傅里叶变换(对称美)

傅里叶变换(对称美)

冲浪时发现的有趣文章,学习自https://zhuanlan.zhihu.com/p/718139299

摘下来的内容:

傅里叶变换之所以“怪美的嘞”,根本在于它有一种内在的对称性,这一点在上面的图并没有表现出来

这种内在的对称性是什么呢?可以理解为:

频谱是时域信号在一个​**希尔伯特空间中的连续正交归一基下展开的展开系数,于此同时,时域信号也是频谱在相同形式的希尔伯特空间中的连续正交归一基下的展开的展开系数。**

image

比较直观的视频:https://www.youtube.com/watch?v=r4c9ojz6hJg&ab_channel=SimonXu

以前比较少关注这种对称的方式,也很少有这种连续的视频图,也能从一个侧面去了解傅里叶变换,这篇文章主要是着重对称性这个点,也算是加深一下自己的理解。写得很好。

文章二:https://zhuanlan.zhihu.com/p/40396861

为了“简单”而进行“分解”,为了更好的“分解”,人类又发明了“正交”的概念。何谓正交呢,它其实脱胎于“垂直”而又有更丰富的内涵。我们知道在垂直坐标系中,三个坐标轴的相互垂直的,这样的好处是各个轴向之间是独立的,互不干扰的。当然,这些描述都是定性的,对于严谨的数学家和工程师而言,这是不可接受的。于是,又有一个新的概念引入了:“内积”,当内积为零的时候,两个量就是正交的。

整理一下我们的思路:我们想要“简单”,要进行“分解”,想要更好的“分解”,要进行“正交化”,想要定量描述“正交化”,规定“内积”为零为“正交”。总的逻辑是这样的:简单→分解→正交→内积

说了这么多,这和傅里叶分析有什么关系?现在我要告诉大家:傅里叶分析就是进行“正交分解”,不理解细节没关系,领会到了这个概念,就理解一半了。为了严谨(实际上很不严谨^_^),我们需要将逻辑关系反过来,先从内积说起。

在三维直角坐标系里面,任何一个坐标轴的方向上长度为 1 1 1 的向量称之为一个基,相互垂直的基称之为正交基: ( 1 , 0 , 0 ) (1,0,0) 1,0,0 代表 x x x 轴的基, ( 0 , 1 , 0 ) (0,1,0) 0,1,0 代表

y y y 轴的基, ( 0 , 0 , 1 ) (0,0,1) 0,0,1代表 z z z 轴的基。假设 x ˉ = ( a 1 , b 1 , c 1 ) \bar{x}=(a_1,b_1,c_1) xˉ=a1,b1,c1, y ˉ = ( a 2 , b 2 , c 2 ) \bar{y}=(a_2,b_2,c_2) yˉ=(a2,b2,c2) ,规定内积为:
y ˉ = ( a 2 , b 2 , c 2 ) \bar{y}=(a_2,b_2,c_2) yˉ=(a2,b2,c2)

规定内积为:

< x ˉ , y ˉ > = < ( a 1 , b 1 , c 1 ) , ( a 2 , b 2 , c 2 ) > = a 1 a 2 + b 1 b 2 + c 1 c 2 < \bar{x},\bar{y}>=<(a_1,b_1,c_1),(a_2,b_2,c_2)>=a_1a_2+b_1b_2+c_1c_2 <xˉ,yˉ>=<(a1,b1,c1),(a2,b2,c2)>=a1a2+b1b2+c1c2

一个很简单的结论: < ( 1 , 0 , 0 ) , ( 0 , 1 , 0 ) > = 1 × 0 + 0 × 1 + 0 × 0 = 0 <(1,0,0),(0,1,0)>=1\times0+0\times1+0\times0=0 <(1,0,0),(0,1,0)>=1×0+0×1+0×0=0,说明任意两个基确实是正交的。

< ( 1 , 0 , 0 ) , ( 1 , 0 , 0 ) > = 1 × 1 + 0 × 0 + 0 × 0 = 1 <(1,0,0),(1,0,0)>=1\times1+0\times0+0\times0=1 <(1,0,0),(1,0,0)>=1×1+0×0+0×0=1 ,说明向量与自己的内积是一个常数。那如何表示任意一个向量呢?比如 v = ( 5 , 2 , 7 ) v=(5,2,7) v=5,2,7在线性代数里面,我们是这么做的:

A = < v , x > = < ( 5 , 2 , 7 ) , ( 1 , 0 , 0 ) > = 5 A=< v,x>=<(5,2,7),(1,0,0)>=5 A=<v,x>=<(5,2,7),(1,0,0)>=5 (1)

B = < v , y > = < ( 5 , 2 , 7 ) , ( 0 , 1 , 0 ) > = 2 B=< v,y>=<(5,2,7),(0,1,0)>=2 B=<v,y>=<(5,2,7),(0,1,0)>=2 (2)

C = < v , z > = < ( 5 , 2 , 7 ) , ( 0 , 0 , 1 > = 7 C=< v,z>=<(5,2,7),(0,0,1>=7 C=<v,z>=<(5,2,7),(0,0,1>=7 (3)

于是, v = A x + B y + C z v=Ax+By+Cz v=Ax+By+Cz ,相信得出以下结论是很容易的:内积相当于一种“投影”操作,任意向量与基之间的内积就是该向量在基所在方向的投影,内积的结果就是系数。

假如基不再是一个向量,而是一个函数,会有什么结果?

e i ω t e^{i\omega t} et 在这种内积的定义下是一族正交基,更深刻的数学知识可以证明,在一定条件下,它不仅是正交的,还是完备的,也就是说,只要满足一定的条件,任何函数都可以用 e i ω t e^{i\omega t } et 叠加出来。

f ( t ) = ∑ ω = − ∞ + ∞ A ω e i ω t = 1 2 π ∫ − ∞ + ∞ F ( ω ) e i ω t d ω f(t)=\sum_{\omega=-\infty}^{+\infty}{A_\omega e^{i\omega t}}=\frac{1}{2\pi}\int_{-\infty}^{+\infty}F(\omega)e^{i\omega t}d\omega f(t)=ω=+Aωet=2π1+F(ω)etdω

这个式子的含义为:在一定条件下,任意函数( f ( t ) f(t) f(t) )都可以由完的正交基​ e i ω t e^{i\omega t} et 叠加而成,每个正交基对应的系数为 F ( ω ) F(\omega) F(ω) 。( 1 / 2 π 1/{2\pi} 1/2π 的引入是为了计算方便,傅里叶变换有多种形式,也有不带 1 / 2 π 1/{2\pi} 1/2π ,这里采用了最通用的形式)。

F ( ω ) F(\omega) F(ω) 。( 1 / 2 π 1/{2\pi} 1/2π 的引入是为了计算方便,傅里叶变换有多种形式,也有不带 1 / 2 π 1/{2\pi} 1/2π ,这里采用了最通用的形式)。

系数 F ( ω ) F(\omega) F(ω) 可以由内积计算而来:

F ( ω ) = < f ( t ) , e i ω t > = ∫ − ∞ + ∞ f ( t ) e − i ω t d t F(\omega)=< f(t),e^{i\omega t}>=\int_{-\infty}^{+\infty}f(t)e^{-i\omega t}dt F(ω)=<f(t),et>=+f(t)etdt

因此,傅里叶变换的本质可以看成是正交分解 f ( t ) f(t) f(t) e i ω t e^{i\omega t} et 求内积的时候, f ( t ) f(t) f(t) 中只有频率为 ω \omega ω 的分量才会有内积的结果,其余分量的内积为0,积分值是时间从负无穷到正无穷,可以看成是 f ( t ) f(t) f(t) 整个信号在 e i ω t e^{i\omega t} et 上的投影,只要给定一个频率 ω \omega ω ,都会对应一个系数 F ( ω ) F(\omega) F(ω) 来。

这个结论倒是与之前看到的保持一致,傅里叶变换的本质是正交分解。

f ( t ) f(t) f(t) 中只有频率为 ω \omega ω 的分量才会有内积的结果,其余分量的内积为0,积分值是时间从负无穷到正无穷,可以看成是 f ( t ) f(t) f(t) 整个信号在 e i ω t e^{i\omega t} et 上的投影,只要给定一个频率 ω \omega ω ,都会对应一个系数 F ( ω ) F(\omega) F(ω) 来。

