Q51: 推导傅里叶变换
的 Parseval 定理
傅里叶变换的 Parseval 定理揭示了啥关系?
Parseval 定理揭示了傅里叶变换中时域与频域的能量守恒关系,即信号在时域的总能量等于其在频域的总能量。这就好比一个物体无论从哪个角度称重,重量始终不变,确保了信号在不同域表示时的能量一致性。
推导过程
Parseval 定理的数学形式为:。从右边开始推导:
这里利用了
(狄拉克函数,在
时为无穷大,否则为 0),最终左边等于右边,定理得证。
在 LLM 中的使用
在 LLM 的训练数据预处理中,若输入包含音频,可通过 Parseval 定理检测数据是否异常。例如,某段音频在时域能量正常但频域异常,可能存在噪声或损坏。在文本生成的注意力机制中,该定理可类比为信息在不同表示空间的能量守恒,确保信息完整性。
代码示例
import numpy as np
import matplotlib.pyplot as plt
# 生成一个模拟音频信号(假设为某个词的发音片段)
x = np.linspace(-1, 1, 1000)
f = np.exp(-(x ** 2) / 0.5) # 模拟音频的时域信号
# 计算傅里叶变换
f_hat = np.fft.fftshift(np.fft.fft(f))
xi = np.fft.fftshift(np.fft.fftfreq(len(x), x[1] - x[0]))
# 计算时域能量
energy_time = np.sum(np.abs(f) ** 2) * (x[1] - x[0])
# 计算频域能量
energy_freq = np.sum(np.abs(f_hat) ** 2) * (xi[1] - xi[0])
print(f"时域能量: {energy_time:.4f}")
print(f"频域能量: {energy_freq:.4f}")
代码解释:生成一个模拟音频信号 f,通过 FFT 计算其频域表示 。分别计算时域和频域能量,验证 Parseval 定理。这有助于在 LLM 处理音频输入时,确保能量一致性,提升语音识别或生成的准确性。
Q52: 证明卷积定理 
卷积定理在傅里叶变换中有啥关键作用?
卷积定理表明,时域的卷积操作对应频域的乘积操作。这在 LLM 处理序列数据时非常关键,例如文本中的词与词的关联(卷积)可以转换到频域分析,大大简化计算复杂度。
证明过程
设 (卷积的定义,即将 g 翻转后在 f 上滑动相乘积分),对其进行傅里叶变换: