Μετασχηματισμός Fourier

Στο προηγούμενο κεφάλαιο είδαμε ότι κάθε «λογικό» periodic σήμα γράφεται σαν άθροισμα από αρμονικά συσχετισμένες complex exponentials, και το φάσμα του είναι διακριτό — γραμμές μόνο στις αρμονικές $0,\pm f_0,\pm 2f_0,\dots$. Όμορφο, αλλά τα περισσότερα σήματα στην πράξη δεν είναι ακριβώς periodic. Ένας παλμός, μια μετάδοση δεδομένων, ένα κομμάτι ομιλίας — όλα έχουν αρχή και τέλος.

Ο μετασχηματισμός Fourier (Fourier transform, FT) είναι η γενίκευση που κλείνει αυτή την τρύπα. Είναι η ίδια ιδέα — αναλύουμε ένα σήμα σε complex exponentials — απλά για οποιοδήποτε σήμα, όχι μόνο periodic. Στο τέλος αυτής της σελίδας, η περίφημη $H(f)$ που εμφανίστηκε στα συστήματα θα έχει αποκαλυφθεί σαν ο Fourier transform της κρουστικής απόκρισης $h(t)$ — και ολόκληρη η ανάλυση των LTI θα γίνει απλός πολλαπλασιασμός στη συχνότητα.

1. Από Fourier series σε Fourier transform: το πέρασμα στο όριο

Πάρε ένα periodic σήμα $x(t)$ με περίοδο $T_0$. Από το προηγούμενο κεφάλαιο ξέρουμε ότι το φάσμα του είναι διακριτό, με γραμμές στις συχνότητες $k{f}_0$ όπου $f_0=1/T_0$. Τι γίνεται όταν το σήμα δεν είναι periodic;

Διαισθητικά: ένα μη-periodic σήμα μπορούμε να το σκεφτούμε σαν periodic με άπειρη περίοδο. Καθώς $T_0\to \infty$:

• Η θεμελιώδης συχνότητα $f_0=1/T_0\to 0$.
• Οι αρμονικές $k{f}_0$ έρχονται ολοένα και πιο κοντά μεταξύ τους.
• Το διακριτό φάσμα μετατρέπεται σε συνεχές.

Στο όριο, το άθροισμα της σειράς Fourier γίνεται ολοκλήρωμα, και τα διακριτά $a_k$ συγχωνεύονται σε μια συνεχή συνάρτηση συχνότητας $X(f)$. Αυτή είναι ο μετασχηματισμός Fourier του σήματος.

Είναι το ίδιο πράγμα με τη σειρά Fourier, απλώς γενικευμένο για να καλύπτει και μη-περιοδικά σήματα. Όλη η διαίσθηση από το προηγούμενο κεφάλαιο μεταφέρεται: η $X(f)$ απαντά στο ίδιο ερώτημα που απαντούσαν τα $a_k$ — «πόσο πολύ από αυτή τη συχνότητα υπάρχει στο σήμα;» — απλώς τώρα η απάντηση είναι μια συνεχής συνάρτηση αντί για διακριτή ακολουθία.

2. Οι δύο εξισώσεις του Fourier transform

Όπως η σειρά Fourier είχε δύο εξισώσεις (ανάλυση και σύνθεση), έτσι και ο FT. Ίδιο pattern — μία για να πάμε από χρόνο σε συχνότητα, μία για να γυρίσουμε πίσω.

Forward (ανάλυση):

Παίρνει ένα σήμα στον χρόνο και επιστρέφει το φάσμα του στη συχνότητα: μια συνεχή συνάρτηση $X(f)$ που λέει, σε κάθε συχνότητα $f$, πόσο πολύ από αυτή τη συχνότητα υπάρχει στο σήμα. Σε πλήρη αναλογία με τον τύπο των $a_k$ — απλώς αντί για ολοκλήρωση σε μία περίοδο, έχουμε ολοκλήρωση σε ολόκληρη την ευθεία.

Inverse (σύνθεση):

Ξαναχτίζει το σήμα από το φάσμα: ένα συνεχές «άθροισμα» από complex exponentials σε όλες τις συχνότητες, η καθεμία ζυγισμένη με $X(f)df$.

Σημειογραφία. Γράφουμε $X(f)=\mathcal{F}\{x(t)\}$ για τον forward και $x(t)={\mathcal{F}}^{-1}\{X(f)\}$ για τον inverse. Το ζεύγος γράφεται και αμφίδρομα:

Αυτή η γραφή τονίζει ότι το time-domain και το frequency-domain είναι δύο ισοδύναμες όψεις του ίδιου σήματος — δεν χάνεται καμία πληροφορία πηγαίνοντας από τη μια στην άλλη.

