离散Fourier变换的一种理解方法

离散内积与最小二乘 在数据拟合时,通常要根据已知节点来构造离散范数,并在新的范数的1意义下拟合。离散内积: 函数f,g的关于离散点列{xi}ni=0\{x_i\}_{i=0}^n的离散内积为: (f,g)h=∑i=0nf(xi)g(xi)(f,g)_h=\sum_{i=0}^nf(x_i)g(x_i)由此可以定义离散范数: 函数f的离散范数为: ||f||h=(f,f)h‾‾‾‾‾‾√||f||_h = \sq 阅读详情

1.  离散Fourier变换的定义

         一个信号 x 的离散Fourier变换(Discrete Fourier Transform,简记为DFT)定义为

                \displaystyle X(\omega_k) \triangleq \sum_{n=0}^{N-1}x(t_n)e^{-j \omega_k t_n} (k = 0,1 ,...,N - 1),

其逆(inverse) Fourier变换(简记为 IDFT)定义为

                \displaystyle x(t_n) =\frac{1}{N}\sum_{k=0}^{N-1}X(\omega_k)e^{j \omega_k t_n} (n = 0,1 ,...,N - 1)。

(译注:符号“≜”表示“根据定义,左边等于右边”。)

其中,

        x (t_n) \triangleq 在时刻 t_n (秒)时的输入信号的幅度(amplitude)。

        t_n \triangleq nT  = 第n个采样时刻(instant)(秒)。

        n \triangleq 采样顺序编号(simple number)(整数)。

        T \triangleq 采样周期(simple period)(整数)。

      X(\omega_k) \triangleq 信号 x 在弧度频率(radian frequency)(译注:即,角频率) \omega_k 处的频谱(spectrum)。

        \omega_k \triangleq k \Omega =  第 n 个频率样本(弧度/秒)。

        \Omega \triangleq \frac{2\pi}{NT}  = 弧度频率采样间隔(sampling interval)。

        f_s \triangleq \frac{1}{T} = 采样率(sampling rate)(样本数/秒,或者Hz(Hertz))。

        N = 时间和频率中的采样数目(整数)。

(译注:Hz的物理意义为“每秒循环次数(cycles per second)”)

2.  离散Fourier变换的数学知识

    在信号处理的文献中,通常在前面的定义中令 T = 1, 从而获得更为纯粹的形式:

\displaystyle X(k) \triangleq \sum_{n=0}^{N-1}x(n)e^{-j2\pi nk/N} (k = 0,1 ,...,N - 1),

\displaystyle x(n) =\frac{1}{N}\sum_{k=0}^{N-1}X(k)e^{j 2\pi nk/N} (n = 0,1 ,...,N - 1)。

其中,

        j \triangleq \sqrt{-1} (复数的基)

        \displaystyle e \triangleq \lim_{n \rightarrow \infty}(1+\frac{1}{n})^{n} = 2.71828182845905 ... 。

2.1  复平面

    下面是一个点在复平面中的示意图:

 --------------------------------------------图2.2. 复数在复平面中的图像-----------------------------------------

将 z = x + jy 绘制为复平面中的点 (x, y) 可以视为笛卡尔(Cartesian)坐标或直线坐标(rectilinear)中的绘图(译注:均有两个轴上的值相对应)。我们也可以根据极坐标将复数表示为一个有序对(r,θ),其中,r是原点到所绘点的距离,θ是数相对于正实数轴(按 y = 0 且 x > 0 所定义的直线)的夹角(如图2.2所示)。

    使用初等几何知识,可以迅速地证明,从矩形坐标到极坐标的转换由下列公式完成:

                r = \sqrt{x^2+y^2},

                \theta = \tan^{-1}(\frac{y}{x})。

第一个等式由 Pythagoras定理直接可推导出,第二个等式由tangent的定义可直接推导出。

              ​​​​​​​r \triangleq | z| = \sqrt{x^2+y^2 }  = z 的(模(modulus),大小(magnitude),绝对值(absolute value),范数(norm),或者半径(radius))(译注:对于复数而言,以上几种称谓是等效的)。

              \theta \triangleq \angle z = \tan^{-1}(\frac{y}{x}) = z 的(角度(angle),参数(argument),相位(phase)) 。

 z 的共轭复数用 \overline{z} 表示,定义为

                \overline{z} \triangleq x - jy (译注:互为共轭的复数关于x轴对称)。

2.2  圆周运动(Circular Motion)

    因为复数正弦的模是常量,因此,在复平面上,它一定位于圆周上。例如,

                x(t) = e^{j\omega t}

在复平面上沿着单位圆画出逆时针(counter-clockwise)圆周运动的轨迹;而

                \overline{x(t)} = e^{-j\omega t}

是顺时针(clockwise)的圆周运动。我们称形如 e^{j\omega t} (ω > 0)的复数正弦函数为正频率正弦函数(positive-frequency sinusoid),称形如  e^{-j\omega t} 的复数正弦函数为负频率正弦函数(negative-frequency sinusoid)。注意,正负频率正弦函数一定是复数。

2.3  圆周运动的投影(Projection of Circular Motion)

        单位圆在复平面上的方程可表示成 z = e^{j\omega t} ,实部和虚部分别为

                \mathbf{Re}\{e^{j\omega t}\} = \cos(\omega t) ,\mathbf{Im}\{e^{j\omega t}\} = \sin(\omega t) 。

在复平面上,可以将这个解释为正弦运动是圆周运动在任意直线上的投影。因此,正弦运动 \cos(\omega t) 是圆周运动 e^{j\omega t} 在实轴( x轴)上的投影,而正弦运动 \sin(\omega t) 是圆周运动 e^{j\omega t} 

在虚轴( y轴)上的投影。

        图 5.7 显示了复数正弦曲线与时间的关系图,以及它在坐标平面上的投影。 这是显示 z 平面与时间的 3D 图。 轴是实部、虚部和时间。(或者我们可以使用幅度和相位与时间的关系。)

-----------------------------------------------图 5.7 复数正弦曲线及期投影------------------------------------------

请注意,左侧投影(在 z 平面上)是一个圆,下部投影(实部与时间)是余弦,上部投影(虚部与时间)是正弦。 穿过绘图的点在 z 平面上投影为匀速圆周运动,在其他两个平面上投影为正弦运动。

2.4  正负频率

        根据Euler恒等式 e^{j\theta} = \cos(\theta)+j\sin(\theta) ,我们可以得到

        \cos(\theta)=\frac{e^{j\theta}+e^{-j\theta}}{2} ,

        \sin(\theta)=\frac{e^{j\theta}-e^{-j\theta}}{2j} 。

令 \theta = \omega t + \phi ,我们看到正弦和余弦(以及所有真正的正弦曲线)都由相等且相反的圆周运动之和组成。 换句话说,每个实正弦曲线都由正负频率分量的同等贡献组成。所有实信号都是如此。当我们进行频谱分析时,我们会发现每个实信号都包含等量的正频率和负频率,即,若用 X(ω)来表示实信号 x(t) 的频谱,我们总是有 | X(-ω)| = | X(ω)| 。

        注意,在数学上,复数正弦  Ae^{j(\omega t+\phi)} 确实比实数正弦 A \sin(\omega t + \phi) 更简单且更基础。因为,e^{j\omega t} 仅由一个频率组成,而 sin(ωt ) 实际上由两个频率 ω 和 –ω 组成 。我们可以将实正弦曲线视为正频率和负频率复正弦曲线的总和,因此从这个意义上说,实正弦曲线是复正弦曲线的“复杂程度的两倍”。 复数正弦曲线也更好,因为它们具有恒定的模量(constant modulus)。复正弦曲线的“幅度包络检测器(Amplitude envelope detectors)”很简单:只需计算实部和虚部平方和的平方根即可获得任意时刻的瞬时峰值幅度。频率解调器也同样微不足道:只需对复正弦曲线的相位进行微分即可获得其瞬时频率。因此,信号处理工程师通常更喜欢在进一步处理之前将实正弦曲线转换为复正弦曲线,这也就不足为奇了。

