想象你是一位音乐制作人。录音师扔来一段波形，像一团被蹂躏过的毛线：前 3 秒有鼓点，后 2 秒有吉他泛音，可它们混在一起，根本看不清谁是谁。你打开频谱分析仪，屏幕上浮现一排彩色柱状图：低频处是贝斯，中频处是人声，高频处是镲片。于是，乱成一团的波形变成了一张清清楚楚的“配料表”。把“随时间起伏的曲线”翻译成“按频率排列的成分表”，正是傅里叶变换在做的事。它像一座桥，一头是时域，另一头是频域；走过这座桥，你就能回答“这个信号里到底有什么频率”。

岗位关联

傅里叶变换是所有频域分析的第一块基石。掌握它，你就能理解频谱分析、卷积网络里的滤波、语音识别前的特征提取，也才看得懂后续的每一篇信号处理文章。

目录
  1. 可视化演示
  2. 1. 概念引入：从波形到配料表
  3. 2. 变换定义：用旋转探针扫描频率
  4. 3. 常见变换对：现成的“配料表模板”
  5. 4. 基本性质：调音台上的快捷键
  6. 5. 卷积定理：把“加混响”变成“乘滤镜”
  7. 6. 级数对比：节拍器和自由旋律
  8. 7. 应用展望：从录音棚到 AI 新世界
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示傅里叶变换将时域信号分解为频域分量的过程，包含变换对、卷积定理及级数与变换的本质区别，通过交互切换理解频谱分析核心。

本节配有交互动效（进入视口后自动加载，约 3KB）。

傅里叶正变换：时域到频域 时域信号x(t)包含多个频率分量 FT变换将时域积分映射到频域X(ω) 频谱展示各频率分量的幅度分布 X(ω) = ∫ x(t)·e^(-jωt) dt

1. 概念引入：从波形到配料表

在音乐制作软件里，同一段录音有两种看法。一种叫“波形视图”：横轴是时间，纵轴是音量，你能看到第几秒有鼓点，第几秒安静。另一种叫“频谱视图”：横轴是频率，纵轴是能量，你能看到整首歌里低频多还是高频多。波形视图回答“时间上发生了什么”，频谱视图回答“频率上有什么成分”。

傅里叶变换就是从波形视图切换到频谱视图的数学过程。我们把随时间变化的信号记为 $f(t)$，把转换后得到的频谱记为 $F(\omega)$。因为现实里的语音、雷达回波大多不是严格重复的周期信号，所以它们没有一根根离散的谱线，而是铺满频率轴的连续频谱。好比雨声不是 DO-RE-MI，而是从低频到高频连绵一片的“噪声雨”。

连续频谱意味着每个频率都有对应的密度值。频谱图上某一段小区间下的面积，代表这个频带的能量。傅里叶变换的目标，就是把任意一个非周期信号分解成无穷多个不同频率的复指数信号的叠加，从而看清信号的频率成分。

所以别再把它想成可怕的高数。傅里叶变换只是把面前那团波形，变成你一眼能看懂的频率配料表。

f(t)→FF(ω)f(t)\xrightarrow{\mathcal{F}}F(\omega)
  1. 时间信号 $f(t)$表示每个瞬间信号幅度大小的函数，横轴是时间。
    f(t)f(t)
  2. 傅里叶变换箭头表示对这个时间信号执行积分、分解频率的数学操作。
    →F\xrightarrow{\mathcal{F}}
  3. 频谱 $F(\omega)$变换后得到的频率函数，幅度代表该频率有多强，相位代表该频率的时间偏移。
    F(ω)F(\omega)

2. 变换定义：用旋转探针扫描频率

如何制作配料表？用探针去试。你拿一个能识别特定频率的“旋转探针”和信号相乘，信号里如果正好有该频率，乘积会朝着同一个方向积累；如果没有，正负贡献互相抵消。这个探针就是 $e^{-i\omega t}$。

对每个候选频率 $\omega$，让探针从负无穷扫到正无穷，把所有时刻的乘积累加起来，得到 $F(\omega)$。这样算一遍，就能知道“这个频率在这段信号里有多强”。把每个 $\omega$ 都算完，频谱曲线就成型了。

积分要求信号至少绝对可积，否则结果发散；现实里大部分信号满足这个条件，更严格的说法是 Dirichlet 条件。逆变换则是把频谱乘回 $e^{i\omega t}$ 再积分，恢复出 $f(t)$。因此傅里叶变换不失真，是一座可以来回走的桥。

这就像调音师用一排音叉挨个试：如果音叉频率和录音里的某个成分“对上电波”，它就会响亮地震起来；频谱图就是所有音叉一起报数的结果。

F(ω)=∫−∞∞f(t)e−iωt dtF(\omega)=\displaystyle\int_{-\infty}^{\infty}f(t)e^{-i\omega t}\,\mathrm{d}t
  1. 信号 $f(t)$被分析的时域信号，比如一段录音波形。
    f(t)f(t)
  2. 复指数探针 $e^{-i\omega t}$以角频率 $\omega$ 旋转的复指数，用来匹配对应频率成分。
    e−iωte^{-i\omega t}
  3. 相乘 $f(t)e^{-i\omega t}$让信号与探针逐点比较，频率相同的地方会“共振”积累。
    f(t)e−iωtf(t)e^{-i\omega t}
  4. 无穷积分 $\int_{-\infty}^{\infty}$把所有时间的贡献累加起来，消除随机噪声的干扰。
    ∫−∞∞⋯ dt\int_{-\infty}^{\infty}\cdots\,\mathrm{d}t
  5. 结果 $F(\omega)$得到一个复数值，表示频率 $\omega$ 的幅度和相位。
    F(ω)F(\omega)

3. 常见变换对：现成的“配料表模板”

大厨不需要从零分析每种香料，他会背下常见配方。信号处理也一样，常用信号的变换对可以当作查表工具。你不需要每次重新积分，只需记住几个典型变换对，就能快速推出很多复杂信号的频谱。

最简单也最重要的例子是矩形脉冲：一个从 $-\tau/2$ 到 $\tau/2$、高度为 1 的门信号。

其他常见变换对包括：冲击信号 $\delta(t) \leftrightarrow 1$，说明一瞬间的冲击包含所有频率；指数衰减信号 $e^{-at}u(t) \leftrightarrow 1/(a+i\omega)$；余弦信号 $\cos(\omega_0 t) \leftrightarrow \pi[\delta(\omega-\omega_0)+\delta(\omega+\omega_0)]$，说明余弦只有两根频率线。

背下这些变换对，等于口袋里装了几张现成的频谱模板：一看到时域形状，就能大致猜出频域长什么样。

F{rect ⁣(tτ)}=τ sinc(ωτ2)\mathcal{F}\left\{\mathrm{rect}\!\left(\frac{t}{\tau}\right)\right\}=\tau\,\mathrm{sinc}\left(\frac{\omega\tau}{2}\right)
  1. 矩形脉冲 $\mathrm{rect}(t/\tau)$时间轴上只在 $-\tau/2$ 到 $\tau/2$ 内有值，像一个门。
    rect ⁣(tτ)\mathrm{rect}\!\left(\frac{t}{\tau}\right)
  2. 与探针相乘积分把门信号和 $e^{-i\omega t}$ 相乘，从 $-\tau/2$ 积分到 $\tau/2$，得到两个虚指数之差。
    ∫−τ/2τ/2e−iωt dt\int_{-\tau/2}^{\tau/2}e^{-i\omega t}\,\mathrm{d}t
  3. 化作正弦函数两个虚指数相减变成 $\sin$，最终写成 $\tau\,\mathrm{sinc}(\omega\tau/2)$。
    τ sinc(ωτ2)\tau\,\mathrm{sinc}\left(\frac{\omega\tau}{2}\right)
  4. 解释宽度关系脉冲越窄，时间定位越准，但频谱主瓣越宽；脉冲越宽，频谱越集中在低频。
    τ↔1主瓣宽度\tau \leftrightarrow \frac{1}{\text{主瓣宽度}}

