傅立叶变换家族中的关系

下表中左上、左下、右上和右下分别对应了傅里叶变换家族中CFT、FS、DTFT和DFT四个变换对的定义。

显然，上表是从时域信号的角度来划分的：表的列区分了连续时间和离散时间的信号，而表的行则区分了时间上非周期的信号和时间上周期的信号。其中重要的参量符号解释为：

• ${\displaystyle x[n]}$  和 ${\displaystyle X[k]}$  都为无限序列，其采样间隔，即间隔时间和间隔频率分别为 ${\displaystyle T_{s}}$  和 ${\displaystyle f_{0}=1/T_{0}}$  ；
• ${\displaystyle {\bar {x}}(t)}$  和 ${\displaystyle {\bar {X}}(f)}$  都为周期函数，且时间周期和频率周期分别为 ${\displaystyle T_{0}}$  和 ${\displaystyle f_{s}=1/T_{s}}$  ；
• ${\displaystyle x_{n}}$  和 ${\displaystyle X_{k}}$  都为有限序列，且序列长度都为 ${\displaystyle N}$  ；

前面表中的定义都可以通过Dirac delta函数 ${\displaystyle \delta (t)}$  的扩展形式 ，即Dirac comb函数，由CFT引入或推导。为计算离散和/或周期信号的CFT，我们需要引入一些公式，并使用傅里叶变换的一些特性。以下集中给出：

1. Dirac comb函数的傅里叶变换

Dirac comb函数的定义为

${\displaystyle \Delta _{T}(t){\stackrel {\text{def}}{=}}\sum _{n=-\infty }^{\infty }\delta (t-nT)}$ 

在电气工程中通常又称作冲击串（impulse train）或采样函数 （sampling function）。其重要的傅里叶变换为：

${\displaystyle \sum _{n=-\infty }^{\infty }\delta (t-nT)={\frac {1}{T}}\sum _{k=-\infty }^{\infty }e^{i{\frac {2\pi k}{T}}t}\quad {\stackrel {\mathcal {F}}{\longleftrightarrow }}\quad {\frac {1}{T}}\sum _{k=-\infty }^{\infty }\delta \left(f-{\frac {k}{T}}\right)=\sum _{n=-\infty }^{\infty }e^{-i2\pi nTf}}$ 

这个变换在傅里叶变换家族中各个变换之间转换上起关键作用。

2. 傅里叶变换的卷积定理（convolution theorem）

这包括了傅里叶变换的时域卷积和频域卷积：

${\displaystyle {\begin{aligned}x_{1}(t)\ast x_{2}(t)&\quad {\stackrel {\mathcal {F}}{\longleftrightarrow }}\quad X_{1}(f)\cdot X_{2}(f)\\x_{1}(t)\cdot x_{2}(t)&\quad {\stackrel {\mathcal {F}}{\longleftrightarrow }}\quad X_{1}(f)\ast X_{2}(f)\end{aligned}}}$ 

3. 泊松求和公式（Poisson summation formula）

由Dirac comb函数的傅里叶变换和卷积定理，容易证明泊松求和公式：

${\displaystyle {\begin{aligned}1.\qquad &\sum _{n=-\infty }^{\infty }x(t-nT_{0})={\frac {1}{T_{0}}}\sum _{k=-\infty }^{\infty }X\left({\frac {k}{T_{0}}}\right)e^{i{\frac {2\pi k}{T_{0}}}t}\\2.\qquad &\sum _{n=-\infty }^{\infty }x(nT)e^{-i2\pi nTf}={\frac {1}{T}}\sum _{k=-\infty }^{\infty }X\left(f-{\frac {k}{T}}\right)\end{aligned}}}$ 

若第1和第2公式中分别取 ${\displaystyle t=0}$  和 ${\displaystyle f=0}$  ，得到相同等式：

${\displaystyle \sum _{n=-\infty }^{\infty }x(nT)={\frac {1}{T}}\sum _{k=-\infty }^{\infty }X\left({\frac {k}{T}}\right)}$ 

