Question

我有一个时间信号，我计算其傅立叶变换以获得频率信号。根据Parseval定理，这两个信号具有相同的能量。我用Python成功演示了它。然而，当我计算频率信号的逆傅立叶变换时，能量不再被保存。这是我的代码：

import numpy as np
import numpy.fft as nf
import matplotlib.pyplot as plt

#create a gaussian as a temporal signal    
x = np.linspace(-10.0,10.0,num=1000)
dx = x[1]-x[0]
sigma = 0.4
gx = (1.0/(2.0*np.pi*sigma**2.0)**0.5)*np.exp(-0.5*(x/sigma)**2.0)

#calculate the spacing of the frequencial signal
f=nf.fftshift(nf.fftfreq(1000,dx))
kk = f*(2.0*np.pi)
dk = kk[1]-kk[0]

#calculate the frequencial signal (FT)
#the convention used here allows to find the same energy
gkk = nf.fftshift(nf.fft(nf.fftshift(gx)))*(dx/(2.0*np.pi)**0.5)

#inverse FT
gx_ = nf.ifft(nf.ifftshift(gkk))*dk/(2 * np.pi)**0.5

#Parseval's theorem
print("Total energy in time domain = "+str(sum(abs(gx)**2.0)*dx))
print("Total energy in freq domain = "+str(sum(abs(gkk)**2.0)*dk))
print("Total energy after iFT = "+str(sum(abs(gx_)**2.0)*dx))

执行此代码后，您可以看到两个第一能量是相同的，而第三个是比第一个能量小的数量级，但我应该找到相同的能量。这里发生了什么？

Answer 1

numpy FFT程序实际上和其他软件相比，确实调整了序列长度，以便你得到

nf.ifft(nf.fft(gx)) == gx

高达一些浮点错误。如果dx和dk按常规方式计算，则dk*dx=(2*pi)/N仅适用于未经调整的FFT例程。

您可以使用

测试numpy.fft的行为

In [20]: sum(abs(gx)**2.0)
Out[20]: 35.226587122763036

In [21]: gk = nf.fft(gx)

In [22]: sum(abs(gk)**2.0)
Out[22]: 35226.587122763049

In [23]: sum(abs(nf.ifft(gk))**2.0)
Out[23]: 35.226587122763014

告诉我们fft是通常未调整的转换，ifft将结果除以序列长度N=num。

可以模拟典型的ifft

gxx = (nf.fft(gk.conj())).conj()

然后你得到了

gx == gxx/1000

最多浮点错误。或者您可以使用

撤消调整

#inverse FT
gx_ = nf.ifft(nf.ifftshift(gkk))*(num*dk)/(2 * np.pi)**0.5

Parseval定理不适用于ifft

1 个答案: