傅里叶级数：周期信号的拆解术

可视化演示

展示周期方波信号如何被分解为一系列正弦谐波的叠加，以及有限项逼近产生的吉布斯现象。

周期信号认知：每周准时上演的乐章

剧院里的交响乐之所以能称为“同一首曲子”，是因为乐谱在一次演出结束后原封不动地再次开始。信号世界里也有这种“循环演出”：如果一个波形每经过固定的 T 秒就完整重现一次，我们就叫它周期信号。手机充电器的交流电每 0.02 秒重复一次，心电图每 0.8 秒左右跳一轮，它们都是周期信号的日常标本。

把“多久重复一次”翻译成数学语言，就是周期 T；而“一秒钟重复几次”是频率 f。工程里更常用角频率 ω0（单位时间内指针转过的弧度）。三者的关系就像乐队的节拍器、小节数和指挥棒上的速度标记：

有了统一的时间尺度，乐队里每一位乐手就可以对齐自己的小节线——所有参与合奏的“音高”（频率）都是基频的整数倍，这些整数倍频率叫谐波。基频决定整首曲子的“总速度”，谐波决定音色：同样一段旋律，为什么小提琴和长笛听起来不同？正是谐波成分的配比不同。周期信号也一样，两个周期相同、波形不同的信号，本质是各自谐波成分的幅度配比不同——这就把“波形长什么样”的难题，转化成了“每个谐波有多大声”的问题。这一节相当于认识了总谱的时间轴与调性：周期定小节，基频定速度，谐波定音色。接下来，我们要把每位乐手的声部一行一行抄出来。

三角形式级数：把合奏拆成一个个声部

指挥想分析这首曲子，最直接的做法是翻开总谱：每一位乐手一行。傅里叶级数的三角形式干的就是这件事——把周期信号 x(t) 表示为无穷多个正弦波和余弦波的加权和。为什么偏偏选正弦余弦？因为它们是最“纯净”的波形：单个正弦波只有一个频率，没有任何杂质，就像一支只吹一个音高的调音笛。

任何周期信号都可以当作这支调音笛队伍的合奏。队伍里每支笛子头顶都写着一个编号 n，对应谐波次数；它们手上有两行谱：一行 cos nω0t，一行 sin nω0t。而 a0、a_n、b_n 就是谱面上标注的“音量”，告诉你这位乐手该吹多响：

这一行行声部交代得很清楚：任意周期波形 = 一个直流基线 + 一串按谐波依次排列的“正弦、余弦单音”。为什么同时需要 sin 和 cos 两种单音？因为单独的 sin 只能生成关于原点对称的波形，单独的 cos 只能生成关于纵轴对称的波形，而真实信号的波形往往两边都不对称——两种单音的组合，才能凑出任意形状的音色。总谱翻开了，最关键的问题也随之而来：谱面上那些“音量” a0、a_n、b_n 到底是数值多少？这就要说到混音师是怎么“听声辨位”的了。

系数求解秘钥：混音师如何听声辨位

假设乐队正在合奏，混音师想知道“第二小提琴刚才拉多响”。他有一个独门技巧：先让所有人同时演奏，再把麦克风对准第二小提琴的位置，其他声音就会“自动”从耳朵边淡出。数学上，这个“对准某个乐器”的动作叫做正交性。

正交性的意思是：不同频率的正弦波在一个整周期内相乘再积分，结果是零；只有频率相同的两个波相乘积分，才得到非零值。这就像不同频率的人说话，你可以只去“听”某一个频率——其他的都互相抵消了：

这个“频率筛子”让系数计算变成了机械操作：想知道 a_n，就把等式两边都乘以 cos nω0t，再对整个周期积分——所有 m≠n 的项全部被筛掉，只剩 a_n·(T/2)。于是得到三个积分公式：

以方波为例：一个在 −1 和 +1 之间跳变的周期方波，它的 a0 和所有 a_n 都为零（波形关于原点对称），而 b_n 只在 n 为奇数时非零、大小为 4/(nπ)。也就是说，方波这张总谱干净得惊人：没有直流、没有余弦声部，只有一排音量按 1/n 递减的奇次正弦。拿到“音量旋钮”之后，混音师已经能精确抄出每一位乐手的谱子。不过三角记谱法写起来笔划多了一点，下一节我们换一种更简洁的记谱法——指数形式。

