图神经网络基础一:傅里叶级数与傅里叶变换 (4)

    $\begin{array}{l}f(t)&=a_{0}+\sum \limits _{n=1}^{+\infty}\left[a_{n} \frac{e^{i n \omega t}+e^{-i n \omega t}}{2}+b_{n} \frac{e^{i n \omega t}-e^{-i n \omega t}}{2 i}\right] \\&=a_{0}+\sum \limits_{n=1}^{+\infty}\left(\frac{a_{n}-i b_{n}}{2}\right) e^{i n \omega t}+\sum \limits_{n=1}^{+\infty}\left(\frac{a_{n}+i b_{n}}{2}\right) e^{-i n \omega t} \\&=\sum \limits_{n=0}^{0} a_{n} e^{i n \omega t}+\sum \limits_{n=1}^{+\infty}\left(\frac{a_{n}-i b_{n}}{2}\right) e^{i n \omega t}+\sum \limits_{n=-1}^{-\infty}\left(\frac{a_{-n}+i b_{-n}}{2}\right) e^{i n \omega t} \\&=\sum \limits_{-\infty}^{+\infty} c_{n} e^{i n \omega t}\end{array}$

  其中:

    $\begin{array}{l}\text { 当 } n=0 \text { 时 }, c_{n}=a_{0} \\\text { 当 } n=1,2,3, \cdots \text { 时, } c_{n}=\frac{a_{n}-i b_{n}}{2} \\\text { 当 } n=-1,-2,-3, \cdots \text { 时, } c_{n}=\frac{a_{-n}+i b_{-n}}{2}\end{array}$

  上一小节求得系数  $a_{0}, a_{n}, b_{n}$  ,现在将这些系数代入经过欧拉公式变换后的傅里叶级数。

  首先,当  $n=0$  时:

    $\begin{array}{l}c_{n}=a_{0} \\=\frac{1}{T} \int_{0}^{T} f(t) \mathrm{d} t \\=\frac{1}{T} \int_{0}^{T} f(t) e^{-i 0 \omega t} \mathrm{~d} t\end{array}$

  当 $n=1,2,3, \cdots$ 时: 

    $\begin{array}{l}c_{n}&=\frac{a_{n}-i b_{n}}{2} \\&=\frac{\frac{2}{T} \int_{0}^{T} f(t) \cos (n \omega t) \mathrm{d} t-i \frac{2}{T} \int_{0}^{T} f(t) \sin (n \omega t) \mathrm{d} t}{2} \\&=\frac{1}{T} \int_{0}^{T} f(t)[\cos (n \omega t)-i \sin (n \omega t)] \mathrm{d} t \\&=\frac{1}{T} \int_{0}^{T} f(t) e^{-i n \omega t} \mathrm{~d} t\end{array}$

  可见对于任意的 $n$ ,所有的 $c_{n}$ 的表达式都是一样的。

  总结一下,傅里叶级数最终可以写为:

    $f(t)=\sum \limits_{n=-\infty}^{+\infty} c_{n} e^{i n \omega t}$

  其中

    $ c_{n}=\frac{1}{T} \int_{0}^{T} f(t) e^{-i n \omega t} \mathrm{~d} t$

  上面的式子说明,任意一个周期为  $T$  的周期函数,都可以使用一组  $c_{n}$  来表示它。也就 是说,在时域内  $(t, f(t))$  可以唯一地确定函数  $f(t)$  ,而在频域内,函数  $f(t)$  由  $\left(n, c_{n}\right)$  来唯一确定,这就是从时域到频域的转换,如下图:

    

图神经网络基础一:傅里叶级数与傅里叶变换

   上图右边纵轴  $c_{n}$  其实是个复数,可以理解为应该有两个维度,一个实部,一个虚部,但是这 里为了简单画图,就把它画成了实数,但其实它是个复数。

三、傅里叶变换

  傅里叶变换针对非周期函数,一个非周期函数可以看做周期无限大的函数。

  同样的以 $\boldsymbol{\omega}$ 作为基频率,满足 $\omega=\frac{2 \pi}{T}$ ,当 $T \rightarrow+\infty$ 时, $ \omega \rightarrow 0 $ ,又有 $\omega=(n+1) \omega-n \omega=\Delta \omega $ ,因此 $\Delta \omega \rightarrow 0$ 。

  在这里我们将 $c_{n}$ 写作从 $-\frac{T}{2}$ 到 $\frac{T}{2} $ 的积分:

    $c_{n}=\frac{1}{T} \int_{-\frac{T}{2}}^{\frac{T}{2}} f(t) e^{-i n \omega t} \mathrm{~d} t$

  那么对于非周期函数  $f(t)$  来说有:

    $\begin{array}{l}f(t)&=\underset{T \rightarrow+\infty}{lim}    \sum \limits_{n=-\infty}^{+\infty} c_{n} e^{i n \omega t} \\&=\underset{T \rightarrow+\infty}{lim}    \sum \limits_{n=-\infty}^{+\infty} \frac{1}{T} \int_{-\frac{T}{2}}^{\frac{T}{2}} f(t) e^{-i n \omega t} \mathrm{~d} t \cdot e^{i n \omega t} \\&=\underset{\Delta \omega \rightarrow 0}{lim}    \sum \limits_{n=-\infty}^{+\infty} \frac{\Delta \omega}{2 \pi} \int_{-\infty}^{+\infty} f(t) e^{-i n \omega t} \mathrm{~d} t \cdot e^{i n \omega t}\end{array}$

  从下图中可以看做,当  $\Delta \omega \rightarrow 0$  时,虽然 $n$  为离散的量,但是  $n \omega$  会变成一个连续的量: 

    

图神经网络基础一:傅里叶级数与傅里叶变换

  注意   $\Delta \omega=\omega$  ,另外我们令  $ W=n \omega$   ,那么我们有:  

内容版权声明:除非注明,否则皆为本站原创文章。

转载注明出处:https://www.heiqu.com/zggjxp.html