ω \omega ω ,都会对应一个系数 F ( ω ) F(\omega) F(ω) 来。

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/435029.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

【Golang】关于Go语言字符串转换strconv

✨✨ 欢迎大家来到景天科技苑✨✨ &#x1f388;&#x1f388; 养成好习惯&#xff0c;先赞后看哦~&#x1f388;&#x1f388; &#x1f3c6; 作者简介&#xff1a;景天科技苑 &#x1f3c6;《头衔》&#xff1a;大厂架构师&#xff0c;华为云开发者社区专家博主&#xff0c;…

【操作系统】三、内存管理:2.虚拟内存管理(虚拟内存特:局部性原理、请求分页管理方式、页面置换算法)

七、虚拟内存管理 文章目录 七、虚拟内存管理1.常规存储器特征1.1一次性1.2驻留性 2.虚拟内存特征2.1局部性原理2.2多次性2.3对换性2.4虚拟性2.5虚拟存储器的容量 3.虚拟内存的实现❗3.1缺页率3.2请求分页&#xff08;请求页表&#xff09;3.2.1页表机制❗3.2.2缺页中断机构3.2…

猝发传输和非猝发传输

猝发传输和非猝发传输是两种不同的数据传输方式&#xff0c;主要区别在于数据传输的连续性以及数据包的发送方式。 猝发传输 (Burst Transmission): 定义: 猝发传输是指在一段时间内&#xff0c;大量数据包集中发送&#xff0c;然后在一段时间内没有数据传输&#xff0c;这种…

Facebook公共主页bug问题解决措施清单

在使用Facebook的过程中&#xff0c;许多用户可能会遇到一些让人困扰的BUG&#xff0c;这些问题往往会让人感到无奈。为了帮助大家更好地应对这些情况&#xff0c;本文将总结一些常见的BUG以及对应的解决方案&#xff0c;主要集中在公共主页的相关问题。如果感兴趣就请读下去吧…

uniapp 使用Vue3 setup引入 uniapp 的onReachBottom

在page.json中加入**“onReachBottonDistance”: 50**&#xff0c;这是距离底部多少开始触发 然后再对应的页面通过import将uniapp的api引入进去 dcloudio/uni-app是不用单独下载的&#xff0c;直接用就行 import {onReachBottom,} from dcloudio/uni-app;然后直接使用就好

【ArcGIS Pro实操第三期】多模式道路网构建(Multi-model road network construction)原理及实操案例

ArcGIS Pro实操第三期&#xff1a;多模式道路网构建原理及实操案例 1 概述1.1 原理 2 GIS实操2.1 新建文件并导入数据2.2 创建网络数据集2.3 设置连接策略&#xff08;Setting up connectivity policies&#xff09;2.4 添加成本&#xff08;Adding cost attributes&#xff09…

【C++报错已解决】std::ios_base::sync_with_stdio

&#x1f3ac; 鸽芷咕&#xff1a;个人主页 &#x1f525; 个人专栏: 《C干货基地》《粉丝福利》 ⛺️生活的理想&#xff0c;就是为了理想的生活! 专栏介绍 在软件开发和日常使用中&#xff0c;BUG是不可避免的。本专栏致力于为广大开发者和技术爱好者提供一个关于BUG解决的经…

java项目之作业管理系统设计与实现源码(springboot)

风定落花生&#xff0c;歌声逐流水&#xff0c;大家好我是风歌&#xff0c;混迹在java圈的辛苦码农。今天要和大家聊的是一款基于springboot的作业管理系统设计与实现源码。项目源码以及部署相关请联系风歌&#xff0c;文末附上联系信息 。 项目简介&#xff1a; 作业管理系统…

引入的pyside2后 Lib\site-packages\PySide2中没有pyside2-uic.exe

只有uic.exe 没有pyside2-uic.exe 去Scripts目录下查看就能找到

Unity实战案例全解析:RTS游戏的框选和阵型功能(1) 基础要素

本案例来源于unity唐老狮&#xff0c;有兴趣的小伙伴可以去泰克在线观看该课程 【唐老狮】Unity实现 即时战略游戏 阵型功能 - 泰课在线 -- 志存高远&#xff0c;稳如泰山 - 国内专业的在线学习平台|Unity3d培训|Unity教程|Unity教程 Unreal 虚幻 AR|移动开发|美术CG - Powered…

