性质：从数学到应用 📊

#

DTFT的性质是频域分析的"工具箱"，尤其卷积定理、时移/频移性质是LTI系统分析的核心。

3.1 DTFT逆变换的证明

#

需验证逆变换公式能否从$X(e^{j\omega})$重构$x[n]$：
$$x[n] = \frac{1}{2\pi} \int_{-\pi}^{\pi} X(e^{j\omega}) e^{j\omega n} d\omega$$

证明步骤：

1. 代入DTFT正变换公式：
   $$x[n] = \frac{1}{2\pi} \int_{-\pi}^{\pi} \left( \sum_{l=-\infty}^{\infty} x[l] e^{-j\omega l} \right) e^{j\omega n} d\omega$$
2. 交换求和与积分顺序（满足收敛条件时可交换）：
   $$x[n] = \sum_{l=-\infty}^{\infty} x[l] \cdot \frac{1}{2\pi} \int_{-\pi}^{\pi} e^{j\omega(n-l)} d\omega$$
3. 计算积分项（利用$\int\_{-\pi}^{\pi} e^{j\omega k} d\omega = 2\pi \delta[k]$，$\delta[k]$为单位采样序列）：
   $$\frac{1}{2\pi} \int_{-\pi}^{\pi} e^{j\omega(n-l)} d\omega = \delta[n-l]$$
4. 利用$\sum\_{l=-\infty}^{\infty} x[l] \delta[n-l] = x[n]$，得证。

3.2 常用DTFT变换对（表格整理）

#

3.3 DTFT的基本性质（表格整理）

#

设$\text{DTFT}\\{g[n]\\} = G(e^{j\omega})$，$\text{DTFT}\\{h[n]\\} = H(e^{j\omega})$，则：

• 重点强调：卷积定理是LTI系统频域分析的"灵魂"——无需时域卷积，只需频域乘积即可求系统输出。

3.4 复序列与实序列的DTFT对称关系

#

对称关系可简化频谱计算（如实序列的频谱只需计算正频率部分）：

（1）复序列的对称关系

#

（2）实序列的对称关系（复序列的特例，$x^*[n] = x[n]$）

#

3.5 DTFT的周期性（证明与意义）

#

• 核心结论：任意序列的DTFT是周期为$2\pi$的连续函数，即$X(e^{j(\omega + 2\pi k)}) = X(e^{j\omega})$（$k$为整数）。

证明：
代入DTFT正变换公式：
$$X(e^{j(\omega + 2\pi k)}) = \sum_{n=-\infty}^{\infty} x[n] e^{-j(\omega + 2\pi k)n} = \sum_{n=-\infty}^{\infty} x[n] e^{-j\omega n} \cdot e^{-j2\pi k n}$$
因$e^{-j2\pi k n} = \cos(2\pi k n) - j\sin(2\pi k n) = 1$（$k,n$为整数），故：
$$X(e^{j(\omega + 2\pi k)}) = \sum_{n=-\infty}^{\infty} x[n] e^{-j\omega n} = X(e^{j\omega})$$

• 物理意义：离散时间信号的频域具有"周期性重复"特性，只需分析一个周期（如$[-\pi,\pi]$或$[0,2\pi]$）即可掌握全部频域信息。

3.6 例题：DTFT逆变换求解与性质应用

#

例题：求$X(e^{j\omega}) = \sum\_{k=-\infty}^{\infty} \delta(\omega + 2k\pi) + \frac{-\alpha e^{-j\omega}}{(1 - \alpha e^{-j\omega})^2}$（$|\alpha| < 1$）的逆DTFT。

解题步骤：

1. 拆分$X(e^{j\omega})$为两部分：$X(e^{j\omega}) = X\_1(e^{j\omega}) + X\_2(e^{j\omega})$，其中：

• $X\_1(e^{j\omega}) = \sum\_{k=-\infty}^{\infty} \delta(\omega + 2k\pi)$（冲激序列）；
• $X\_2(e^{j\omega}) = \frac{-\alpha e^{-j\omega}}{(1 - \alpha e^{-j\omega})^2}$（有理函数）。

2. 求$X\_1(e^{j\omega})$的逆DTFT：
   由常用变换对，$\text{DTFT}^{-1}\\{\sum\_{k=-\infty}^{\infty} \delta(\omega + 2k\pi)\\} = \delta[n]$（单位采样序列）。
3. 求$X\_2(e^{j\omega})$的逆DTFT：
   利用"频域微分性质"——已知$\text{DTFT}\\{\alpha^n u[n]\\} = \frac{1}{1 - \alpha e^{-j\omega}}$，对其两边关于$\omega$求导：
   $$\frac{d}{d\omega} \left( \frac{1}{1 - \alpha e^{-j\omega}} \right) = \frac{-j\alpha e^{-j\omega}}{(1 - \alpha e^{-j\omega})^2}$$
   对比$X\_2(e^{j\omega})$：
   $$X_2(e^{j\omega}) = \frac{-\alpha e^{-j\omega}}{(1 - \alpha e^{-j\omega})^2} = j \cdot \frac{d}{d\omega} \left( \frac{1}{1 - \alpha e^{-j\omega}} \right)$$
   由频域微分性质（$\text{DTFT}\\{n g[n]\\} = j \frac{dG(e^{j\omega})}{d\omega}$），得：
   $$\text{DTFT}^{-1}\{X_2(e^{j\omega})\} = n \cdot \alpha^n u[n]$$
4. 叠加两部分结果：
   $$x[n] = \delta[n] + n \alpha^n u[n]$$

四、离散时间LTI系统的频率响应 🚀

#

LTI系统的频率响应是"频域分析系统特性"的核心工具，描述系统对不同频率信号的"放大/衰减"和"时延"作用。

4.1 频率响应的定义与物理意义

#

• 定义：LTI系统的单位脉冲响应$h[n]$的DTFT，记为$H(e^{j\omega})$：
  $$H(e^{j\omega}) = \text{DTFT}\{h[n]\} = \sum_{n=-\infty}^{\infty} h[n] e^{-j\omega n}$$
• 物理意义：当输入为复指数序列$x[n] = e^{j\omega n}$ 时，系统输出为：
  $$y[n] = x[n] * h[n] = \sum_{k=-\infty}^{\infty} h[k] e^{j\omega(n - k)} = H(e^{j\omega}) e^{j\omega n}$$
  即输出为"相同频率的复指数序列 × 复常数$H(e^{j\omega})$"——$H(e^{j\omega})$的幅度表示"频率$\omega$的放大倍数"，相位表示"频率$\omega$的时延"。
• 核心公式（频域输入输出关系）：
  由卷积定理，$Y(e^{j\omega}) = X(e^{j\omega}) H(e^{j\omega})$（$Y$为输出频谱，$X$为输入频谱）。

4.2 幅频特性、相频特性与增益/衰减函数

#

$H(e^{j\omega})$为复数，可分解为幅度响应和相位响应：
$$H(e^{j\omega}) = |H(e^{j\omega})| e^{j\theta(\omega)}$$

4.3 FIR与IIR系统的频率响应对比

#

• MATLAB实现函数：
  • 计算频率响应：[H, w] = freqz(b, a, N)（$b$为分子系数，$a$为分母系数，$N$为采样点数）；
  • 计算单位脉冲响应：h = impz(b, a, N)；
  • FIR系统特例：$a = [1]$，故freqz(h, 1, N)等价于freqz(b, 1, N)。

4.4 MATLAB实战：滑动平均滤波器的频率响应

#

示例：分析$M=5$和$M=14$的滑动平均滤波器（FIR系统）的幅频和相频特性。

MATLAB代码：

#

% 1. 生成滤波器系数（滑动平均：每个系数为1/M）
h1 = ones(1, 5) / 5;  % M=5的滑动平均滤波器
h2 = ones(1, 14) / 14; % M=14的滑动平均滤波器