3.  内积与投影

    内积(inner product)(或称点积),可以看成一个信号y(.)(注:记法y(n)表示信号y在采样 n处的单个采样,而记法y(.)或者简单地记为 y 表示所有时间上的整个信号)在另一个信号x(.)上的投影。内积 <y,x> 计算的是 y 在 x上的投影系数(coefficient of projection)(注:信号 y 到另一个信号 x 的投影系数可以被认为是 y 中存在多少 x 的度量)。若 x (n) = e^{j\omega_k nT} (n = 0 ,1 ,..,N - 1)(这是一个采样信号,单位幅度,0相位,复数正弦),假设选择角频率为 \omega_k = 2\pi kf_{s}/N ,则内积计算的是离散Fourier变换(DFT)。对于 DFT ,具体的内积为

                \displaystyle <y, x> = \sum_{n=0}^{N-1}y(n)\overline{x (n)} = \sum_{n=0}^{N-1}y(n)e^{-j2\pi nk/N} \triangleq Y(\omega_k) 。

另一个常用的情况是离散时间Fourier变换(DTFT),它与DFT类似,区别仅在于,它接收一个无限的采样数,而不是仅 N 个样本点。在这情况下,频率是连续的,并且

                \displaystyle <y, x> = \sum_{n=0}^{\infty}y(n)e^{-j\omega nT} \triangleq \mathbf{DTFT}_{\omega}(y)

DTFT是当 DFT 中的样本数量接近无穷大时您得到的极限值。总和的下限保持为零,因为我们假设所有信号在负时间都为零。这意味着我们正在使用单边(unilateral)Fourier变换。还存在相应的双边变换(bilateral transform),其求和下限为 -∞。

4. 理解离散Fourier变换

    对于长度为N的复数序列x (n) (n = 0 ,1 ,...,N – 1),其离散Fourier变换定义为

                \displaystyle X(\omega_k) \triangleq \sum_{n=0}^{N-1}x(n)e^{-j \omega_k t_n} =\sum_{n=0}^{N-1}x(n)e^{-j 2\pi kn/N}(k = 0,1 ,...,N - 1) 。

     t_n \triangleq nT = 第 n 个采样时刻(instant)(秒)。

     \omega_k \triangleq k\Omega  =  第 k 个频率样本(弧度/秒)。

    T \triangleq 1/f_{s} = 时间采样间隔(秒)。

     \Omega \triangleq 2\pi f_{s}/N  = 频率采样间隔(秒)。

现在,我们需要全面理解变换核(transform kernel),即

        e^{-j\omega_k t_n } = \cos(\omega_k t_n) - j \sin(\omega_k t_n)。

这个变换内核由在 0 和采样率 \omega_s \triangleq 2\pi f_s 之间均匀间隔的 N 个离散频率 \omega_k 的复正弦曲线样本组成。

剩下的问题就是,理解x (n)乘以每个复数正弦曲线的逐点乘积在n上求和的目的和函数。我们将这种情况解释为内积运算,这个内积运算计算将信号x 投影到复数正弦曲线 \cos(\omega_k t_n) - j \sin(\omega_k t_n) 上所产生的投影系数。 因此,在 \omega_k 处的离散Fourier变换 X(\omega_k) 是一种复数正弦在那个用输入信号x所表示的频率处的幅度和相位的度量。这是所有变换和(以离散时间表示)与积分(以连续时间表示)和它们的核的基本函数。

参考资料:

 《Mathematics of the Discrete Fourier Transform (DFT)》  Julius O. Smith III

傅里叶变换(FT)、离散傅里叶变换(DFT)和快速傅里叶变换(FFT) 理论基础 vs 数字化实现 vs 高效计算:傅里叶变换 (FT)是最核心的理论基础,它建立了连续时间信号时域与连续频域之间的变换关系。离散傅里叶变换 (DFT)是为了适应计算机处理的现实需求(信号离散化、有限长数据)而诞生的 FT 的离散化、有限化的数字版本。它是理论(FT)通向实践(数字信号处理)的关键桥梁。快速傅里叶变换 (FFT)是加速 DFT 计算的一种高效算法族。它本身并不是一种新的变换形式,但它使得 DFT 的大规模、实时计算变得可行。 阅读详情

相关推荐

傅里叶变换(Fourier Transform)简介

傅里叶变换(Fourier Transform)是一种在数学、物理和工程等领域中广泛使用的数学变换。它是信号处理中的基础工具,用于将一个函数或信号从时域(或空间域)转换到频域。傅里叶变换的基本思想是,任何复杂的信号都可以看作是一系列不同频率的简单正弦波的叠加。

翔云 2865

(三)傅里叶变换:离散时间傅里叶变换DTFT CTFT->DTFT

离散时间傅里叶变换 DTFT:Discrete Time Fourier Transform 一、定义 序列x[n]的离散时间傅里叶变换(DTFT)X(e^jω)定义为: 由定义易知DTFT是以2π为周期的周期函数。 而X(e^jω)的傅里叶反变换(IDTFT)x[n]定义为: 二、CTFT与DTFT的关系 时域连续信号ga(t)的傅里叶变换Ga(jΩ)(CT

Norstc的博客 3万+

文献总结1:分数阶Fourier变换在信号处理领域的研究进展

分数阶 Fourier 变换在信号处理领域的研究进展 (陶然 邓兵 王越 ) 分数阶 Fourier 变换在信号处理领域的研究进展 (陶然 邓兵 王越 ) 发展历史 特性 离散算法 在信号处理领域的应用 信号检测与参数估计 相位恢复及信号重构 滤波 神经网络 图像处理 分数阶 Fourier 变换的 6 大优势 分数阶 Fourier 变换是对经典 Fourier 变换的...

sqq的博客 7077

如何理解离散傅里叶变换(一)实数形式傅里叶变换

本文结合July、dznlong 两位大神的博客文章内容加上自己的理解与阐述,介绍了傅里叶变换的基础内容以及实数形式离散傅里叶变换的理解。

随煜而安的专栏 2万+

离散傅里叶变换(Discrete Fourier Transform, DFT)介绍,地震波分析

离散傅里叶变换(Discrete Fourier Transform, DFT)是一种非常重要的信号处理工具,它将离散时间信号从时间域转换到频率域。DFT在信号处理、图像处理、通信系统以及许多其他工程和科学领域中得到了广泛应用。为了理解DFT,我们需要从几个角度来探讨它的背景、定义、性质以及应用。离散傅里叶变换是针对离散时间序列的傅里叶变换。假设我们有一个长度为NNN的离散时间序列xnx[n]xn,其中n012N−1n012...N−1。

u013531166的博客 3337

[Matlab-3]傅里叶变换(Fourier Transformation)

[Matlab-3]傅里叶变换[Fourier Transformation]快速傅里叶变换数值法样例傅里叶逆变换 快速傅里叶变换 数值法 样例 求x = 1cos(spi10.t)+2sin(2pi15.t)+3cos(2pi*20.*t)的傅里叶变换 clear; clf; N =256; #一般取2的幂次 Fs = 100; df = Fs/N; dt = 1/Fs; t = (0:N-1)*dt; x = 1*cos(s*pi*10.*t)+2*sin(2*pi*15.*t)+3*cos(2*pi*