3. Conditions of existence (Dirichlet) — σύντομα

Σχόλιο για τη μαθηματική πληρότητα: ο FT υπάρχει για ένα σήμα $x(t)$ κάτω από ορισμένες συνθήκες (Dirichlet), που χονδρικά απαιτούν το σήμα να είναι «λογικό» — απολύτως ολοκληρώσιμο, με πεπερασμένα ακρότατα και ασυνέχειες σε πεπερασμένο πλήθος. Όλα τα σήματα που θα συναντήσουμε σε αυτό το μάθημα τις πληρούν, οπότε δεν θα μας απασχολήσουν.

4. Παραδείγματα — οι «πρωταγωνιστές»

Πριν τις ιδιότητες, ας δούμε τους FT των σημάτων που θα ξανασυναντήσουμε σε κάθε επόμενο κεφάλαιο. Όλοι αυτοί οι μετασχηματισμοί είναι στο επίσημο τυπολόγιο — το έχεις στις εξετάσεις. Δεν χρειάζεται να τους θυμάσαι απ' έξω, αλλά πρέπει να τους αναγνωρίζεις αμέσως.

4a. Single rectangular pulse → sinc

Έστω $x(t)=A\cdot \mathrm{rect}(t/T)$ — ένας τετραγωνικός παλμός πλάτους $A$, συνολικού χρονικού μήκους $T$, κεντραρισμένος στο 0. Δηλαδή $x(t)=A$ για $|t|<T/2$ και $0$ αλλιώς.

Από τον ορισμό:

Αξιοποιώντας ότι $e^{-j\theta }-e^{j\theta }=-2j\sin \theta$:

όπου χρησιμοποιήσαμε τον κανονικοποιημένο ορισμό $\mathrm{sinc}(x)=\sin (\pi x)/(\pi x)$. Άρα:

Παρατηρήσεις που αξίζει να εμπεδώσεις:

• Το πλάτος στο μηδέν είναι $X(0)=AT$ — ίσο με το «εμβαδόν» του παλμού. Αυτό συμβαίνει πάντα: $X(0)=\int x(t)dt$ είναι απλά ο μέσος όρος (×∞) του σήματος, δηλαδή η DC συνιστώσα.
• Τα μηδενικά του sinc είναι σε $f=\pm 1/T,\pm 2/T,\dots$ — όσο πιο στενός ο παλμός στον χρόνο, τόσο πιο πλατύ το φάσμα.
• Αυτή είναι η πρώτη εμφάνιση μιας από τις πιο βαθιές αρχές του Fourier: time-frequency duality — στενό στον χρόνο = πλατύ στη συχνότητα και αντίστροφα. Δες το να δουλεύει ζωντανά στο παρακάτω viz.

4b. Triangular pulse → sinc²

(Ο τριγωνικός παλμός $\Lambda (t/T)$ έχει βάση $2T$ και κορυφή $1$ στο $0$.)

Διαισθητικά γιατί βγαίνει sinc²: ένα τρίγωνο γράφεται σαν συνέλιξη δύο rectangles. Από την ιδιότητα convolution↔multiplication που θα δούμε στη Section 5b:

(Υπενθύμιση από Section 2: το σύμβολο $\mathcal{F}\{\cdot \}$ διαβάζεται «ο μετασχηματισμός Fourier του» — δηλαδή $\mathcal{F}\{x(t)\}=X(f)$. Είναι ίδιο πράγμα με τη γραφή $x(t)\stackrel{\mathcal{F}}{⟷}X(f)$ που είδαμε στους πίνακες πιο πάνω, απλώς πιο συμπαγές για παρεμβολή σε εξισώσεις.)

Δεν χρειάστηκε να ξανακάνουμε το ολοκλήρωμα — το sinc² προκύπτει «δωρεάν» από το rect. Αυτή είναι μια πρώτη γεύση της δύναμης των ιδιοτήτων.

4c. Single impulse δ(t) → 1

Από τη σαρωτική ιδιότητα της δ:

για κάθε $f$. Το φάσμα μιας κρούσης είναι σταθερό — όλες οι συχνότητες παρούσες με ίσο πλάτος. Αυτή είναι η μαθηματική διατύπωση του «μια στιγμιαία κρούση περιέχει όλες τις συχνότητες», που δικαιολογεί γιατί η $\delta (t)$ χρησιμοποιείται ως test signal για να βρούμε την κρουστική απόκριση ενός LTI: «χτυπάς» το σύστημα με όλες τις συχνότητες ταυτόχρονα και βλέπεις πώς αντιδρά σε καθεμία.

4d. Constant 1 → δ(f)

Συμμετρικό του 4c. Το σταθερό $1$ δεν είναι απολύτως ολοκληρώσιμο, οπότε δεν μπορούμε να εφαρμόσουμε απευθείας τον forward FT integral — αλλά μπορούμε να εφαρμόσουμε τον inverse FT στο $\delta (f)$ και να χρησιμοποιήσουμε τη σαρωτική ιδιότητα της δ, ίδιο τέχνασμα με τη 4c απλώς στη συχνότητα:

για κάθε $t$. Άρα ένα σταθερό σήμα στο χρόνο έχει ένα μόνο σημείο στο φάσμα: το $f=0$ (DC). Όλη η ενέργεια συμπυκνωμένη σε μηδενική συχνότητα.

