周期信号的傅里叶级数和傅里叶系数如下所示
对于非周期信号,我们也想得到其频谱,为了得到非周期信号的频谱,可以将非周期信号可以看作周期无穷大的信号。下图展示了当一个周期信号的周期不断增大时,频谱的变化规律。
可以看到,当周期 \(T\) 增大,谱线高度将减小(这是由于随着周期增大,信号在时域上变得稀疏,信号的平均功率将减小),取极限后得到的每条谱线的高度都是0。为了解决这个问题,我们将(2)式两端乘以 \(T\)。我们知道,在离散频谱中,相邻两条谱线的间隔是 \(\Omega\),而 \(T=\frac{2\pi}{\Omega}\),所以将(2)式两端乘以 \(T\) 就是将谱线除以它所占据的频带宽度再乘以\(2\pi\),因此得到的是频谱密度,如下图所示。
可以看到,随着周期增大,密度曲线逐渐趋于光滑,但是曲线的高度不会发生改变。当周期趋于无穷大时,密度曲线变成了完全光滑的曲线。
由于当周期趋于无穷大时,谱线间隔 \(\Omega\) 趋于无穷小,因此谐波频率 \(n\Omega\) 可以取到实数中的任意频率,用 \(\omega\) 代替(2)式中的 \(n\Omega\),于是我们得到了非周期信号的傅里叶变换。
根据(1)式可以推导出非周期信号的傅里叶反变换
傅里叶反变换的式子也映证了“傅里叶变换得到的是频谱密度”这一物理含义
附: 频谱密度作图代码
import numpy as np
import matplotlib.pyplot as plt
tao = 1
T = 4*tao # 通过这一行修改周期大小
Omega = 2*np.pi/T
n_max = int(14/(Omega*tao))+1
def Sa(w):
if w == 0:
sa = 1
else:
sa = np.sin(w)/w
return sa
def F(n):
return (tao/T)*Sa((n*Omega*tao)/2)
omega = []
dense = []
for n in range(-1*n_max,n_max+1):
omega.append(n*Omega-Omega/2)
omega.append(n*Omega)
omega.append(n*Omega+Omega/2)
dense.append(F(n)*2*np.pi/Omega)
dense.append(F(n)*2*np.pi/Omega)
dense.append(F(n)*2*np.pi/Omega)
plt.figure(figsize=(6,2))
plt.plot(omega,dense)
plt.axhline(y=0,color='black')
plt.show()