Esta es una pregunta bastante amplia y, de hecho, es bastante difícil de precisar _por qué exactamente_ Las transformadas de Fourier son importantes en el procesamiento de la señal. La respuesta más simple que se puede dar con la mano es que es una herramienta matemática extremadamente poderosa que le permite ver sus señales en un dominio diferente, dentro del cual varios problemas difíciles se vuelven muy simples de analizar.
Su ubicuidad en casi todos los campos de la ingeniería y las ciencias físicas, todo por diferentes razones, hace que sea aún más difícil precisar una razón. Espero que mirar algunas de sus propiedades que llevaron a su adopción generalizada junto con algunos ejemplos prácticos y una pizca de historia pueda ayudarlo a comprender su importancia.
Historia:
- ¿Quién creó la regla del cociente? ¿Cómo es importante esta creación en matemáticas?
- ¿Existe la posibilidad de que el mundo sea realmente determinista y las matemáticas actuales no puedan comprenderlo?
- ¿Los genios saben todo sobre todas las materias de matemáticas?
- Cómo entender mejor los conjuntos de poder
- ¿Cuántos enteros entre 1 y 1,000,000 son cuadrados perfectos pero no cubos perfectos?
Para comprender la importancia de la transformación de Fourier, es importante dar un paso atrás y apreciar el poder de la serie de Fourier presentada por Joseph Fourier. En una cáscara de nuez, cualquier función periódica [math] g (x) [/ math] integrable en el dominio [math] \ mathcal {D} = [- \ pi, \ pi] [/ math] puede escribirse como un suma infinita de senos y cosenos como
[matemáticas] g (x) = \ sum_ {k = – \ infty} ^ {\ infty} \ tau_k e ^ {\ jmath kx} [/ math]
[matemática] \ tau_k = \ frac {1} {2 \ pi} \ int _ {\ matemática {D}} g (x) e ^ {- \ jmath kx} \ dx [/ matemática]
donde [matemáticas] e ^ {\ imath \ theta} = \ cos (\ theta) + \ jmath \ sin (\ theta) [/ math]. _Esta idea de que una función podría descomponerse en sus frecuencias constituyentes (es decir, en senos y cosenos de todas las frecuencias) fue poderosa y constituye la columna vertebral de la transformada de Fourier ._
La transformada de Fourier:
La transformación de Fourier se puede ver como una extensión de la serie de Fourier anterior a funciones no periódicas. Para completar y para mayor claridad, definiré la transformada de Fourier aquí. Si [math] x (t) [/ math] es una señal continua e integrable, entonces su transformada de Fourier, [math] X (f) [/ math] viene dada por
[matemáticas] X (f) = \ int _ {\ mathbb {R}} x (t) e ^ {- \ jmath 2 \ pi ft} \ dt, \ quad \ forall f \ in \ mathbb {R} [/ math ]
y la transformación inversa está dada por
[matemáticas] x (t) = \ int _ {\ mathbb {R}} X (f) e ^ {\ jmath 2 \ pi ft} \ df, \ quad \ forall t \ in \ mathbb {R} [/ math]
Importancia en el procesamiento de señales:
En primer lugar, una transformada de Fourier de una señal le dice qué frecuencias están presentes en su señal y en qué proporciones .
Ejemplo: ¿Alguna vez has notado que cada uno de los botones numéricos de tu teléfono
suena diferente cuando presiona durante una llamada y que suena igual para cada modelo de teléfono? Esto se debe a que cada uno está compuesto por dos sinusoides diferentes que se pueden usar para identificar de forma exclusiva el botón. Cuando usa su teléfono para combinar combinaciones para navegar por un menú, la forma en que la otra persona sabe qué teclas presionó es haciendo una transformación de Fourier de la entrada y observando las frecuencias presentes.
Además de algunas [propiedades elementales] muy útiles (transformada de Fourier – Wikipedia) que hacen que las matemáticas sean simples, algunas de las otras razones por las que tiene una importancia tan generalizada en el procesamiento de señales son:
1. El cuadrado de magnitud de la transformada de Fourier, [matemática] \ vert X (f) \ vert ^ 2 [/ matemática] nos dice instantáneamente cuánta potencia tiene la señal [matemática] x (t) [/ matemática] en un determinado frecuencia [matemática] f [/ matemática].