这表明，傅里叶变换时时域函数 ${\displaystyle x(t)}$  和频域函数 ${\displaystyle X(f)}$  分别以 ${\displaystyle T}$  和 ${\displaystyle 1/T}$  为间隔采样，则所有时域采样点的总和与所有频域采样点扩大 ${\displaystyle 1/T}$  的总和相等。

图中立方体包含了频域和时域两个平面上各种变换的关系，同时两平面相连的四个边则分别代表了CFT、FS、DTFT和DFT。其中参量符号与前面表中相同，另外增加：

• ${\displaystyle {\tilde {X}}_{k}}$  为由FS和DTFT推导DFT得到的DFT'频域形式，与传统DFT的频域 ${\displaystyle X_{k}}$  有关系： ${\displaystyle X_{k}=T_{0}{\tilde {X}}_{k}}$  ；
• 图中粗的双箭头（${\displaystyle \leftrightarrow }$ ）表示每个函数和其变换之间的联系；

总的说来，各种变换之间的转换是一个周期扩展或采样的过程：

• 如果时域进行周期扩展，则频域为采样；如果时域进行采样，则频域为周期扩展；
• 一个转换中，周期扩展的周期与采样的间隔有倒数关系；
• 频域的周期扩展或者采样，都有一个周期或采样间隔作系数；

这里的周期扩展就是与Dirac comb函数相卷积，而采样则是与Dirac comb函数相乘。

从CFT分别到FS和DTFT的转换都容易推导，下面具体说明FS和DTFT到DFT/DFT'转换的推导，最后说明连续FT与DFT/DFT'的关系。

由DTFT推导DFT

设DTFT，及对应的CFT为：

${\displaystyle {\begin{aligned}x[n]&\quad {\stackrel {\mathcal {DTFT}}{\longleftrightarrow }}\quad {\bar {X}}(f)\\\sum _{n=-\infty }^{\infty }x[n]\cdot \delta (t-nT)&\quad {\stackrel {\mathcal {F}}{\longleftrightarrow }}\quad {\bar {X}}(f)\end{aligned}}}$ 

在时域作周期为 ${\displaystyle T_{0}}$  的扩展，有:

${\displaystyle {\begin{aligned}&\left(\sum _{n=-\infty }^{\infty }x[n]\cdot \delta (t-nT)\right)\ast \left(\sum _{n=-\infty }^{\infty }\delta (t-nT_{0})\right)\\&=\sum _{n=-\infty }^{\infty }\sum _{i=-\infty }^{\infty }x(nT)\cdot \delta (t-nT-iNT)\\&=\sum _{n=-\infty }^{\infty }\left(\sum _{i=-\infty }^{\infty }x(nT-iNT)\right)\delta (t-nT)\end{aligned}}}$ 

其中代入了 ${\displaystyle T_{0}=NT}$  ，而由于 ${\displaystyle n}$  和 ${\displaystyle i}$  的求和区间都为 ${\displaystyle -\infty }$  到 ${\displaystyle \infty }$  ，可以用 ${\displaystyle n-iN}$  代替 ${\displaystyle n}$  得到最后一步推导。取：

${\displaystyle {\begin{aligned}x_{n}&=\sum _{i=-\infty }^{\infty }x(nT-iNT)=\sum _{i=-\infty }^{\infty }x[n-iN]\\&=\sum _{i=-\infty }^{\infty }x(nT-iT_{0})\end{aligned}}}$ 

在频域作带系数 ${\displaystyle 1/T_{0}}$  且间隔也为 ${\displaystyle 1/T_{0}}$  的采样，有：

${\displaystyle {\begin{aligned}&{\bar {X}}(f)\cdot {\frac {1}{T_{0}}}\sum _{k=-\infty }^{\infty }\delta \left(f-{\frac {k}{T_{0}}}\right)\\&={\frac {1}{T_{0}T}}\left(\sum _{k=-\infty }^{\infty }X\left(f-{\frac {k}{T}}\right)\right)\cdot \left(\sum _{k=-\infty }^{\infty }\delta \left(f-{\frac {k}{T_{0}}}\right)\right)\\&={\frac {1}{T_{0}T}}\sum _{k=-\infty }^{\infty }\left(\sum _{i=-\infty }^{\infty }X\left(f-{\frac {i}{T}}\right)\cdot \delta \left(f-{\frac {k}{T_{0}}}\right)\right)\\&={\frac {1}{T_{0}T}}\sum _{k=-\infty }^{\infty }\left(\sum _{i=-\infty }^{\infty }X\left({\frac {k}{T_{0}}}-{\frac {i}{T}}\right)\right)\cdot \delta \left(f-{\frac {k}{T_{0}}}\right)\end{aligned}}}$ 

