作者microball (無華之果)
看板Math
標題[分析] 分享關於 fourier transform
時間Mon Oct 18 11:05:09 2010
若有錯誤或其他建議,歡迎批評指正 Orz...我的程度只有到高微 :{
不過在工數常常用到 fourier 轉換,所以自己整理了一些筆記
==
剛接觸 Fourier 轉換時覺得滿難的,因為計算很多積分的時候發散,
必須要 "旁敲側擊" 用一些背下來的技巧去推導出結果 (可能是 delta function 等)
這也讓我覺得 Fourier 轉換是個難以理解的東西,
因為按照課本定義,有些函數 pair 根本就不可積,但偏偏這些函數又很常用。
我覺得較為符合邏輯,又不需用到太抽象的實分析的定義是這樣:
(這篇文章內,如果積分區間是正負無限大,都省略不寫
limit 的極限如果是無限大,也省略不寫)
[a1] 若積分 G(w) =∫g(t) exp(-iwt) dt 存在,則令 F[g(t)] = G(w)
[a2] 若∫g(t) exp(-iwt) dt 積分發散,
而函數 g(t) = lim gn(t) (n是下標)
且積分 G(w;n) = ∫gn(t) exp(-iwt) dt 對於 n->∞ 都存在
則令 F[g(t)] = lim G(w;n) = G(w)
這樣的定義就可以解決 delta 函數,常數函數,和三角函數等的 Fourier 轉換問題。
換言之,對於積分不收斂的函數,雖然 F[lim g(t)] 不等於 lim F[g(t)]
我們還是可以給予後者一個相對應的 G(w)
對於積分發散的函數,我們必須構造一組積分收斂的函數數列,來推測其 G(w)
最基礎的定理是 Fourier integral theorem:
Thm: 假設 g(t) 屬於 L(-∞,∞), 而且 g(t) 在 (-∞,∞) 的變動是有界的,
則對於任一點 t,
a
[ g(t+) + g(t-) ]/2 = [1/(2π)] * lim ∫ F[g(t)] exp(iwt) dw
a->∞ -a
這明顯的提示了我們可以定義所謂的 Fourier 逆轉換,
在哪些條件下, g(t) 經過轉換,再經過逆轉換之後,會回到原本的 g(t) 呢?
從定理看來,如果再加上函數處處連續的條件就可以了
事實上,如果函數有可數的不連續點,假設 t 在 H = {t0,t1,...} 不連續
那麼 g(t) 轉換後,再轉換回來,函數在連續的部份定義都不會變
只有 H 裡面的這些點,函數的值會變成左極限和右極限的平均值
(也就是 almost everywhere g(t) 在轉換/逆轉換後是不變的)
所以除了定理需要的條件,即使只多加 piecewise continuous,
函數的 "轉換/逆轉換" 算是有很良好的性質。
值得一提的是,在逆轉換的過程,積分的定義是 cauchy principle value
雖然這讓一些逆轉換的積分從發散改成收斂,但是並沒有解決所有問題
例如 delta function δ(t) 轉換後得到常數,
這個常數在逆轉換上無論怎麼定義積分,都不會簡單得到 δ(t)
(只能得出和 δ(t) 一致的結論,但無法估計該函數的積分面積是多少)
所以比較踏實的定義方法,還是必須倚賴前面 [a2] 的定義:從函數數列來計算。
*
首先先計算函數裡面的模範生:常態分布 g(t) = sqrt(n/π) exp(-ntt)
這個函數的 Fourier 積分收斂,只要靠湊項分解就可以計算:
F[g(t)] = sqrt(n/π)* exp[-ww/(4n)] * ∫exp {-n*[t+(iw/2n)]^2} dt
最後這個積分,可以在複數平面上找合適的封閉長方形路徑,
證明對於所有的 z=t+ki, k是任意實數,∫exp(-nzz)dt = ∫exp(-ntt)dt
因此,F[g(t)] = exp[-ww/(4n)]。
值得一提的是,原本 g(t) 是平均為0,標準差為 1/sqrt(2n) 的常態分布
轉換後的 G(w) 並沒有 normalize,
若加上 prefactor 使 G(w) 成為一個分布的話,那麼他的標準差是 sqrt(n)。
所以對於高斯函數,原分布的分布越廣,轉換後的分布越窄,
這在量子物理上剛好對應到位置和動量之間的關係。
*
接著利用常態分布的結果,以及 [a2] 的定義,我們計算δ(t) 和 1 的 Fourier 轉換
令 g(t;n) = sqrt(n/π) exp(-ntt),
h(t;m) = exp(-tt/m),
則 lim(n->∞) g(t;n) = δ(t),
lim(m->∞) h(t;m) = 1.
