非整数倍频的余弦函数DFT与OCT思考

最新推荐文章于 2023-12-05 22:05:33 发布

原创

最新推荐文章于 2023-12-05 22:05:33 发布 · 置顶 · 771 阅读

标签

#傅立叶分析 #信号处理

本文聚焦非整数倍频的余弦函数傅里叶变换，涵盖周期连续变换、离散序列变换等内容，推导了相关公式，如整数倍频率余弦函数DFT等。还通过Python验证结果，最后探讨了其在频域OCT方面的应用，分析了光程差变化对离散傅里叶变换结果的影响。

非整数倍频的余弦函数傅里叶变换

周期连续的变换

第n阶傅里叶级数可以写成
$\frac{1}{T}\int_{-\pi/w}^{\pi/w}f(t)e^{-jnwt}dt$

假设
$A_{n0}cos(n_0wt+\psi(t))$
其中 $ψ(t)=δwt\psi(t)=\delta wt$ , $δ\delta$ 的绝对值远小于1, $n$ 为整数

先来求
$2\int f(t)e^{-jnwt}dt =\\ = 2\int A_{n0} cos(n_0wt+\psi(t)) e^{-jnwt}dt\\ = 2A_{n0}\int \frac{ e^{j(n_0wt+\psi(t))} + e^{-j(n_0wt+\psi(t))} }{2} e^{-jnwt}dt \\ =A_{n0}\int (e^{j(n_0wt+\psi(t) - nwt)} + e^{-j(n_0wt+\psi(t) + nwt )} ) dt \\ = A_{n0}\int e^{j(n_0wt+\psi(t) - nwt)}dt + A_{n0}\int e^{-j(n_0wt+\psi(t) + nwt )}dt \\ =A_{n0}\int e^{j((n_0-n)wt+\psi(t))}dt + A_{n0}\int e^{-j((n_0+n)wt+\psi(t) )}dt \\ =A_{n0}\int e^{j(n_0-n + \delta)wt }dt + A_{n0}\int e^{-j(n_0+n + \delta)wt}dt \\ =A_{n0} \frac{e^{j(n_0-n + \delta) wt}}{j(n_0-n + \delta) w} + A_{n0} \frac{e^{-j(n_0+n + \delta)wt}}{-j(n_0+n + \delta)w} \\ =A_{n0} \{ \frac{e^{j(n_0-n + \delta) wt}}{j(n_0-n + \delta) w} + \frac{e^{-j(n_0+n + \delta)wt}}{-j(n_0+n + \delta)w} \} \\$
根据上式 $A_{n0}cos(n_0wt+\psi(t))$ 的 $n$ (整数)阶傅里叶级数可写成:
$\frac{1}{T}\frac{1}{2}2\int_{-\pi/w}^{\pi/w}f(t)e^{-jnwt}dt = \\ = \frac{w}{2\pi}\frac{1}{2}\int_{-\pi/w}^{\pi/w}2A_{n0}cos(n_0wt+\psi(t))e^{-jnwt}dt \\ =\frac{w}{4\pi} A_{n0} \{ \frac{e^{j(n_0-n + \delta) wt}}{j(n_0-n + \delta) w} + \frac{e^{-j(n_0+n + \delta)wt}}{-j(n_0+n + \delta)w} \} |_{t=-\pi/w}^{t=\pi/w} \\ =\frac{1}{4\pi} A_{n0} \{ \frac{e^{j(n_0-n + \delta) \pi} - e^{-j(n_0-n + \delta) \pi}}{j(n_0-n + \delta) } + \frac{e^{-j(n_0+n + \delta)\pi} - e^{j(n_0+n + \delta)\pi}}{-j(n_0+n + \delta)} \} \\ =\frac{1}{4\pi} A_{n0} \{ \frac{ 2jsin((n_0-n + \delta) \pi) }{j(n_0-n + \delta) } + \frac{ -2jsin((n_0+n + \delta)\pi) }{-j(n_0+n + \delta)} \} \\ =\frac{1}{2\pi} A_{n0} \{ \frac{ sin((n_0-n ) \pi +\delta\pi) }{ n_0-n + \delta } + \frac{ sin((n_0+n)\pi + \delta\pi ) }{ n_0+n + \delta } \} \\ =\frac{1}{2\pi} A_{n0} \{ \frac{ sin(2n\pi + (n_0-n ) \pi +\delta\pi) }{ n_0-n + \delta } + \frac{ sin((n_0+n)\pi + \delta\pi ) }{ n_0+n + \delta } \} \\ =\frac{1}{2\pi} A_{n0} \{ \frac{ sin( (n_0+n ) \pi +\delta\pi) }{ n_0-n + \delta } + \frac{ sin((n_0+n)\pi + \delta\pi ) }{ n_0+n + \delta } \} \\ =\frac{1}{2\pi} A_{n0} \{ \frac{ 1 }{ n_0-n + \delta } + \frac{ 1 }{ n_0+n + \delta } \}sin((n_0 + n + \delta )\pi ) \\ =\frac{1}{2\pi} A_{n0} \frac{ n_0+n + \delta + n_0-n + \delta }{ (n_0-n + \delta) (n_0+n + \delta) } sin((n_0 + n + \delta )\pi ) \\ =\frac{1}{\pi} A_{n0} \frac{ n_0 + \delta }{ (n_0-n + \delta) (n_0+n + \delta) } sin((n_0 + n + \delta )\pi ) \\$

离散序列的变换

将 $e−j2πnkNe^{-j\frac{2\pi nk}{N}}$ 记为 $W_N^{nk}$ ,其中,n,k都为小于N的整数

N个数值的序列 $x_n$ DFT 可以写成:
$A_k=\frac{1}{N}\sum_{n=0}^{N-1}x_nW_N^{nk}$

整数倍频率余弦函数DFT

$DFT(A_{k_0}cos(\frac{2 \pi nk_0}{N})) = \\ = \sum_{n=0}^{N-1}A_{k_0}cos(\frac{2 \pi nk_0}{N})W_N^{nk} \\ = \frac{1}{2} A_{k_0} \sum_{n=0}^{N-1} (W_N^{nk_0} + W_N^{-nk_0}) W_N^{nk} \\ = \frac{1}{2} A_{k_0} \sum_{n=0}^{N-1} W_N^{n(k_0-k)} + \frac{1}{2} A_{k_0} \sum_{n=0}^{N-1} W_N^{-n(k_0-k)} \\$

根据下面的 e^j(2 pi xk/N) 的周期求和 可知道
$DFT(A_{k_0}cos(\frac{2 \pi nk_0}{N})) = \{ \frac{N A_{k_0} }{2} \ \ k_0阶, \ \ 0 \ \ 其它k值 \} \ \ \ \ 式(1)$

e^j(2 pi xk/N) 的周期求和

当k不等于0时，对 $W_N^{nk}$ 周期求和为 $∑n=0N−1WNnk\sum_{n=0}^{N-1} W_N^{nk}$ ：

$W_N^{k} \sum_{n=0}^{N-1} W_N^{nk} - \sum_{n=0}^{N-1} W_N^{nk} = \\ = (W_N^{k} - 1) \sum_{n=0}^{N-1} W_N^{nk} \\ = \sum_{n=0}^{N-1} W_N^{(n+1)k} - \sum_{n=0}^{N-1} W_N^{nk} \\ = W_N^{Nk}-W_N^{0k} \\ = W^{k}-1 \\ = 0$

最低0.47元/天解锁文章