Python中脉冲激光光谱转脉冲时长的IDTFT结果异常求助

我尝试通过Python脚本自动将脉冲激光光谱数据转换为脉冲时长，采用了逆离散时间傅里叶变换（IDTFT）方法，但转换得到的数据不符合预期。以下是实现代码及生成的频域、时域结果图：

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np

# 逆离散时间傅里叶变换
def IDTFT(N,intensity,frequency,time):
    inverse = np.zeros(len(time),dtype=np.clongdouble)
    for t in range(len(time)):
        for k in range(N):
            inverse[t] += (1/N)*intensity[k]*np.exp((1j*2*np.pi*frequency[k]*time[t])/N)
    return inverse

# 加载数据
df = pd.read_csv(r'C:\Users\lukas\Downloads\Data.txt',sep='\t')

# 提取数据
intensity = df['Intensity']
wavelength = df['Wavelength']
frequency = 299792458/(wavelength*1e-9)
time = np.arange(0,2024e-15,1e-15)

# 绘制频域图
plt.figure(0)
plt.grid()
plt.plot(frequency,intensity,'o')
plt.show()

频域图（x轴单位：Hz）：

# 执行转换
inverse = IDTFT(len(wavelength),intensity,frequency,time)

# 绘制时域图
plt.figure(1)
plt.grid()
plt.plot(time,inverse,'o')
plt.show()

时域图（x轴单位：s）：

问题排查与修正方案 #

1. 核心公式误用
   你混淆了IDTFT和逆傅里叶变换（IFT）的适用场景：IDTFT针对离散频率的周期信号，而你的光谱是连续频率采样的非周期信号，应该用IFT。你代码里的公式错误地给频率项除以了N，正确的离散IFT近似应该是对每个频率点的强度乘以exp(1j*2*np.pi*frequency[k]*time[t])后求和，再乘以频率间隔（模拟积分的离散步长）。

2. 频率轴未排序
   从频域图可见频率点是无序的，这会导致相位叠加混乱，必须先对频率和对应强度按频率从小到大排序。

3. 时间轴设置不合理
   根据傅里叶变换不确定性原理，时间窗口长度应满足 $T \geq 1/\Delta f$（$\Delta f$为频率分辨率），你需要先计算频率的平均间隔，再确定匹配的时间轴范围，同时采用中心对称的时间轴更符合脉冲信号的分布特性。

4. 复数结果处理错误
   时域变换结果是复数，直接绘制整个复数无物理意义，应该取模（代表脉冲强度）或者实部（实值光谱对应的时域实信号）。

修正后的代码示例 #

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np

# 针对离散采样连续频率的逆傅里叶变换
def inverse_fourier_transform(freqs, intensities, times):
    df = freqs[1] - freqs[0]  # 计算频率间隔（已排序前提）
    time_domain = np.zeros(len(times), dtype=np.complex128)
    for i, t in enumerate(times):
        time_domain[i] = np.sum(intensities * np.exp(1j * 2 * np.pi * freqs * t)) * df
    return time_domain

# 加载并排序数据
df = pd.read_csv(r'C:\Users\lukas\Downloads\Data.txt', sep='\t')
df_sorted = df.sort_values(by='Wavelength')
intensity = df_sorted['Intensity'].values
wavelength = df_sorted['Wavelength'].values
frequency = 299792458 / (wavelength * 1e-9)

# 计算合理的时间轴
df_avg = np.diff(frequency).mean()
max_time = 1 / df_avg
time = np.arange(-max_time/2, max_time/2, 1e-15)

# 绘制频域图
plt.figure(0)
plt.grid()
plt.plot(frequency, intensity, 'o')
plt.xlabel('频率 (Hz)')
plt.ylabel('强度')
plt.show()

# 执行转换并绘制时域图
time_domain = inverse_fourier_transform(frequency, intensity, time)
plt.figure(1)
plt.grid()
plt.plot(time, np.abs(time_domain), 'o')
plt.xlabel('时间 (s)')
plt.ylabel('脉冲强度')
plt.show()

内容的提问来源于stack exchange，提问作者Schnudrich