从函数空间的角度重新理解傅里叶变换

文章目录

  • 函数空间
    • 向量空间
    • 投影
    • 指数形式的傅里叶级数
    • 其他形式的投影
    • 傅里叶变换
    • 短时傅里叶变换(STFT)、Gabor变换与小波变换
      • 短时傅里叶变换
      • Gabor变换
      • 小波变换
      • 不确定性原理
    • Paley-Wiener理论
      • Paley-Wiener Condition 或者 Paley-Wiener Criterion
      • Paley-Wiener Theorem
      • 陶哲轩(Terrence Tao)的解释
  • 参考

在《信号与系统》中,作者从高数课本里的傅里叶级数开始推理,得到级数系数的表达式,再将原函数的周期推广到无限,得到傅里叶变换。整个过程在运算上很严谨,但是也很冗杂、不本质、乃至于难以理解

然而如果从函数空间的角度来理解傅里叶变换,它就会显得简单、优雅而本质 – 原来,傅里叶级数和傅里叶变换只不过是函数在特定的三角函数集合上的投影

下面我将从一名工科生的视角出发,试图从函数空间的角度来优雅地理解傅里叶级数

函数空间

认识了向量空间,也就认识了函数空间。因为向量空间到函数空间之间只差一步–把函数看成向量

所以我们先看向量空间

向量空间

函数空间似乎是数学系学生才比较熟悉的领域,对于工科生而言则比较陌生。其实这些概念的思想深刻而简洁,可以用简短的语言解释:

在一个集合上定义一些运算,这个"集合+运算"就称之为空间

在空间内定义加法和乘法,并满足八条运算性质,称为线性空间

定义了距离的空间,称为度量空间。范数(norm)是一种特殊的距离(范数有四个条件,距离只有三个条件,比度量多一个数乘条件),定义了范数的空间称之为赋范(normd)空间

度量空间和线性空间是两种很基本的空间,可以认为两者“正交”

赋范空间和线性空间叠加在一起就是赋范线性空间(或者Banach空间,Banach空间和赋范线性空间空间这两个概念很接近,前者比后者稍特殊。Banach空间的主要例子是勒贝格空间 L p L^p Lp: p次可积函数构成的空间)

赋范线性空间的基础上定义角度(或者内积,两者等价)也就是内积空间(或者Hilbert空间,Hilbert空间和内积空间两个概念很接近,前者比后者稍特殊)

Euclidean空间是最简单的Hilbert空间

这几者的关系如下图所示

各种空间

那么怎么由向量空间过渡到函数空间呢?只需要记住,线性空间中的元素都可以被称为向量,当这些向量是函数时,就成为了函数空间。研究此类函数向量空间的学科也就是泛函分析

当然,在数学家眼中,向量和数字的概念一样,都是抽象的,并不依赖于其表达的实际含义。中向量的元素是可数的,当我们把一个向量中的元素数量扩展到无穷的时候,向量就变成了函数。我们同样可以仿照之前给出的定义,对函数空间定义范数、内积、正交。
https://zhuanlan.zhihu.com/p/338428121

以空间 C [ a , b ] C[a,b] C[a,b](C的意思是continution连续)为例,连续函数的内积可以定义为

< f , g > = ∫ a b f ( t ) g ( t ) d t <f,g> = \int_a^bf(t)g(t)dt <f,g>=abf(t)g(t)dt

两函数正交的含义是:

< f , g > = 0 <f,g>=0 <f,g>=0

其L2范数是

∣ ∣ f ∣ ∣ 2 = ( ∫ a b f 2 ( t ) d t ) 1 2 ||f||_2=(\int_a^bf^2(t)dt)^{\frac{1}{2}} ∣∣f2=(abf2(t)dt)21

在向量空间中,有基与正交基的概念,同样地,在函数空间中也有相应的基与正交基的概念。例如下面的三角函数系就是一族基,并且是正交基

{ 1 , cos ⁡ t , cos ⁡ 2 t , ⋯ , cos ⁡ n t , sin ⁡ t , sin ⁡ 2 t , ⋯ , sin ⁡ n t } \{1, \cos t, \cos 2 t, \cdots, \cos n t, \sin t, \sin 2 t, \cdots, \sin n t\} {1,cost,cos2t,,cosnt,sint,sin2t,,sinnt}

为什么是正交基呢?因为它们在上面定义的内积下,内积为0,即:

