傅里叶变换
原文1
2
先说一个最直接的用途。把sin（3x）+sin（5x）的曲线给你，但是前提是你不知道这个曲线的方程式，现在需要你把sin（5x）给我从图里拿出去，看看剩下的是什么。这基本是不可能做到的。但是在频域呢？则简单的很，无非就是几条竖线而已。尤其是从某条曲线中去除一些特定的频率成分，这在工程上称为滤波，是信号处理最重要的概念之一，只有在频域才能轻松的做到。
再说一个更重要，但是稍微复杂一点的用途——求解微分方程。（这段有点难度，看不懂的可以直接跳过这段）微分方程的重要性不用我过多介绍了。各行各业都用的到。但是求解微分方程却是一件相当麻烦的事情。因为除了要计算加减乘除，还要计算微分积分。而傅里叶变换则可以让微分和积分在频域中变为乘法和除法，大学数学瞬间变小学算术有没有。
可以发现，在频谱中，偶数项的振幅都是0，也就对应了图中的彩色直线。振幅为0的正弦波。也就是说，为了组成特殊的曲线，有些正弦波成分是不需要的。
如果我们把第一个频率最低的频率分量看作“1”，我们就有了构建频域的最基本单元。对于我们最常见的有理数轴，数字“1”就是有理数轴的基本单元。时域的基本单元就是“1秒”，如果我们将一个角频率为 的正弦波 看作基础，那么频域的基本单元就是
有了“1”，还要有“0”才能构成世界，那么频域的“0”是什么呢？ 就是一个周期无限长的正弦波，也就是一条直线！ 所以在频域，0频率也被称为直流分量 ，在傅里叶级数的叠加中，它仅仅影响全部波形相对于数轴整体向上或是向下而不改变波的形状。
上一章的关键词是：从侧面看。这一章的关键词是：从下面看。
通过时域到频域的变换，我们得到了一个从侧面看的频谱，但是这个频谱并没有包含时域中全部的信息。因为频谱只代表每一个对应的正弦波的振幅是多少，而没有提到相位。 基础的正弦波A.sin(wt+θ)中，振幅，频率，相位缺一不可 ，不同相位决定了波的位置，所以对于频域分析，仅仅有频谱（振幅谱）是不够的，我们还需要一个相位谱。那么这个相位谱在哪呢？我们看下图，这次为了避免图片太混论，我们用7个波叠加的图。
在完整的立体图中，我们将投影得到的时间差依次除以所在频率的周期，就得到了最下面的相位谱。所以，频谱是从侧面看，相位谱是从下面看。
注意到，相位谱中的相位除了0，就是 。因为 ，所以实际上相位为 的波只是上下翻转了而已。对于周期方波的傅里叶级数，这样的相位谱已经是很简单的了。另外值得注意的是，由于 ，所以相位差是周期的， 和 都是相同的相位。人为定义相位谱的值域为 ，所以图中的相位差均为 。
傅里叶级数，在时域是一个周期且连续的函数，而在频域是一个非周期离散的函数。
傅里叶变换是将一个时域非周期的连续信号，转换为一个在频域非周期的连续信号。
虚数i我们只知道它是-1的平方根，可是它真正的意义是什么呢?
在数轴上有一个红色的线段，它的长度是1。当它乘以3的时候，它的长度发生了变化，变成了蓝色的线段，而当它乘以-1的时候，就变成了绿色的线段，或者说线段在数轴上围绕原点旋转了180度。我们知道乘-1其实就是乘了两次 i使线段旋转了180度，那么乘一次 i 呢——答案很简单——旋转了90度。
欧拉公式:
当x等于Pi的时候:
这个公式关键的作用，是将正弦波统一成了简单的指数形式。我们来看看图像上的涵义：
这里，我们可以用两种方法来理解正弦波：
第一种前面已经讲过了，就是螺旋线在实轴的投影。
另一种需要借助欧拉公式的另一种形式去理解：
将以上两式相加再除2，得到：
我们刚才讲过， 可以理解为一条逆时针旋转的螺旋线，那么 则可以理解为一条顺时针旋转的螺旋线。而 则是这两条旋转方向不同的螺旋线叠加的一半，因为这两条螺旋线的虚数部分相互抵消掉了！
从代数上看，傅立叶级数就是通过三角函数和常数项来叠加逼近周期为 的函数
在“代数细节”一文中解释了，实际上是把 当作了如下基的向量：
是基1下的坐标, 是对应基的坐标
比如刚才提到的， 的方波 ，可以初略的写作：
绛旓細鍌呴噷鍙跺彉鎹㈡槸涓绉嶆暟瀛﹀伐鍏凤紝鐢ㄤ簬灏嗕竴涓嚱鏁帮紙鎴栦俊鍙凤級浠庢椂鍩燂紙鏃堕棿鍩燂級杞崲鍒伴鍩銆傚湪鏁板涓婏紝鍌呴噷鍙跺彉鎹㈡湁澶氱褰㈠紡锛屽叾涓渶甯哥敤鐨勪袱绉嶆槸杩炵画鍌呴噷鍙跺彉鎹㈠拰绂绘暎鍌呴噷鍙跺彉鎹傝繛缁倕閲屽彾鍙樻崲锛圕ontinuous Fourier Transform锛夛細璇风偣鍑昏緭鍏ュ浘鐗囨弿杩 绂绘暎鍌呴噷鍙跺彉鎹紙Discrete Fourier Transform锛孌FT锛夛細璇风偣鍑...
