1) Sequence Point
序列点
2) sorted points
有序点列
3) sequence of vertex
角点序列
4) sequence point list
序化点列
5) Sequence of point sets
点集序列
6) knot array
节点序列
1.
Apply B spline basic function to give parametric formula of NURBS curve, raise a practical method of determing knot array.
使用Ｂ样条基函数给出ＮＵＲＢＳ曲线的参数定义式，提出一种确定节点序列｛ｔｉ｝ｎ＋ｋｉ＝０的实用方法。
补充资料：N点有限长序列的离散傅里叶变换
时域N点序列χ(n)的离散傅里叶变换(DFT)以X(k)表示，定义为
(1)
式中K＝0,1,...,N-1。式(1)称为DFT的正变换。从式(1)可以导出
(2)
式中n＝0,1,...,N-1。式(2)称为DFT的逆变换。式(1)和式(2)合起来称为离散傅里叶变换对。
由于在科学技术工作中人们所得到的离散时间信号大多是有限长的N点序列，所以对N点序列进行时域和频域之间的变换是常用的变换，另外 DFT有它的快速算法，使变换可以在很短的时间内完成,所以DFT是数字信号处理中最为重要的工具之一。
DFT的原理 是以给定的时域N点序列χ(n)作为主值周期进行周期延拓（即使之周期化）得到以 N点为周期的离散周期序列χ((n))N,再求χ((n))N的离散傅里叶级数(DFS)表示(见离散时间周期序列的离散傅里叶级数表示),得频域的N点离散周期序列X((k))N,最后从X((k))N中取出其主值周期，即得X(k)。同理，与此相似，如果已知X(k)求χ(n),则是从X(k)得X((k))N，再从X((k))N得χ((n))N，取出主值周期即得χ(n)。这个概念很重要，DFT的性质大都与此有关。至于从χ(n)求X(k)，或已知X(k)求χ(n)则是用(1)式或(2)式直接进行的，并不需要通过χ((n))N和X((k))N。
DFT的主要性质 共有5点，如下表中所列。表中a、b为常数, χ((m))N为以N点为周期的周期序列，χ((n+m))N为χ((n))N序列整体左移m点后的结果其他符号如X((k+l))N，X((l))N，Y((k-l))N及y((n-m))N等可类推其含义，不一一列出。
DFT的快速算法 又称为快速傅里叶变换(FFT)。当序列的长度N为2的整数次幂（即N＝2,&λ为整数）时,算法的指导思想是将一个N 点序列的DFT分成两个N/2点序列的DFT,再分成四个N/4点序列的DFT,如此下去,直到变成N/2个两点序列的DFT。这种快速算法的计算工作量与DFT的直接计算的计算工作量之比约为log2N/(2N),以N=1024为例FFT的计算工作量仅约为DFT直接计算的1/200。
(1)
式中K＝0,1,...,N-1。式(1)称为DFT的正变换。从式(1)可以导出
(2)
式中n＝0,1,...,N-1。式(2)称为DFT的逆变换。式(1)和式(2)合起来称为离散傅里叶变换对。
由于在科学技术工作中人们所得到的离散时间信号大多是有限长的N点序列，所以对N点序列进行时域和频域之间的变换是常用的变换，另外 DFT有它的快速算法，使变换可以在很短的时间内完成,所以DFT是数字信号处理中最为重要的工具之一。
DFT的原理 是以给定的时域N点序列χ(n)作为主值周期进行周期延拓（即使之周期化）得到以 N点为周期的离散周期序列χ((n))N,再求χ((n))N的离散傅里叶级数(DFS)表示(见离散时间周期序列的离散傅里叶级数表示),得频域的N点离散周期序列X((k))N,最后从X((k))N中取出其主值周期，即得X(k)。同理，与此相似，如果已知X(k)求χ(n),则是从X(k)得X((k))N，再从X((k))N得χ((n))N，取出主值周期即得χ(n)。这个概念很重要，DFT的性质大都与此有关。至于从χ(n)求X(k)，或已知X(k)求χ(n)则是用(1)式或(2)式直接进行的，并不需要通过χ((n))N和X((k))N。
DFT的主要性质 共有5点，如下表中所列。表中a、b为常数, χ((m))N为以N点为周期的周期序列，χ((n+m))N为χ((n))N序列整体左移m点后的结果其他符号如X((k+l))N，X((l))N，Y((k-l))N及y((n-m))N等可类推其含义，不一一列出。
DFT的快速算法 又称为快速傅里叶变换(FFT)。当序列的长度N为2的整数次幂（即N＝2,&λ为整数）时,算法的指导思想是将一个N 点序列的DFT分成两个N/2点序列的DFT,再分成四个N/4点序列的DFT,如此下去,直到变成N/2个两点序列的DFT。这种快速算法的计算工作量与DFT的直接计算的计算工作量之比约为log2N/(2N),以N=1024为例FFT的计算工作量仅约为DFT直接计算的1/200。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条