< f , g > = ∫ 0 2 π f ( t ) g ( t ) d t = 0 <f,g>=\int_0^{2\pi}f(t)g(t)dt=0 <f,g>=02πf(t)g(t)dt=0

称上面的三件函数构成的集合为W,显然W是 C [ 0 , 2 π ] C[0,2\pi] C[0,2π]的子空间(C[0,2pi]是区间上的所有连续函数构成的空间,非常广)

投影

我们知道,一个向量可以投影到另一个向量上,例如,向量 a ⃗ \vec{a} a 投影到向量 b ⃗ \vec{b} b 上,那么投影的模长是:

∣ a ∣ c o s θ = a ⃗ b ⃗ ∣ b ∣ |a|cos\theta=\frac{\vec{a}\vec{b}}{|b|} acosθ=ba b

相应的函数f投影到函数g上,模长是

∣ ∣ f ∣ ∣ c o s θ = < f , g > ∣ ∣ g ∣ ∣ = ∫ f ( t ) g ( t ) d t ∫ g 2 ( t ) d t ||f||cos\theta =\frac{<f,g>}{||g||}=\frac{\int f(t)g(t)dt}{\int g^2(t)dt} ∣∣f∣∣cosθ=∣∣g∣∣<f,g>=g2(t)dtf(t)g(t)dt

有没有感觉右边这个式子很熟悉?在广义柯西施瓦茨不等式中见到过

在上面的例子中, W ⊂ C [ 0 , 2 π ] W\subset C[0,2\pi] WC[0,2π],因此可以把C空间中的任意函数 f f f往W空间中投影,并且用W中的基底函数的线性组合表示 f f f

例如,把某函数f投影到 cos ⁡ k t \cos kt coskt上,coskt这个基底对应的模长就是

a k = ∣ ∣ f ∣ ∣ c o s θ = < f , c o s k t > ∣ ∣ c o s k t ∣ ∣ = ∫ 0 2 π f ( t ) c o s k t d t ∫ 0 2 π c o s 2 ( k t ) d t a_k=||f||cos\theta = \frac{<f,coskt>}{||coskt||}=\frac{\int_0^{2\pi} f(t)cos ktdt}{\int_0^{2\pi} cos^2(kt)dt} ak=∣∣f∣∣cosθ=∣∣coskt∣∣<f,coskt>=02πcos2(kt)dt02πf(t)cosktdt

投影到sinkt上,则

b k = ∣ ∣ f ∣ ∣ s i n θ = < f , s i n k t > ∣ ∣ s i n k t ∣ ∣ = ∫ 0 2 π f ( t ) s i n k t d t ∫ 0 2 π s i n 2 ( k t ) d t b_k=||f||sin\theta = \frac{<f,sinkt>}{||sinkt||}=\frac{\int_0^{2\pi} f(t)sin ktdt}{\int_0^{2\pi} sin^2(kt)dt} bk=∣∣f∣∣sinθ=∣∣sinkt∣∣<f,sinkt>=02πsin2(kt)dt02πf(t)sinktdt

通过计算可以得到

⟨ cos ⁡ k t , cos ⁡ k t ⟩ = ⟨ sin ⁡ k t , sin ⁡ k t ⟩ = π \langle\cos k t, \cos k t\rangle=\langle\sin k t, \sin k t\rangle=\pi coskt,coskt=sinkt,sinkt=π

也就是

a k = 1 π ∫ 0 2 π f ( t ) cos ⁡ k t d t , b k = 1 π ∫ 0 2 π f ( t ) sin ⁡ k t d t a_k=\frac{1}{\pi} \int_0^{2 \pi} f(t) \cos k t d t, \quad b_k=\frac{1}{\pi} \int_0^{2 \pi} f(t) \sin k t d t ak=π102πf(t)cosktdt,bk=π102πf(t)sinktdt

上边的 a k a_k ak b k b_k bk,就是任意函数f从空间C[0,2pi]往空间W中投影时,f投影在W的各个基底上的模长

将以上所有的分量向量("分量"函数)加和(也就是平行四边形法则)就得到了原向量(原函数),这些分量就是f的傅里叶级数

f ( t ) = a 0 2 + ∑ k = 1 ∞ ( a k cos ⁡ k t + b k sin ⁡ k t ) f(t)=\frac{a_0}{2}+\sum_{k=1}^{\infty}\left(a_k \cos kt+b_k \sin k t\right) f(t)=2a0+k=1(akcoskt+bksinkt)