指数形式级数：把两个声部合成一个指针

三角形式里每一行声部要写两笔（sin 和 cos），像五线谱上密密麻麻的音符。指挥圈里还有一种更紧凑的记谱法：一个声部只写一行。方法是让每个乐手同时“转”一个圆——这个圆上的点用复指数 e^{jθ} 表示，转一整圈正好是 2π 弧度，实部就是 cos，虚部就是 sin。这便是欧拉公式，它像一座桥，把三角函数和指数函数连接起来：

有了这根“旋转指针”，三角形式里的一对 sin/cos 声部就能合并成一支“双向旋转”的指针队伍。指数形式的傅里叶级数写作所有整数次谐波处复指数的加权和，n 从负无穷扫到正无穷——负频率并不是真实存在的负音高，而是指针朝相反方向旋转：

指数形式最大的好处是“一行声部、一个系数、一次积分”全部搞定，而且 c_n 天然是复数——模长表示音量，辐角表示相位偏移。做滤波和频谱分析时，这套记谱法算起来比三角形式省力得多。现在乐队里有了两套谱子：一份五线谱（三角形式）、一份简写总谱（指数形式），看起来不一样，讲的却是同一首曲子。那么两套谱面上的记号 a_n、b_n 与 c_n 该怎么互相翻译？下一节就对表。

形式等价转换：五线谱与简谱的对表

同一个乐队，指挥手上拿着五线谱，乐手人手一份简谱，两边记录的当然是同一首曲子。三角形式和指数形式就是同一信号的两套谱子：三角形式按“cos/sin 两个方向”记账，指数形式按“正转/反转两个方向”记账。既然记的是同一笔账，两边的账目就必然能互相换算。

换算的关键是把欧拉公式倒着用：cos θ = (e^{jθ}+e^{−jθ})/2，sin θ = (e^{jθ}−e^{−jθ})/(2j)。把三角形式代入欧拉公式并整理，就得到两边系数的对表关系：

由此得到一个重要推论：对实信号，正负频谱幅度相同、相位相反，满足共轭对称。翻译成听觉体验就是——你不需要“负频率”就能完整描述真实世界的声音，负半轴的谱线只是正半轴的镜像影子，工程上画频谱时常只画正半轴。至于两套谱子怎么选，经验法则是：要推公式、做频谱分析，用指数形式；要直观理解波形、手算简单信号，用三角形式。两者在教材、论文、代码里都大量出现，能自由切换才算真正看懂了傅里叶分析。对表完成之后，指挥还有一个更头疼的问题：乐队水平再高，也总有几个音是“演奏不到位”的——这就要谈到收敛条件和那个著名的“音色瑕疵”：吉布斯现象。

收敛与吉布斯：总会有演奏不到的瞬间

总谱上如果有一段要求所有乐器在一瞬间从极弱冲到极强——比如军鼓的骤击——再好的乐队也无法真正“瞬时”完成，声音总有一个极短的过渡。信号世界里，方波这种带“瞬间跳变”的波形，也注定傅里叶级数在突变点附近无法完美收敛。

首先，级数并不是对任何函数都能展开。狄利克雷给出了三个充分条件：一个周期内只有有限个间断点、有限个极值点，并且信号绝对可积。满足这些条件的信号，级数在连续点处收敛到信号本身；在间断点处，则收敛到跳变点左右极限的平均值——就像乐队在骤击瞬间，你听到的既不是“前一个音”也不是“后一个音”，而是两者之间那个悬空的平均值：

然而“平均值收敛”只是数值上勉强合格，波形却始终差一口气：在跳变点两侧，部分和会出现固定比例的“过头”——先冲过头再跌回来，形成一圈圈越来越密的振荡，这就是吉布斯现象。增加项数并不能消除这个过冲，它只是把振荡挤到越来越窄的区间里，过冲峰值反而收敛到一个近似恒定的数值：