绛旓細鍌呴噷鍙跺彉鎹紝鏄皢涓涓椂鍩熼潪鍛ㄦ湡鐨勮繛缁俊鍙凤紝杞崲涓轰竴涓湪棰戝煙闈炲懆鏈熺殑杩炵画淇″彿銆傛垨鑰呮垜浠篃鍙互鎹竴涓搴︾悊瑙ｏ細鍌呴噷鍙跺彉鎹㈠疄闄呬笂鏄涓涓懆鏈熸棤闄愬ぇ鐨勫嚱鏁拌繘琛屽倕閲屽彾鍙樻崲銆鍌呴噷鍙跺彉鎹㈢殑鏈川锛屽氨鏄敤鍚勭棰戠巼涓嶅悓鐨勫懆鏈熷嚱鏁帮紙棰戝煙锛夌嚎鎬ц〃绀哄師濮嬪嚱鏁帮紙鏃跺煙锛夛紝蹇呯劧鍏锋湁绾挎фс傝繖涓庣Н鍒嗙殑绾挎фф槸涓鑷...
绛旓細涓ゅ嚱鏁颁箣鍜岀殑鍌呴噷鍙跺彉鎹㈢瓑浜庡悇鑷彉鎹箣鍜銆傛暟瀛︽弿杩版槸锛氳嫢鍑芥暟f \left( x\right )鍜実 \left(x \right)鐨勫倕閲屽彾鍙樻崲\mathcal[f]鍜孿mathcal[g]閮藉瓨鍦紝伪 鍜 尾 涓轰换鎰忓父绯绘暟锛屽垯\mathcal[\alpha f+\beta g]=\alpha\mathcal[f]+\beta\mathcal[g]锛涘倕閲屽彾鍙樻崲绠楃\mathcal鍙粡褰掍竴鍖...
绛旓細鍌呴噷鍙跺彉鎹㈡槸涓绉嶅皢鍑芥暟浠庢椂鍩燂紙鏃堕棿鍩燂級杞崲鍒伴鍩燂紙棰戠巼鍩燂級鐨勬暟瀛﹀彉鎹銆傚父鐢ㄧ殑鍌呴噷鍙跺彉鎹㈠叕寮忓涓嬶細1. 杩炵画鏃堕棿鍌呴噷鍙跺彉鎹紙Continuous Fourier Transform锛夛細F(蠅) = 鈭玔f(t) * e^(-j蠅t)] dt 鍏朵腑锛孎(蠅) 琛ㄧず棰戝煙鐨勫鏁板嚱鏁帮紝f(t) 琛ㄧず鏃跺煙鐨勫嚱鏁帮紝蠅 鏄鐜囷紝j 鏄櫄鏁板崟浣嶃2. ...
绛旓細鍌呯珛鍙跺彉鎹㈡槸涓绉嶅垎鏋愪俊鍙风殑鏂规硶锛屽畠鍙垎鏋愪俊鍙风殑鎴愬垎锛屼篃鍙敤杩欎簺鎴愬垎鍚堟垚淇″彿銆傚畾涔変粙缁嶏細f(t)鏄痶鐨勫懆鏈熷嚱鏁帮紝濡傛灉t婊¤冻鐙勯噷璧幈鏉′欢锛氬湪涓涓互2T涓哄懆鏈熷唴f(X)杩炵画鎴栧彧鏈夋湁闄愪釜绗竴绫婚棿鏂偣锛岄檮f锛坸锛夊崟璋冩垨鍙垝鍒嗘垚鏈夐檺涓崟璋冨尯闂达紝鍒橣锛坸锛変互2T涓哄懆鏈熺殑鍌呴噷鍙剁骇鏁版敹鏁涖傚拰鍑芥暟S锛坸锛変篃鏄互2T...