2. Del teorema de Parseval (más generalmente el teorema de Plancherel), tenemos
[math] \ int_ \ mathbb {R} \ vert x (t) \ vert ^ 2 \ dt = \ int_ \ mathbb {R} \ vert X (f) \ vert ^ 2 \ df [/ math]
lo que significa que _la energía total en una señal en todo momento es igual a la energía total en la transformación en todas las frecuencias_. Por lo tanto, la transformación es la conservación de energía.
3. Las convoluciones en el dominio del tiempo son equivalentes a las multiplicaciones en el dominio de la frecuencia, es decir, dadas dos señales [matemáticas] x (t) [/ matemáticas] y [matemáticas] y (t) [/ matemáticas], entonces si
[matemáticas] z (t) = x (t) \ estrella y (t) [/ matemáticas]
donde [math] \ star [/ math] denota convolución, entonces la transformada de Fourier de [math] z (t) [/ math] es simplemente
[matemáticas] Z (f) = X (f) \ cdot Y (f) [/ matemáticas]
Para señales discretas, con el desarrollo de algoritmos de FFT eficientes, casi siempre es más rápido implementar una operación de convolución en el dominio de la frecuencia que en el dominio del tiempo.
4. Similar a la operación de convolución, las correlaciones cruzadas también se implementan fácilmente en el dominio de frecuencia como [matemática] Z (f) = X (f) ^ * Y (f) [/ matemática], donde [matemática] ^ * [ / math] denota conjugado complejo.
5. Al poder dividir las señales en sus frecuencias constituyentes, uno puede bloquear fácilmente ciertas frecuencias selectivamente anulando sus contribuciones.
Ejemplo: si eres un fanático del fútbol (soccer), podrías haber sido
molesto por el constante zumbido de las vuvuzelas que prácticamente
ahogó todos los comentarios durante el mundial de 2010 en Sudáfrica.
Sin embargo, la vuvuzela tiene un tono constante de ~ 235Hz que lo hizo
fácil para los organismos de radiodifusión implementar un filtro de muesca para cortar el
ruido ofensivo. (http://soccernet.espn.go.com/wor…)
6. Una señal desplazada (retrasada) en el dominio del tiempo se manifiesta como un cambio de fase en el dominio de la frecuencia. Si bien esto pertenece a la categoría de propiedades elementales, esta es una propiedad ampliamente utilizada en la práctica, especialmente en aplicaciones de imágenes y tomografía,
Ejemplo: cuando una ola viaja a través de un medio heterogéneo,
se ralentiza y acelera según los cambios en la velocidad de la ola
propagación en el medio. Entonces, al observar un cambio en la fase de
qué se espera y qué se mide, se puede inferir el exceso de tiempo
retraso que a su vez te dice cuánto ha cambiado la velocidad de la ola en
la médium. Esto es, por supuesto, una explicación laica muy simplificada, pero
forma la base para la tomografía.
7. Las derivadas de señales ([matemática] n ^ th [/ matemática] [matemática] [/ matemática] derivadas también) se pueden [calcular fácilmente] (transformada de Fourier – Wikipedia 106) usando transformadas de Fourier.
Procesamiento de señal digital (DSP) frente a procesamiento de señal analógica (ASP)
La teoría de las transformadas de Fourier es aplicable independientemente de si la señal es continua o discreta, siempre que sea “agradable” y absolutamente integrable. Entonces, sí, ASP usa transformadas de Fourier siempre que las señales satisfagan este criterio. Sin embargo, quizás sea más común hablar de transformadas de Laplace, que es una transformada de Fourier generalizada, en ASP. La transformación de Laplace se define como
[matemáticas] X (s) = \ int_ {0} ^ {\ infty} x (t) e ^ {- st} \ dt, \ quad \ forall s \ in \ mathbb {C} [/ math]
La ventaja es que uno no está necesariamente limitado a “señales agradables” como en la transformada de Fourier, pero la transformación es válida solo dentro de cierta región de convergencia. Es ampliamente utilizado en el estudio / análisis / diseño de circuitos LC / RC / LCR, que a su vez se utilizan en radios / guitarras eléctricas, pedales wah-wah, etc.
–
Esto es casi todo lo que se me ocurre en este momento, pero tenga en cuenta que _no hay cantidad_ de escritura / explicación puede capturar completamente la verdadera importancia de las transformadas de Fourier en el procesamiento de señales y en la ciencia / ingeniería