离散信号的傅里叶分析

基础知识

定义

本文讨论的离散信号指的是离散时间信号（discrete-time signal），信号只定义在离散的时刻点上，也就是自变量（时间）仅取在一组离散值上。例如，股票市场的指数就是离散时间信号。

在这里需要注意几个容易混淆的概念。如果信号的自变量和函数值都取连续值，称信号为模拟信号或连续时间信号；如果自变量取离散值，而函数值取连续值，则称信号为离散时间信号，这种信号通常来源于对模拟信号的采样；如果信号的自变量和函数值均取离散值，则称为数字信号，数字信号其实就是量化后的离散时间信号，是计算机中的表示形式。

离散信号的表示和连续信号类似，只不过把时间变量\(t\)改成了\(n\)。同样地，我们基于周期复指数信号讨论正弦信号\(x(n)=\sin \omega_0 n\)的特性，它的表达式为

\[ x(n) = e^{j \omega_0 n} \]

它可以看成是连续信号在整数点上的取值，和连续信号类似，但又有区别。可以使用如下的MATLAB代码绘制离散信号的图像：

n = -5:5;
x = sin(pi*n/5);
stem(n, x, '.'); line([-5, 5], [0, 0]);
axis([-5, 5, -1.2, 1.2]); xlabel('n'); ylabel('x[n]')

振荡速率

在连续信号情况下，每个\(\omega_0\)对应的是不同的信号，但是离散情况下就不同了，由于

\[ e^{j (\omega_0+2\pi) n} = e^{j \omega_0 n} \cdot e^{j 2\pi n} = e^{j \omega_0 n} \]

所以，离散周期复指数信号在频率\(\omega_0+2\pi\)与频率\(\omega_0\)时是完全一样的。

所以，考虑这种离散时间周期复指数信号时，仅仅需要在某个\(2\pi\)间隔内选择\(\omega_0\)即可，一般取\(0 \le \omega_0 < 2\pi\)或\(-\pi \le \omega_0 < \pi\)。由上面的讨论可知，\(\omega_0\)数值增加时，\(e^{j \omega_0 n}\)的振荡速率并不会不断增加。\(\omega_0\)从\(0\)增加到\(\pi\)时，振荡速率越来越快，从\(\pi\)变化到\(2\pi\)时，振荡速率会下降。下图是\(\omega_0\)取不同值时对应正弦信号的图像：

所以，离散复指数信号的低频部分位于\(\omega_0\)在\(\pi\)的偶数倍值附近，高频部分则位于\(\omega_0\)在\(\pi\)的奇数倍值附近。

周期公式

现在讨论它的周期\(N\)。根据周期信号的定义有

\[ e^{j \omega_0 (n + N)} = e^{j \omega_0 N} \cdot e^{j \omega_0 n} = e^{j \omega_0 n} \]

所以\(e^{j \omega_0 N} = 1\)，必须有个整数\(m\)，满足

\[ \omega_0 N = 2 \pi m \]

或

\[ \frac{\omega_0}{2 \pi} = \frac{m}{N} \]

所以，只有\(\omega_0 / 2 \pi\)为有理数时，\(e^{j \omega_0 n}\)才是周期信号，否则就不是周期的。这是由于离散时间信号仅能在自变量的整数值上有定义造成的。

基波频率

\[ \frac{2\pi}{N} = \frac{\omega_0}{m} \]

那么基波周期\(N\)也可以写成

\[ N = m \left( \frac{2 \pi}{\omega_0} \right) \]

基于上面的原因，通常给定周期复指数信号的基波周期\(N\)，然后求得频率\(\omega_0=2\pi/N\)（此时\(m=1\)），得到它的表达式\(e^{j \omega_0 n}\)。

谐波信号

再讨论成谐波关系的周期离散时间复指数信号。下面的信号具有公共周期\(N\)，频率都是基波周期\(2\pi/N\)的整数倍：

\[ \phi_k(n) = e^{j k (2\pi/N) n}, \, k = 0, \pm 1, \cdots \]

在连续情况下，成谐波关系的信号都是不相同的。但是离散情况下则不一样，因为

\[ \phi_{k+N}(n) = e^{j (k+N) (2\pi/N) n} = e^{j k (2\pi/N) n} \cdot e^{j 2\pi n} = \phi_k(n) \]

所以，上述成谐波关系的信号中，仅有\(N\)个互不相同的周期复指数信号，而且

\[ \phi_k(n) = \phi_{k+rN}(n) \]

离散傅里叶级数（DFS）

离散时间周期信号可以表示为成谐波关系的指数信号的加权和，即为离散傅里叶级数（discrete Fourier series, DFS）。由于周期为\(N\)、基波频率\(\omega_0 = 2\pi/N\)、成谐波关系的周期复指数信号中只有\(N\)个是不相同的，所以离散时间傅里叶级数的形式为有限个复指数信号的和

\[ \tilde{x}(n) = \frac{1}{N} \sum_{k=\left \langle N \right \rangle} \tilde{X}(k) e^{j k \omega_0 n} = \frac{1}{N} \sum_{k=\left \langle N \right \rangle} \tilde{X}(k) e^{j k (2\pi/N) n} \]

求和限\(k=\left \langle N \right \rangle\)表示\(k\)在\(N\)个相继整数的区间上变化。系数\(\tilde{X}(k)\)的计算公式为

\[ \tilde{X}(k) = \sum_{k=\left \langle N \right \rangle} \tilde{x}(n) e^{-j k \omega_0 n} = \sum_{k=\left \langle N \right \rangle} \tilde{x}(n) e^{-j k (2\pi/N) n} \]

由于成谐波关系的信号中仅有\(N\)个互不相同的周期复指数信号，所以，离散时间周期信号的傅里叶级数\(\tilde{X}(k)\)一定以\(N\)为周期往复变化的，也就是说，离散时间周期信号的频谱是离散的、周期的。和连续时间信号傅里叶级数不同的是，级数的项数是有限的，不存在收敛问题，而且能够完全精确地逼近。

如果令\(W_N=e^{-j\frac{2\pi}{N}}\)，则上面的DFS公式对还可以写成

\[ \tilde{X}(k) = \sum_{k=\left \langle N \right \rangle} \tilde{x}(n) W_N^{nk} \]

\[ \tilde{x}(n) = \frac{1}{N} \sum_{k=\left \langle N \right \rangle} \tilde{X}(k) W_N^{-nk} \]

下面的MATLAB代码实现了dfs和idfs函数，用于计算离散傅里叶级数及其逆运算：

function [Xk, k] = dfs(xn, n1, n2)
% Compute Discrete Fourier Series Coefficients
% Xk = DFS coeff. array over n1 <= k <= n2
% xn = One period of periodic signal over n1 <= n <= n2
N = n2 - n1 + 1;       % Fundamental period of xn
n = n1:n2;             % row vector for n
k = n1:n2;             % row vector for k
WN = exp(-1j*2*pi/N);  % Wn factor
nk = n' * k;           % creates a N by N matrix of nk values
WNnk = WN .^ nk;       % DFS matrix
Xk = xn * WNnk;        % row vector for DFS coefficients
end

function [xn, n] = idfs(Xk, k)
% Compute Inverse Discrete Fourier Series
% xn = One period of periodic signal over n
% Xk = DFS coeff. array over k
n = k;
N = length(n);         % Fundamental period
WN = exp(-1j*2*pi/N);  % Wn factor
nk = n' * k;           % creates a N by N matrix of nk values
WNnk = WN .^ (-nk);    % DFS matrix
xn = (Xk * WNnk) / N;  % row vector for DFS coefficients
end

来看一个例子。现有一个离散周期信号\(\tilde{x}(n)\)，其周期为\(N\)，某个周期片段如下：从\(-N_1\)到\(N_1\)的值为\(1\)，其余为\(0\)，即一个周期\(N\)内，有\(2N_1+1\)个时间点的值为\(1\)。如下的代码取周期信号\(\tilde{x}(n)\)在一个周期的片段\(x(n)\)，使用dfs函数计算傅里叶级数系数，本例得到的频谱系数都是实数。最后绘制信号及其频谱，它们都是周期的，在代码中是通过周期延拓得到的。

