理解傅里叶变换

傅里叶变换是数学和工程领域最重要的工具之一。它能够将复杂的信号分解为简单的正弦波组合，有着广泛的应用。

数学基础

傅里叶级数

任何周期函数 $f(t)$ 都可以表示为正弦和余弦函数的无穷级数：

f(t) = \frac{a_0}{2} + \sum_{n=1}^{\infty} \left[ a_n \cos(n\omega_0 t) + b_n \sin(n\omega_0 t) \right]

其中系数的计算公式为：

a_n = \frac{2}{T} \int_0^T f(t) \cos(n\omega_0 t) \, dt

b_n = \frac{2}{T} \int_0^T f(t) \sin(n\omega_0 t) \, dt

连续傅里叶变换

对于非周期信号，我们使用傅里叶变换：

F(\omega) = \int_{-\infty}^{\infty} f(t) e^{-i\omega t} \, dt

逆变换为：

f(t) = \frac{1}{2\pi} \int_{-\infty}^{\infty} F(\omega) e^{i\omega t} \, d\omega

欧拉公式

理解傅里叶变换的关键是欧拉公式：

e^{i\theta} = \cos\theta + i\sin\theta

这个优美的公式将指数函数与三角函数联系起来，是复分析的基石。

离散傅里叶变换 (DFT)

在计算机中，我们使用离散傅里叶变换：

X_k = \sum_{n=0}^{N-1} x_n \cdot e^{-i 2\pi k n / N}

Python 实现

import numpy as np

def dft(x: np.ndarray) -> np.ndarray:
    """
    计算离散傅里叶变换
    """
    N = len(x)
    n = np.arange(N)
    k = n.reshape((N, 1))

    # 计算 DFT 矩阵
    W = np.exp(-2j * np.pi * k * n / N)

    return np.dot(W, x)


def fft(x: np.ndarray) -> np.ndarray:
    """
    快速傅里叶变换 (Cooley-Tukey 算法)
    """
    N = len(x)

    if N <= 1:
        return x

    # 分治：偶数项和奇数项
    even = fft(x[0::2])
    odd = fft(x[1::2])

    # 旋转因子
    T = np.exp(-2j * np.pi * np.arange(N) / N)

    return np.concatenate([
        even + T[:N//2] * odd,
        even + T[N//2:] * odd
    ])

复杂度分析

DFT 的时间复杂度： $O(N^2)$
FFT 的时间复杂度： $O(N \log N)$

这个改进使得傅里叶变换在实际应用中变得可行。

应用示例

信号频谱分析

import numpy as np
import matplotlib.pyplot as plt

# 生成混合信号
fs = 1000  # 采样频率
t = np.arange(0, 1, 1/fs)

# 50Hz 和 120Hz 的混合信号
signal = np.sin(2 * np.pi * 50 * t) + 0.5 * np.sin(2 * np.pi * 120 * t)

# 计算 FFT
spectrum = np.fft.fft(signal)
frequencies = np.fft.fftfreq(len(signal), 1/fs)

# 取正频率部分
positive_freq_idx = frequencies >= 0

傅里叶变换的性质

傅里叶变换具有许多优美的性质：

性质	时域	频域
线性	$af(t) + bg(t)$	$aF(\omega) + bG(\omega)$
时移	$f(t - t_0)$	$F(\omega)e^{-i\omega t_0}$
频移	$f(t)e^{i\omega_0 t}$	$F(\omega - \omega_0)$
卷积	$f * g$	$F \cdot G$

傅里叶变换将卷积转化为乘法，这是其最重要的性质之一，也是许多高效算法的基础。

傅里叶变换不仅是数学的杰作，更是连接物理世界与数字世界的桥梁。理解它，你将获得分析和处理信号的强大工具。