Fourier-Transformation - Versionsgeschichte

Gundula am 2. September 2024 um 13:42 Uhr

2024-09-02T13:42:49Z

← Nächstältere Version		Version vom 2. September 2024, 15:42 Uhr
Zeile 58:		Zeile 58:
	*''dt'' ist das Differentialelement in der Zeitdomäne, das die kontinuierliche Integration anzeigt		*''dt'' ist das Differentialelement in der Zeitdomäne, das die kontinuierliche Integration anzeigt

	Damit erhält man auch hier für jede Frequenzkomponente Phase und Amplitude, also die Stärke und Verschiebung der Frequenz innerhalb des Signals. Wenn man das für mehrere Zeitschritte (Intervalle) des Signals durchführt, kann man beobachten, wie sich die Frequenzanteile über die Zeit des Signals hinweg entwickeln. Dies lässt sich in einem Spektrogramm darstellen. Damit lassen sich zum Beispiel Frequenzkomponenten in EEG-Signalen untersuchen. Zum Spektrogramm gibt es eine kurze Erklärung in Wikipedia und eine ausführliche Erklärung im Buch Digitale Signalverarbeitung mit MATLAB von Martin Werner (Springer Vieweg, 2019, [https://katalog.slub-dresden.de/id/0-1684973961 SLUB-Katalog] Stand August 2024).		Damit erhält man auch hier für jede Frequenzkomponente Phase und Amplitude, also die Stärke und Verschiebung der Frequenz innerhalb des Signals. Wenn man das für mehrere Zeitschritte (Intervalle) des Signals durchführt, kann man beobachten, wie sich die Frequenzanteile über die Zeit des Signals hinweg entwickeln. Dies lässt sich in einem Spektrogramm darstellen. Damit lassen sich zum Beispiel Frequenzkomponenten in EEG-Signalen untersuchen. Zum Spektrogramm gibt es eine kurze Erklärung in Wikipedia und eine ausführliche Erklärung im Buch Digitale Signalverarbeitung mit MATLAB von Martin Werner (Springer Vieweg, 2019, [https://katalog.slub-dresden.de/id/0-1684973961 SLUB-Katalog] Stand August 2024). Da man aber zur Betrachtung der Frequenzkomponenten über die Zeit hinweg das Signal in diskrete Zeitfenster einteilen muss, wird die Information über die Entwicklung der Frequenzkomponenten verringert. Um diese Entwicklung kontinuierlich abzubilden, eignen sich [[Wavelet-Transformation\|Wavelet-Transformationen]].

	=Inverse Fouriertransformation=		=Inverse Fouriertransformation=

Gundula am 2. September 2024 um 12:35 Uhr

2024-09-02T12:35:19Z

← Nächstältere Version		Version vom 2. September 2024, 14:35 Uhr
Zeile 44:		Zeile 44:
	==Cooley-Tukey-Algorithmus==		==Cooley-Tukey-Algorithmus==
	Eine der bekanntesten und am häufigsten verwendeten FFT-Algorithmen ist der Cooley-Tukey-Algorithmus, der wie folgt funktioniert:		Eine der bekanntesten und am häufigsten verwendeten FFT-Algorithmen ist der Cooley-Tukey-Algorithmus, der wie folgt funktioniert:
	*~~Das~~ Signal wird in gerade und ungerade Indizes geteilt (gerade und ungerade ''n''s aus der DFT-Formel) und dann weiter zerlegt, bis die DFT auf Gruppen von 2 - 4 Punkten durchgeführt werden kann		*das Signal wird in gerade und ungerade Indizes geteilt (gerade und ungerade ''n''s aus der DFT-Formel) und dann weiter zerlegt, bis die DFT auf Gruppen von 2 - 4 Punkten durchgeführt werden kann
	*die DFT der kleinen Gruppen wird berechnet		*die DFT der kleinen Gruppen wird berechnet
	*um die Ergebnisse aus den kleineren Gruppen zu kombinieren, werden sogenannte [https://dawn.cs.stanford.edu/2019/06/13/butterfly/ Butterfly Operations] (Stanford Dawn, Stand August 2024) durchgeführt		*um die Ergebnisse aus den kleineren Gruppen zu kombinieren, werden sogenannte [https://dawn.cs.stanford.edu/2019/06/13/butterfly/ Butterfly Operations] (Stanford Dawn, Stand August 2024) durchgeführt

