信号运算详解——傅立叶变换/拉普拉斯变换/Z变换

• fourier变换是将连续的时间域信号转变到频率域；它可以说是laplace变换的特例,laplace变换是fourier变换的推广,存在条件比fourier变换要宽,是将连续的时间域信号变换到复频率域（整个复平面,而fourier变换此时可看成仅在jΩ轴）；z变换则是连续信号经过理想采样之后的离散信号的laplace变换,再令z=e^sT时的变换结果（T为采样周期）,所对应的域为数字复频率域,此时数字频率ω=ΩT.
• 傅里叶变换的实质是将一个信号分离为无穷多多正弦/复指数信号的加成，也就是说，把信号变成正弦信号相加的形式——既然是无穷多个信号相加，那对于非周期信号来说，每个信号的加权应该都是零——但有密度上的差别，你可以对比概率论中的概率密度来思考一下——落到每一个点的概率都是无限小，但这些无限小是有差别的。所以，傅里叶变换之后，横坐标即为分离出的正弦信号的频率，纵坐标对应的是加权密度。对于周期信号来说，因为确实可以提取出某些频率的正弦波成分，所以其加权不为零——在幅度谱上，表现为无限大——但这些无限大显然是有区别的，所以我们用冲激函数表示。已经说过，傅里叶变换是把各种形式的信号用正弦信号表示，因此非正弦信号进行傅里叶变换，会得到与原信号频率不同的成分——都是原信号频率的整数倍。这些高频信号是用来修饰频率与原信号相同的正弦信号，使之趋近于原信号的。所以说，频谱上频率最低的一个峰（往往是幅度上最高的），就是原信号频率。傅里叶变换把信号由时域转为频域，因此把不同频率的信号在时域上拼接起来进行傅里叶变换是没有意义的——实际情况下，我们隔一段时间采集一次信号进行变换，才能体现出信号在频域上随时间的变化。 
  （另一种说法）对于周期函数f，傅立叶变换就是把这个函数分解成很多个正弦函数fn的和，每个fn的频率是f的n倍。所谓二次谐波，就是函数f2的频率为f两倍的那个函数。 
  （另二种说法）周期信号的傅里叶级数的意义是信号在每一个离散频率分量处的幅度；非周期信号的傅里叶变换可以理解为周期无穷大的周期信号的傅里叶级数。这时，离散的频率逐渐变成了连续的频率，某一点频率处的频谱密度值是没有意义的，如同概率密度函数，你只有求那一点附近一小段频率内与频谱密度函数形成的面积值才有意义，才表示了信号在那一频率点的幅度。

• 快速傅立叶变换（FTT）

• 音频处理里面常用。就是把波形（时域信号）变换到频域，使得用户更好的分析。而FFT是DFT的一种高效快速算法。快速傅立叶变换算法的原理是离散傅氏变换的快速算法，它是根据离散傅氏变换的奇、偶、虚、实等特性，对离散傅立叶变换的算法进行改进获得的。它对傅氏变换的理论并没有新的发现，但是对于在计算机系统或者说数字系统中应用离散傅立叶变换，可以说是进了一大步。 设x(n)为N项的复数序列，由DFT变换，任一X（m）的计算都需要N次复数乘法和N-1次复数加法，而一次复数乘法等于四次实数乘法和两次实数加法 ，一次复数加法等于两次实数加法，即使把一次复数乘法和一次复数加法定义成一次“运算”（四次实数乘法和四次实数加法），那么求出N项复数序列的X（m）,即N点DFT变换大约就需要N2次运算。当N=1024点甚至更多的时候，需要N2=1048576次运算，在FFT中，利用WN的周期性和对称性，把一个N项序列（设N=2k,k为正整数），分为两个N/2项的子序列，每个N/2点DFT变换需要（N/2）2次运算，再用N次运算把两个N/2点的DFT变换组合成一个N点的DFT变换。这样变换以后，总的运算次数就变成N+2（N/2）2=N+N2/2。继续上面的例子，N=1024时，总的运算次数就变成了525312次，节省了大约50%的运算量。而如果我们将这种“一分为二”的思想不断进行下去，直到分成两两一组的DFT运算单元，那么N点的DFT变换就只需要Nlog2N次的运算，N在1024点时，运算量仅有10240次，是先前的直接算法的1%，点数越多，运算量的节约就越大，这就是FFT的优越性。
  ————————————————
   

最后

以上就是时尚高跟鞋为你收集整理的信号运算详解——傅立叶变换/拉普拉斯变换/Z变换的全部内容，希望文章能够帮你解决信号运算详解——傅立叶变换/拉普拉斯变换/Z变换所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。