news 2026/4/16 17:25:26

傅里叶变换(三)调制与载波

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
傅里叶变换(三)调制与载波

调制(modified)是指一个信号控制或改变另一个信号。比如……想象一下你有一个载波(carrier wave),规律稳定的振荡,然后你根据另一个信号改变它的特性。

所以,“f(t)f(t)f(t)sin⁡(ωt)\sin(\omega t)sin(ωt)调制”意味着:

  • sin⁡(ωt)\sin(\omega t)sin(ωt)像纯正弦波一样规律地振荡

  • f(t)f(t)f(t)控制着该正弦波的振幅(高度)

在每个时刻ttt,将它们相乘:f(t)⋅sin⁡(ωt)f(t) \cdot \sin(\omega t)f(t)sin(ωt)

如果f(t)f(t)f(t)是常数(例如,f(t)=1f(t) = 1f(t)=1),则只会得到纯正弦波sin⁡(ωt)\sin(\omega t)sin(ωt),一个规则的正弦波。

但如果f(t)f(t)f(t)变化,变大或变小,那么正弦波的振幅也会相应地增大或减小。正弦波被f(t)f(t)f(t)“塑形”或“调制”。

载波其实就是一个基本的、规律的振荡信号。就像纯正弦波:sin⁡(ωt)\sin(\omega t)sin(ωt)。它通过改变自身的特性来“承载”信息。

你可以这样理解:无线电广播就利用了载波。有一个以特定频率(比如 101.5 FM)振荡的基础信号,然后通过调制,改变它的振幅或频率,来编码音乐或语音。不过,就我们讨论傅里叶变换而言,你其实不必纠结于“载波”这个技术术语。

关键在于:“调制”的意思就是“乘以”或“通过某种方式整形”。

所以f(t)⋅sin⁡(ωt)f(t) \cdot \sin(\omega t)f(t)sin(ωt),函数f(t)f(t)f(t)决定了正弦波在每个时刻的幅度大小。

ttt−∞-\infty变化到∞\infty时,点f(t)e−iωtf(t)e^{-i\omega t}f(t)et在复平面上会呈现出一些奇特的路径。实部是f(t)cos⁡(ωt)f(t)\cos(\omega t)f(t)cos(ωt),虚部是f(t)sin⁡(ωt)f(t)\sin(\omega t)f(t)sin(ωt)

因此,投影到实轴上:得到f(t)f(t)f(t)cos⁡(ωt)\cos(\omega t)cos(ωt)调制,根据fff的不同,它看起来可能是螺旋状或振荡状。

投影到虚轴上:f(t)f(t)f(t)sin⁡(ωt)\sin(\omega t)sin(ωt)调制,呈现出“栅栏”状。

好,精彩的部分来了:

给波形添加信息(调制):

你取一个载波,比如以某个高频ωc\omega_cωc振荡的sin⁡(ωct)\sin(\omega_c t)sin(ωct),然后根据你的信号f(t)f(t)f(t)对其进行调制。

对于幅度调制(调幅广播):将它们相乘:f(t)⋅sin⁡(ωct)f(t) \cdot \sin(\omega_c t)f(t)sin(ωct)

现在载波的振幅由你的信息信号f(t)f(t)f(t)控制。

获取信息(解调):

这就是傅里叶变换的用武之地!

当你接收到调制信号时,你可以使用傅里叶变换来查看“其中包含哪些频率?”变换会显示特定频率的峰值,而从这些峰值中,你可以提取原始信息f(t)f(t)f(t)

这就像:载波是一个高频容器,你的信息通过对其进行整形而承载其中,而傅里叶变换则让你能够窥探容器内部,了解其中的内容。

这正是无线电的工作原理!你的音乐信号调制一个频率为(例如)101.5 MHz 的载波。无线电接收器使用类似傅里叶变换的运算来提取该频率,从而还原你的音乐。

为什么傅里叶变换如此强大?它是解锁隐藏在振荡信号中的信息的关键!

版权声明: 本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若内容造成侵权/违法违规/事实不符,请联系邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
网站建设 2026/4/16 16:06:15

西门子1200 PLC大型项目程序:生产线控制案例全解析

西门子1200PLC大型项程序,生产线生产案例,包含气缸,通讯,机械手,模拟量等,各种FB块,可用来参考和学习。 若能学懂这个,大型程序基本能独当一面 plc博图15以及以上,威纶通…

作者头像 李华
网站建设 2026/4/16 17:50:55

使用TensorRT优化MiniMax、GLM等国产大模型

使用TensorRT优化MiniMax、GLM等国产大模型 在当前生成式AI迅猛发展的背景下,国产大语言模型如MiniMax、智谱AI的GLM系列已逐步具备与国际主流模型媲美的语义理解与生成能力。然而,当这些参数量动辄数十亿甚至上百亿的模型走向实际部署时,一个…

作者头像 李华
网站建设 2026/4/14 1:41:17

构建弹性伸缩AI集群:TensorRT节点资源调度策略

构建弹性伸缩AI集群:TensorRT节点资源调度策略 在当今的AI服务场景中,用户对响应速度和系统稳定性的要求越来越高。从电商推荐系统的毫秒级响应,到自动驾驶中的实时感知决策,再到智能客服的高并发对话处理——这些应用背后都依赖着…

作者头像 李华
网站建设 2026/4/16 14:38:16

使用TensorRT优化Stable Diffusion XL图像生成速度

使用TensorRT优化Stable Diffusion XL图像生成速度 在当今生成式AI飞速发展的背景下,Stable Diffusion XL(SDXL)这类高保真文本到图像模型正逐步从研究走向生产部署。设计师、内容创作者乃至企业级应用都对“秒级出图”提出了明确需求——用户…

作者头像 李华
网站建设 2026/4/16 13:59:35

基于TensorRT的实时翻译系统性能优化案例

基于TensorRT的实时翻译系统性能优化案例 在一场国际线上会议中,发言者刚说完一句话,参会者的耳机里几乎立刻响起了流畅的母语翻译——没有卡顿、没有延迟,仿佛有人在背后实时同声传译。这种“即时可懂”的体验背后,是自然语言处理…

作者头像 李华
网站建设 2026/4/16 15:29:42

深度探索.NET 中 IAsyncEnumerable:异步迭代的底层奥秘与高效实践

深度探索.NET 中 IAsyncEnumerable&#xff1a;异步迭代的底层奥秘与高效实践 在.NET 开发中&#xff0c;处理大量数据或执行异步操作时&#xff0c;异步迭代成为提升性能和响应性的关键技术。IAsyncEnumerable<T> 接口为此提供了强大支持&#xff0c;它允许以异步方式逐…

作者头像 李华