从《从傅里叶到小波 1》给出了傅里叶公式的三角函数和形式,并且通过欧拉公式作为桥,将实数平面的三角函数和映射到了复平面上,于是在《从傅里叶到小波 2》中,有了我们常见的以复指数形式表达的傅里叶公式形式,并且给出了正交性的结论与表达方法。
在本章中,我们将试图证明傅里叶函数的收敛与收敛条件。如果傅里叶级数无法收敛,那么对于给定周期函数f(t),我们就无法从数学定义上证明傅里叶级数可以拟合f(t)。
关于傅里叶级数的收敛性
这里我们将给出关于傅里叶级数收敛的证明,正如在之前的文章中所说,如果级数无法收敛,那么级数就没有应用的意义,我们之所以能使用这个数学工具去分析周期信号,就是因为傅里叶级数收敛这个关键因素。
通常,用纯数学的方法证明级数收敛,会使用L2平面和正余弦函数的正交性作为切入点,并且给出很多页的证明,论证收敛的充分必要条件,我们这里不打算采用这样的方法去证明,因为这篇《从傅里叶到小波》我们只打算做一些类似科普,或者说比科普稍微深入一点的说明,所以我们打算使用一种不完全的证明方法,以证明对于连续可积信号,它会满足这样一些性质或者说特征,使得傅里叶级数收敛。
首先,我们给出正弦函数的标准形式: ,其中,A表示函数的振幅,n是角频率, 是相位,C是Y轴平移量。我们知道,无论修改 还是C,只会修改正弦函数在笛卡尔坐标里,XY轴上的位置,而对A的修改只是修改了正弦函数的振荡区间但不改变其频率,对频率真正有影响的,只有对n的修改,并且满足n值越大,频率越高的特点。
所以,我们如果用程序绘制不同频率的正弦函数,会得到这样一个图形:
因此如果对函数在正区间内进行积分,在一个 周期内,其积面积,必然与振幅A正相关,而与角频率负相关,所以我们可以得到:
因此,当 ,在正弦函数一个周期 内的积分就趋近于0,由于负轴方向也是一样的方法,所以,随着角频率的增大,正弦函数的积分趋近于0.
参考资料:
[1] “The wavelet tutorial”, Robi Polikar, January 12, 2001.
傅里叶分析与非周期信号
从热力学的角度看,这个世界不存在无限振荡的周期信号,即便是一个正弦信号,也会因为能量衰减,到最后某一时刻信号消失。所以说,正余弦信号,是理想的信号,因为它在正负轴无限延长,并且不存在能量衰减。
所以,严格来说,我们无法对非周期信号,或者有能量衰减的信号使用傅里叶分析。但是通过一些特殊的处理方法,我们可以让这些信号适用于傅里叶分析。
如果有一个非周期信号, 可以通过复制信号,使之成为周期信号,于是可以通过傅里叶分析获得信号包含的频率信息。这就是我们分析非周期信号常用的技巧。
如何阅读傅里叶频谱图
傅里叶分析由于对于信号进行了完整的时域分析,于是可以得出信号包含的全部频率信息。例如对于50Hz的正弦信号,通过FFT(Fast Fourier Transform)可以获得一个频谱图如下:
由于FFT算法采用蝶形计算,所以对比DFT(Discret Fourier Transform),它的图形是对称的(这也是因为傅里叶级数是关于实轴对称的共轭复数,所以为了快速计算,算法设计者只处理了一半的数据),实际上我们只需要关心其图形的一半。坐标轴X上的数值表示对应第50个维度的地方,就是50Hz频率所在位置,因此,X轴也被称为正弦信号的频率。
而纵轴Y轴,数的含义则没有意义,参考傅里叶公式,我们可以知道由复数形式表示的傅里叶级数,其系数是一个包含了振幅、相位等信息的常熟,某些地方Y轴也被成为正弦信号的加权常数。
所以对于频率图来说,我们只关心在具体频率分量位置,是否常数>0。>0时,表示该频率存在,否则就是没有频率。在傅里叶频谱图上,当某个位置出现一个峰值时(peak),就说明在那个位置是有信号的。
那么,使用FFT之后,x轴上每个样本的频率是怎么计算的呢?
是指信号采样率,时间为分钟,即你的程序是1分钟采样多少次数据, 是复数数组长度,比如你用1024长的复数数组计算某个信号的频率,n是对应的bin的频率。例如,采样率为1024Hz,FFT数组长度也是1024,那么对于:
bin 1
0 Hz
bin 2
1 Hz
……
这些知识点对于二维是一样的,所以很容易扩展到二维甚至高维情况。