架构师:消息队列的技术指南

1、简述 消息队列(Message Queue, MQ)是一种异步通信机制,允许系统的各个组件通过消息在彼此之间进行通信。消息队列通过解耦系统组件、缓冲高峰期请求和提高系统的可扩展性,成为分布式系统中不可或缺的一部分。 2、工作原理 消息队列的基本工作原理是生产者将消息发布到…

Wed前端--HTML基础

目录 一、开发工具 二、HTML文档结构 2.1头部head 2.1.1title标记 2.1.2元信息meta标记 具体实例 ​编辑 一、开发工具 最基础的开发工具是&#xff1a;HBuilder 二、HTML文档结构 HTML文档由头部head和主体body组成 头部head标记中可以定义标题样式&#xff0c;头部信…

初始C++模板

1.泛型编程 1.1什么事泛型编程 在学习C语言时&#xff0c;我们时常会有这样的烦恼&#xff1a; 在针对每一种不同的类型变量进行函数传参或者是运算处理时&#xff0c;我们总是编写不同的函数或者是进行不同的处理&#xff0c;才能达到目的&#xff0c;这时&#xff0c;我们…

(undone) 阅读 MapReduce 论文笔记

参考&#xff1a;https://pdos.csail.mit.edu/6.824/papers/mapreduce.pdf 摘要&#xff1a;简单介绍了 MapReduce 是在大型分布式系统上工作的 Introduction 的内容总结&#xff1a; 1.介绍背景&#xff1a;为什么我们需要分布式系统&#xff1f;MapReduce 的意义是哪些 2.简…

2024.9.26C++作业

1. 什么是虚函数&#xff0c;什么是纯虚函数&#xff1f; 1.虚函数在基类中声明&#xff0c;使用virtual关键字修饰成员函数&#xff0c;并且允许在派生类中重写。 2.在运行时&#xff0c;允许基类指针或者引用调用这个函数时&#xff0c;根据实际对象类型调用派生类&#xff…

大数据新视界 --大数据大厂之数据清洗工具 OpenRefine 实战:清理与转换数据

&#x1f496;&#x1f496;&#x1f496;亲爱的朋友们&#xff0c;热烈欢迎你们来到 青云交的博客&#xff01;能与你们在此邂逅&#xff0c;我满心欢喜&#xff0c;深感无比荣幸。在这个瞬息万变的时代&#xff0c;我们每个人都在苦苦追寻一处能让心灵安然栖息的港湾。而 我的…

尚硅谷vue3+TypeScript笔记大全

源码及视频&#xff1a;通过百度网盘分享的文件&#xff1a;尚硅谷vue3 链接&#xff1a;https://pan.baidu.com/s/19zVM5Xsr1UP7tZ4D0mhVqA?pwdgmta 提取码&#xff1a;gmta 1. Vue3简介 2020年9月18日&#xff0c;Vue.js发布版3.0版本&#xff0c;代号&#xff1a;One Piec…

Qualcomm AI Hub模型优化1: Whisper-Base-En导出及问题解决

1 从Qualcomm AI Hub Module中选择Whisper-Base-En模块部署 1.1 进入module虚拟环境 python3 -m venv qai_hub_models_env && source qai_hub_models_env/bin/activate1.2 使用pip安装高通音频转录包 pip install "qai_hub_models[whisper_base_en]" 1.3…

人工智能对话系统/AI助理/PC/公众号/h5/小程序

>>>系统简述&#xff1a; GPTCMS基于TP6UniappVUE3开发&#xff0c;已集成文心一言、灵犀星火、ChatGLM&#xff08;清华旗下&#xff09;、讯飞星火&#xff08;即将&#xff09;、api2d、意间AI、ChatGPT、GPT3.5、GPT4、Stable Diffusion、MidJourney-V4、MidJour…

基于Python大数据可视化的民族服饰数据分析系统

作者&#xff1a;计算机学姐 开发技术&#xff1a;SpringBoot、SSM、Vue、MySQL、JSP、ElementUI、Python、小程序等&#xff0c;“文末源码”。 专栏推荐&#xff1a;前后端分离项目源码、SpringBoot项目源码、Vue项目源码、SSM项目源码 精品专栏&#xff1a;Java精选实战项目…