Gundula am 2. September 2024 um 12:33 Uhr

2024-09-02T12:33:59Z

← Nächstältere Version		Version vom 2. September 2024, 14:33 Uhr
Zeile 66:		Zeile 66:

	=Filter=		=Filter=
			Filter für Signale werden genutzt, um unerwünschte Frequenzkomponenten zu entfernen. Dabei kann man Filter nach den Frequenzbereichen, die sie durchlassen (pass) oder blockieren (stop) unterscheiden:

			'''Tiefpassfilter'''
			*lässt Frequenzen unterhalb einer bestimmten Grenzfrequenz passieren und blockiert höhere Frequenzen
			*wird z.B. genutzt, um Daten zu glätten, Hochfrequenzrauschen zu entfernen (z.B. im MR-Signal)

			'''Hochpassfilter'''
			*lässt Frequenzen oberhalb einer bestimmten Grenzfrequenz passieren und blockiert tiefere Frequenzen
			*wird z.B. genutzt, um hohe Frequenzen zu verstärken, um u.a. in der Bildverarbeitung Kanten im Bild zu detektieren

			'''Bandpassfilter'''
			*lässt Frequenzen innerhalb eines bestimmten Frequenzbandes passieren und blockiert Frequenzen ober- und unterhalb dieses Bandes
			*wird z.B. in der Tonbearbeitung genutzt, um Störungen außerhalb des menschlichen Sprachbereichs zu filtern, um Daten zu sparen und Rauschen zu reduzieren

			'''Bandsperrfilter oder Kerbfilter (notch filter)'''
			*blockiert Frequenzen innerhalb eines bestimmten Frequenzbandes und lässt Frequenzen außerhalb des Bandes passieren
			*wird z.B. genutzt, um spezifische Störgeräusche in Audiosignalen zu entfernen

Gundula am 2. September 2024 um 12:16 Uhr

2024-09-02T12:16:59Z

← Nächstältere Version		Version vom 2. September 2024, 14:16 Uhr
Zeile 32:		Zeile 32:
	**Diese Drehung des Signals und Projektion auf die Frequenzen haben [https://www.youtube.com/watch?v=spUNpyF58BY 3Blue1Brown] (Stand August 2024) mit einer visuellen Darstellung erklärt. Diese Visualisierung ist eigentlich für kontinuierliche Daten gemacht, die Funktionsweise der komplexen Exponentialfunktion ist aber analog zu diskreten Signalen.		**Diese Drehung des Signals und Projektion auf die Frequenzen haben [https://www.youtube.com/watch?v=spUNpyF58BY 3Blue1Brown] (Stand August 2024) mit einer visuellen Darstellung erklärt. Diese Visualisierung ist eigentlich für kontinuierliche Daten gemacht, die Funktionsweise der komplexen Exponentialfunktion ist aber analog zu diskreten Signalen.

	Am Ende erhält man für jede Frequenzkomponente Phase und Amplitude, also die Stärke und Verschiebung der Frequenz innerhalb des Signals. ~~Wenn man das für mehrere Zeitschritte (Intervalle) des Signals durchführt, kann man beobachten, wie sich die Frequenzanteile über~~ die ~~Zeit des Signals hinweg entwickeln. Dies lässt sich in einem Spektrogramm darstellen. Damit lassen sich~~ zum Beispiel ~~Frequenzkomponenten~~ in ~~EEG~~-Signalen untersuchen~~. Zum Spektrogramm gibt es eine kurze Erklärung in Wikipedia~~ und ~~eine ausführliche Erklärung im Buch Digitale Signalverarbeitung mit MATLAB von Martin Werner (Springer Vieweg, 2019, [https://katalog.slub-dresden.de/id/0-1684973961 SLUB-Katalog] Stand August 2024)~~.		Am Ende erhält man für jede Frequenzkomponente Phase und Amplitude, also die Stärke und Verschiebung der Frequenz innerhalb des Signals. Damit findet die DFT zum Beispiel Anwendung in der Signal- und Bildverarbeitung, um Frequenzen in Signalen zu untersuchen und zu filtern.

	=Schnelle Fouriertransformation=		=Schnelle Fouriertransformation=
Zeile 57:		Zeile 57:
	*<math>e^{-i 2 \pi f t}</math> ist der komplexe Exponentialterm, der die Frequenz ''f'' repräsentiert und das Signal auf diese Frequenz projiziert. Auch hier sei auf die visuelle Erklärung von [https://www.youtube.com/watch?v=spUNpyF58BY 3Blue1Brown] (Stand August 2024) verwiesen.		*<math>e^{-i 2 \pi f t}</math> ist der komplexe Exponentialterm, der die Frequenz ''f'' repräsentiert und das Signal auf diese Frequenz projiziert. Auch hier sei auf die visuelle Erklärung von [https://www.youtube.com/watch?v=spUNpyF58BY 3Blue1Brown] (Stand August 2024) verwiesen.
	*''dt'' ist das Differentialelement in der Zeitdomäne, das die kontinuierliche Integration anzeigt		*''dt'' ist das Differentialelement in der Zeitdomäne, das die kontinuierliche Integration anzeigt

			Damit erhält man auch hier für jede Frequenzkomponente Phase und Amplitude, also die Stärke und Verschiebung der Frequenz innerhalb des Signals. Wenn man das für mehrere Zeitschritte (Intervalle) des Signals durchführt, kann man beobachten, wie sich die Frequenzanteile über die Zeit des Signals hinweg entwickeln. Dies lässt sich in einem Spektrogramm darstellen. Damit lassen sich zum Beispiel Frequenzkomponenten in EEG-Signalen untersuchen. Zum Spektrogramm gibt es eine kurze Erklärung in Wikipedia und eine ausführliche Erklärung im Buch Digitale Signalverarbeitung mit MATLAB von Martin Werner (Springer Vieweg, 2019, [https://katalog.slub-dresden.de/id/0-1684973961 SLUB-Katalog] Stand August 2024).

	=Inverse Fouriertransformation=		=Inverse Fouriertransformation=
	Die ursprüngliche Funktion <math>x(t)</math> kann auch aus der Fouriertransformierten <math>X(f)</math> zurückgewonnen werden durch die Inverse Fouriertransformation. Hierzu integriert man über alle Frequenzen ''f'', um das Signal in der Zeitdomäne <math>x(t)</math> zu rekonstruieren:<br>		Die ursprüngliche Funktion <math>x(t)</math> kann auch aus der Fouriertransformierten <math>X(f)</math> zurückgewonnen werden durch die Inverse Fouriertransformation. Hierzu integriert man über alle Frequenzen ''f'', um das Signal in der Zeitdomäne <math>x(t)</math> zu rekonstruieren:<br>
	<math>x(t) = \int_{m=\infty}^{-\infty} X(f) \cdot e^{i 2 \pi f t} df</math> <br>		<math>x(t) = \int_{m=\infty}^{-\infty} X(f) \cdot e^{i 2 \pi f t} df</math> <br>
			Dieses Prinzip macht man sich zum Beispiel in der Audiobearbeitung zunutze. Beispielsweise kann man ein Signal in die Frequenzdomäne transformieren, dort die Stärke einzelner Frequenzen auf Null setzen und das Ergebnis rücktransformieren. So können störende Frequenzen aus Audiosignalen entfernt bzw. gefiltert werden.

			=Filter=

Gundula am 2. September 2024 um 10:20 Uhr

2024-09-02T10:20:41Z

@@ Zeile 30: / Zeile 30: @@
 **Diese Darstellung zeigt, dass die komplexe Exponentialfunktion eine Kombination aus einer Kosinus- und einer Sinuswelle ist. Damit ermöglicht sie die Analyse sowohl des realen als auch des imaginären Anteils des Signals, also der Amplituden und Phasen der verschiedenen Frequenzkomponenten.
 **Die komplexe Exponentialfunktion projiziert das Signal auf verschiedene Frequenzen, um zu sehen, wie stark jede Frequenz im Signal vorhanden ist. Dazu dreht sie vereinfacht gesagt das Signal in der komplexen Ebene um den Ursprung. Dabei korrespondiert ''k'' mit der Frequenz und ''n'' mit der Zeit. Diese Rotation hilft, Phasenverschiebungen zwischen den verschiedenen Frequenzkomponenten zu berücksichtigen und trägt zur vollständigen Rekonstruktion der Signalform in der Frequenzdomäne bei.
-**Diese Drehung des Signals und Projektion auf die Frequenzen haben [https://www.youtube.com/watch?v=spUNpyF58BY 3Blue1Brown] (Stand August 2024) mit einer visuellen Darstellung erklärt.
+**Diese Drehung des Signals und Projektion auf die Frequenzen haben [https://www.youtube.com/watch?v=spUNpyF58BY 3Blue1Brown] (Stand August 2024) mit einer visuellen Darstellung erklärt. Diese Visualisierung ist eigentlich für kontinuierliche Daten gemacht, die Funktionsweise der komplexen Exponentialfunktion ist aber analog zu diskreten Signalen.
 Am Ende erhält man für jede Frequenzkomponente Phase und Amplitude, also die Stärke und Verschiebung der Frequenz innerhalb des Signals. Wenn man das für mehrere Zeitschritte (Intervalle) des Signals durchführt, kann man beobachten, wie sich die Frequenzanteile über die Zeit des Signals hinweg entwickeln. Dies lässt sich in einem Spektrogramm darstellen. Damit lassen sich zum Beispiel Frequenzkomponenten in EEG-Signalen untersuchen. Zum Spektrogramm gibt es eine kurze Erklärung in Wikipedia und eine ausführliche Erklärung im Buch Digitale Signalverarbeitung mit MATLAB von Martin Werner (Springer Vieweg, 2019, [https://katalog.slub-dresden.de/id/0-1684973961 SLUB-Katalog] Stand August 2024).
@@ Zeile 49: / Zeile 49: @@
 =Fouriertransformation kontinuierlicher Daten=