Συγκριτικά, τα 4c–4d εκφράζουν την ίδια αρχή και από τις δύο πλευρές: απείρως εντοπισμένο στον έναν τομέα ↔ απείρως απλωμένο στον άλλον.

4e. cos(2π f₀ t) → δύο κρούσεις στις ±f₀

Πιθανώς το πιο σημαντικό αποτέλεσμα αυτής της ενότητας:

Απόδειξη. Από Euler:

Πρώτα, ας βρούμε τον FT ενός complex exponential $e^{j2\pi f_{c}t}$. Δεν τον υπολογίζουμε από τον forward FT integral απευθείας (δεν είναι απολύτως ολοκληρώσιμος), αλλά από τον inverse: αν εφαρμόσουμε τον inverse FT στο $\delta (f-f_c)$, χρησιμοποιώντας τη σαρωτική ιδιότητα της δ — όπως ακριβώς στη 4c, αλλά τώρα στη συχνότητα — παίρνουμε:

Δηλαδή:

Με την ίδια λογική, εφαρμόζοντας τον inverse FT στο $\delta (f+f_0)$:

Άρα:

Από γραμμικότητα του FT (που έπεται απευθείας από τη γραμμικότητα του ολοκληρώματος — βλ. Section 5a παρακάτω για τον τυπικό πίνακα ιδιοτήτων), αθροίζοντας τα δύο complex exponentials με συντελεστή $1/2$:

Όλη η ενέργεια του cosine είναι συμπυκνωμένη ακριβώς στις δύο συχνότητες ±f₀ — δύο κρούσεις, η καθεμία με «βάρος» $\frac{1}{2}$. Στα διαγράμματα φάσματος εμφανίζονται σαν δύο κάθετα «καρφιά».

4.5. Τι επιστρέφει ο FT — μιγαδική συνάρτηση πραγματικής συχνότητας

Όλοι οι μετασχηματισμοί που είδαμε στη Section 4 έδωσαν φάσμα με πραγματικές τιμές. Αυτό ίσως δίνει την ψευδαίσθηση ότι το $X(f)$ είναι πάντα real. Δεν είναι. Τα παραδείγματα της Section 4 ήταν «βολικά» — είχαν συμμετρία γύρω από το $0$ (rect, triangle, gauss, cos), που τυχαίνει να δίνει real spectrum. Σε λίγο θα δεις και άλλα.

Σε γενικό σήμα, το $X(f)$ είναι μιγαδική συνάρτηση. Συγκεκριμένα:

• Ο άξονας συχνοτήτων (το input του $X$) είναι πάντα real — δεν υπάρχουν «imaginary frequencies».
• Οι τιμές του $X$ (το output) είναι μιγαδικοί αριθμοί. Σε κάθε συχνότητα $f$, το $X(f)$ είναι ένας μιγαδικός $a+jb$, και άρα έχει μέτρο $|X(f)|$ και φάση $\angle X(f)$.

Τι λένε οι τιμές του $X(f)$ σε μια συχνότητα. Σε πολική μορφή, $X(f)=|X(f)|e^{j\angle X(f)}$. Δύο πληροφορίες σε ένα μιγαδικό:

• Μέτρο $|X(f)|$ → «πόσο πολύ» από αυτή τη συχνότητα υπάρχει στο σήμα.
• Φάση $\angle X(f)$ → «σε τι φάση» είναι η συνιστώσα αυτής της συχνότητας.

Ίδιο πακετάρισμα όπως το $H(f)$ ενός LTI ή τους συντελεστές $a_k$ της σειράς Fourier — μέτρο και φάση σε ένα μιγαδικό σύμβολο.

Χαρακτηριστικές περιπτώσεις. Ανάλογα με το τι τιμή παίρνει το $X(f)$ σε μια συχνότητα, η αντίστοιχη συνιστώσα του σήματος έχει διαφορετικό χαρακτήρα:

• $X(f)$ καθαρά πραγματικός θετικός → φάση $0$ → cosine συνιστώσα στη συγκεκριμένη συχνότητα.
• $X(f)$ καθαρά πραγματικός αρνητικός → φάση $\pi$ → cosine αναποδογυρισμένο (peaks γίνονται κοιλιές).
• $X(f)$ καθαρά imaginary ($\pm j\cdot$ κάτι) → φάση $\pm \pi /2$ → sine συνιστώσα. Το sine «ξεκινά» στο $0$ αντί για peak — διαφέρει από το cosine ακριβώς κατά $\pi /2$ φάσης.
• $X(f)$ μιγαδικός (real + imaginary parts) → ενδιάμεση φάση → cosine με phase shift.

