Skript zur Vorlesung Physik auf dem Computer - Universität Stuttgart
Skript zur Vorlesung Physik auf dem Computer - Universität Stuttgart
Skript zur Vorlesung Physik auf dem Computer - Universität Stuttgart
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
4 Datenanalyse und Signalverarbeitung<br />
Die Gaussglocke ist also eine Eigenfunktion der Fouriertransformation zum Eigenwert 1.<br />
Die Fouriertransformation hat tatsächlich sehr viel mehr echt verschiedene Eigenfunktionen,<br />
die Familie der Hermitefunktionen [Pin02]. Wegen der Isometrieeigenschaft kann<br />
die Fouriertransformation aber nur Eigenwerte vom Betrag eins haben; tatsächlich hat<br />
sie nur die vier Eigenwerte ±1 und ±i, da F 4 = 1. Daher ist jeder Eigenwert stark<br />
degeneriert, und der Eigenraum zu je<strong>dem</strong> Eigenwert unendlichdimensional.<br />
Die (formale) Fouriertransformierte der δ-Funktion ist<br />
F(δ(t))(ω) = 1 √<br />
2π<br />
∫ ∞<br />
−∞<br />
δ(t)e −iωt dt = 1 √<br />
2π<br />
, (4.12)<br />
also einfach die konstante Funktion 1/ √ 2π, die ebensowenig wie die δ-Funktion eine<br />
quadratintegrable Funktion ist. Alternativ lässt sich die Beziehung aus der Fouriertransformierten<br />
der Gauÿglocke mit sinkender Varianz herleiten.<br />
4.1.2 Numerische kontinuierliche Fouriertransformation<br />
Um die Eigenschaften der kontinuierlichen Fouriertransformation numerisch zu nutzen,<br />
machen wir den Grenzübergang T → ∞ rückgängig und ziehen uns <strong>auf</strong> ein für die<br />
betrachtetete Funktion hinreichend groÿes T <strong>zur</strong>ück, sodass ∫ |t|>T |f(t)|2 dt hinreichend<br />
klein ist. Ist das Signal wie in der Praxis endlich, so könnte T zum Beispiel so groÿ sein,<br />
dass das Signal vollständig abgedeckt ist. In je<strong>dem</strong> Fall ist das Signal eine Funktion f,<br />
die wir nur an <strong>auf</strong> einem äquidistanten Gitter t k = T ( − 1 2 + k N<br />
) , k = 0(1)N − 1 kennen.<br />
Dann ist mit ω 0 = 2π<br />
T<br />
F(f)(ω 0 n) ≈ 1 √<br />
2π<br />
∫ T/2<br />
−T/2<br />
= T N<br />
f(t)e −inω0t dt ≈ √ 1 N−1<br />
∑<br />
f(t k )e −inω 0T(− 1 2 + k N ) T<br />
2π N<br />
e −2πin/2<br />
√<br />
2π<br />
N−1<br />
∑<br />
k=0<br />
k=0<br />
f(t k )e −2πink/N<br />
= T N<br />
(−1) n<br />
√<br />
2π<br />
DFT(f(t k )) n , (4.13)<br />
wobei DFT die diskrete Fouriertransformation aus (3.53) bezeichnet. Die bekannten<br />
schnellen FFT-Routinen lassen sich also auch für die numerische Bearbeitung der kontinuierlichen<br />
Fouriertransformation nutzen. Auf diese Weise ist z.B. Abbildung 4.1 entstanden.<br />
4.1.3 Abtasttheorem<br />
In der Praxis sind Signale meist als diskrete Werte an (endlich vielen) äquidistanten<br />
Stellen beziehungsweise Zeitpunkten gegeben, zum Beispiel, weil ein Messgerät Daten in<br />
regelmäÿigen Abständen liefert. Eine wichtige Frage ist, wie gut man das reale Signal<br />
und sein Frequenzspektrum aus den diskreten Datenpunkten rekonstruieren kann.<br />
Hierzu betrachten wir zunächst ein bandbreitenbeschränktes Signal f, d.h. ein Signal,<br />
dessen Fouriertransformierte einen kompakten Träger [−ω 0 ,ω 0 ] hat. Dann besagt die<br />
50