F[δ(t)] = lim(n->∞) F[g(t;n)] = lim(n->∞) exp[-ww/(4n)] = 1
F[1] = lim(m->∞) F[h(t;m)] = lim(n->∞) sqrt(mπ) exp[-mww/4] (*)
(*) 這個極限,可以看出當 w=0的時候會發散,
而w不等於0的時候,由羅必達法則可以知道極限為0。
這和 δ function 是一致的,但是我們不知道前面有沒有其他 prefactor...
因此,比較適當的方法是回頭研究一下 F[h(t;m)] = sqrt(mπ) exp[-mww/4]
事實上,一個趨近 δ function 的函數數列,每個函數的積分面積都必須等於1的。
因此我們可以對 F[h(t;m)] 前面的常數做分解:
sqrt(mπ) exp[-mww/4] = (2π) {sqrt(m/4π) exp[-mww/4]}
而大括號內的函數,對於任意m,其積分區域都是1,最後會趨近δ(w)
因此我們可以知道 lim(n->∞) sqrt(mπ) exp[-mww/4] = 2πδ(w)
小結:F[δ(t)] = 1, F[1] = 2πδ(w).
也許有人會提出:當我們計算出 F[δ(t)] 之後,就可以利用一些變數代換的方法
以及 Fourier 轉換/逆轉換的對稱性,求得 F[1] 。
以結果來說這是對的,但是中間的過程嚴謹程度值得討論:
若不牽涉到實分析程度的 Fourier 轉換,而只用 [a1], [a2] 的方式定義 F[g(t)]
那麼 Fourier 轉換/逆轉換的對稱性,是由 Fourier integral thm 提供的。
這個定理並不一定能直接應用到任意函數數列的極限函數。
事實上當我們用 [a2] 定義了一些更廣義的 G(w),
以上還沒有證明這些 G(w) 的逆轉換存在,且有良好的性質可以回到 g(t) 本身
以上也沒有證明,若多個函數數列都收斂到 g(t),不同數列定義出的 G(w) 會相同
物理直覺上我們相信,取函數數列極限後的 g(t) <-> G(w) 一定仍保持某種對應關係
但是要嚴謹的證明這點,應該是超出一般高微的程度。
在常見的例子裡面,[a2] 已經可以 consitent 的計算出正確的函數。
--
~因為生活已經太複雜了
所以就讓我們的愛情單純吧~
--
※ 發信站: 批踢踢實業坊(ptt.cc)
◆ From: 98.221.193.148
推 ntust661 :^^/ 10/18 11:32
推 ntust661 :其實很多都要用到更廣義的定義的思考轉換 10/18 11:36
→ ntust661 :感覺Fourier 跟generalized function 常常會扯在一起 10/18 11:37
→ ntust661 :冏 10/18 11:37
推 ntust661 :然後定義更多δfunction的形式,就能解更多轉換了ˊ 10/18 11:41
推 WINDHEAD :推薦這篇文章。 10/18 11:42
→ WINDHEAD :我自己比較喜歡用 exp(2πiωx) 做積分, 因為這樣子 10/18 11:42
→ WINDHEAD :跟 Fourier Series(ω取整數時)是一致的, 也不用 10/18 11:44
→ WINDHEAD :擔心前綴的係數(跟π有關) 10/18 11:44
推 ntust661 :同上的話不用考慮係數比較好 冏> 可是習慣改不過來了 10/18 11:45
→ ntust661 :我常常會思考,積分會發散的原因到底是什麼 10/18 11:46
→ ntust661 :第一個讓我懷疑的原因就是 i XDD 10/18 11:48
推 WINDHEAD :會發散最主要原因是原函數本身在實數軸積分值發散 10/18 13:03
→ WINDHEAD : exp(iωx)當ω非零時,還有機會因為震盪抵消掉會 10/18 13:07
→ WINDHEAD :發散的正負值,但是ω=0時就全靠原函數的表現啦 10/18 13:07
推 ntust661 :或許我們選擇不同的路徑,可以得到收斂的解? 10/18 13:20