Δες πώς ταιριάζουν με την παρομοίωση από το κεφάλαιο της φάσης: το $\cos (2\pi f_{0}t)$ και το $\sin (2\pi f_{0}t)$ διαφέρουν μόνο σε φάση, όχι σε συχνότητα. Στο φάσμα, αυτή η διαφορά εμφανίζεται ως real vs imaginary τιμή στο ίδιο σημείο $f$.

Παράδειγμα — sin(2π f₀ t). Με την ίδια λογική όπως το cos στη 4e, αλλά τώρα μέσω της Euler για το sin:

Από το ότι $e^{j2\pi f_{c}t}\stackrel{\mathcal{F}}{⟷}\delta (f-f_c)$ και γραμμικότητα:

Ο συντελεστής $\frac{1}{2j}=-\frac{j}{2}$ είναι καθαρά imaginary. Άρα το φάσμα του sine είναι κρούσεις με imaginary «ύψη» — επιβεβαιώνει την παρατήρηση: sine = imaginary spectrum, cos = real spectrum, ίδια συχνότητα διαφορετική φάση.

Τι σημαίνει αυτό για τα διαγράμματα. Σχεδόν πάντα στο μάθημα δεν ζωγραφίζουμε το $X(f)$ ολόκληρο σαν μιγαδική συνάρτηση. Ζωγραφίζουμε δύο πραγματικά plots: το φάσμα πλάτους $|X(f)|$ και το φάσμα φάσης $\angle X(f)$. Αυτή η αναπαράσταση κωδικοποιεί όλη τη μιγαδικότητα του $X(f)$ χωρίς να χρειάζεται να σχεδιάσουμε σε δύο διαστάσεις — ίδια πρακτική και στους συντελεστές της σειράς Fourier και στο $H(f)$ ενός LTI.

Για την πλήρη συζήτηση με τον πίνακα μετατροπών και επιπλέον παραδείγματα, δες reference/spectrum-conventions.

5. Ιδιότητες του FT — η εργαλειοθήκη

Οι ιδιότητες είναι αυτό που κάνει τον FT πραγματικά χρήσιμο. Δεν θα ολοκληρώνεις τυχαία ολοκληρώματα — θα τα ανάγεις σε γνωστά μετασχηματίζοντας. Όλες οι ιδιότητες παρακάτω είναι στο τυπολόγιο.

5a. Γραμμικότητα

Λογικό από τη γραμμικότητα του ολοκληρώματος. Χρήσιμο γιατί το σήμα συχνά είναι άθροισμα κομματιών των οποίων ξέρουμε τους FT ξεχωριστά. Σε συνδυασμό με τους πρωταγωνιστές της Section 4, λύνεις άμεσα μεγάλη οικογένεια προβλημάτων.

5b. Convolution ↔ multiplication ⭐

Σε λόγια: η συνέλιξη στον χρόνο γίνεται απλό πολλαπλασιασμός στη συχνότητα.

Αυτή είναι ίσως η πιο σημαντική ιδιότητα του FT για το μάθημα μας. Η συνέλιξη — με όλο το flip-and-slide της — εξαφανίζεται. Δες την να δουλεύει:

Εφαρμογή στα LTI. Από το κεφάλαιο των συστημάτων, η έξοδος ενός LTI σε είσοδο $x(t)$ είναι $y(t)=x(t)\ast h(t)$. Παίρνοντας FT και από τις δύο πλευρές, με την ιδιότητα 5b:

Δηλαδή για να βρεις την έξοδο, απλώς πολλαπλασιάζεις τα δύο φάσματα. Αυτή είναι η πραγματική δύναμη του να δουλεύεις στη συχνότητα: το ολοκλήρωμα συνέλιξης γίνεται μια απλή πράξη πολλαπλασιασμού σε κάθε $f$.

Αλλά υπάρχει και ένας ακόμα μεγάλος βραχίονας που κλείνει εδώ. Στο κεφάλαιο των συστημάτων ορίσαμε την $H(f_0)$ ως μια συνάρτηση που εμφανιζόταν στην eigenfunction property — όταν περνάει cosine συχνότητας $f_0$, η έξοδος είναι το ίδιο cosine πολλαπλασιασμένο με αυτό το «μυστηριώδες» $H(f_0)$. Δίναμε τον τύπο της σαν ολοκλήρωμα και υποσχεθήκαμε να εξηγήσουμε τι ακριβώς είναι αυτό στον FT chapter. Τώρα είναι η ώρα.

Κράτα αυτή τη στιγμή. Είναι ο πυρήνας όλου του υπόλοιπου μαθήματος. Κάθε φορά που στο μέλλον θα γράφουμε «$X(f)$ μετά το φίλτρο», θα εννοούμε «$X(f)\cdot H(f)$» — και θα έχουμε ξεμπερδέψει με το LTI σε δύο πολλαπλασιασμούς αντί για συνελίξεις.