4. 基本性质：调音台上的快捷键

音频软件里，你可以把一条音轨复制两份，分别调 EQ 再混合；也可以按下延迟插件，把整轨拖后 0.3 秒。傅里叶变换为这些操作准备了对应规则：线性与时移。

线性意味着混合是“可拆开”的。两条信号各自缩放后相加，频谱也等于各自频谱缩放后相加。

时移性质则描述“延迟”的影响：若把整条录音往后推迟 $t_0$，每个频率成分不会消失，只是相位发生旋转。

类似地，频移性质说时域乘上 $e^{i\omega_0 t}$，频谱整体平移 $\omega_0$；尺度变换说 $f(at)$ 会把频谱变成 $F(\omega/a)/|a|$。这些性质让傅里叶变换不再是黑箱，而是一套可预测的运算规则。

调音师不需要听完整首歌，就能预测“延迟”会让相位谱转多少圈；工程师也不需要重新做积分，就能用这些性质快速推出新信号的频谱。

F{af1(t)+bf2(t)}=aF1(ω)+bF2(ω)\mathcal{F}\{a f_1(t)+b f_2(t)\}=aF_1(\omega)+bF_2(\omega)
  1. 延迟量 $t_0$整段信号在时间轴上向右平移的秒数。
    t0t_0
  2. 相位旋转 $e^{-i\omega t_0}$每个频率乘上一个与频率相关的复指数。
    e−iωt0e^{-i\omega t_0}
  3. 幅度谱不变因为该复指数的模长为 1，所以频谱的幅度不会改变。
    ∣e−iωt0∣=1|e^{-i\omega t_0}|=1

5. 卷积定理：把“加混响”变成“乘滤镜”

给录音加混响，最简单的方法是让它和一个“房间脉冲响应”做卷积：把房间响应翻转、滑动、逐点相乘后累加，得到仿佛在大厅里演奏的声音。

直接做卷积很贵，尤其当响应很长时。傅里叶变换却给出一个惊人结论：两个信号卷积的频谱，等于它们各自频谱的乘积。

这带来两个实用推论。第一，滤波变得简单：把信号 $F(\omega)$ 乘上滤波器频率响应 $G(\omega)$，再逆变换回来就完成滤波，等价于在 EQ 上拉一条曲线。第二，快速卷积成为可能：用 FFT 做频谱相乘再逆变换，比时域逐点卷积快几个数量级。

所以卷积定理像洗照片时的滤镜：你不需要在每条纹理上手工涂抹，只要在暗房里把整张底片的光谱整体调整一次，就能达到同样效果。

F{(f∗g)(t)}=F(ω)G(ω)\mathcal{F}\{(f*g)(t)\}=F(\omega)G(\omega)
  1. 卷积定义 $(f*g)(t)$把一个信号翻转、平移，再与另一个信号逐点相乘后累加。
    (f∗g)(t)=∫−∞∞f(τ)g(t−τ) dτ(f*g)(t)=\int_{-\infty}^{\infty}f(\tau)g(t-\tau)\,\mathrm{d}\tau
  2. 两边做傅里叶变换对卷积整体做变换，原本复杂的嵌套积分被化简。
    F{(f∗g)(t)}\mathcal{F}\{(f*g)(t)\}
  3. 频域乘积结果变成两个频谱的普通乘法。
    F(ω)G(ω)F(\omega)G(\omega)

6. 级数对比：节拍器和自由旋律

有些音乐严格循环：一个乐句每 2 秒重复一次。有些则自由展开，过了就不再回来。前者适合用傅里叶级数，后者适合用傅里叶变换。

对于周期为 $T$ 的信号，基频 $\omega_0=2\pi/T$。它只能包含 $\omega_0$ 的整数倍这些离散频率，因此频谱是一根根谱线，而不是连续曲线。

把周期信号看成一串冲激，可以让傅里叶级数“升级”成傅里叶变换：每个谐波对应一个 $\delta$ 冲激，冲激权重就是级数系数 $c_n$。于是级数是变换的特例，变换是级数的一般化。

节拍器只在固定刻度上响，傅里叶级数只允许离散频率；自由旋律能滑过任意音高，傅里叶变换则给你一条连续频谱。

f(t)=∑n=−∞∞cneinω0tf(t)=\displaystyle\sum_{n=-\infty}^{\infty}c_n e^{i n\omega_0 t}
  1. 基频 $\omega_0$周期信号最小的正频率，等于 $2\pi/T$。
    ω0=2πT\omega_0=\frac{2\pi}{T}
  2. 谐波序号 $n$频率只能是基频的整数倍，所以频谱是离散的。
    n=0,±1,±2,…n=0,\pm1,\pm2,\ldots
  3. 系数 $c_n$每个谐波的幅度和相位，相当于每根谱线的高度。
    cnc_n
  4. 叠加求和把所有离散谐波叠加，就重建出原周期信号。
    ∑n=−∞∞cneinω0t\sum_{n=-\infty}^{\infty}c_n e^{i n\omega_0 t}

7. 应用展望：从录音棚到 AI 新世界

回到你的录音棚。你已经懂得看配料表、查模板、用快捷键，现在可以解决真实问题了。

频谱分析是最直接的应用：把设备振动、语音、噪声变换到频域，肉眼就能看到哪个频率异常。滤波器设计则利用卷积定理，在频域乘一个低通或高通曲线，在时域就实现了滤波。信号重建中，当采样率满足奈奎斯特条件时，可以从频谱无损还原原始连续信号。

通信系统更是离不开傅里叶变换：OFDM 把一路高速数据拆到许多子载波上，发射端用逆变换调制，接收端用变换解调，成为 4G、5G 和 WiFi 的物理层基石。

AI 领域同样绕不开它。很多语音模型先对音频做短时傅里叶变换，把一行波形变成二维语谱图，再交给 CNN；Transformer 中的位置编码也借用了不同频率的正弦波。傅里叶变换不是陈旧理论，而是让信号在时域和频域之间自由往返的那座桥。

AI 应用场景

音频 AI 预处理：把波形换成“配料表”

阶段：特征提取

解决的问题：原始波形维度高、频率结构不明显，直接送进模型很难学到音色和噪声的规律。短时傅里叶变换把一维波形转成二维语谱图，像给模型递上一张清晰的频率配料表。

具体案例：智能音箱里的语音唤醒词模型，先对音频分帧加窗做短时傅里叶变换，再把语谱图送入卷积网络，从而识别用户喊出的“小爱同学”或“Hey Siri”。

实时降噪：利用卷积定理加速滤波

阶段：信号处理与实时推理

解决的问题：在时域实现高保真降噪往往需要较长卷积核，计算量大。利用卷积定理，先把音频分块做 FFT，在频域乘上降噪增益曲线，再逆变换回时域，既保留说话频带，又压制背景噪声。

具体案例：视频会议软件的人声增强功能，对每帧 10ms 音频做 FFT，抑制低频风扇噪声和高频键盘声，再逆变换输出，保证低延迟通话。

通信物理层：OFDM 调制解调

阶段：物理层算法设计

解决的问题：多径信道会让符号间互相干扰。OFDM 用 IDFT 把频域数据并行调制到多个子载波上，接收端用 DFT 解调，相当于把一条高速公路拆成多条并行小道，抗干扰能力大幅提升。

具体案例：5G 基站和 WiFi 路由器芯片内部都有专门的 FFT 硬件加速器，完成 OFDM 的调制解调。

Python 演示

python28 行
# -*- coding: utf-8 -*-"""Demonstrate Fourier transform with numpy FFT."""import numpy as np def demo_fourier(sample_rate=4000, duration=1.0):    # Create a time axis    n = int(sample_rate * duration)    t = np.linspace(0.0, duration, n, endpoint=False)     # Build a signal: 50Hz plus 120Hz component    f1, f2 = 50.0, 120.0    signal = np.sin(2 * np.pi * f1 * t) + 0.5 * np.sin(2 * np.pi * f2 * t)     # Use FFT to get frequency spectrum    freqs = np.fft.rfftfreq(n, d=1.0 / sample_rate)    spectrum = np.fft.rfft(signal)    amplitudes = np.abs(spectrum) / n * 2  # for real signals     # Print peaks above threshold    print("detected frequency components:")    for freq, amp in zip(freqs, amplitudes):        if amp > 0.3:            print(f"{freq:.1f} Hz, amplitude {amp:.3f}")     return t, signal, freqs, amplitudes if __name__ == "__main__":    demo_fourier()
目的：用 numpy 的 FFT 快速演示“时域波形 → 频域谱线”的过程，找出信号里隐藏的频率成分。
  1. signal = np.sin(2 * np.pi * f1 * t) + 0.5 * np.sin(2 * np.pi * f2 * t)合成一段包含 50Hz 和 120Hz 两个频率的“双音录音”。
  2. freqs = np.fft.rfftfreq(n, d=1.0 / sample_rate)生成频率轴，告诉我们每个频谱点代表多少 Hz。
  3. spectrum = np.fft.rfft(signal)真正做傅里叶变换，返回复数的频域表示。
  4. amplitudes = np.abs(spectrum) / n * 2取模得到幅度，并换算成真实信号幅值。
  5. if amp > 0.3:只打印明显峰值，模拟“在配料表里找主要食材”。

常见误区

误区我写程序用 np.fft.fft，所以文章里的傅里叶变换就是它。

正解FFT 只是计算离散傅里叶变换的快速算法；连续傅里叶变换是定义在积分上的数学对象。真实数字信号只能通过采样和 DFT 近似处理。好比乐谱是作曲家的原稿，钢琴自动演奏只是它的一个快速再现手段。

为何常见：实际工程几乎只用 FFT，所以大家容易把算法形式与理论基础混为一谈。

误区看到频谱图上 1kHz 很高，就觉得第 2 秒到第 3 秒有 1kHz 的声音。

正解普通傅里叶变换频谱是对整段时间的统计结果，时间信息已经被积分抹掉。想看频率随时间变化，要用短时傅里叶变换或小波变换。频谱像配料表的“总量”，不是“边吃边记的进食日志”。

为何常见：时域和频域都是二维平面，初学者容易把横轴“时间”和“频率”混在一起。

误区只有周期信号才能分解成正弦波，非周期信号不行。

正解非周期信号不是不能分解，而是需要无穷多个频率连续挨在一起，所以用积分代替求和。傅里叶变换给出的是每个频率处的密度，而不是一根根离散的谱线。

为何常见：课本先讲傅里叶级数，容易让人留下“正弦分解只能用于周期信号”的刻板印象。

误区卷积定理说时域卷积等于频域乘积，我是不是永远不用算卷积了？

正解它只是换了计算路径：要先做两次 FFT、一次乘法、一次逆变换。对长卷积核和大信号，这条路更快，但硬件实现时仍然要平衡延迟与精度，不能完全抛弃时域卷积。

为何常见：把理论公式与工程实现之间的距离忽略了。

误区这些性质只用来应付考试，实际工程中根本用不上。

正解线性时移、频移和尺度变换是许多算法的根基：卷积定理让大卷积用 FFT 完成；时移性质用于雷达测距和音频对齐；频移性质是无线通信调制解调的基础。

为何常见：初学时只做题不联系工程，自然感受不到这些性质的解释力。

面试题

Q1. 傅里叶变换的主要作用是什么？

单选题 · easy

  • A.把频域信号还原成时域
  • B.把时域信号拆成频率成分← 正确答案
  • C.让所有频率成分消失
  • D.直接提高信号整体能量

答案：B。傅里叶变换把时域信号 $f(t)$ 转换成频域频谱 $F(\omega)$，作用是看清频率成分。A 是逆变换，C、D 都不是变换的功能。

Q2. 非周期信号的频谱通常是？

单选题 · easy

  • A.一系列离散谱线
  • B.一条连续频谱曲线← 正确答案
  • C.在所有频率都是常数
  • D.只有一个单一频率

答案：B。非周期信号没有固定周期，因此频率成分连续铺开，得到的是连续曲线；离散谱线是周期信号的典型特征。

Q3. 下列哪些是常见的傅里叶变换对？

多选题 · easy

  • A.冲击信号对应常数 1← 正确答案
  • B.矩形脉冲对应 sinc← 正确答案
  • C.余弦对应两根冲激← 正确答案
  • D.常数信号对应零频谱