理解吉布斯现象对工程实践非常重要：用有限项级数重建带突变的信号时，过冲不是数值 bug，而是数学本质。想缓解它，得人为调整频谱权重（加窗）或在频域做平滑，而不是盲目提高截断项数。弄清了乐队的“演奏瑕疵”，指挥的下一步自然是把完整的配器谱画出来——这就是频谱图，也是我们最初那个比喻最实用的一环。

频谱分析实践：把总谱画成配器柱状图

指挥想在一张纸上看清整首曲子的结构，最方便的不是几十行声部，而是把所有频率排在横轴上、每个频率的强弱画成竖线，这张图就是频谱图。周期信号拆出来的频率是离散的基波与谐波，所以它的频谱由一根根孤立的竖线组成，工程上叫谱线——像一排高矮不同的柱子，一眼就能看出这支乐队“谁在哪个音高上卖力”。

谱线的高度怎么算？用指数形式，频谱幅度就是 |c_n|；用三角形式，同一根谱线同时包含 cos 和 sin 两个方向的能量，需要按勾股定理合成。两套记谱法对表后，振幅谱表达式为：

频谱图不仅是“看”的工具，更是“改”的抓手。滤波器的本质，就是在频谱上对不同的谱线做增益控制：把某些频率“拧大”，把噪声所在的频率“拧小”，再反变换回时域。同时，信号的总功率既可以在时域算，也可以在频域算，两种算法必然相等，这就是帕塞瓦尔定理：

有了频谱这双“眼睛”，工程师的日常工作变得直观：听到混着噪声的录音，先画频谱，看到 50Hz 处有根突兀的尖峰——那是工频干扰，削掉即可；看到心电图某个谐波的幅度异常升高，就该怀疑心肌问题。AI 语音的前端处理、通信的 OFDM 调制，全在这张图的逻辑上运作。从乐队的循环乐章，到声部、音量旋钮、简谱记法、对表、演奏瑕疵，最后落成一张配器柱状图——傅里叶级数的拆解术就此成形。下次面对任何周期性数据，你都知道该怎么“翻开它的总谱”。

AI 应用场景

Python 演示

import numpy as np def coeff_numeric(x, t, n):    """数值计算指数形式傅里叶系数 c_n = (1/T) * sum(x * e^{-j n t})"""    return np.mean(x * np.exp(-1j * n * t)) def reconstruct_series(x, t, n_max):    """用 |n| <= n_max 的指数形式系数重建信号"""    y = np.zeros_like(t, dtype=complex)    for n in range(-n_max, n_max + 1):        y += coeff_numeric(x, t, n) * np.exp(1j * n * t)    return y.real def main():    # 构造一个周期为 2pi 的方波：t<0 时为 -1，t>0 时为 +1    t = np.linspace(-np.pi, np.pi, 4000, endpoint=False)    x = np.where(t < 0, -1.0, 1.0)    for n_max in (1, 5, 15):        y = reconstruct_series(x, t, n_max)        err = np.max(np.abs(y - x))        print(f"截断到 |n|<={n_max:2d}：最大误差 = {err:.4f}")    c1 = coeff_numeric(x, t, 1)    print(f"数值 c_1 = {c1}, 理论 c_1 = {-2j/np.pi}") if __name__ == "__main__":    main()

1. t = np.linspace(-np.pi, np.pi, 4000, endpoint=False)对方波的一个完整周期均匀采样，作为“乐队合奏”的原始录音。
2. x = np.where(t < 0, -1.0, 1.0)构造一个从 −1 跳到 +1 的方波，正是正文里那个“突变信号”。
3. return np.mean(x * np.exp(-1j * n * t))用采样均值近似系数积分，一步同时筛出实部与虚部两个方向。
4. for n in range(-n_max, n_max + 1)从负频率扫到正频率，体现指数形式“指针正转再反转”。
5. y += coeff_numeric(x, t, n) * np.exp(1j * n * t)每根旋转指针乘以系数后转回去，叠加拼出重建波形。
6. err = np.max(np.abs(y - x))用最大误差衡量逼近效果；你会发现项数增多后误差变小，但突变处的过冲始终不消失，这就是吉布斯现象。

常见误区

面试题