绛旓細锛1锛夌嚎鎬фц川锛氬嚱鏁扮嚎鎬х粍鍚堢殑鍌呴噷鍙跺彉鎹=鍚勫嚱鏁板倕閲屽彾鍙樻崲鐨勭嚎鎬х粍鍚 锛2锛変綅绉绘ц川锛坰hift淇″彿鍋忕Щ锛屾椂绉绘э級锛氬锛歠锛坱-t0锛夎〃绀烘椂闂村嚱鏁癴锛坱锛夋部t杞村悜鍙冲钩绉籺0锛屽叾鍌呴噷鍙跺彉鎹=f锛坱锛夌殑鍌呴噷鍙跺彉鎹箻浠ュ洜瀛恊xp锛-iwt0锛夛紝绫讳技f锛坱+t0锛夌殑鍌呴噷鍙跺彉鎹=f锛坱锛夌殑鍌呴噷鍙跺彉鎹箻浠ュ洜瀛恊xp锛坕wt...
绛旓細鍌呴噷鍙跺彉鎹鍏紡锛欶(w) = 鈭 f(t) e^(-i w t) dt 鍏朵腑锛孎(w) 鏄俊鍙 f(t) 鍦ㄩ鐜囧煙涓婄殑琛ㄧず锛寃 鏄棰戠巼锛宼 鏄椂闂达紝i 鏄櫄鏁板崟浣嶃傝繖涓叕寮忚〃鏄庯紝鍌呴噷鍙跺彉鎹㈠皢鏃堕棿鍩熶笂鐨勪俊鍙 f(t) 杞崲涓洪鐜囧煙涓婄殑淇″彿 F(w)銆傚湪瀹為檯搴旂敤涓紝鎴戜滑閫氬父鍏虫敞鐨勬槸鍌呴噷鍙跺彉鎹㈢殑閫嗗彉鎹紝鍗充粠棰戠巼...
绛旓細锛1锛夌敱涓夊嶈鍏紡锛歴in³t=3sint-4sin³t锛屽緱锛歴in³t=(3sint-sin3t)/4锛涳紙2锛夊垯sinat鐨鍌呴噷鍙跺彉鎹涓簀蟺[未(w+a)-未(w-a)]锛涳紙3锛夋墍浠(t)鐨勫倕閲屽彾鍙樻崲涓篎(w)=j蟺{[3未(w+1)-3未(w-1)]-[未(w+3)-未(w-3)]}/4锛涳紙4锛夊寲绠寰楋細F(w)=蟺i/4...
绛旓細鍌呯珛鍙跺彉鎹鐨勫叕寮忎负锛氬嵆浣欏鸡姝ｅ鸡鍜屼綑寮﹀嚱鏁扮殑鍌呴噷鍙跺彉鎹濡備笅锛氬倕绔嬪彾鍙樻崲锛岃〃绀鸿兘灏嗘弧瓒充竴瀹氭潯浠剁殑鏌愪釜鍑芥暟琛ㄧず鎴愪笁瑙掑嚱鏁帮紙姝ｅ鸡鍜/鎴栦綑寮﹀嚱鏁帮級鎴栬呭畠浠殑绉垎鐨勭嚎鎬х粍鍚堛傚湪涓嶅悓鐨勭爺绌堕鍩燂紝鍌呯珛鍙跺彉鎹㈠叿鏈夊绉嶄笉鍚岀殑鍙樹綋褰㈠紡锛屽杩炵画鍌呯珛鍙跺彉鎹㈠拰绂绘暎鍌呯珛鍙跺彉鎹傛渶鍒濆倕绔嬪彾鍒嗘瀽鏄綔涓虹儹杩囩▼鐨勮В鏋...
绛旓細涓銆佹剰涔夛細浠庣幇浠ｆ暟瀛︾殑鐪煎厜鏉ョ湅锛鍌呴噷鍙跺彉鎹鏄竴绉嶇壒娈婄殑绉垎鍙樻崲銆傚畠鑳藉皢婊¤冻涓瀹氭潯浠剁殑鏌愪釜鍑芥暟琛ㄧず鎴愭寮﹀熀鍑芥暟鐨勭嚎鎬х粍鍚堟垨鑰呯Н鍒嗐傚湪涓嶅悓鐨勭爺绌堕鍩燂紝鍌呴噷鍙跺彉鎹㈠叿鏈夊绉嶄笉鍚岀殑鍙樹綋褰㈠紡锛屽杩炵画鍌呴噷鍙跺彉鎹㈠拰绂绘暎鍌呴噷鍙跺彉鎹傚湪鏁板棰嗗煙锛屽敖绠℃渶鍒濆倕閲屽彾鍒嗘瀽鏄綔涓虹儹杩囩▼鐨勮В鏋愬垎鏋愮殑宸ュ叿锛屼絾鏄叾...
