同济大学信号与系统第九章第4讲_dft.ppt

1 3 直接卷积与快速卷积 重叠相加法 假定h(n), x(n)均为因果序列。h(n)的长度为N，如图a x(n)长度是 现将 等分为若干小段，每段长M,如图b 以 表示x（n）序列的第i小段（i为正整数， ），为完成 各 与h（n）之圆卷积，应将 长度补足至N+M-1，在图c中已用虚线示意补零。 输入序列可表示为 其中 相应地，输出序列也可分解为 利用卷积分配律可得 由于 的长度为N+M-1，而 的有效长度只有M，故相邻两段的 必有N-1长度的重叠。见图d 按照上述原理，此方法的运算过程可分为两部分： 首先求每个 与h(n)的圆卷积，样点数为N+M-1，共需P次，求各 ，其原理仍按图b； 然后将 取和（实际上是重叠部分的相加），即得 有时，N1可能很长，以致趋于无限大，例如语音信号、地震波动信号、宇宙通信中产生的某些信号等，如果不采用分段卷积的方法将迟迟不能给出结果，而且，无法找到那样大的存储设备来满足N1的需要。因此，即使在分段措施改善速度不显著的情况下，仍有可能采用这种方法。 借助FFT不仅可完成快速卷积运算，也可利用它进行解卷积运算，具体计算公式可仿照z变换解卷积方法求得。 （二）快速相关 信号与系统 同济大学汽车学院 魏学哲 weixzh@mail.tongji.edu.cn * §9-7 离散傅里叶变换的应用 运用DFT方法，往往伴随FFT算法的实施，所谓的应用几乎成为FFT应用的同意语。 （一）快速卷积 若长度为N1的序列x (n)与长度为N2的序列h(n)作线卷积，得到： y (n)为长度为N1+ N2 –1的有限长序列，要做N1*N2次乘法运算，当N1=N2 =N，要做N2次乘法。 如果把求线卷积改为求圆卷积，两序列分别补零加长为为N1+ N2 –1，则有可能减少运算次数。 x(n) y(n) 卷积 FFT FFT 序列相乘 IFFT x(n) h(n) X(k) H(k) X(k)H(k) y(n) 在快速卷积过程中，共需要2次FFT，1次IFFT，相当于3次FFT运算量，在一般数字滤波中，由h(n)求H(k)是事先计算完成放在存储器中，故只需2次FFT的运算量，若假设N1=N2 =N ，则补零后： 故需要 此外X(k)与H(k)两序列相乘，还需要2N次复乘，全部复数乘法次数为： 次复数乘法运算 随着N的增大，该运算量比N2显著减少。 以上分析是针对两序列长度相近或相等的情况，如果一个序列很短，而另一序列很长，则需要补很多零，圆卷方案甚至增加运算量，可采用分段卷积的方法，其基本原理是将x(n)分成若干小段，每小段长度与h(n)接近，将x(n)的各小段与h(n)卷积，最后取和，仍可发挥快速卷积的优越性。 N h(n) 图a 图b M M M N1 X(n) N+M-1 N+M-1 N+M-1 N+M-1 图c N+M-1 重叠N+M-1 重叠 图d 重叠N+M-1 图e y(n) N+N1-1 相关和自相关也可借助FFT完成。 x(n) y(n) 相关 FFT FFT 序列相乘 IFFT x(n) h(n) X(k) H(k) X(k)H*(k) y(n) h(n) 共轭 H*(k) 相关运算常见于雷达和声纳系统中，应用该运算确定信号的时间延迟。 当x(n)与h(n)是同一信号， y(n) 是自相关函数，而Y(k)是x(n)的功率谱。 （三）利用DFT对连续时间信号的逼近 其中,T为抽样间隔。 或者 一.用DFT计算连续时间信号的傅氏变换可能造成的误差 1.混叠现象 为避免混叠,由抽样定理可知，须满足 其中fs为抽样频率; fh为信号的最高频率分量 对于时间有限信号，其傅立叶变换不可能是有限带宽，抽样后必然带来混叠(aliasing)，减小抽样间隔可减弱混叠，但总不可避免。 若信号频谱有限，则时间函数必然是无限的。在实际应用中，为利用FFT对信号进行分析，必须把时间截取一定范围，也就是说，在时域对信号进行截断操作，或称作加时间窗，亦即用时间窗函数乘以信号，由卷积定理可知，时域相乘，频域为卷积，时间加窗使频谱产生失真，它从原有的频率受限图中扩散出来，这就造成拖尾现象，称之为频谱泄漏（leakage）。 2.频谱泄漏 0 n 0 n n 3.栅栏效应 用DFT计算频谱时，只是知道为频率 的整数倍处的频谱。在两个谱线之间的情况就不知道,这相当通过一个栅栏观察景象一样，故称作栅栏效应。补零点加大周期，可使F变小来提高分辨力，以减少栅栏效应。 [例] 有一频谱分析用的FFT处理器，其抽样点数必须是2的整数幂。