取：

${\displaystyle {\tilde {X}}_{k}={\frac {1}{T_{0}T}}\sum _{i=-\infty }^{\infty }X\left({\frac {k}{T_{0}}}-{\frac {i}{T}}\right)={\frac {1}{T_{0}}}{\bar {X}}\left({\frac {k}{T_{0}}}\right)}$ 

由FS推导DFT

设FS，及对应的CFT为：

${\displaystyle {\begin{aligned}{\bar {x}}(t)&\quad {\stackrel {\mathcal {FS}}{\longleftrightarrow }}\quad X[k]\\{\bar {x}}(t)&\quad {\stackrel {\mathcal {F}}{\longleftrightarrow }}\quad \sum _{k=-\infty }^{\infty }X[k]\cdot \delta \left(f-{\frac {k}{T_{0}}}\right).\end{aligned}}}$ 

在时域作间隔为 ${\displaystyle T}$  采样，有：

${\displaystyle {\begin{aligned}&{\bar {x}}(t)\cdot \sum _{n=-\infty }^{\infty }\delta (t-nT)\\&=\left(\sum _{n=-\infty }^{\infty }x(t-nT_{0})\right)\cdot \left(\sum _{n=-\infty }^{\infty }\delta (t-nT)\right)\\&=\sum _{n=-\infty }^{\infty }\left(\sum _{i=-\infty }^{\infty }x(t-iT_{0})\cdot \delta (t-nT)\right)\\&=\sum _{n=-\infty }^{\infty }\left(\sum _{i=-\infty }^{\infty }x(nT-iT_{0})\right)\cdot \delta (t-nT)\end{aligned}}}$ 

取：

${\displaystyle x_{n}=\sum _{i=-\infty }^{\infty }x(nT-iT_{0})={\bar {x}}(nT)}$ 

在频域作带系数 ${\displaystyle 1/T}$  且周期也为 ${\displaystyle 1/T}$  扩展，有：

${\displaystyle {\begin{aligned}&\left(\sum _{k=-\infty }^{\infty }X[k]\cdot \delta \left(f-{\frac {k}{T_{0}}}\right)\right)\ast \left({\frac {1}{T}}\sum _{k=-\infty }^{\infty }\delta \left(f-{\frac {k}{T}}\right)\right)\\&={\frac {1}{T_{0}T}}\sum _{k=-\infty }^{\infty }\sum _{i=-\infty }^{\infty }X\left({\frac {k}{T_{0}}}\right)\cdot \delta \left(f-{\frac {k}{T_{0}}}-{\frac {iN}{T_{0}}}\right)\\&={\frac {1}{T_{0}T}}\sum _{k=-\infty }^{\infty }\left(\sum _{i=-\infty }^{\infty }X\left({\frac {k-iN}{T_{0}}}\right)\right)\cdot \delta \left(f-{\frac {k}{T_{0}}}\right)\end{aligned}}}$ 

其中也代入了 ${\displaystyle T_{0}=NT}$  ，而由于 ${\displaystyle k}$  和 ${\displaystyle i}$  的求和区间都为 ${\displaystyle -\infty }$  到 ${\displaystyle \infty }$  ，可用 ${\displaystyle k-iN}$  替代 ${\displaystyle k}$  得到最后一步推导。 取：