% 2. 计算频率响应（256个采样点，覆盖[0, pi]）
[N_points, w] = freqz(h1, 1, 256);  % h1的频率响应
[H2, w] = freqz(h2, 1, 256);        % h2的频率响应

% 3. 计算幅频特性（幅度）和相频特性（角度转度数）
mag1 = abs(H1);  % M=5的幅度响应
mag2 = abs(H2);  % M=14的幅度响应
phase1 = angle(H1) * 180 / pi;  % M=5的相位响应（度）
phase2 = angle(H2) * 180 / pi;  % M=14的相位响应（度）

% 4. 绘图
figure;
% 幅频特性图
subplot(2,1,1);
plot(w/pi, mag1, 'r-', w/pi, mag2, 'b--');
xlabel('\omega/\pi'); ylabel('Magnitude');
legend('M=5', 'M=14'); title('滑动平均滤波器幅频特性');
% 相频特性图
subplot(2,1,2);
plot(w/pi, phase1, 'r-', w/pi, phase2, 'b--');
xlabel('\omega/\pi'); ylabel('Phase (degrees)');
legend('M=5', 'M=14'); title('滑动平均滤波器相频特性');

结果分析：

#

• 幅频特性：$M$越大，低通滤波效果越好（主瓣越窄，衰减越快），但过渡带越宽；
• 相频特性：均为线性相位（因$h[n]$对称），时延随$\omega$线性增加。

【滑动平均滤波器幅频/相频特性图（上：幅频特性，$M=14$的主瓣更窄；下：相频特性，均为线性下降）】

4.5 实战：简单FIR滤波器设计（通带/阻带控制）

#

需求：设计长度为3的实对称FIR滤波器，允许$\omega=0.4$ rad/sample的信号通过（通带），抑制$\omega=0.1$ rad/sample的信号（阻带）。

设计步骤：

#

1. 设FIR滤波器的频率响应（长度3，系数对称$h[0]=h[2]=a$，$h[1]=b$）：
   $$H(e^{j\omega}) = a + b e^{-j\omega} + a e^{-j2\omega}$$
2. 化简频率响应（利用欧拉公式）：
   $$H(e^{j\omega}) = e^{-j\omega} (2a \cos\omega + b)$$
   幅度响应：$|H(e^{j\omega})| = |2a \cos\omega + b|$（相位响应为$-\omega$，线性相位）。
3. 建立约束方程（通带$\omega=0.4$时$|H|=1$，阻带$\omega=0.1$时$|H|=0$）：
   $$\begin{cases} 2a \cos(0.4) + b = 1 \\ 2a \cos(0.1) + b = 0 \end{cases}$$
4. 求解系数$a$和$b$：
   两式相减得：$2a (\cos0.4 - \cos0.1) = 1 \implies a \approx -1.73$；
   代入得：$b \approx 2a \cos0.1 \approx 3.41$。
5. 最终滤波器系数：$h[0] = h[2] \approx -1.73$，$h[1] \approx 3.41$。

【滤波器输入输出对比图（上：含$\omega=0.1$和$\omega=0.4$的输入信号；下：滤波后仅$\omega=0.4$的信号保留）】

4.6 相位延迟与群延迟：信号时延分析

#

当输入为正弦信号$x[n] = \cos(\omega\_0 n)$时，输出为：
$$y[n] = |H(e^{j\omega_0})| \cos(\omega_0 n + \theta(\omega_0))$$

时延分为相位延迟（单频率信号的时延）和群延迟（多频率信号的时延）：

• MATLAB计算函数：
  • 相位延迟：[phi, w] = phasedelay(b, a, N)；
  • 群延迟：[gd, w] = grpdelay(b, a, N)。
• 例题：理想低通滤波器的群延迟为？
  答案：A（非零常数）。因理想低通的相位响应$\theta(\omega) = -\omega \tau\_0$（线性相位），故$\tau\_g(\omega) = -\frac{d\theta}{d\omega} = \tau\_0$（常数）。