指数形式的傅里叶级数

由于

cos ⁡ θ = e i t + e − i t 2 , sin ⁡ θ = e i t − e − i t 2 i \cos \theta=\frac{e^{i t}+e^{-i t}}{2}, \quad \sin \theta=\frac{e^{i t}-e^{-i t}}{2 i} cosθ=2eit+eit,sinθ=2ieiteit

带入到周期为2l的f的傅里叶级数展开中,运算得到

f ( x ) = ∑ n = − ∞ ∞ c k e i k π x l , c k = 1 2 l ∫ − l l f ( x ) e − i k π x l d x f(x)=\sum_{n=-\infty}^{\infty} c_k e^{i \frac{k \pi x}{l}}, c_k=\dfrac{1}{2l}\int_{-l}^{l}f(x)e^{-i\frac{k\pi x}{l}}dx f(x)=n=ckeilx,ck=2l1llf(x)eilxdx

为什么是这样一个看起来奇怪的式子?

其实,在 L 2 [ 0 , 2 π ] L^2[0,2\pi] L2[0,2π]上, { 1 2 π e i k t } \left\{\frac{1}{\sqrt{2\pi}}e^{i k t}\right\} {2π 1eikt}是一族完备规范正交基

把函数f往这个空间的各个基底上投影,可以得到

< f , e n > = 1 2 π ∫ 0 2 π f ( t ) e − i n t d t = c n <f,e_n>=\dfrac{1}{\sqrt{2\pi}}\int_0^{2\pi}f(t)e^{-int}dt=c_n <f,en>=2π 102πf(t)eintdt=cn

Parseval恒等式
∑ n = − ∞ ∞ ∣ c n ∣ 2 = 1 2 π ∫ − π π ∣ f ( x ) ∣ 2 d x \sum_{n=-\infty}^\infty|c_n|^2=\dfrac{1}{2\pi}\int_{-\pi}^\pi|f(x)|^2dx n=cn2=2π1ππf(x)2dx
实际上,这个恒等式可以看作是勾股定理的推广,等号右边是某个向量f的范数的平方,左边是它的各个正交分量长度平方和

wiki的Parseval词条有更详细的解释

其他形式的投影

上面,我们说了函数f在基底

{ 1 , cos ⁡ t , cos ⁡ 2 t , ⋯ , cos ⁡ n t , sin ⁡ t , sin ⁡ 2 t , ⋯ , sin ⁡ n t } \{1, \cos t, \cos 2 t, \cdots, \cos n t, \sin t, \sin 2 t, \cdots, \sin n t\} {1,cost,cos2t,,cosnt,sint,sin2t,,sinnt}

以及基底

{ 1 2 π e i k t } \left\{\frac{1}{\sqrt{2\pi}}e^{i k t}\right\} {2π 1eikt}

上的投影,分别得到了三角函数形式的傅里叶级数和指数形式的傅里叶级数

那么,能不能在其他的基底上投影、乃至于在不正交的基底上投影呢?答案当然是可以的

事实上,我们不只是能够在三角函数正交基上对函数进行正交分解,函数在任何一组两两正交的函数族上的投影,被称为广义傅里叶级数或正交级数,且可以证明f_n是对f的最佳逼近(广义傅里叶级数都是在正交基上的投影)

例如,高数课本给出的泰勒公式,其在x=0处的麦克劳林级数,就是函数f在空间 s p a n { 1 , x , x 2 , x 3 . . . } span\{1,x,x^2,x^3...\} span{1,x,x2,x3...}上的非正交展开(这些基底并不正交,故称)。

进一步,对这些基底进行Gram-Schmidt正交化,得到的正交基就是Legendre多项式

正交函数系有很多,除了Legendre多项式以外,Bessel多项式、Hermit多项式,都是一系列正交函数系列

傅里叶分析,或称调和分析的一个重要目的就是将一个给定的函数表示成一族给定的基函数的和。这个问题可以在Hilbert空间中更抽象地描述为:任何一个Hilbert空间都有一族标准正交基,而且每个Hilbert空间中的元素都可以唯一地表示为这族基中的元素的倍数的和。

由于Hilbert空间和内积空间的概念很接近,上述结论中的Hilbert空间也可以近似理解成为内积空间中的一个结论

https://zhuanlan.zhihu.com/p/338428121

投影这个词在几何上的含义,就是在另一个空间中找到某个向量的最佳逼近;在函数空间中也类似,投影就是找到一个特定函数在另一个空间(函数族)上的最佳逼近

傅里叶变换

傅里叶级数所用的基底都是周期函数,所以它们的线性组合依然是周期函数,对于非周期函数这些线性组合不可能很好地拟合它–这也就是傅里叶级数展开的一个基本条件,原函数f至少需要有周期性

