查看“︁离散傅里叶变换”︁的源代码

{| class="wikitable" style="float:right; width:320px; margin-left:1em;"
|+ style="font-weight:bold; font-size:1.2em;" | 技术词条：离散傅里叶变换 (DFT)
|-
! 英文名称
| Discrete Fourier Transform
|-
! 核心定义
| 有限长离散序列的时频映射变换
|-
! 物理本质
| DTFT 频谱在频域的等间隔采样
|-
! 计算复杂度
| <math>O(N^2)</math>（直接计算）/ <math>O(N \log N)</math>（FFT）
|-
! 根本目标
| 实现连续信号频谱在数字化设备上的运算与分析
|}

== 概述 ==
'''离散傅里叶变换'''（Discrete Fourier Transform, DFT）是数字信号处理（DSP）的基石。由于计算机无法直接处理连续信号或无限长序列，DFT 通过将时域和频域同时进行离散化与有限化，使得复杂的频谱分析能够通过数值运算实现。

DFT 的核心物理意义在于：它将一段长度为 <math>N</math> 的时域信号分解为 <math>N</math> 个正交的离散频率分量。这不仅是一种数学变换，更是现代通信（如 5G、Wi-Fi）及多媒体压缩（如 MP3、JPEG）的底层逻辑。

== 数学定义与物理演算 ==

=== 1. 正变换与逆变换 ===
设 <math>x[n]</math> 为长度为 <math>N</math> 的有限长序列，其 DFT 定义为：
<center><math>X[k] = \sum_{n=0}^{N-1} x[n] W_N^{kn}, \quad k = 0, 1, \dots, N-1</math></center>
其对应的逆变换（IDFT）为：
<center><math>x[n] = \frac{1}{N} \sum_{k=0}^{N-1} X[k] W_N^{-kn}, \quad n = 0, 1, \dots, N-1</math></center>

其中 <math>W_N = e^{-j\frac{2\pi}{N}}</math> 被称为'''旋转因子'''（Twiddle Factor）。

=== 2. 隐含的周期性（关键理解点） ===
虽然 DFT 处理的是有限长序列，但其数学本质上隐含了'''周期性延拓'''。
* 时域序列 <math>x[n]</math> 被视作以 <math>N</math> 为周期的周期信号的一个主值区间。
* 频域序列 <math>X[k]</math> 同样是以 <math>N</math> 为周期的。
这一特性直接导致了“圆周卷积”现象的产生。

== 核心定理与性质 ==

# '''线性 (Linearity)'''：满足叠加原理，<math>DFT[ax_1 + bx_2] = aX_1 + bX_2</math>。
# '''圆周卷积定理 (Circular Convolution Theorem)'''：
#* 时域的圆周卷积对应频域的乘积：<math>x_1[n] \circledast x_2[n] \longleftrightarrow X_1[k] \cdot X_2[k]</math>。
#* '''重要应用'''：这是利用 FFT 实现快速长卷积（如 FIR 滤波）的理论依据。
# '''帕塞瓦尔定理 (Parseval's Theorem)'''：
#* 揭示了能量守恒：<math>\sum_{n=0}^{N-1} |x[n]|^2 = \frac{1}{N} \sum_{k=0}^{N-1} |X[k]|^2</math>。

== 工程实战中的关键参数 ==

{| class="wikitable" style="width:100%"
! 现象/指标 !! 物理本质 !! 应对策略
|-
| '''频率分辨率''' <math>\Delta f</math> || <math>\Delta f = f_s / N</math>。取决于信号的观测时长 <math>T</math>。 || 增加有效采样长度（而非简单的补零）。
|-
| '''频谱泄漏''' || 矩形窗截断导致的频谱旁瓣扩散。 || 使用汉宁窗（Hanning）或汉明窗（Hamming）进行加窗处理。
|-
| '''栅栏效应''' || 离散采样导致只能看到特定频点的数值。 || 在时域末尾'''补零 (Zero Padding)'''，使频谱包络更平滑。
|-
| '''混叠 (Aliasing)''' || 采样频率不满足香农定理。 || 提高采样率或增加抗混叠模拟滤波器。
|}

== DFT 与 FFT 的关系 ==

* '''DFT''' 是数学公式：计算量为 <math>O(N^2)</math>，随 <math>N</math> 增大计算量呈平方级增长。
* '''FFT''' 是高效算法：利用旋转因子的对称性（<math>W_N^{k+N/2} = -W_N^k</math>）和周期性，将计算量降至 <math>O(N \log N)</math>。
* '''结论'''：FFT 并没有改变 DFT 的数学结果，它只是让大规模计算变得可行。

== 常见误区与注意事项 ==

# '''补零不增加分辨率'''：补零（Zero Padding）只是增加了频域采样的密度，类似于插值，它能减小栅栏效应，但不能分辨距离更近的两个真实谱峰。
# '''线性卷积 vs 圆周卷积'''：直接对两个序列做 DFT 乘积再 IDFT 得到的是圆周卷积。若要实现线性卷积，必须先将两个序列补零至长度 <math>L \ge N_1 + N_2 - 1</math>。
# '''负频率的意义'''：对于实信号，DFT 结果具有共轭对称性。频谱的后半部分（<math>N/2</math> 以后）实际上对应着负频率成分，通常在展示单边谱时只取前半部分并进行幅值修正。

== 参见 ==
* [[快速傅里叶变换]] (FFT)
* [[离散时间傅里叶变换]] (DTFT)
* [[窗函数]]
* [[采样定理]]

[[Category:数字信号处理]]
[[Category:应用数学]]