离散傅里叶变换

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	$O(N^2)$（直接计算）/ $O(N\log N)$（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 $N$ 的时域信号分解为 $N$ 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 $x[n]$ 为长度为 $N$ 的有限长序列，其 DFT 定义为：

$X[k]=\sum _{n=0}^{N-1}x[n]W_N^{kn},k=0,1,\dots ,N-1$

其对应的逆变换（IDFT）为：

$x[n]=\frac{1}{N}\sum _{k=0}^{N-1}X[k]W_N^{-kn},n=0,1,\dots ,N-1$

其中 $W_N=e^{-j\frac{2\pi }{N}}$ 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 $x[n]$ 被视作以 $N$ 为周期的周期信号的一个主值区间。
• 频域序列 $X[k]$ 同样是以 $N$ 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

1. 线性 (Linearity)：满足叠加原理，$DFT[a{x}_1+b{x}_2]=a{X}_1+b{X}_2$。
2. 圆周卷积定理 (Circular Convolution Theorem)：
   • 时域的圆周卷积对应频域的乘积：$x_1[n]⊛x_2[n]⟷X_1[k]\cdot X_2[k]$。
   • 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。
3. 帕塞瓦尔定理 (Parseval's Theorem)：
   • 揭示了能量守恒：$\sum _{n=0}^{N-1}|x[n]{|}^2=\frac{1}{N}\sum _{k=0}^{N-1}|X[k]{|}^2$。

工程实战中的关键参数

现象/指标	物理本质	应对策略
频率分辨率 $\Delta f$	$\Delta f=f_s/N$。取决于信号的观测时长 $T$。	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 $O(N^2)$，随 $N$ 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（$W_N^{k+N/2}=-W_N^k$）和周期性，将计算量降至 $O(N\log N)$。
• 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

1. 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。
2. 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 $L\ge N_1+N_2-1$。
3. 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（$N/2$ 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