实际上信号分析中大多数信号都不是周期函数,为此需要把傅里叶级数的基底函数的周期推向无穷,从而得到傅里叶变换

F ( ω ) = ∫ − ∞ + ∞ f ( t ) e − i ω t d t f ( t ) = 1 2 π ∫ − ∞ + ∞ F ( ω ) e i ω t d ω \begin{aligned}&F(\omega)=\int_{-\infty}^{+\infty}f(t)e^{-i\omega t}dt\\ &f(t)=\frac{1}{2\pi}\int_{-\infty}^{+\infty} F(\omega)e^{i\omega t}d\omega\end{aligned} F(ω)=+f(t)etdtf(t)=2π1+F(ω)etdω

短时傅里叶变换(STFT)、Gabor变换与小波变换

短时傅里叶变换

傅里叶变换是一个全局性的变换,因此它处理非平稳信号有天生缺陷。傅里叶变换只能获取一段信号总体上包含哪些频率的成分,并不能给予关于信号频率随时间改变的任何信息,也就是时域相差很大的两个信号,频谱图可能是一样的。换句话说,傅里叶变换处理的信号需要有平稳性,然而平稳信号大多是人为制造出来的,自然界的信号几乎都是非平稳的,因此在实际应用中,往往不会单纯的采用傅里叶变换的方法。

为此,Gabor提出了短时傅里叶变换(STFT)

简单来说,就是把整个时域过程分解成无数个等长的小过程,每个小过程近似平稳,再分别进行傅里叶变换,这样就知道在哪个时间点上出现了什么频率了。为了达到这个目的,我们先让函数乘上一个仅在一段时间不为零的窗函数
,再进行一维的傅里叶变换

X ( t , ω ) = ∫ − ∞ ∞ w ( t − τ ) x ( τ ) e − j ω τ d τ X(t,\omega)=\int_{-\infty}^{\infty}w(t-\tau)x(\tau)e^{-j\omega \tau}d\tau X(t,ω)=w(tτ)x(τ)eτdτ

随着t的改变,窗函数在时间轴上位移,因此信号只留下了窗函数截取的部分做傅里叶变换,所得到的结果代表着信号随时间与频率变换的大小与相位。窗函数的种类很多,需要根据不同的应用场景进行选取,随着窗函数大小的不同,变换会有不同的频率和时间分辨率。

Gabor变换

上面说到,给傅里叶变换加窗,就得到了短时傅里叶变换。当这个窗函数是e指数函数(高斯函数)时,就是Gabor变换

G x ( τ , ω ) = ∫ − ∞ ∞ x ( t ) e − π ( t − τ ) 2 e − j ω t d t G_x(\tau,\omega)=\int_{-\infty}^{\infty}x(t)e^{-\pi(t-\tau)^2}e^{-j\omega t}dt Gx(τ,ω)=x(t)eπ(tτ)2etdt

小波变换

短时傅里叶变换和Gabor变换相比原本的傅里叶变换,能够更细致地刻画原函数。但是也会带来时域分辨率和频域分辨率的取舍

窗函数太窄,也就是每次截取的信号很少,这会导致频域分辨率差

窗函数太宽,每次截取的信号很多,会导致频域分辨率高–但每次截取的信号很宽也违背了加窗的初衷。这种很宽的加窗,也就是时域分辨率差

时间分辨率和频率分辨率的不可兼得,类似于量子力学中的不确定性原理

基于STFT和Gabor变换的这种缺点,人们设计出了小波变换。

在数学原理上,小波变换实际上是替换了傅里叶变换的基底,将无限长的三角函数基换成了有限长的会衰减的小波基

X w ( a , b ) = 1 ∣ b ∣ ∫ − ∞ ∞ x ( t ) ψ ( t − a b ) d t X_w(a,b)=\dfrac{1}{\sqrt{|b|}}\int_{-\infty}^{\infty}x(t)\psi(\dfrac{t-a}{b})dt Xw(a,b)=b 1x(t)ψ(bta)dt