5c. Multiplication ↔ convolution

Η δυϊκή ιδιότητα της 5b:

Πολλαπλασιασμός στον χρόνο = συνέλιξη στη συχνότητα. Φαντάζει τεχνικό τώρα, αλλά γίνεται κρίσιμο σε δύο σημεία της συνέχειας:

• Σαμπλάρισμα: όταν δειγματίζουμε ένα σήμα, στα μαθηματικά το πολλαπλασιάζουμε με μια κρουστική σειρά (impulse train). Στη συχνότητα αυτό γίνεται συνέλιξη με μια κρουστική σειρά — που σημαίνει αντίγραφα του φάσματος, και άρα aliasing.
• Modulation: όταν πολλαπλασιάζουμε με carrier cosine, στη συχνότητα συνελίσσουμε με δύο κρούσεις — που σημαίνει μετατοπισμένα αντίγραφα. Αυτό ακριβώς θα δούμε στη Section 7.

5d. Time shift

Σημασία: ολίσθηση στο χρόνο δεν αλλάζει το μέτρο του φάσματος ($|e^{-j2\pi f{t}_0}|=1$), προσθέτει μόνο μια γραμμική φάση $-2\pi f{t}_0$. Αυτό ταυτίζεται απόλυτα με την παρατήρηση από το κεφάλαιο της φάσης και το PhaseTimeShiftDemo: «φάση γραμμική στη συχνότητα = ολίσθηση στον χρόνο». Ίδιο φαινόμενο, ίδια εξίσωση, τώρα γενικευμένο για κάθε σήμα. (Για το time shift σαν χρονικός μετασχηματισμός σήματος, δες reference/signal-transformations#time-shift.)

5d′. Frequency shift (διπλό)

Η δυϊκή της 5d. Πολλαπλασιασμός με complex exponential στον χρόνο = ολίσθηση φάσματος στη συχνότητα. Αυτή είναι η βασική κίνηση πίσω από όλη την modulation.

5e. Time scaling

Σημασία: αν συμπιέσεις το σήμα στον χρόνο (μεγάλο $|\alpha |$), το φάσμα του διαστέλλεται. Αν το επεκτείνεις (μικρό $|\alpha |$), το φάσμα συμπιέζεται. Time-frequency duality σε πλήρη γενίκευση — το ίδιο φαινόμενο που είδαμε στο rect ↔ sinc, αυστηρά αποδεδειγμένο. (Για το time scaling σαν χρονικός μετασχηματισμός σήματος, δες reference/signal-transformations#time-scaling.)

5f. Differentiation

Σημασία: παράγωγος στον χρόνο = πολλαπλασιασμός με $j2\pi f$ στη συχνότητα. Διπλώνει τις υψηλές συχνότητες (πιο πολύ ζύγισμα όσο μεγαλώνει το $f$) — γι' αυτό η παραγώγιση τονίζει τις ακμές, που είναι υψηλο-συχνοτικό περιεχόμενο. Χρήσιμο σε διαφορικές εξισώσεις, που γίνονται αλγεβρικές στο frequency domain.

Σύνοψη ιδιοτήτων

Όλες ✓ στο τυπολόγιο.

6. Spectrum of periodic signals: από FT σε FS και πίσω

Είπαμε στην αρχή ότι ο FT γενικεύει τη σειρά Fourier. Ώρα να το δείξουμε αυστηρά. Ένα periodic σήμα $x(t)$ με περίοδο $T_0$ έχει FT αποτελούμενο από κρούσεις στις αρμονικές συχνότητες:

όπου $a_k$ είναι ακριβώς οι συντελεστές της σειράς Fourier του $x(t)$.

Πώς προκύπτει. Γράφουμε το $x(t)$ μέσω της σειράς Fourier του και παίρνουμε FT κάθε όρου ξεχωριστά (γραμμικότητα):

Από τη Section 4e, ξέρουμε ότι $e^{j2\pi f_{c}t}\stackrel{\mathcal{F}}{⟷}\delta (f-f_c)$. Άρα:

Η ένωση FS και FT. Τα δύο εργαλεία δεν είναι ξεχωριστά μηχανήματα.

• Για μη-periodic σήματα έχουμε συνεχές φάσμα $X(f)$ — μια λεία συνάρτηση συχνότητας.
• Για periodic σήματα, αυτό το συνεχές φάσμα γίνεται μια συνάρτηση που είναι μηδέν παντού εκτός από τις αρμονικές, όπου έχουμε κρούσεις. Οι σειρές Fourier είναι λοιπόν ειδική περίπτωση του FT — η περίπτωση όπου το φάσμα συγκεντρώνεται σε διακριτά «καρφιά» αντί για συνεχή κατανομή.

Παράδειγμα ελέγχου: $\cos (2\pi f_{0}t)$. Όπως είδαμε στη 4e, ο FT του είναι $\frac{1}{2}\delta (f-f_0)+\frac{1}{2}\delta (f+f_0)$. Σαν σειρά Fourier το $\cos$ έχει μόνο δύο μη-μηδενικούς συντελεστές: $a_1=a_{-1}=1/2$. Δύο κρούσεις, ίδιες τιμές, ίδιες θέσεις — οι δύο τύποι συμφωνούν τέλεια.

