Untuk penjelasan yang jelas dan benar dari konsep-konsep ini, Anda harus membaca beberapa buku teks standar (Oppenheim-Schafer, Proakis-Manolakis atau "Memahami Digital Signal Processing" oleh Richard Lyons yang merupakan buku yang sangat bagus tetapi relatif kurang populer) . Tetapi dengan asumsi diskusi meja kopi, saya akan membuat beberapa pernyataan yang sangat longgar di bagian selanjutnya. :)
Untuk sinyal waktu kontinu umum, Anda tidak akan mengharapkan frekuensi tertentu tidak ada, sehingga Fourier Transform (atau Continuous Fourier Transform) akan menjadi kurva kontinu dengan dukungan yang mungkin -inf ke + inf.
Untuk sinyal kontinu periodik (periode T), Fourier menyatakan sinyal sebagai kombinasi antara sinus dan cosinus yang memiliki periode yang sama (T, T / 2, T / 3, T / 4, ...). Secara efektif, spektrum sinyal ini adalah serangkaian paku di lokasi 1 / T, 2 / T, 3 / T, 4 / T, ... Ini disebut representasi Fourier Series. Ada teorema yang mengatakan bahwa deret deret Fourier dari setiap sinyal waktu kontinu periodik bertemu dengan sinyal ketika Anda memasukkan lebih banyak sinus dan cosinus (atau eksponensial kompleks) dalam arti kuadrat rata-rata.
Moral sejauh ini: periodisitas dalam waktu => spektrum runcing
Aktif untuk waktu diskrit ... Apa yang terjadi jika Anda mengambil sampel sinyal waktu kontinu? Seharusnya jelas bahwa untuk sinyal yang cukup tinggi, Anda tidak akan dapat merekonstruksi sinyal. Jika Anda tidak membuat asumsi tentang frekuensi dalam sinyal, kemudian diberi sinyal sampel, tidak ada cara Anda bisa mengatakan apa sinyal yang sebenarnya. Dengan kata lain, frekuensi yang berbeda disajikan secara ekivalen dalam sinyal waktu diskrit. Melewati beberapa matematika memberi tahu Anda bahwa Anda dapat memperoleh spektrum sinyal sampel dari sinyal kontinu asli. Bagaimana? Anda menggeser spektrum sinyal waktu kontinu dengan jumlah + -1 / T, + -2 / T, ... dan menambahkan semua salinan yang digeser (dengan beberapa penskalaan). Ini memberi Anda spektrum kontinu yang periodik dengan periode 1 / T. (catatan: spektrum adalah periodik sebagai hasil dari pengambilan sampel dalam waktu, sinyal waktu tidak (harus periodik) Karena spektrumnya kontinu, Anda juga bisa mewakilinya hanya dengan satu periode. Ini adalah DTFT ("Discrete-Time" Fourier Transform). Dalam kasus di mana sinyal waktu kontinu asli Anda memiliki frekuensi tidak lebih tinggi dari + -1 / 2T, salinan spektrum bergeser tidak tumpang tindih dan karenanya, Anda dapat memulihkan sinyal waktu kontinu asli dengan memilih satu periode spektrum ( teorema pengambilan sampel Nyquist).
Cara lain untuk diingat: sinyal waktu runcing => periodisitas dalam spektrum
Apa yang terjadi jika Anda mengambil sampel sinyal periodik kontinu dengan periode sampling T / k untuk beberapa k? Spektrum sinyal waktu kontinu adalah spiky, dan pengambilan sampel dengan beberapa pembagi T berarti bahwa paku dalam salinan bergeser jatuh tepat pada kelipatan 1 / T, sehingga spektrum yang dihasilkan adalah spektrum periodik runcing. . sinyal waktu periodik runcing <=> spektrum periodik runcing (dengan asumsi bahwa periode dan frekuensi sampling "terkait dengan baik" seperti di atas.) Inilah yang dikenal sebagai DFT (Discrete Fourier Transform). FFT (Fast Fourier Transform) adalah kelas algoritma untuk menghitung DFT secara efisien.
Cara DFT dipanggil adalah sebagai berikut: Katakan Anda ingin menganalisis urutan sampel N dalam waktu. Anda dapat mengambil DTFT dan berurusan dengan salah satu periode, tetapi jika Anda berasumsi bahwa sinyal Anda periodik dengan periode N, maka DTFT berkurang menjadi DFT dan Anda hanya memiliki sampel N dari satu periode DTFT yang sepenuhnya mencirikan sinyal. Anda dapat melakukan zero-pad sinyal pada waktunya untuk mendapatkan sampling spektrum yang lebih baik dan (banyak properti lainnya).
Semua hal di atas hanya bermanfaat jika disertai dengan studi DSP. Di atas hanyalah beberapa pedoman yang sangat kasar.