如果把这个小波基底进行替换,还可以得到其他类型的小波变换

不确定性原理

Δ x Δ p ≥ h 4 π \Delta x\Delta p\geq\dfrac{h}{4\pi} ΔxΔp4πh

不确定性原理表明,粒子的位置与动量不可同时被确定,即对一者掌握得越清楚,对另一者就掌握得越模糊

上面说到,信号分析中时域分辨率与频域分辨率存在一个取舍问题,两者不能同时被无限提高

例如一个声音越短促,我们就越不确定它的频率,要清楚的确定一个声音的频率,我们必须得到足够长的声音片段,持续时间越长,我们对所确定出的频率也越有把握。因此,我们也有信号中的不确定性原理

信号分析中的不确定性原理是:

Δ t Δ ω ≥ 1 2 \Delta t\Delta\omega\geq\dfrac{1}{2} ΔtΔω21

上面两个不确定性原理,其实可以抽象为希尔伯特空间(或者简化为内积空间)中的一个结论,这个结论也被称为广义不确定性原理

σ A σ B ≥ 1 2 ∣ ⟨ [ A , B ] ⟩ ∣ \sigma_A\sigma_B\geq\dfrac{1}{2}|\langle[A,B]\rangle| σAσB21⟨[A,B]⟩

wiki: σ \sigma σ是标准差,A和B是可观察态(啥意思?)

Paley-Wiener理论

名字叫Paley-Wiener的定理有两个,一个叫做Paley-Wiener Condition,一个叫Paley-Wiener Theorem

Paley-Wiener Condition 或者 Paley-Wiener Criterion

Paley-Wiener Condition描述系统可实现的必要条件,即:

∫ − ∞ + ∞ ∣ l n ∣ H ( j ω ) ∣ ∣ 1 + ω 2 d ω < ∞ \int_{-\infty}^{+\infty}\frac{|ln|H(j\omega)||}{1+\omega ^ 2}d\omega < \infty +1+ω2lnH()∣∣dω<

Paley-Wiener Theorem

Paley-Wiener理论被称为"模糊版本的不确定性原理",是不确定性原理的初等形式(from wiki:傅里叶分析)。这个定理的中文翻译是

一个函数(分布)和它的傅里叶变换不可能同时具有紧支集。(也有的表述是:非零紧支集广义函数的傅里叶变换没有紧支集)

这个解释太数学系了,不好理解。下面用上面新学的函数空间的语言说明这句话是啥意思

在L1空间上取一函数,自变量是d维实向量,即:

f ∈ L 1 ( R d ) f\in\mathcal{L}^1(\mathbb{R}^d) fL1(Rd)

为什么要在L1空间上取函数f呢?因为 L1空间即绝对可积函数(例如sinx就不是R上的可积函数(R上积分为无穷)),傅里叶变换要求原函数是绝对可积的,即 f ∈ L 1 ( R ) f\in L^1(R) fL1(R)
这种函数图像也比较有特点,往往可以在0附近取比较大的值,而在很远的地方值趋近于0

额外补充一些 L p L^p Lp空间上函数的知识

  1. L2函数即平方可积函数,L2函数的好处是可以通过内积构成一个内积空间(不仅如此L2空间还是Hilbert空间)。事实上傅里叶变换在 L P L^P LP上都能定义,但是在L1空间上才能写成积分的形式,在其他空间上通过稠密性定义
  2. L p L^p Lp空间都是巴拿赫空间,但只有当p = 2的时候,L2空间是希尔伯特空间
    在这里插入图片描述
  3. 在数学中,Lp空间是由p次可积函数组成的空间;对应的ℓp(小写的lp表示离散)空间是由p次可和序列组成的空间。它们有时叫做勒贝格空间 from https://zh.wikipedia.org/wiki/Lp%E7%A9%BA%E9%97%B4

f f f的傅里叶变换 f ^ ( ξ ) \widehat f(\xi) f (ξ)

f ^ ( ξ ) = ( 2 π ) − d 2 ∫ R d f ( x ) e − i ⟨ x , ξ ⟩ d x , ξ ∈ R d \widehat f(\xi)=(2\pi)^{-\frac{d}{2}}\int_{\mathbb R^d}f(x)e^{-i\langle x,\xi\rangle}dx,\quad\xi\in\mathbb R^d f (ξ)=(2π)2dRdf(x)eix,ξdx,ξRd

上式中的内积是常见的向量内积 ⟨ x , ξ ⟩ = ∑ j = 1 d x j ξ j \langle x,\xi\rangle=\sum_{j=1}^d x_j\xi_j x,ξ=j=1dxjξj