7. Modulation theorem ⭐

Φτάσαμε στο πιο σημαντικό αποτέλεσμα του κεφαλαίου για ό,τι έρχεται. Είναι ειδική περίπτωση της 5c όταν το ένα σήμα είναι ένα cosine.

Έστω σήμα $x(t)$ με FT $X(f)$. Πολλαπλασιάζουμε με cosine συχνότητας $f_c$:

Από Euler:

Παίρνουμε FT και από τις δύο πλευρές. Από γραμμικότητα του FT (Section 5a):

Εφαρμόζουμε την ιδιότητα frequency-shift (Section 5d′), η οποία λέει ότι ο πολλαπλασιασμός στον χρόνο με $e^{j2\pi f_{0}t}$ μετατοπίζει το φάσμα κατά $+f_0$:

Αντικαθιστούμε:

Με λόγια: πολλαπλασιάζοντας με $\cos (2\pi f_{c}t)$ στον χρόνο, το φάσμα του $x(t)$ αναπαράγεται μετατοπισμένο κατά $\pm f_c$, με τη μισή του πλάτους σε κάθε αντίγραφο.

Εναλλακτική απόδειξη μέσω 5c. Παίρνεις την 5c (multiplication ↔ convolution) και τη 4e (FT of cos = δύο κρούσεις). Η συνέλιξη του $X(f)$ με δύο κρούσεις απλώς τοποθετεί δύο μετατοπισμένα αντίγραφα του $X(f)$ στις θέσεις των κρούσεων. Ίδιο αποτέλεσμα, διαφορετική γωνία — και τα δύο πρέπει να σου είναι αυτονόητα μέχρι το τέλος του κεφαλαίου.

Γιατί έχει σημασία — και γιατί αξίζει να σταματήσεις και να το εμπεδώσεις:

Αυτή είναι ακριβώς η μαθηματική διαδικασία της AM modulation. Παίρνουμε ένα baseband σήμα $x(t)$ (φωνή, μουσική) που ζει στις χαμηλές συχνότητες, το πολλαπλασιάζουμε με ένα carrier cosine στη $f_c$, και το μεταφέρουμε σε δύο πιστά αντίγραφα γύρω από τις $\pm f_c$. Η μορφή του φάσματος δεν αλλάζει — μόνο η θέση του. Όταν φτάσουμε στο κεφάλαιο της AM, αυτή θα είναι η αρχή των πάντων:

• Γιατί το πλάτος ζώνης μιας AM εκπομπής είναι διπλάσιο του baseband bandwidth (δύο αντίγραφα).
• Γιατί η demodulation γίνεται με τοπικό cosine (αντίστροφη μετατόπιση).
• Γιατί χρειαζόμαστε φίλτρο για να ξεχωρίσουμε γειτονικά κανάλια.

Όλα αυτά πηγάζουν από αυτή τη μία γραμμή.

8. Conjugate symmetry — γιατί τα φάσματα real signals είναι συμμετρικά

Έχουμε αναφέρει αρκετές φορές την conjugate symmetry: όταν το $x(t)$ είναι real-valued, το $X(f)$ ικανοποιεί

Είναι ώρα να την αποδείξουμε σωστά και να καταγράψουμε όλη την οικογένεια.

Απόδειξη. Από τον ορισμό:

Παίρνουμε τον συζυγή και των δύο μελών. Χρησιμοποιούμε τις ιδιότητες του συζυγή βήμα-βήμα:

(α) Συζυγής αθροίσματος = άθροισμα συζυγών, οπότε ο συζυγής μπαίνει μέσα στο ολοκλήρωμα:

(β) Συζυγής γινομένου = γινόμενο συζυγών:

(γ) Συζυγής εκθετικού: $[e^{j\theta }{]}^{\ast }=e^{-j\theta }$. Άρα ο συζυγής του $e^{-j2\pi ft}$ είναι $e^{+j2\pi ft}$ — το πρόσημο στο εκθετικό αλλάζει:

(δ) Για real $x(t)$, ισχύει $x^{\ast }(t)=x(t)$:

Παρατηρούμε ότι το δεξί μέλος είναι ακριβώς αυτό που παίρνεις αν βάλεις $-f$ στη θέση του $f$ στον ορισμό του $X$:

Άρα $X^{\ast }(f)=X(-f)$. ∎

Συνέπειες σε μέτρο και φάση. Γράφοντας το $X(f)$ σε πολική μορφή:

Από τις ιδιότητες του συζυγή, ο συζυγής έχει ίδιο μέτρο και αντίθετη φάση:

Αλλά ξέρουμε από την παραπάνω απόδειξη ότι $X^{\ast }(f)=X(-f)$. Άρα:

Συγκρίνοντας με την πολική μορφή του ίδιου του $X(-f)=|X(-f)|e^{j\angle X(-f)}$, εξισώνοντας μέτρα και φάσεις δύο ίσων μιγαδικών αριθμών:

• Το μέτρο $|X(f)|$ είναι άρτια συνάρτηση: $|X(-f)|=|X(f)|$. Συμμετρικό φάσμα πλάτους.
• Η φάση $\angle X(f)$ είναι περιττή συνάρτηση: $\angle X(-f)=-\angle X(f)$. Αντισυμμετρικό φάσμα φάσης.