Cplus_ruler的博客 5261

量子Fourier变换笔记

量子Fourier变换笔记(1)量子Fourier变换的定义   这是我自己学习量子Fourier变换的笔记,参考书是Nielsen的《量子计算和量子信息(一)》,希望本文可以帮助一些和我一样刚开始学习量子计算的兄弟们。 量子Fourier变换的定义   本文不讨论Fourier变换的意义和作用,单单只对量子Fourier进行解释。量子Fourier变换是直接对应离散Fourier变换的,下面是离散Fourier变换的定义。 · 离散Fourier变换   以复向量x0,…,xn为输入,其中N 为固定参数,

qq_21895963的博客 881

一文精通Fourier Transform--傅里叶变换

在实际应用中,通常会使用快速傅里叶变换(Fast Fourier Transform,FFT)算法来高效地计算DFT,DFT的直接计算涉及到对每个频域样本 X[k]的计算,每个样本都需要对时域信号 x[n]的所有N个样本进行乘法和累加操作。因此,对于N个样本的信号,DFT需要进行 N×N次乘法操作,即乘法复杂度是 O(N*N)。而FFT可以将复杂度降低到 O(Nlog⁡N),FFT算法的核心思想是将一个DFT分解为多个小规模的DFT,然后利用这些小规模DFT的结果来构建原始DFT的结果。

FPGA/数字IC/通信算法 3228

向量空间中的Fourier变换:DFT DFS DTFT

持久的动态系统一定存在振荡现象。从直观理解来说,不沿着圆运动的物体终将停止,比如炸弹、人、火箭等不可逆转的事物。 对于有限长度的一段信号,如64点。Wk[n]=e^(j*2*pi/N*n*k),n,k在【0,1,……N-1】,为C64向量空间的一组正交基。任取两个不同的基计算内积,化简为等比数列求和,分子为0,即正交。不过它们不是标准正交,乘以1/sqrt(N)标准化因子后才是标准正交基。 W

Focustc 4210

Fourier变换核心解析:从时频转换到工程实践

信号处理的核心基础之一是将信号从时间域转换到频率域进行分析,这一过程揭示了信号的内在频率成分。其数学原理基于将复杂波形分解为不同频率的正弦与余弦波之和,通过计算信号与基函数的相关性来提取频谱信息。这一技术价值在于,它提供了分析信号的全新视角,是理解波动现象、设计滤波器和进行系统辨识的基石。在工程实践中,快速Fourier变换(FFT)算法实现了高效计算,而离散余弦变换(DCT)凭借其优异的能量集中特性,成为图像与数据压缩(如JPEG标准)的关键。从通信系统的频道分离、医学MRI图像重建,到求解偏微分方程和金

weixin_33724059的博客 496

信号系统:傅里叶变换(Fourier transform)

连续傅里叶变换 傅里叶变换对 关于连续变量ttt的连续函数f(t)f(t)f(t)的傅里叶变换为: F(μ)=∫−∞+∞f(t)e−2πjμtdt F(\mu)=\int_{-\infty}^{+\infty} f(t)e^{-2\pi j\mu t} dt F(μ)=∫−∞+∞​f(t)e−2πjμtdt ​ 其中μ\muμ也是连续变量。 给定F(μ)F(\mu)F(μ),利用傅里叶反变换,可以计算: f(t)=∫−∞+∞F(μ)e2πjμtdμ f(t)=\int_{-\infty}^{+

weixin_44885334的博客 4178

第一次在GNU Radio中直观感受到什么叫离散信号的Fourier变换具有周期性

在搭建QPSK电路时,将constellation modulator的samples/symbol初始设为200以降低码速率便于观察。但测试发现频谱效果不佳,随后尝试了多种参数值(256、128、64、32)进行优化调整。

周志超的博客 485

对图像进行离散Fourier变换(Matlab实现)

在本文中,我们将使用Matlab来实现对图像的离散Fourier变换,并展示相应的源代码。需要注意的是,离散Fourier变换的结果是一个复数矩阵,其中的数值代表了对应频率分量的振幅和相位信息。通过运行以上代码,我们可以得到图像的离散Fourier变换结果,并在Matlab窗口中显示出来。为了可视化变换结果,我们可以使用Matlab的fftshift函数将频率域的原点移动到图像中心。在进行离散Fourier变换后,得到的结果是一个复数矩阵,其中每个元素代表了对应频率分量的振幅和相位信息。

PixelCoder的博客 418

第二章 z变换

第二章学习目标 掌握z变换及其收敛域,掌握因果序列的概念及判断方法 会运用任意方法求z反变换 理解z变换的主要性质 理解z变换与Laplace/Fourier变换的关系 掌握序列的Fourier变换并理解其对称性质 掌握离散系统的系统函数和频率响应,系统函数与差分方程的互求,因果/稳定系统的收敛域 一、z变换的定义及收敛域 1、z变换的定义 ...

dujuancao11的博客 1万+

WhatsApp API接口的隐秘角落:从协议解析到自定义消息引擎

本文深入解析WhatsApp API接口的隐秘角落,从协议逆向工程到自定义消息引擎开发实战。通过分析WhatsApp的二进制XML协议和加密机制,构建超越官方API限制的自定义消息引擎,实现高效、灵活的即时通讯解决方案。文章还提供了企业级架构设计和风控规避策略,助力开发者突破官方限制,提升消息到达率和成本效益。

q3r4s5t的博客 761

OPC UA 服务端的模拟工具及客户端工具

详细介绍如何使用 Prosys OPC UA Simulation Server 作为 OPC UA 服务端的模拟工具来生成数据模型,并使用 Softing OPC UA Client 作为客户端工具,直观地查看和验证模拟生成的数据。

weixin_44462773的博客 9898

Fourier变换式的一种新的理解思路

Fourier变换式的一种新的理解思路 学习小波变换时看到一种用相关性对Fourier变换的新的理解思路,遂摘录至此。 傅里叶变换把无限长的三角函数作为基函数: 这个基函数会伸缩、会平移(其实本质并非平移,而是两个正交基的分解)。缩得窄,对应高频...

thedha3ege的博客 375

数字孪生成熟度的L0-L4五级划分,各自特征和应用场景

数字孪生的分级(或成熟度模型)通常用于描述其技术复杂度和功能完备性的演进过程。3D设计模型(CAD)、建筑信息模型(BIM)、产品数字化手册。全自动驾驶系统、自适应智能电网、 “黑灯工厂”的自主调度。多学科模型融合、 “What-if”分析、提供决策建议。IoT设备监控平台、预测性维护(报警)、智慧仪表盘。工艺仿真优化、资产性能管理、手术方案预演、虚拟调试。状态监控、历史回溯、阈值报警、根因分析。可视化、数字化档案。自优化、自适应、目标驱动、高度自治。传统设备、纸质记录的管理模式。无或仅有离线、孤立数据。

2401_82881178的博客 1556

Fourier变换家族:从信号分解到频谱分析的核心原理与应用

信号处理的核心在于将时域信号转换到频域进行分析,Fourier变换正是实现这一转换的数学工具。其基本原理是将复杂信号分解为不同频率的正弦波和余弦波的叠加,从而在频域中清晰地揭示信号的频率成分。这一技术价值巨大,它使得滤波、去噪、压缩等复杂操作在频域变得直观高效。在工程实践中,Fourier变换广泛应用于音频处理(如MP3压缩)、图像滤波(如边缘检测与去噪)以及偏微分方程求解等领域。针对实信号和特殊边界条件,Fourier余弦变换和正弦变换作为其重要衍生工具,在**频谱分析**和**偏微分方程求解**中发挥着