有了这样一个变换后,一个自然的问题是,哪些函数的信息可以从它们的傅里叶变换中检索(retrieve)出来?
其中一个最基本的结果是Inversion Theorem,该定理指出,一个L1空间上的函数,其傅里叶变换也是L1空间上的,并且可以从傅里叶变换中恢复出来(傅里叶反变换达成了这个目的,这个结论告诉我们绝对可积函数的傅里叶变换也是绝对可积的)

1934年,Paley和Wiener提出了一个结果,给出了一个函数的support(支撑集,函数值不为0的点)与它的傅里叶-拉普拉斯变换的整体性之间的关系,他们的做法是把上面式子中 ξ ∈ R d \xi\in\mathbb{R}^d ξRd换成一个复数向量 ζ ∈ C d \zeta\in\mathbb{C}^d ζCd。为了纪念他们,任何这样的结果通常被称为Paley-Wiener Theorem。

什么叫一个函数在某个区域内被支撑(supported)?标准解释是:函数在这个区域外不为0的点是零测集 - - 说人话就是函数在这个区域内有值,在这个区域外几乎没有值

Paley-Wiener理论的具体数学式子是什么?

它有不同的数学形式

例如这篇这篇文献中,它是这样的
在这里插入图片描述
在百度百科中是这样的

在这里插入图片描述

在一篇林奈大学的毕业论文中是这样的

在这里插入图片描述
在MathExchange的一个问题上是这样的

在这里插入图片描述

陶哲轩(Terrence Tao)的解释

陶哲轩在他的博客Terrence Tao’s blog上写到过Paley-Wiener理论

链接在这

在这里插入图片描述
陶哲轩对这个理论的解释更为简单,即 f ^ ( ξ ) \hat f(\xi) f^(ξ)受限于一个范围内,给出了f的取值范围的一个估计

上面这些不同的形式的确切不同,需要比较深刻的数学知识才能理解,但它们的形式总是 ∣ f ^ ( z ) ∣ ≤ C e z 1 + ∣ z ∣ n |\hat f(z)|\le C\frac{e^z}{1+|z|^n} f^(z)C1+znez,也就是给傅里叶变换的值做出一个(上限)估计

在这个问题Explicit Paley-Wiener function中,给出的数学形式比较容易让工科生理解,我很喜欢这个形式,也比较像Z变换中的一些定理
在这里插入图片描述
∣ f ( z ) ∣ ≤ C n e B ∣ I m z ∣ 1 + ∣ R e z ∣ n , ∀ n ∈ N . |f(z)|\leq\dfrac{C_n e^{B|\mathrm{Im}z|}}{1+|\mathrm{Re}z|^n},\quad\forall n\in\mathbb{N}. f(z)1+ReznCneBImz,nN.

上式中的f(z)是某函数的傅里叶变换,等式右边,注意分母类似于z变换的实轴。也就是说,随着z值往实轴的两边走,f(z)的模值快速衰落,从而可以看出f(z)一定是快速衰落的函数

问了下ChatGPT说Paley-Wiener与不确定性原理之间的关系
Paley-Wiener定理和不确定性原理之间存在一些联系,尽管它们处于不同的数学领域和物理领域。Paley-Wiener定理是关于函数和它的傅里叶变换之间的关系的数学定理,它描述了函数在时间域和频率域之间的不确定性关系。不确定性原理则是量子力学中的基本原理,它描述了在某些情况下,我们不能同时精确地测量一个粒子的位置和动量。
从数学角度来看,Paley-Wiener定理和不确定性原理都涉及到函数的变换和限制。Paley-Wiener定理告诉我们,如果一个函数在时间域中局限在一个有限范围内,那么它的傅里叶变换在频率域中就必须有一定的增长。这种增长就表明了在时间域中的精度和频率域中的精度之间存在一种不确定性的关系。类似地,不确定性原理则告诉我们,如果我们想要更加精确地测量一个粒子的位置,那么我们就必须对它的动量有更大的不确定性,反之亦然。
从物理角度来看,Paley-Wiener定理和不确定性原理之间也存在一些类比。例如,在光学中,Paley-Wiener定理可以用来描述在一定光谱范围内的光束的传播特性,而不确定性原理则可以用来解释粒子的波粒二象性。因此,尽管Paley-Wiener定理和不确定性原理在数学和物理上存在一些不同,但它们都涉及到变换和限制,并且有一些共同点。

参考

漫谈傅里叶级数–Maple小七

形象易懂讲算法Ⅰ–小波变换

佩利维纳准则

Paley-Wiener Theorem–University of Minnesota

Marko Sobak的毕业论文

数学中的各种空间,C1,C2,C零无穷,H1-0,L2这类都分别是什么意思?