答案：ABC。$\delta(t)\leftrightarrow 1$，矩形脉冲对应 $\tau\mathrm{sinc}$，余弦对应 $\pi[\delta(\omega-\omega_0)+\delta(\omega+\omega_0)]$。常数信号的频谱是冲激，不是零。

Q4. 时移 $f(t-t_0)$ 对频谱的影响是？

单选题 · mid

  • A.幅度谱和相位谱都不变
  • B.幅度谱不变，相位谱线性变化← 正确答案
  • C.频谱的横轴向左平移 $t_0$
  • D.频谱的纵轴缩放 $e$ 倍

答案：B。时移只乘 $e^{-i\omega t_0}$，该因子模长为 1，所以幅度谱不变；相位随频率线性旋转。

Q5. 关于卷积定理，下列说法正确的是？

单选题 · mid

  • A.时域卷积等于频域乘积← 正确答案
  • B.时域乘积等于频域乘积
  • C.时域卷积等于时域乘积
  • D.频域卷积等于频域乘积

答案：A。卷积定理核心是“时域卷积 $\leftrightarrow$ 频域乘积”。B、C、D 都混淆了时域与频域的对应关系。

Q6. 下列哪些属于傅里叶变换的性质？

多选题 · mid

  • A.线性组合对应频谱线性组合← 正确答案
  • B.时延对应乘相位因子← 正确答案
  • C.频移对应频谱整体平移← 正确答案
  • D.时域平方对应频域平方

答案：ABC。线性、时移、频移都是基本性质。时域平方对应频域卷积，而不是简单的频域平方。

Q7. 为什么说周期信号的频谱是离散的？

单选题 · mid

  • A.周期信号只含基频的整数倍← 正确答案
  • B.周期信号在频域没有任何峰值
  • C.傅里叶变换无法处理周期信号
  • D.周期信号的每个周期频率不同

答案：A。周期信号满足 $f(t+T)=f(t)$，只能由 $\omega_0$ 的整数倍谐波叠加，所以频谱是一系列离散谱线。

Q8. 矩形脉冲越窄，它的频谱会怎样？

单选题 · hard

  • A.频谱主瓣变得越宽← 正确答案
  • B.频谱主瓣变得更加窄
  • C.频谱变成离散线谱
  • D.频谱幅度完全不变

答案：A。时域压缩对应频域拉伸。矩形脉冲宽度 $\tau$ 越小，$\mathrm{sinc}(\omega\tau/2)$ 的主瓣越宽，这是“时间越短，频率越不集中”的体现。

Q9. 关于傅里叶级数（FS）与傅里叶变换（FT）的关系，正确的有？

多选题 · hard

  • A.FS 可看成冲激序列形式的 FT← 正确答案
  • B.FT 是 FS 从周期到非周期的推广← 正确答案
  • C.FS 用于周期信号 FT 用于非周期← 正确答案
  • D.FS 系数就是 FT 谱的积分结果

答案：ABC。周期信号的 FT 是一串冲激，权重为 FS 系数；FT 是 FS 在周期 $T\to\infty$ 时的极限推广。FS 系数不是对整个 FT 谱积分，D 错误。

Q10. 为什么冲击信号 $\delta(t)$ 的傅里叶变换是常数 1？

单选题 · extreme

  • A.只在 $t=0$ 有非零贡献得 1← 正确答案
  • B.因为冲激是偶函数所以为 1
  • C.因为冲激只含直流分量
  • D.因为冲激信号的功率为零

答案：A。$\delta(t)$ 只在 $t=0$ 处有值，因此积分 $\int\delta(t)e^{-i\omega t}dt=e^{0}=1$，对所有 $\omega$ 都成立。偶函数性质不能单独推出常数 1；冲激其实包含所有频率，不是只有直流。