weixin_34130389的博客 575

谈谈人大金仓数据库

人大金仓数据库(Kingbase)是国产自主研发的关系型数据库管理系统,兼容主流数据库语法,支持高并发、高安全性及国产化适配。该数据库提供完整的安装部署方案,包括环境准备、初始化配置和验证流程,并配备专业的数据迁移工具(KDMS)实现从Oracle/MySQL等数据库的平滑迁移。系统提供KStudio等图形化管理工具,支持性能监控、备份恢复等运维功能,同时具备性能调优、高可用架构、分区表管理等高级特性,满足政府、金融等领域的企业级需求。

蜚鸣的博客 2109

避坑指南:PVE下N卡直通错误代码43的终极解决思路与dmesg日志分析

本文详细解析了PVE环境下NVIDIA显卡直通时遇到的错误代码43问题,提供了从dmesg日志分析到BIOS配置、PVE宿主机优化及虚拟机设置的完整解决方案。特别针对GTX1060等显卡,分享了驱动版本选择、ROM修补及高级排错技巧,帮助用户彻底解决这一常见难题。

weixin_28693683的博客 292

Fourier变换家族:从频谱分析到工程应用的核心原理与实践

信号处理的核心基础之一是频谱分析,其本质是将时域信号分解为不同频率的正弦与余弦分量,从而揭示信号的频率构成。这一过程的核心数学工具是Fourier变换,它通过积分运算将信号从时间域映射到频率域,同时保留了振幅和相位信息。其工程价值在于,它为滤波器设计、系统分析和数据压缩提供了理论框架。在实际应用中,针对信号的对称性或边界条件,衍生出了专门处理偶函数的Fourier余弦变换和处理奇函数的Fourier正弦变换,它们在图像压缩(如JPEG标准)和偏微分方程求解等场景中尤为高效。理解FFT(快速Fourier变换

weixin_33796205的博客 346

【短距离通信】【WiFi】精讲802.11n/ac/ax mpdu和ampdu最大长度

在 Wi-Fi 标准(802.11n、802.11ac 和 802.11ax)中,和是数据传输的核心概念。理解它们各自的作用以及不同标准下的最大长度限制,有助于深入了解 Wi-Fi 的性能优化机制。以下是对802.11n802.11ac和802.11ax中MPDU和A-MPDU最大长度的详细技术分析和对比。1. MPDU 和 A-MPDU 的基本概念MPDU 是经过 MAC 层处理后的数据单元,主要由MAC层数据帧和物理层的传输头部(PHY headers)组成。

风云说通信 1109

四步直观理解傅里叶变换 Four steps to understand Fourier Transform intuitively

已经老大不小了,在看到 FFT/DFT 时,心里总还是有点虚。网上关于傅里叶的材料不少,但:1)要么是非常直观地展示频域和时域的关系;2)要么是详尽地做数学推导。对我来说,更希望有一种材料,提纲挈领地把主要概念联系起来。因此,今天做一整理,争取从此再不忘记这些基础知识。

gocodemango的专栏 1193

Winform从入门到精通(1)——Label(史上最全)

本篇文章是对专栏《winform控件从入门到精通》的详细介绍

qq_34059233的博客 4万+

PyTorch实战(19)——变分自编码器(Variational Autoencoder,VAE)

变分自编码器 (Variational Autoencoder, VAE) 是一种结合了自编码器和概率建模的生成模型,通过编码器将输入数据映射到潜在空间中的概率分布,并通过解码器将从潜在空间采样得到的潜在变量映射回原始数据空间,实现了数据的生成和特征学习。本节中,将介绍变分自编码器的基本概念,并使用 PyTorch 实现变分自编码器生成新图像。

盼小辉丶的博客 2955
上一篇: 数学符号说明——三角等号(≜)
下一篇: 代数——第2章——群(Michael Artin)
ComputerInBook
博客等级 码龄19年 1168粉丝 465原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值