Άρα σε διαγράμματα φάσματος για real signals συχνά σχεδιάζουμε μόνο το θετικό μισό — το αρνητικό είναι κατοπτρικό αντίγραφο του μέτρους και αρνητικό-κατοπτρικό της φάσης. Αυτή είναι η σύμβαση one-sided spectrum· για το πότε χρησιμοποιείται έναντι του two-sided και πώς μετατρέπεις ανάμεσα τους, δες reference/spectrum-conventions.

Ολόκληρη η οικογένεια συμμετριών του FT. Για real-valued $x(t)$ ισχύει η παραπάνω. Επεκτείνοντας σε άλλους «τύπους» συναρτήσεων:

Δύο γραμμές κρατάς από αυτή την οικογένεια:

• real-and-even ↔ real-and-even. Π.χ. ένας κεντρικός παλμός είναι real και even (rect, triangle, gauss). Δες στη Section 4 — όλα τους έχουν real και even FT.
• real-and-odd ↔ imaginary-and-odd. Π.χ. το $\sin (2\pi f_{0}t)$ είναι real και περιττή — και πραγματικά, ο FT του είναι $\frac{1}{2j}[\delta (f-f_0)-\delta (f+f_0)]$, καθαρά φανταστικός και περιττός. (Αν δεν είναι ξεκάθαρο τι σημαίνει «imaginary spectrum», δες reference/spectrum-conventions §1.)

9. Parseval και Energy Spectral Density

Το θεώρημα Parseval για τον FT μάς λέει ότι η ενέργεια ενός σήματος είναι η ίδια στους δύο τομείς:

Δηλαδή, αν ολοκληρώσεις το $|x(t){|}^2$ στον χρόνο, παίρνεις την ίδια τιμή με το ολοκλήρωμα του $|X(f){|}^2$ στη συχνότητα. Δεν χάνεται και δεν παράγεται ενέργεια όταν αλλάζεις «γωνία θέασης» — απλά αναδιανέμεται. Διαισθητικά: η ενέργεια ενός σήματος είναι αντικειμενική ποσότητα, ανεξάρτητη του domain στο οποίο το βλέπεις.

Energy Spectral Density (ESD). Η ποσότητα

ονομάζεται φασματική πυκνότητα ενέργειας (energy spectral density). Λέει «πόση ενέργεια ανά μονάδα συχνότητας» έχει το σήμα γύρω από κάθε $f$. Είναι μια συνεχής μη-αρνητική συνάρτηση. Από Parseval, το ολοκλήρωμά της δίνει τη συνολική ενέργεια.

Power Spectral Density (PSD). Για periodic ή τυχαία σήματα δεν δουλεύουμε σε όρους ενέργειας (που είναι άπειρη — αν το σήμα δεν φθίνει στο άπειρο) αλλά σε όρους μέσης ισχύος. Η αντίστοιχη πυκνότητα λέγεται φασματική πυκνότητα ισχύος (PSD), και τη συμβολίζουμε επίσης $S_x(f)$. Το είδος του ορισμού — «πυκνότητα στη συχνότητα» — είναι το ίδιο.

10. Autocorrelation και Wiener–Khinchin (preview)

Ένα τελευταίο νήμα που θα τραβήξουμε σε επόμενα κεφάλαια. Ορίζουμε την αυτοσυσχέτιση ενός σήματος $x(t)$:

Με λόγια: «πόσο μοιάζει» το σήμα με τον εαυτό του ολισθημένο κατά $\tau$ δευτερόλεπτα. Στο $\tau =0$ έχουμε τη μέγιστη αυτοσυσχέτιση (το σήμα ταυτίζεται με τον εαυτό του και το ολοκλήρωμα δίνει την ενέργεια). Όσο μεγαλώνει το $|\tau |$, η αυτοσυσχέτιση συνήθως φθίνει — το σήμα «ξεχνάει» τον εαυτό του.

Θεώρημα Wiener–Khinchin (μέρος Α — για deterministic σήματα ενέργειας):

Ο FT της αυτοσυσχέτισης είναι ακριβώς η ESD. Η απόδειξη βγαίνει σε μία γραμμή με την 5b: παρατηρείς ότι $R_x(\tau )=x(\tau )\ast x^{\ast }(-\tau )$, οπότε ο FT είναι $X(f)\cdot X^{\ast }(f)=|X(f){|}^2$.

