当前位置: 首页 > news >正文

傅里叶变换(四):直角坐标与极坐标

让我们来继续探索 \(F(\omega)\) 这个函数吧!

对于每个频率 \(\omega\),我们得到一个复数 \(F(\omega)\),它告诉我们“信号中包含了多少这个频率”。

\[F(\omega) = \int_{-\infty}^{\infty} f(t) e^{-i\omega t} , dt \]

由于 \(F(\omega)\) 是复数,我们可以将其写成:\(F(\omega) = A(\omega) + i B(\omega)\)

或者用极坐标形式表示:\(F(\omega) = |F(\omega)| e^{i\phi(\omega)}\)

其中:

  • \(|F(\omega)|\)幅度,表示该频率在信号中的强度

  • \(\phi(\omega)\)相位,表示该频率分量的时序或偏移

有趣的是:\(F(\omega)\) 作为 \(\omega\) 的函数,可以告诉你信号的完整“频率特征”。

一些有趣的性质:

  1. 如果 \(f(t)\) 是频率为 \(\omega_0\) 的纯正弦波,那么 \(F(\omega)\) 除了 \(\omega = \omega_0\) 处(一个尖峰!)以外,其余处均为零。

  2. 如果 \(f(t)\) 是实值函数(对于物理信号来说通常是实值函数),那么 \(F(\omega)\) 具有特殊的对称性:\(F(-\omega) = \overline{F(\omega)}\)(复共轭)。

任何复数都可以用两种方式表示:

直角坐标: \(a + ib\) - 向右移动 \(a\) 个单位,向上移动 \(b\) 个单位

极坐标: \(r e^{i\theta}\) - 从原点出发,沿 \(r\) 的距离,以 \(\theta\) 的角度移动

它们指向同一个点,只是描述方式不同。

所以当我们写 \(F(\omega) = |F(\omega)|我们用 e^{i\phi(\omega)}\) 来表示:

  • 从原点出发

  • 向外移动距离 \(|F(\omega)|\)(振幅,频率的强度)

  • 沿 \(\phi(\omega)\) 方向移动(相位,角度)

“这本质上是同心圆”,没错!到原点距离相等的每个点都位于一个圆上。振幅告诉你哪个圆,相位告诉你圆上的位置。

http://www.jsqmd.com/news/160937/

相关文章:

  • PyTorch官方安装步骤太复杂?这个镜像简化90%流程
  • 轻量级深度学习环境:PyTorch-CUDA-v2.7仅需2分钟启动
  • 手把手教学:在云平台拉取并运行PyTorch-CUDA-v2.7镜像
  • 2026年上半年徐州室内装修/室内设计/全屋定制/精装局改/软装搭配公司综合评估与选型指南 - 2025年品牌推荐榜
  • Markdown笔记记录实验过程:配合Jupyter和PyTorch镜像高效科研
  • PyTorch安装教程GPU版:基于CUDA-v2.7镜像的高效配置方案
  • PyTorch-CUDA-v2.7镜像是否支持A100?实测结果公布
  • Markdown语法高亮设置:正确显示PyTorch代码块
  • 旧版PyTorch升级指南:迁移到v2.7镜像的注意事项
  • 2025年高性价比的精密铝材加工工厂推荐,精密铝材加工供应商全解析 - 工业品牌热点
  • 2025年贵阳推荐西点培训学校排行榜,高性价比西点技能培训中心测评精选 - 工业推荐榜
  • 2025年终盘点:固体加料系统哪家好?固体加料系统/供应商/生产厂家推荐 - 品牌推荐大师1
  • SSH密钥登录PyTorch-CUDA-v2.7容器:安全高效的远程访问方式
  • DeepSeek:AI助手的高效使用指南
  • 市面上比较好的商标律所推荐,这些专业机构值得关注 - 品牌排行榜
  • 102301318 杨垚总结
  • NVIDIA显卡适配性测试报告:PyTorch-CUDA-v2.7全面兼容主流型号
  • 产品路线图怎么做:从愿景到里程碑的 6 步落地法
  • QLoRA量化微调教程:结合PyTorch-CUDA-v2.7节省显存开销
  • MobaXterm高效运维:实战技巧全解析
  • Jupyter魔法命令大全:提升PyTorch开发效率的%和!!操作
  • 模型越强,我反而越不敢让它进核心链路
  • 避免常见错误:PyTorch安装时CUDA不匹配问题终极解决方案
  • JupyterLab集成PyTorch环境:通过容器化镜像一键启动
  • 防爆烘箱品牌怎么选?关键指标与推荐 - 品牌排行榜
  • 从零开始部署PyTorch:CUDA与GPU支持的Docker镜像详解
  • 小白也能学会:图形化界面操作PyTorch-CUDA深度学习环境
  • Markdown写文档更高效:PyTorch-CUDA-v2.7镜像集成写作环境
  • rust交叉编译 simpileperf
  • PyTorch 2.7版本新特性一览:结合CUDA镜像提升推理速度