跳到主要內容

[系統理論] 連續時間週期訊號的 Fourier Series Representation (4)-Parseval's relation for periodic signal

令 $x(t)$ 與 $y(t)$ 為具有週期為 $T$ 的連續時間週期訊號,且存在 Fourier Series Representation 如下
\[\begin{array}{l}
x\left( t \right) = \sum\limits_{k =  - \infty }^\infty  {{a_k}} {e^{jk{\omega _0}t}}\\
y\left( t \right) = \sum\limits_{k =  - \infty }^\infty  {{b_k}} {e^{jk{\omega _0}t}}
\end{array}
\]

我們首先證明下面的結果:

Fact: 給定兩時域訊號相乘 $\Rightarrow$ 頻域訊號 convolution
定義兩訊號乘積 $z(t) := x(t) y(t) = \sum\limits_{k =  - \infty }^\infty  {{c_k}} {e^{jk{\omega _0}t}}$,則 其乘積的 Fourier Series Coefficient 為離散 convolution
\[
c_k = \sum_{n=-\infty}^{\infty}a_n b_{k-n}
\]Proof:
觀察 $z(t) = x(t)y(t)$ 如下
\[\begin{array}{l}
x\left( t \right)y\left( t \right) = \sum\limits_{n =  - \infty }^\infty  {{a_n}} {e^{jn{\omega _0}t}}\sum\limits_{k =  - \infty }^\infty  {{b_k}} {e^{jk{\omega _0}t}}\\
\begin{array}{*{20}{c}}
{}&{}&{}&{}
\end{array} = \sum\limits_{k =  - \infty }^\infty  {\left( {{b_k}\sum\limits_{n =  - \infty }^\infty  {{a_n}} {e^{jn{\omega _0}t}}} \right){e^{jk{\omega _0}t}}}
\end{array}\]又注意到 $b_k$ 為 $y(t)$ 的 Fourier Series Coefficient,故我們有
\[{b_k} = \frac{1}{T}\int_T^{} {y\left( t \right){e^{ - jk{\omega _0}t}}} dt
\] 帶入上式可得
\[\begin{array}{l}
x\left( t \right)y\left( t \right) = \sum\limits_{k =  - \infty }^\infty  {\left( {\frac{1}{T}\int_T^{} {y\left( t \right){e^{ - jk{\omega _0}t}}} dt\sum\limits_{n =  - \infty }^\infty  {{a_n}} {e^{jn{\omega _0}t}}} \right){e^{jk{\omega _0}t}}} \\
\begin{array}{*{20}{c}}
{}&{}&{}&{}
\end{array} = \sum\limits_{k =  - \infty }^\infty  {\left( {\sum\limits_{n =  - \infty }^\infty  {{a_n}} \underbrace {\frac{1}{T}\int_T^{} {y\left( t \right){e^{ - j\left( {k - n} \right){\omega _0}t}}dt} }_{ = {b_{k - n}}}} \right){e^{jk{\omega _0}t}}} \\
\begin{array}{*{20}{c}}
{}&{}&{}&{}
\end{array} = \sum\limits_{k =  - \infty }^\infty  {\left( {\sum\limits_{n =  - \infty }^\infty  {{a_n}} {b_{k - n}}} \right){e^{jk{\omega _0}t}}}
\end{array}\]亦即
\[{c_k} = \sum\limits_{n =  - \infty }^\infty  {{a_n}} {b_{k - n}} \ \ \ \ \square
\]
Theorem: Parseval's Relation for Periodic Signals
現在我們令上述 $y(t) := x^*(t)$ (其中 ${}^*$ 表 complex conjugate)。則下列結果成立
\[
\frac{1}{T} \int_0^T |x(t)|^2 dt =\sum_{k=-\infty}^{\infty}|a_k|^2
\]

Comment: 上式說明了一個週期訊號 $x(t)$ 的 單一週期的 total energy 除以 週期 $T$ (或者 直接說 average power) 等同於 其對應的 Fourier Series coefficient 的平方 $|a_k|^2$ 做無窮級數。 (此平方項 $|a_k|^2$又稱 k-th harmonic components)