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/27458.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

小雨的三周年创作纪念日 —— # 大型立flag现场

写在最前面 听说写《我的创作纪念日》会有红包掉落&#xff01;让我来试试~ ლ(ڡლ) Tips 您发布的文章将会展示至 里程碑专区 &#xff0c;您也可以在 专区 内查看其他创作者的纪念日文章优质的纪念文章将会获得神秘打赏哦 机缘 最初成为创作者的初心&#xff0c;是大一时…

人工智能前沿——2022年最流行的十大AI技术

深度学习Tricks&#xff0c;第一时间送达 目录 1、语言识别 2、自然语言生成 3、机器学习平台 4、深度学习平台 5、决策管理 6、虚拟代理 7、AI优化硬件 8、机器人处理自动化 9、生物计量学 10、网络防御 >>>一起交流&#xff01;互相学习&#xff01;共同进…

机器学习与微分方程的浅析

大家都已经使用机器学习了&#xff0c;尤其是基于神经网络的深度学习&#xff0c;chatGPT甚嚣尘上&#xff0c;还需要深入理解微分方程么&#xff1f;不论答案是啥&#xff0c;都会涉及到二者的对比&#xff0c;那么&#xff0c;机器学习与微分方程的区别又是什么呢&#xff1f…

从“数据”与“信息”的概念之差看 AIGC 工具衍生数据对人类社会的影响

今天看到“腾讯科技”昨晚发表的“陆奇最新演讲实录&#xff1a;我的大模型世界观”&#xff0c;其中对“信息”及“信息搬运”的说法促使笔者撰写本文。 陆奇先生在展示“三位一体结构演化模式”时说明&#xff0c;“任何复杂体系&#xff0c;包括一个人、一家公司、一个社会&…

GPT / GPT-2 / GPT-3 / InstructGPT 进化之路

原文&#xff1a; 目录 引言 近期&#xff0c;ChatGPT 火遍圈内外&#xff0c;连微博热搜都出现了它的身影。突然之间&#xff0c;好多许久未联系的各行各业的同学好友都发来“问候”&#xff1a;ChatGPT 是什么&#xff1f; 其实&#xff0c;ChatGPT 的成功并非一朝一夕&…

Paperreading:ChatGPT is not all you need. A State of the Art Review of large Generative AI models

ChatGPT is not all you need. A State of the Art Review of large Generative AI models 最先进的大型AI生成模型综述 原文链接 Abstract 在过去两年中&#xff0c;已经发布了大量大型生成模型&#xff0c;例如 ChatGPT 或 Stable Diffusion。具体而言&#xff0c;这些模型…

Power BI调用飞书API,抓取多维表格中的数据

第一步&#xff1a;收集相关参数 首先&#xff0c;我们打开飞书开放平台的开发文档&#xff0c;链接地址是 https://open.feishu.cn/document/server-docs/docs/bitable-v1/notification 我们清楚我们的目的是读取数据而已&#xff0c;所以我们直奔主题。 获得API的链接及另…

ChatGPT万物皆可接,你体会到了么?

引言&#xff1a; 当前AI技术的快速发展&#xff0c;已经在许多领域中得到了广泛的应用。如果你还没有玩过或者动手玩过的&#xff0c;我建议你还是自己搞一搞比较好&#xff0c;腾讯云的服务器也不贵&#xff0c;每月几十块钱&#xff0c;如果没有技术能力&#xff0c;或者对…

程序员的悲哀是什么?

推荐阅读&#xff1a;阿里领导猝死&#xff0c;留下孤儿寡母 知乎上有个热门讨论帖&#xff1a;程序员的悲哀是什么&#xff1f; 本文整理了一些网友回答。 网友&#xff1a;zhang文1 996嫌累&#xff0c;摸鱼觉得没意思&#xff0c;使用开源库觉得没技术含量&#xff0c;自己造…

VM虚拟机中如何设置ip地址

当我们在windows环境下&#xff0c;在cmd命令行中输入ipconfig可以看到我们的主机ip地址&#xff0c;但是我们创建了一台虚拟机&#xff0c;并且装好系统时&#xff0c;输入ifconfig(这里和windows下命令不一样&#xff0c;不要搞混了)时&#xff0c;会发现得不到ip地址&#x…

