占空比任意方波的傅里叶级数展开

这篇具有很好参考价值的文章主要介绍了占空比任意方波的傅里叶级数展开。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

常见的方波信号傅里叶级数展开都是占空比为50%,如方波信号傅里叶级数展开,但有的时候信号的占空比不一定是50%的信号,这时我们要对其进行傅里叶变换或者频谱推导的时候,就不太适用了。因此本文将对占空比任意的方波信号的傅里叶级数展开进行推导。搭配转|周期矩形脉冲信号频谱及特点食用更佳。

傅里叶级数的复数形式

本文推导将使用傅里叶级数变换的复数形式,具体推导可观看B站Dr.CAN的视频纯干货数学推导_傅里叶级数与傅里叶变换_Part4_傅里叶级数的复数形式
这里直接引用结论:周期为T的周期函数f(t)可以展开为 C n C_n Cn为系数的一系列级数。
占空比任意方波的傅里叶级数展开

占空比任意方波的傅里叶级数展开

下面我们定义一个周期为T、占空比为D、高电平幅度为A的任意方波信号,其时域波形如下:
占空比任意方波的傅里叶级数展开
单个周期T内x(t)表达式可写为:
x ( t ) = { A 0 ≤ t < D T 0 D T ≤ 0 < T \begin{equation} x(t)= \begin{cases} A& {0 \leq t < DT}\\ 0& {DT \leq 0 < T} \end{cases} \end{equation} x(t)={A00t<DTDT0<T
下面来计算傅里叶级数的系数:
C 0 = 1 T ∫ 0 D T x ( t ) d t = A D C k = 1 T ∫ 0 T x ( t ) e − j k ω 0 t d t = 1 T ∫ 0 D T A e − j k ω 0 t d t = A T ∗ ( − j k ω 0 ) ( e − j k ω 0 D T − 1 ) C_0=\frac{1}{T}\int_{0}^{DT}x(t)dt=AD\\ C_k=\frac{1}{T}\int_{0}^{T}x(t)e^{-jk\omega_0t}dt=\frac{1}{T}\int_{0}^{DT}Ae^{-jk\omega_0t}dt\\ =\frac{A}{T*(-jk\omega_0)} (e^{-jk\omega_0DT}-1) C0=T10DTx(t)dt=ADCk=T10Tx(t)ejkω0tdt=T10DTAejkω0tdt=T(jkω0)A(ejkω0DT1)
ω 0 = 2 π f 0 \omega_0=2\pi f_0 ω0=2πf0代入:
C k = A − j k 2 π ( e − j k 2 π D − 1 ) = A j k 2 π ( e j k π D − e − j k π D ) e − j k π D = A k π s i n ( k π D ) e − j k π D C_k=\frac{A}{-jk2\pi} (e^{-jk2\pi D}-1)=\frac{A}{jk2\pi} (e^{jk\pi D-e^{-jk\pi D}})e^{-jk\pi D}\\ =\frac{A}{k\pi}sin(k\pi D)e^{-jk\pi D} Ck=jk2πA(ejk2πD1)=jk2πA(ejkπDejkπD)ejkπD=Asin(D)ejkπD
因此x(t)的展开式可写为:
x ( t ) = ∑ − ∞ + ∞ A k π s i n ( k π D ) e j k ( ω 0 t − π D ) x(t)=\sum_{-\infty}^{+\infty}\frac{A}{k\pi}sin(k\pi D)e^{jk(\omega_0t-\pi D)} x(t)=+Asin(D)ejk(ω0tπD)
e − j k π D e^{-jk\pi D} ejkπD作为相移因子,如果方波是以t=0奇对称,则没有相移存在。Cn还可以整理为一个sinc函数的形式。文章来源地址https://www.toymoban.com/news/detail-508438.html

到了这里,关于占空比任意方波的傅里叶级数展开的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 常数项级数、函数项级数、幂级数与傅里叶级数

    提示:本文的适用对象为已修过《微积分A1》的非数学系学生,文中题型方法为个人总结,为个人复习使用。部分理解虽然不太严谨,但对于解题的实用性较强。若有疏漏or错误,欢迎批评指正。 (1)判断无穷级数收敛性的方法 1.( 通过无穷级数的前n项和来判断 )若一个无