Proof:
觀察 ${\left| {x\left( t \right)} \right|^2} = x\left( t \right){x^*}\left( t \right)$,故我們有
\[\frac{1}{T}\int_0^T {{{\left| {x\left( t \right)} \right|}^2}dt}  = \frac{1}{T}\int_0^T {x\left( t \right){x^*}\left( t \right)dt} \]接著帶入 $x(t)$ (對應的 Fourier Series coefficient 為 $a_k$) 與 $x^*(t)$ ( $x^*(t)$ 對應的 Fourier Series 為 $a_{-k}^*$)。
\[\begin{array}{*{20}{l}}
{\frac{1}{T}\int_0^T {{{\left| {x\left( t \right)} \right|}^2}dt}  = \frac{1}{T}\int_0^T {\sum\limits_{n =  - \infty }^\infty  {{a_n}} {e^{jn{\omega _0}t}}\sum\limits_{k =  - \infty }^\infty  {a_{ - k}^*} {e^{ - jk{\omega _0}t}}dt} }\\
{\begin{array}{*{20}{c}}
{}&{}&{}&{}&{}&{}&{}
\end{array} = \frac{1}{T}\int_0^T {\sum\limits_{k =  - \infty }^\infty  {\sum\limits_{n =  - \infty }^\infty  {a_{ - k}^*{a_n}{e^{ - jk{\omega _0}t}}} {e^{jn{\omega _0}t}}} dt} }\\
{\begin{array}{*{20}{c}}
{}&{}&{}&{}&{}&{}&{}
\end{array} = \frac{1}{T}\sum\limits_{k =  - \infty }^\infty  {a_{ - k}^*\underbrace {\sum\limits_{n =  - \infty }^\infty  {{a_n}\int_0^T {{e^{ - jk{\omega _0}t}}{e^{jn{\omega _0}t}}dt} } }_{ = {a_k}T}} }\\
{\begin{array}{*{20}{c}}
{}&{}&{}&{}&{}&{}&{}
\end{array} = \frac{1}{T}\sum\limits_{k =  - \infty }^\infty  {a_{ - k}^*{a_k}T}  = \sum\limits_{k =  - \infty }^\infty  {{{\left| {{a_k}} \right|}^2}} } \ \ \ \ \square
\end{array}
\]

ref: A.V. Oppenheim, A. S. Willsky, S. H. Nawab, Signals and Systems

留言

這個網誌中的熱門文章

[數學分析] 什麼是若且唯若 "if and only if"

數學上的 if and only if  ( 此文不討論邏輯學中的 if and only if,只討論數學上的 if and only if。) 中文翻譯叫做  若且唯若 (or 當且僅當) , 記得當初剛接觸這個詞彙的時候,我是完全不明白到底是甚麼意思,查了翻譯也是愛莫能助,畢竟有翻跟沒翻一樣,都是有看沒有懂。 在數學上如果看到 if and only if  這類的句子,其實是表示一種 雙條件句 ,通常可以直接將其視為" 定義(Definition)" 待之,今天要分享的是這樣的一個句子如何用比較直觀的方法去看他 假設我們現在有 兩個邏輯陳述句 A 與  B. 注意到,在此我們不必考慮這兩個陳述句到底是什麼,想表達什麼,或者到底是否為真(true),這些都不重要。只要知道是兩個陳述即可。 現在,考慮新的陳述:  "A if and only if B" 好了,現在主角登場,我們可以怎麼看待這個句子呢? 事實上我們可以很直覺的把這句子拆成兩部分看待,也就是 "( A if B ) and ( A only if B )" 那麼先針對第一個部分  A if B  來看, 其實這句就是說  if B then A, 更直白一點就是 "if B is true, then A is also true".  在數學上等價可以寫為 "B implies A" .  或者更常用一個箭頭符號來表示 "B $\Rightarrow$  A"  現在針對第二個部分  A only if B 此句意指  "If B is not true, then A is also not true". 所以如果已知 A is true,  那麼按照上句不難推得 B is also true 也就是說  A only if B  等價為 "If A is true then B is also true". 同樣,也可以寫作   "A implies B"   或者用箭頭表示  "A   $\Rightarrow$     B".

[數學分析] 淺談各種基本範數 (Norm)

這次要介紹的是數學上一個重要的概念: Norm: 一般翻譯成 範數 (在英語中 norm 有規範的意思,比如我們說normalization就是把某種東西/物品/事件 做 正規化,也就是加上規範使其正常化),不過個人認為其實翻譯成 範數 也是看不懂的...這邊建議把 Norm 想成長度就好 (事實上norm是長度的抽象推廣), 也許讀者會認為好端端的長度不用,為何又要發明一個 norm 來自討苦吃?? 既抽象又艱澀。 事實上想法是這樣的: 比如說現在想要比較兩個數字 $3$ , $5$ 之間的大小,則我們可以馬上知道 $ 3 < 5 $;同樣的,如果再考慮小數與無理數如 $1.8753$ 與 $\pi$,我們仍然可以比較大小 $1.8753 < \pi = 3.1415...$ 故可以發現我們有辦法對 "純量" 做明確的比大小,WHY? 因為前述例子中 $3$, $5$, $1.8753$ or $\pi$ 其各自的大小有辦法被 "measure "! 但是如果是現在考慮的是一組數字 我們如何去measure 其大小呢?? 比如說 \[x:=[1, -2, 0.1, 0 ]^T \]上式的大小該是多少? 是 $1$? $-2$? $0.1$??? 再者如果更過分一點,我們考慮一個矩陣 \[A = \left[ {\begin{array}{*{20}{c}} 1&2\\ 3&4 \end{array}} \right] \],想要知道這個矩陣的大小又該怎麼辦?? 是 $1$ ? $2$ 還是 $4$ ?..其實現階段我們說不清楚。 也正是如此,可以發現我們確實需要新的 "長度" 的定義來幫助我們如何去 measure 矩陣/向量/甚至是函數的大小。 故此,我們首先定義甚麼是Norm,(也就是把 "長度" or "大小" 的本質抽離出來) ================== Definition: Norm 考慮 $V$ 為一個向量空間(Vector space),則我們說  Norm 為一個函數 $||\cdot|| : V \rightarrow \mathbb{R}$ 且滿足下列性質