在centos虚拟机中修改IP地址

文章目录 修改centos虚拟机IP地址1.确定静态IP地址2.修改网卡配置3.重启网络服务4.重启虚拟机5.查看修改后的IP 修改centos虚拟机IP地址 1.确定静态IP地址 2.修改网卡配置 输入命令&#xff1a;vi /etc/sysconfig/network-scripts/ifcfg-ens33 TYPEEthernet PROXY_METHODnon…

修改虚拟机的IP地址(一看就懂)

修改虚拟机IP地址 修改文件内容查询查询网关和子网掩码DNSMAC地址 修改文件内容 相信用过VM克隆虚拟机的小伙伴们都知道&#xff0c;克隆虚拟机是会把IP地址等都会直接复制过来。 如果先打开克隆的虚拟机&#xff0c;就会把原来虚拟机的IP地址给“抢”过来&#xff0c;那么原来…

VirtualBox 中给虚拟机设置IP

在虚拟机关闭的状态下&#xff0c;在 VirtualBox 中选择 主机->设置->网络->网卡2&#xff0c;勾选 启用网络连接&#xff0c;选择 仅主机&#xff08;host-only&#xff09;网络。 启动虚拟机&#xff0c;在虚拟机中打开terminal&#xff08;快捷键CtrlT&#xff09;…

【使用心得】ChatGPT变成我的私人厨师

使用ChatGPT之后&#xff0c;我的生活变得更加丰富了。它以一个私人厨师的身份&#xff0c;为我提供各种健康美味的菜谱&#xff0c;以及干货知识、烹饪技巧等等&#xff0c;让我能够轻松地做出口感和营养都兼备的佳肴。 与此同时&#xff0c;Chat GPT也会根据我的口味喜好、食…

王慧文的光年之外离OpenAI还有多远?

‍数据智能产业创新服务媒体 ——聚焦数智 改变商业 ChatGPT的火爆让AIGC站上了风口&#xff0c;行业迎来重大变局。 AIGC热潮席卷之下&#xff0c;大厂人纷纷投身AI大模型创业大军&#xff0c;大模型创业“百团大战”已打响。前有美团联合创始人王慧文官宣创业—— “光年之外…

11个AI写作软件工具!知名4A广告公司蓝标宣布停止文案外包!

AI的这场熊熊大火&#xff0c;终于还是烧到了广告界&#xff01; 2023年4月12日&#xff0c;是一个再普通不过的日子&#xff0c;但这一天会被很多人记住。不是因为席卷整个华北区的漫天黄沙&#xff0c;而是因为一封代表着AI势不可挡的决心和象征着一个行业巨变拉开序幕的邮件…

大模型席卷应用,三分之二工作岗位将受影响,开发者如何应对?

据近期高盛发布的研究报告显示&#xff0c;以ChatGPT为代表的生成式AI将对美国和欧洲三分之二的工作岗位&#xff08;约三亿个&#xff09;造成影响。超级智能已将触角探向原本只能由人类来主导完成的产品生产&#xff0c;从生产资料转变为生产力。 而在成为生产力的同时&#…

奇舞周刊第496期:ChatGPT 的工作原理,这篇文章说清楚了!

记得点击文章末尾的“ 阅读原文 ”查看哟~ 下面先一起看下本期周刊 摘要 吧~ 奇舞推荐 ■ ■ ■ ChatGPT 的工作原理&#xff0c;这篇文章说清楚了&#xff01; ChatGPT 能够自动生成一些读起来表面上甚至像人写的文字的东西&#xff0c;这非常了不起&#xff0c;而且出乎意料。…

ChatGPT+一帧秒创,AI全自动内容生产就在不远处?

9月初开始盛行的AI作画风头还未过去&#xff0c;11月30日&#xff0c;open AI面向全球发布了AI智能聊天工具ChatGPT&#xff0c;上线仅仅一周时间&#xff0c;用户数突破百万&#xff0c;过去两周更是席卷整个科技互联网领域。 ChatGPT是什么&#xff1f; 本次OpenAI推出的Cha…

chatgpt赋能python:用Python轻松拿高分:期末成绩分析

用Python轻松拿高分&#xff1a;期末成绩分析 在当前的IT时代&#xff0c;Python已经成为最受欢迎的编程语言之一。 从web开发到数据分析&#xff0c;从机器学习到人工智能&#xff0c;都可以应用到Python编程语言。而对于大多数学生来说&#xff0c;Python是计算机编程的必修…