• Fourier变换的微分性质及其证明


    Fourier变换的微分性质及其证明

    一、微分性质

    如果 f ( t ) f(t) f(t)满足:在 ( − ∞ , + ∞ ) ( - \infty , + \infty ) (,+)上连续或只有有限个可去间断点,且当 ∣ t ∣ → + ∞ |t| \to + \infty t+时, f ( t ) f(t) f(t) → \to 0 0 0,则
    F [ f ′ ( t ) ] = j ω F [ f ( t ) ] \mathscr F[f'(t)]=j\omega \mathscr F[f(t)] F[f(t)]=F[f(t)]
    该式表明一个函数导数的Fourier变换等于这个函数的Fourier变换乘以 j ω j\omega .

    二、证明

    证明:由Fourier变换的定义, 并利用分部积分可得
    F [ f ′ ( t ) ] = ∫ − ∞ + ∞ f ′ ( t ) e − j ω t d t = f ( t ) e − j ω t ∣ − ∞ + ∞ + j ω ∫ − ∞ + ∞ f ( t ) e − j ω t d t = j ω F [ f ( t ) ] \mathscr F[f'(t)] = \int_{ - \infty }^{ + \infty } {f'(t){e^{ - j\omega t}}dt} \\ \\ \\= \left. {f(t){e^{ - j\omega t}}} \right|_{ - \infty }^{ + \infty } + j\omega \int_{ - \infty }^{ + \infty } {f(t){e^{ - j\omega t}}dt} \\ \\ \\= j\omega \mathscr F[f(t)] F[f(t)]=+f(t)etdt=f(t)et +++f(t)etdt=F[f(t)]

    :分部积分公式: ∫ u d v = u v − ∫ v d u \int {udv = uv - \int {vdu} } udv=uvvdu

    三、微分性质推论

    推论:若 f ( k ) ( t ) f^{(k)}(t) f(k)(t) ( − ∞ , + ∞ ) ( - \infty , + \infty ) (,+)上连续或只有有限个可去间断点,且 lim ⁡ ∣ t ∣ → ∞   f ( k ) ( t ) = 0 \lim \limits_{|t| \to \infty } \,{f^{(k)}}(t) = 0 tlimf(k)(t)=0, k = 0 , 1 , 2 , . . . , n − 1 k=0,1,2,...,n-1 k=0,1,2,...,n1,则

    F [ f ( n ) ( t ) ] = ( j ω ) n F [ f ( t ) ] \mathscr F[{f^{\left( n \right)}}(t)] = {\left( {{\rm{j}}\omega } \right)^n}\mathscr F[f(t)] F[f(n)(t)]=(jω)nF[f(t)]

    四、象函数的导数

    象函数的导数公式:
    F [ f ( t ) ] = F ( ω ) \mathscr F[f(t)] = F(\omega ) F[f(t)]=F(ω),则
    d d ω F ( ω ) = F [ − j t f ( t ) ] \frac{d}{{d\omega }}F(\omega ) =\mathscr F[ - jtf(t)] dωdF(ω)=F[jtf(t)]
    该式表明一个函数的象函数的导数等于该函数乘以 − j t -jt jt后的Fourier变换。

    一般地,
    d n d ω n F ( ω ) = ( − j ) n F [ t n f ( t ) ] \frac{{{d^n}}}{{d{\omega ^n}}}F(\omega ) = {( - j)^n}\mathscr F[{t^n}f(t)] dωndnF(ω)=(j)nF[tnf(t)]

  • 相关阅读:
    关于a标签不同状态下变化颜色样式的写法注意事项
    计算机网络(自顶向下方法)-链路层和局域网
    【Maven教程】(七)聚合与继承:多模块项目实用特性介绍,反应堆构建及裁剪 ~
    聊聊前端性能指标那些事儿
    4、Ribbon负载均衡
    Jenkins拉取Gitee项目并打包运行
    【自然语言处理(NLP)】基于注意力机制的英文新闻标题生成
    特征工程学习笔记
    创新的Sui项目在CoinDCX的Unfold 2023黑客松中获奖
    深度学习入门(十) 模型选择、过拟合和欠拟合
  • 原文地址:https://blog.csdn.net/qq_18937049/article/details/132923995