    2024年02月05日
    浏览(44)
  • 傅里叶级数和傅里叶变换之间的关系推理及应用

    傅里叶级数和傅立叶变换是傅里叶分析的两个主要工具,它们之间有密切的关系。 傅里叶级数是将一个周期函数分解为一系列正弦和余弦函数的和。它适用于周期性信号,可以将周期函数表示为一组振幅和相位不同的谐波分量的和。傅里叶级数展示了一个周期函数在不同频率

    2024年02月07日
    浏览(58)
  • 【Matlab】傅里叶级数展开

    一个信号系统课程中使用Matlab对傅里叶级数进行展开、绘制波形并分析的实验。 周期函数f(t)的周期2pi,f(x)在[-pi, pi]上的表达式为: 由傅里叶级数展开式可得: 直流分量系数: 基波及各次谐波分量的系数: 傅里叶展开F(x)为: 设周期信号f(t),其周期为T,角频率为 ,则该信

    2024年02月07日
    浏览(41)
  • 傅里叶级数和泰勒级数逼近已知函数的动态过程

    本文代码: Fourier级数和Taylor级数对原函数的逼近动画 级数是对已知函数的一种逼近,比较容易理解的是Taylor级数,通过多项式来逼近有限区间内的函数,其一般形式为 f ( x ) = ∑ n = 0 N a n x n f(x)=sum_{n=0}^N a_nx^n f ( x ) = n = 0 ∑ N ​ a n ​ x n 其中最著名的应该是自然指数,根据

    2024年02月12日
    浏览(36)
  • 如何理解图神经网络的傅里叶变换和图卷积

    图神经网络(GNN) 代表了一类强大的深度神经网络架构。在一个日益互联的世界里,因为信息的联通性,大部分的信息可以被建模为图。例如,化合物中的原子是节点,它们之间的键是边。 图神经网络的美妙之处在于它们能够在不牺牲重要细节的情况下直接对图结构数据进

    2024年02月09日
    浏览(44)
  • 傅里叶级数系数的完整详细算法

    傅里叶级数系数的完整详细算法 一、三角函数相关公式和定积分 在分析傅里叶级数之前,一定要先熟悉三角函数的相关公式,以及三角函数的积分。 1、两角和公式: sin( α + β ) = sin( α ) * cos( β ) + cos( α ) * sin( β ) sin( α - β ) = sin( α ) * cos( β ) - cos( α ) * sin( β ) cos( α + β

    2024年02月04日
    浏览(37)
  • 【数据挖掘】时间序列的傅里叶变换:用numpy解释的快速卷积

            本篇告诉大家一个高级数学模型,即傅里叶模型的使用; 当今,傅里叶变换及其所有变体构成了我们现代世界的基础,为压缩、通信、图像处理等技术提供了动力。我们从根源上理解,从根本上应用,这是值得付出的代价。         傅里叶变换算法被认为是所

    2024年02月16日
    浏览(42)
  • Matlab|数字图像处理02|图像的傅里叶变换(平移/旋转性质)及图像的离散余弦变换

    问题1:x,y方向同时平移后频谱有何变化? 答:经过平移后的傅里叶变换幅值图与原图像得到的傅里叶变换幅值图基本相同,平移不改变频谱的幅值。 代码运行结果: 代码: 问题2:编程验证一幅图旋转45度后,其傅里叶谱图也旋转了45度。 代码: 问题3:第8行10的数字大小对

    2024年02月08日
    浏览(47)
  • 9.利用matlab完成 泰勒级数展开 和 符号表达式傅里叶变换和反变换 (matlab程序)

    1. 简述        首先生成一个方波(或者其他组合波形),然后对这个信号做傅里叶变换,拆解到频域,可以看到这个信号是由哪些频率的信号叠加而来。 然后把频域信号,用傅里叶逆变换恢复到时域。这里的逆变换不是用matlab自带的ifft函数,而是依据原理,用很多正弦波

    2024年02月13日
    浏览(50)
  • 分频器——(任意奇分频(50%占空比、非50%占空比),任意偶分频,任意小数分频)

            在数字系统的设计中经常会碰到 需要使用多个时钟 的情况。时钟信号的产生通常具有两种方法,一种是使用PLL(Phase Locked Loop,锁相环),可生成 倍频、分频信号 ;另一种则是使用硬件描述语言构建一个分频电路。         分频器的设计通常分为以下 三类:

    2023年04月23日
    浏览(69)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包