N = 20;
N1 = 2; n1 = -N1; n2 = N - N1 - 1; n = n1:n2;

% xn为一个周期片段
xn = [ones(1, 2*N1+1), zeros(1, N-2*N1-1)];
[Xk, k] = dfs(xn, n1, n2);

% 延拓成3个周期
xnh = [xn, xn, xn];
nh = [n-length(n), n, n+length(n)];
Xkh = [Xk, Xk, Xk];
kh = [k-length(k), k, k+length(k)];

% 绘制周期信号的图像
subplot(2, 1, 1); stem(nh, xnh, '.'); line([min(nh), max(nh)], [0, 0]);
axis([min(nh), max(nh), min(xnh)-1, max(xn)+1]);
% 绘制周期信号的频谱图
subplot(2, 1, 2); stem(kh, real(Xkh), '.'); line([min(kh), max(kh)], [0, 0]);
axis([min(real(kh)), max(kh), min(real(Xkh))-1, max(real(Xkh))+1]);

得到的图像如下：

读者可以尝试增大\(N\)的值，看频谱图如何变化。

离散时间傅里叶变换（DTFS）

离散时间非周期信号可以表示为不同频率的指数信号的加权和，它的频谱是连续的，用离散时间傅里叶变换（discrete-time Fourier transform, DTFT）描述，后面简称DTFT。和连续信号的分析方法类似，不断增大周期信号的周期\(N\)，频谱会越来越密集，这一点可以使用上面的代码验证。当\(N \to \infty\)时，频谱由离散变为连续，周期信号变为非周期信号，傅里叶级数转化为傅里叶变换。得到了如下的傅里叶变换公式对

\[ x(n) = \frac{1}{2\pi} \int_{2\pi} X(e^{j\omega}) e^{j \omega n} d\omega \]

\[ X(e^{j\omega}) = \sum_{n=-\infty}^{+\infty} x(n) e^{-j \omega n} \]

从DTFT得到的频谱\(X(e^{j\omega})\)是连续函数，由于\(\omega_0\)相差\(2\pi\)的两个复指数信号是一样的，所以\(X(e^{j\omega})\)是周期函数，周期为\(2\pi\)。也就是说，离散时间非周期信号的频谱是连续的、周期的。频谱中靠近偶数倍\(\pi\)的\(\omega\)，对应的是低频率的信号；而靠近奇数倍\(\pi\)的\(\omega\)，对应的则是高频率的信号。

举个例子，取上图中周期信号的一个片段：\(n\)从\(-2\)取到\(17\)，一共取\(N=20\)个点。那么该信号的DTFT计算如下：

\[ \begin{align*} X(e^{j\omega}) & = \sum_{n=-2}^{17} x(n) e^{-j \omega n} = \sum_{n=-2}^{2} e^{-j \omega n} \\ & = e^{j 2\omega} + e^{-j 2\omega} + e^{j \omega} + e^{-j \omega} + 1 \\ & = 2 \cos 2\omega + 2 \cos \omega + 1 \end{align*} \]

一般来说\(X(e^{j\omega})\)是复函数，但此例中得到的是实函数，可直接画出它的图像，注意横轴标度是以\(\pi\)为单位。

DTFS与DFS的关系

与图2的频谱图作对比可发现，频谱图的包络线就是本例中的周期连续函数\(X(e^{j\omega})\)。实际上，可以证明，将任意非周期函数\(x(n)\)的离散时间傅里叶变换\(X(e^{j\omega})\)作等间隔采样，可得到\(x(n)\)的周期延拓\(\tilde{x}(n)\)的傅里叶级数系数\(\tilde{X}(k)\)，采样间隔为\(2\pi/N\)，即

\[ \tilde{X}(k) = X(e^{j\omega}) \mid_{\omega = \frac{2\pi}{N} k} \]

令\(\omega_1=2\pi / N\)，\(\omega_k = k \omega_1\)，上述关系还可以记为

\[ \tilde{X}(k) = X(e^{j \omega_k}) = X(e^{j k \omega_1}) \]

DTFS与DFS的这种关系是后续引入离散傅里叶变换（discrete Fourier transform, DFT）的关键。

辛未羊的网络日志