transcript
show notes
离散傅里叶分析的“有限性”并非为了计算方便而做的近似，而是采样从根本上改变了频率：相差 \(2π\) 的频率在离散样本上逐点完全一致，原本无限延伸的频率轴因此首尾相连，成为一个频率圆。
本期深度解析 Eli Bendersky 的文章，从 DTFS 的有限正交基、精确系数提取，到 DTFT 如何作为频率采样不断加密的自然极限，厘清“精确重建离散样本”与“唯一恢复连续信号”之间至关重要的边界。建议结合原文阅读，完整跟随其推导与例子。
原文链接：
https://eli.thegreenplace.net/2026/notes-on-discrete-time-fourier-series-and-transform/
原文标题：Notes on discrete-time Fourier series and transform
主要内容：
• 采样后，频率相差 \(2π\) 的复指数在每个整数时刻取值相同；离散时间的频率天然具有周期性。
• 对于 N 周期序列，只存在 N 个不同的复指数基底，因此 DTFS 是 N 维空间中的有限、精确展开，不涉及无穷级数收敛问题。
• 复指数在一个周期内的严格正交性，使 DTFS 系数能够通过有限求和直接、唯一地提取。
• 以 12 点三角波为例，文章展示了如何借助奇对称性筛出少数正弦分量，并精确重建全部离散采样点。
• DTFT 可视为 DTFS 在频率圆上越来越密的采样极限：有限求和自然过渡为积分，但频谱仍以 \(2π\) 为周期。
推荐理由：
这篇文章把常被公式掩盖的核心直觉讲得非常清楚：离散傅里叶理论的精确与有限，源于采样造成的频率折叠，而不是数值近似。它同时严谨地区分了“重建采样点”和“恢复原始连续波形”，是理解混叠、Nyquist 条件、DTFS 与 DTFT 关系的一篇高质量基础读物。
---
「Andrej Karpathy的RSS订阅清单」为您精选全球最前沿的AI技术博客文章，深度剖析技术背后的核心洞察。
由 voieech.com 提供技术支持。