Gundula am 2. September 2024 um 09:57 Uhr

2024-09-02T09:57:14Z

@@ Zeile 37: / Zeile 37: @@
 Die schnelle Fouriertransformation (''Fast Fourier Transform'', FFT) ist ein effizienter Algorithmus zur Berechnung der diskreten Fouriertransformation (DFT). Während die DFT selbst eine wichtige Methode zur Analyse der Frequenzkomponenten eines diskreten Signals ist, ist ihre direkte Berechnung bei großen Datensätzen sehr rechenintensiv. Die FFT reduziert diese Rechenaufwand erheblich durch Anwendung des Teile-und-Herrsche-Prinzips.
-==Effizienz==
+==Grundidee==
 Die direkte Berechnung der DFT eines Signals mit <math>N</math> Punkten erfordert <math>N^{2}</math> komplexe Multiplikationen. Das bedeutet, dass der Rechenaufwand sehr schnell wächst, wenn das Signal größer wird. Die FFT reduziert diesen Aufwand dramatisch auf etwa <math>N \log N</math> Operationen.

Gundula am 2. September 2024 um 09:39 Uhr

2024-09-02T09:39:26Z

← Nächstältere Version		Version vom 2. September 2024, 11:39 Uhr
Zeile 35:		Zeile 35:

	=Schnelle Fouriertransformation=		=Schnelle Fouriertransformation=
			Die schnelle Fouriertransformation (''Fast Fourier Transform'', FFT) ist ein effizienter Algorithmus zur Berechnung der diskreten Fouriertransformation (DFT). Während die DFT selbst eine wichtige Methode zur Analyse der Frequenzkomponenten eines diskreten Signals ist, ist ihre direkte Berechnung bei großen Datensätzen sehr rechenintensiv. Die FFT reduziert diese Rechenaufwand erheblich durch Anwendung des Teile-und-Herrsche-Prinzips.

			==Effizienz==
			Die direkte Berechnung der DFT eines Signals mit <math>N</math> Punkten erfordert <math>N^{2}</math> komplexe Multiplikationen. Das bedeutet, dass der Rechenaufwand sehr schnell wächst, wenn das Signal größer wird. Die FFT reduziert diesen Aufwand dramatisch auf etwa <math>N \log N</math> Operationen.

Gundula am 2. September 2024 um 08:57 Uhr

2024-09-02T08:57:17Z

← Nächstältere Version		Version vom 2. September 2024, 10:57 Uhr
Zeile 31:		Zeile 31:
	**Die komplexe Exponentialfunktion projiziert das Signal auf verschiedene Frequenzen, um zu sehen, wie stark jede Frequenz im Signal vorhanden ist. Dazu dreht sie vereinfacht gesagt das Signal in der komplexen Ebene um den Ursprung. Dabei korrespondiert ''k'' mit der Frequenz und ''n'' mit der Zeit. Diese Rotation hilft, Phasenverschiebungen zwischen den verschiedenen Frequenzkomponenten zu berücksichtigen und trägt zur vollständigen Rekonstruktion der Signalform in der Frequenzdomäne bei.		**Die komplexe Exponentialfunktion projiziert das Signal auf verschiedene Frequenzen, um zu sehen, wie stark jede Frequenz im Signal vorhanden ist. Dazu dreht sie vereinfacht gesagt das Signal in der komplexen Ebene um den Ursprung. Dabei korrespondiert ''k'' mit der Frequenz und ''n'' mit der Zeit. Diese Rotation hilft, Phasenverschiebungen zwischen den verschiedenen Frequenzkomponenten zu berücksichtigen und trägt zur vollständigen Rekonstruktion der Signalform in der Frequenzdomäne bei.
	**Diese Drehung des Signals und Projektion auf die Frequenzen haben [https://www.youtube.com/watch?v=spUNpyF58BY 3Blue1Brown] (Stand August 2024) mit einer visuellen Darstellung erklärt.		**Diese Drehung des Signals und Projektion auf die Frequenzen haben [https://www.youtube.com/watch?v=spUNpyF58BY 3Blue1Brown] (Stand August 2024) mit einer visuellen Darstellung erklärt.

			Am Ende erhält man für jede Frequenzkomponente Phase und Amplitude, also die Stärke und Verschiebung der Frequenz innerhalb des Signals. Wenn man das für mehrere Zeitschritte (Intervalle) des Signals durchführt, kann man beobachten, wie sich die Frequenzanteile über die Zeit des Signals hinweg entwickeln. Dies lässt sich in einem Spektrogramm darstellen. Damit lassen sich zum Beispiel Frequenzkomponenten in EEG-Signalen untersuchen. Zum Spektrogramm gibt es eine kurze Erklärung in Wikipedia und eine ausführliche Erklärung im Buch Digitale Signalverarbeitung mit MATLAB von Martin Werner (Springer Vieweg, 2019, [https://katalog.slub-dresden.de/id/0-1684973961 SLUB-Katalog] Stand August 2024).

	=Schnelle Fouriertransformation=		=Schnelle Fouriertransformation=

Gundula am 2. September 2024 um 08:50 Uhr

2024-09-02T08:50:14Z

← Nächstältere Version		Version vom 2. September 2024, 10:50 Uhr
Zeile 29:		Zeile 29:
	**aufgrund der Eulerschen Formel <math>e^{-1 \theta} = \cos(\theta) - i \cdot \sin(\theta)</math> und <math>\theta = \frac{2 \pi}{N}</math> gilt: <br> <math>e^{-i \frac{2 \pi}{N}} = \cos(\frac{2 \pi}{N} \cdot kN) - i \cdot \sin(\frac{2 \pi}{N} \cdot kN)</math>		**aufgrund der Eulerschen Formel <math>e^{-1 \theta} = \cos(\theta) - i \cdot \sin(\theta)</math> und <math>\theta = \frac{2 \pi}{N}</math> gilt: <br> <math>e^{-i \frac{2 \pi}{N}} = \cos(\frac{2 \pi}{N} \cdot kN) - i \cdot \sin(\frac{2 \pi}{N} \cdot kN)</math>
	**Diese Darstellung zeigt, dass die komplexe Exponentialfunktion eine Kombination aus einer Kosinus- und einer Sinuswelle ist. Damit ermöglicht sie die Analyse sowohl des realen als auch des imaginären Anteils des Signals, also der Amplituden und Phasen der verschiedenen Frequenzkomponenten.		**Diese Darstellung zeigt, dass die komplexe Exponentialfunktion eine Kombination aus einer Kosinus- und einer Sinuswelle ist. Damit ermöglicht sie die Analyse sowohl des realen als auch des imaginären Anteils des Signals, also der Amplituden und Phasen der verschiedenen Frequenzkomponenten.
	**~~Projiziert~~ das Signal auf verschiedene Frequenzen, um zu sehen, wie stark jede Frequenz im Signal vorhanden ist. Dazu dreht ~~die komplexe Exponentialfunktion~~ das Signal in der komplexen Ebene um den Ursprung. Dabei korrespondiert ''k'' mit der Frequenz und ''n'' mit der Zeit. Diese Rotation hilft, Phasenverschiebungen zwischen den verschiedenen Frequenzkomponenten zu berücksichtigen und trägt zur vollständigen Rekonstruktion der Signalform in der Frequenzdomäne bei.		**Die komplexe Exponentialfunktion projiziert das Signal auf verschiedene Frequenzen, um zu sehen, wie stark jede Frequenz im Signal vorhanden ist. Dazu dreht sie vereinfacht gesagt das Signal in der komplexen Ebene um den Ursprung. Dabei korrespondiert ''k'' mit der Frequenz und ''n'' mit der Zeit. Diese Rotation hilft, Phasenverschiebungen zwischen den verschiedenen Frequenzkomponenten zu berücksichtigen und trägt zur vollständigen Rekonstruktion der Signalform in der Frequenzdomäne bei.
	**Diese Drehung des Signals und Projektion auf die Frequenzen haben [https://www.youtube.com/watch?v=spUNpyF58BY 3Blue1Brown] (Stand August 2024) mit einer visuellen Darstellung erklärt.		**Diese Drehung des Signals und Projektion auf die Frequenzen haben [https://www.youtube.com/watch?v=spUNpyF58BY 3Blue1Brown] (Stand August 2024) mit einer visuellen Darstellung erklärt.

	=Schnelle Fouriertransformation=		=Schnelle Fouriertransformation=

Gundula am 2. September 2024 um 08:49 Uhr

2024-09-02T08:49:07Z

← Nächstältere Version		Version vom 2. September 2024, 10:49 Uhr
Zeile 27:		Zeile 27:
	*<math>\sum_{n = 0}^{N - 1}</math> bedeutet, dass über alle Werte von ''n'' bis ''N'' - 1 addiert wird		*<math>\sum_{n = 0}^{N - 1}</math> bedeutet, dass über alle Werte von ''n'' bis ''N'' - 1 addiert wird
	*<math>e^{-i \frac{2 \pi}{N} \cdot kN}</math> ist eine komplexe Exponentialfunktion und bildet die Grundlage dafür, das Signal in seine einzelnen Frequenzkomponenten zu zerlegen.		*<math>e^{-i \frac{2 \pi}{N} \cdot kN}</math> ist eine komplexe Exponentialfunktion und bildet die Grundlage dafür, das Signal in seine einzelnen Frequenzkomponenten zu zerlegen.
	**aufgrund der Eulerschen Formel <math>e^{-1 \theta} = \cos(\theta) - i \cdot \sin(\theta)</math> und <math>\theta = \frac{2 \pi}{N}</math> gilt: <math>e^{-i \frac{2 \pi}{N}} = \cos(\frac{2 \pi}{N} \cdot kN) - i \cdot \sin(\frac{2 \pi}{N} \cdot kN)</math>		**aufgrund der Eulerschen Formel <math>e^{-1 \theta} = \cos(\theta) - i \cdot \sin(\theta)</math> und <math>\theta = \frac{2 \pi}{N}</math> gilt: <br> <math>e^{-i \frac{2 \pi}{N}} = \cos(\frac{2 \pi}{N} \cdot kN) - i \cdot \sin(\frac{2 \pi}{N} \cdot kN)</math>
	**Diese Darstellung zeigt, dass die komplexe Exponentialfunktion eine Kombination aus einer Kosinus- und einer Sinuswelle ist. Damit ermöglicht sie die Analyse sowohl des realen als auch des imaginären Anteils des Signals, also der Amplituden und Phasen der verschiedenen Frequenzkomponenten.		**Diese Darstellung zeigt, dass die komplexe Exponentialfunktion eine Kombination aus einer Kosinus- und einer Sinuswelle ist. Damit ermöglicht sie die Analyse sowohl des realen als auch des imaginären Anteils des Signals, also der Amplituden und Phasen der verschiedenen Frequenzkomponenten.
	**Projiziert das Signal auf verschiedene Frequenzen, um zu sehen, wie stark jede Frequenz im Signal vorhanden ist. Dazu dreht die komplexe Exponentialfunktion das Signal in der komplexen Ebene um den Ursprung. Dabei korrespondiert ''k'' mit der Frequenz und ''n'' mit der Zeit. Diese Rotation hilft, Phasenverschiebungen zwischen den verschiedenen Frequenzkomponenten zu berücksichtigen und trägt zur vollständigen Rekonstruktion der Signalform in der Frequenzdomäne bei.		**Projiziert das Signal auf verschiedene Frequenzen, um zu sehen, wie stark jede Frequenz im Signal vorhanden ist. Dazu dreht die komplexe Exponentialfunktion das Signal in der komplexen Ebene um den Ursprung. Dabei korrespondiert ''k'' mit der Frequenz und ''n'' mit der Zeit. Diese Rotation hilft, Phasenverschiebungen zwischen den verschiedenen Frequenzkomponenten zu berücksichtigen und trägt zur vollständigen Rekonstruktion der Signalform in der Frequenzdomäne bei.