${\displaystyle {\begin{aligned}{\tilde {X}}_{k}&={\frac {1}{T_{0}T}}\sum _{i=-\infty }^{\infty }X\left({\frac {k-iN}{T_{0}}}\right)={\frac {1}{T}}\sum _{i=-\infty }^{\infty }X[k-iN]\\&={\frac {1}{T_{0}T}}\sum _{i=-\infty }^{\infty }X\left({\frac {k}{T_{0}}}-{\frac {i}{T}}\right)\end{aligned}}}$ 

CFT与DFT的关系

前面FS到DFT和DTFT到DFT的推导都得到相同的 ${\displaystyle x_{n}}$  和 ${\displaystyle {\tilde {X}}_{k}}$  。这里的 ${\displaystyle x_{n}}$  和 ${\displaystyle {\tilde {X}}_{k}}$  可看作一种DFT变换对，有关系：

${\displaystyle {\begin{aligned}{\tilde {X}}_{k}&={\frac {1}{T_{0}}}\sum \limits _{n=0}^{N-1}\ x_{n}e^{-{\frac {2\pi i}{N}}kn}\\x_{n}&=T\sum \limits _{k=0}^{N-1}\ {\tilde {X}}_{k}e^{{\frac {2\pi i}{N}}kn}\end{aligned}}}$ 

记为：

${\displaystyle x_{n}\quad {\stackrel {\mathcal {DFT'}}{\longleftrightarrow }}\quad {\tilde {X}}_{k}}$ 

对比传统DFT变换对的 ${\displaystyle x_{n}}$  和 ${\displaystyle X_{k}}$  ，显然有：

${\displaystyle X_{k}=T_{0}{\tilde {X}}_{k}.}$ 

这一对变换的等式右边系数的乘积为 ${\displaystyle T/T_{0}=1/N}$  ，符合我们在DFT中的说明，因而完全可以将这里的DFT'看作传统DFT的另一种变换形式 。

而由前面转换的推导过程可得到：

${\displaystyle \sum _{n=-\infty }^{\infty }x_{n}\cdot \delta (t-nT)\quad {\stackrel {\mathcal {F}}{\longleftrightarrow }}\quad {\begin{matrix}\displaystyle {\sum _{k=-\infty }^{\infty }{\tilde {X}}_{k}\cdot \delta \left(f-{\frac {k}{T_{0}}}\right)}\\\displaystyle {={\frac {1}{T_{0}}}\sum _{k=-\infty }^{\infty }X_{k}\cdot \delta \left(f-{\frac {k}{T_{0}}}\right)}\end{matrix}}}$ 

为一对CFT，其中要求 ${\displaystyle T_{0}=NT}$  。加之如果 ${\displaystyle x(t){\stackrel {\mathcal {F}}{\longleftrightarrow }}X(f)}$ ，则有：

${\displaystyle x_{n}=\sum _{i=-\infty }^{\infty }x(nT-iT_{0}){\begin{matrix}\displaystyle {\quad {\stackrel {\mathcal {DFT'}}{\longleftrightarrow }}\quad {\tilde {X}}_{k}={\frac {1}{T_{0}T}}\sum _{i=-\infty }^{\infty }X\left({\frac {k}{T_{0}}}-{\frac {i}{T}}\right)}\\\displaystyle {\quad {\stackrel {\mathcal {DFT}}{\longleftrightarrow }}\quad X_{k}={\frac {1}{T}}\sum _{i=-\infty }^{\infty }X\left({\frac {k}{T_{0}}}-{\frac {i}{T}}\right)}\end{matrix}}}$ 

其中可以任选 ${\displaystyle T_{0}}$  和 ${\displaystyle T}$  。这样就建立了CFT和DFT之间的双向关系。但应注意到，此时我们已经将DFT'和DFT都做了周期拓展，即 ${\displaystyle n,k\in \mathbb {Z} }$  。

• 傅里叶变换
• 傅里叶级数
• 离散时间傅里叶变换
• 离散傅里叶变换

1. Oppenheim, Alan V.; Schafer, R. W.; and Buck, J. R., (1999). Discrete-time signal processing, Upper Saddle River, N.J. : Prentice Hall. ISBN 0137549202
2. Sklar, B., (2001). Digital Communications: Foundamentals and Applicatons, 2nd Edition, Prentice Hall PTR. ISBN 0130847887