跳到主要內容

[系統理論] 關於 Fourier Series 係數 之積分範圍的討論

首先回憶給定平滑有界之 週期訊號 $x(t)$ 且假設此訊號具有基本頻率 $f_0$ (亦即此訊號具有基本週期 $T_0 :=1/f_0$ ),那麼在 Fourier analysis 中我們說此訊號可以表示為
\[
x(t) = \sum_{k = -\infty}^\infty a_k e^{j 2 \pi f_0 k t }
\]且其對應的 Fourier Series 可由下列積分求得
\[
a_k := \frac{1}{T_0} \int_0^{T_0} x(t) e^{-j 2 \pi f_0 k t} dt \;\;\;\;\; (*)
\]

但事實上由於 $x(t)$ 為週期訊號,上述積分範圍可以為 任意單位週期長度 而不需拘泥於 $[0,T_0]$,一般而言,最常見到的另一種 Fourier Series coefficient 形式為 : \[{a_k} = \frac{1}{{{T_0}}}\int_{ - {T_0}/2}^{{T_0}/2} {x\left( t \right){e^{ - j{2 \pi  f_0}kt}}dt} \]事實上此式子與 $(*)$ 等價。 我們將此寫作以下 FACT:

===================
FACT:
給定平滑有界 週期訊號 $x(t)$ 表示為
\[
x(t) = \sum_{k = -\infty}^\infty a_k e^{j 2 \pi f_0 k t }
\]則其 Fourier Series 係數亦可表為
\[{a_k} = \frac{1}{{{T_0}}}\int_{ - {T_0}/2}^{{T_0}/2} {x\left( t \right){e^{ - j{2 \pi  f_0}kt}}dt} \]===================

Proof:
我們僅需證明
\[ \frac{1}{{{T_0}}}\int_{ - {T_0}/2}^{{T_0}/2} {x\left( t \right){e^{ - j2\pi {f_0}kt}}dt}  = \frac{1}{{{T_0}}}\int_0^{{T_0}} {x\left( t \right){e^{ - j2\pi {f_0}kt}}dt} \]故現在觀察左式,利用積分的線性性質:
\begin{align*}
  {a_k} &:= \frac{1}{{{T_0}}}\int_{ - {T_0}/2}^{{T_0}/2} {x\left( t \right){e^{ - j{2 \pi  f_0}kt}}dt}\\
&  = \frac{1}{{{T_0}}}\left( {\int_{ - {T_0}/2}^0 {x\left( t \right){e^{ - j{2 \pi  f_0}kt}}dt}  + \int_0^{{T_0}/2} {x\left( t \right){e^{ - j{2 \pi  f_0}kt}}dt} } \right) \;\;\;\; (\star)
\end{align*}現在對第一項積分做變數變換,令 $u : = t + {T_0}$ 其中 $T_0:=1/f_0$ 則前述 $(\star)$ 中的第一項積分可改寫為
\begin{align*}
  {a_k} &= \frac{1}{{{T_0}}}\left( {\int_{ - {T_0}/2}^0 {x\left( t \right){e^{ - j{2 \pi  f_0}kt}}dt}  + \int_0^{{T_0}/2} {x\left( t \right){e^{ - j{2 \pi  f_0}kt}}dt} } \right) \hfill \\
   &= \frac{1}{{{T_0}}}\left( {\int_{{T_0}/2}^{{T_0}} {x\left( {u - {T_0}} \right){e^{ - j{2 \pi  f_0}k\left( {u - {T_0}} \right)}}du}  + \int_0^{{T_0}/2} {x\left( t \right){e^{ - j{2 \pi  f_0}kt}}dt} } \right) \hfill \\
   &= \frac{1}{{{T_0}}}\left( {\int_{{T_0}/2}^{{T_0}} {x\left( u \right){e^{ - j{2 \pi  f_0}k\left( u \right)}}\underbrace {{e^{j{2 \pi  f_0}k\left( {{T_0}} \right)}}}_{ = 1}du}  + \int_0^{{T_0}/2} {x\left( t \right){e^{ - j{2 \pi  f_0}kt}}dt} } \right) \hfill \\
   &= \frac{1}{{{T_0}}}\left( {\int_{{T_0}/2}^{{T_0}} {x\left( u \right){e^{ - j{2 \pi  f_0}k\left( u \right)}}du}  + \int_0^{{T_0}/2} {x\left( t \right){e^{ - j{2 \pi  f_0}kt}}dt} } \right) \hfill \\
   &= \frac{1}{{{T_0}}}\left( {\int_{{T_0}/2}^{{T_0}} {x\left( t \right){e^{ - j{2 \pi  f_0}kt}}dt}  + \int_0^{{T_0}/2} {x\left( t \right){e^{ - j{2 \pi  f_0}kt}}dt} } \right) \hfill \\
   &= \frac{1}{{{T_0}}}\int_0^{{T_0}} {x\left( t \right){e^{ - j{2 \pi  f_0}kt}}dt} .
\end{align*}
讀者可注意到上述第三條等式成立之原因為 $x(t)$ 為週期訊號故 $x(t -T_0) = x(t)$$\square$

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