Γιατί μας ενδιαφέρει. Όταν φτάσουμε σε τυχαία σήματα και θόρυβο (επόμενα κεφάλαια), δεν θα μπορούμε να μιλήσουμε για «το $X(f)$ του σήματος» — γιατί το σήμα δεν είναι ντετερμινιστικό. Αλλά μπορούμε να μιλήσουμε για την αυτοσυσχέτισή του (μέσω αναμενόμενων τιμών) και τη φασματική του πυκνότητα ισχύος. Η σχέση Wiener–Khinchin, γενικευμένη για random signals, θα είναι αυτή που θα μας επιτρέψει να αναλύουμε φάσματα θορύβου, χρωματισμένο noise, κανάλια, κ.λπ.

11. Σύνδεση όλου του κεφαλαίου με το H(f) των LTI

Ας τραβήξουμε όλα τα νήματα σε μια εικόνα. Στο κεφάλαιο των συστημάτων μάθαμε:

1. Ένα LTI σύστημα περιγράφεται πλήρως από την κρουστική του απόκριση $h(t)$.
2. Όταν περνάει ένα cosine συχνότητας $f_0$, βγαίνει cosine ίδιας συχνότητας με νέο πλάτος $|H(f_0)|$ και φάση $\angle H(f_0)$.
3. Η συνάρτηση $H(f)$ ορίζεται από ένα ολοκλήρωμα.

Τώρα όλα ταιριάζουν:

• Το ολοκλήρωμα που όρισε το $H(f)$ είναι ακριβώς ο μετασχηματισμός Fourier της κρουστικής απόκρισης: $H(f)=\mathcal{F}\{h(t)\}$ (Section 5b).
• Η eigenfunction property λέει ότι complex exponentials περνούν αναλλοίωτα — και το «πόσο πολλαπλασιάζονται» δίνεται από αυτό το $H(f)$.
• Η σχέση $Y(f)=X(f)\cdot H(f)$ (από την 5b) μάς λέει ότι στο frequency domain, η ανάλυση του LTI είναι απλός πολλαπλασιασμός — όχι ολοκλήρωμα συνέλιξης.
• Από Parseval, η ενέργεια στην έξοδο είναι $E_y=\int |X(f){|}^2|H(f){|}^{2}df$ — διαφορετική «ζύγιση» των αρχικών συχνοτήτων με το $|H(f){|}^2$.

Άρα ο FT είναι το εργαλείο που κάνει τη θεωρία LTI εύκολη:

• Η συνέλιξη γίνεται πολλαπλασιασμός.
• Οι complex exponentials γίνονται απλά νούμερα ($H(f)$ σε κάθε συχνότητα).
• Όλη η αυτή η αφαιρετική θεωρία γίνεται απτή — δεν ολοκληρώνεις ξανά και ξανά, διαβάζεις τιμές φάσματος.

Αυτή είναι η πραγματική δύναμη του Fourier για το μάθημα μας. Δεν είναι μαθηματική αφαίρεση — είναι το εργαλείο που μας δίνει την κατανόηση συστημάτων με τον πιο φυσικό τρόπο. Από εδώ και πέρα, κάθε φορά που θα γράφουμε «X passing through filter», η σκέψη πίσω είναι «πολλαπλασιάζω $X(f)$ με $H(f)$ — και αυτό είναι όλο».

12. Σύνοψη + παραπομπές

Πρωταγωνιστές transform pairs (όλοι ✓ στο τυπολόγιο):

Πρωταγωνιστές ιδιότητες (όλες ✓ στο τυπολόγιο):

• Linearity, time shift, frequency shift, scaling, differentiation
• ⭐ Convolution ↔ multiplication: $x_1\ast x_2\leftrightarrow X_1{X}_2$
• Multiplication ↔ convolution (δυϊκή)
• Modulation theorem: $x(t)\cos (2\pi f_{c}t)\leftrightarrow \frac{1}{2}[X(f-f_c)+X(f+f_c)]$
• Conjugate symmetry για real signals: $X(-f)=X^{\ast }(f)$
• Parseval: $\int |x{|}^{2}dt=\int |X{|}^{2}df$
• Wiener–Khinchin: $R_x(\tau )\leftrightarrow |X(f){|}^2$

Exam tip. Στο τυπολόγιο έχεις σχεδόν τα πάντα — δεν θα σου ζητηθεί να αποδείξεις τον FT του rect. Αυτό που πραγματικά αποτιμάται είναι:

1. Να αναγνωρίζεις γρήγορα ποιος pair / ιδιότητα εφαρμόζεται.
2. Να συνδυάζεις δύο-τρεις ιδιότητες (π.χ. modulation theorem + time shift).
3. Να σχεδιάζεις φάσμα από τύπο (και τανάπαλιν).

Εξάσκηση

Πέντε ερωτήσεις — δοκίμασέ τες με το τυπολόγιο μπροστά σου, όπως στις εξετάσεις.