从工科女的角度看傅里叶（傅里叶级数/变换/离散/时域……）

前言：

由于最近在学习fft，但总是学不明白。也许是我的个人性格原因，对于所应用的技术，必须要搞懂来龙去脉，才能用下去。也不知道好还是不好，有时候自己刨根问底会浪费很多时间去应用技术，有时候又觉得搞懂问题的来龙去脉，更有助于我长远的发展。于是在学习fft的过程当中，我又重新开启了这种状态。

在查阅了大量的关于fft的资料之后，我逐渐从fft研究到dtft  dft ft  fs，甚至学到了傅立叶的热理论方程，还知道了他的老师是拉普拉斯老师，他还有个学生叫黎曼。好好好原来你们都是一家子。

在查阅有关的资料时我最大的感受就是需要大量的储备知识才能看懂一点点，看似结构整体结构清晰，但知识点庞大且零碎，好像少了哪一块都联系不起来。在我学习了大概一个星期最后我终于在最近找到了我就理想的文章，并通过这篇文章帮助自己厘清楚关于傅立叶这个庞大家族的知识体系。我们开始正题：

一、为什么学习FFT?

在使用数字电路处理信号过程中，最怕的计算不是乘法，也不是加法，而是乘累加，就想孙悟空一个筋斗云就是十万八千里，但只要唐僧一念紧箍咒，他就玩儿完。乘累加就是数字电路中的“紧箍咒”，因此科学家们极力想要降低乘累加的复杂度。

1.FFT是什么？

2.老大哥傅里叶和FFT到底是怎么回事？

二、傅里叶家族

1.傅里叶变换的由来

要理解傅立叶变换确实需要一定的耐心，但也别难为自己，别一下子想着傅立叶变换是怎么变换的，当然，也需要一定的高等数学基础，最基本的是级数变换，其中傅立叶级数变换是傅立叶变换的基础公式。但别着急，或许你可以从实际意义，即解决问题的角度出发来理解这位老大哥的想法

傅立叶变换的诞生源自一位法国数学家和物理学家傅立叶的独特洞察。他对热传递现象有着浓厚的兴趣，并在1807年提出了一项革命性的理论：任何连续周期信号都可以由一组正弦曲线组合而成。尽管这一观点在当时受到了争议，特别是遭到了著名数学家拉格朗日的坚决反对，但傅立叶坚信自己的理论。

拉格朗日认为，正弦曲线无法精确地表示带有棱角的信号，如方波中的非连续变化斜率。然而，傅立叶的理念是，虽然正弦曲线无法完全等同于这样的信号，但它们可以无限逼近，使得两者在能量上几乎无差别。从这个角度看，傅立叶的理论是站得住脚的。

那么，为什么我们会选择正弦曲线来替代原始信号呢？实际上，分解信号的方法确实多种多样，不仅限于正弦曲线，还包括方波、三角波等。但正弦曲线之所以被选中，是因为它具有独特的性质——保真度。当一个正弦曲线信号被输入时，其输出仍然是正弦曲线，只是幅度和相位可能发生变化，但频率和波形都保持不变。这种特性使得正弦曲线在信号处理中具有独特的优势，使其成为理想的信号表示方式。

因此，尽管傅立叶的理论在提出之初受到了质疑和争议，但随着时间的推移，其价值和重要性逐渐得到了认可。如今，傅立叶变换已经成为信号处理领域的基础工具之一，广泛应用于通信、图像处理、音频处理等多个领域。

2.傅里叶一家介绍(FS/FT/DFT/DTFT)

根据原信号的不同类型，我们可以把傅立叶变换分为四种类别：

• 非周期性连续信号：傅立叶变换 (Fourier Transform)

• 周期性连续信号：傅立叶级数 (Fourier Series)

• 非周期性离散信号：离散时域傅立叶变换 (Discrete Time Fourier Transform)

• 周期性离散信号：离散傅立叶变换(Discrete Fourier Transform)

图像总是比文字记忆犹新，就像你不一定记得校园美女的名字，但再次见到她时，你的大脑会以最快的速度告诉你，这姑娘，我见过。读完这儿，及时你不记得DTFT具体的公式，但以后你也可以有底气的说，DTFT 的图像，我见过。

3.傅里叶变换的局限性

这四种傅立叶变换都是针对正无穷大和负无穷大的信号，即信号的的长度是无穷大的，我们知道这对于计算机处理来说是不可能的，那么有没有针对长度有限的傅立叶变换呢？没有。

原因：计算不是万能，有些活儿就是没法儿干，你给我个周期的，也就算了，连续的我也能采个样变成离散的，多+道工序的事儿，你给我个长度有限的让我处理你这不是难为人呢嘛！

因为正余弦波被定义成从负无穷小到正无穷大，我们无法把一个长度无限的信号组合成长度有限的信号。那怎么办？难道不解决了?那是绝对不肯能的，毛主席讲过，不要怕困难，没有条件我们创造条件嘛。分析下：我们有四种处理方式，在计算机上可用DFT.DTFT.(离散才可被计算机接受)，且为无限长。好，针对长度有限的傅立叶变换，就有两种解决办法。

DTFT:

面对这种困难，方法是把长度有限的信号表示成长度无限的信号，可以把信号无限地从左右进行延伸，延伸的部分用零来表示，这样，这个信号就可以被看成是非周期性离解信号，我们就可以用到离散时域傅立叶变换的方法。

DFT

也可以把信号用复制的方法进行延伸，这样信号就变成了周期性离散信号，这时我们就可以用离散傅立叶变换方法进行变换。

这里我们要学的是离散信号，对于连续信号我们不作讨论，因为计算机只能处理离散的数值信号，我们的最终目的是运用计算机来处理信号的。

但是对于非周期性的信号，我们需要用无穷多不同频率的正弦曲线来表示，这对于计算机来说是不可能实现的。所以对于离散信号的变换只有离散傅立叶变换(DFT)才能被适用，对于计算机来说只有离散的和有限长度的数据才能被处理，对于其它的变换类型只有在数学演算中才能用到，在计算机面前我们只能用DFT方法，后面我们要理解的也正是DFT方法。这里要理解的是我们使用周期性的信号目的是为了能够用数学方法来解决问题，至于考虑周期性信号是从哪里得到或怎样得到是无意义的。

4.傅里叶变换的表现形式：

每种傅立叶变换都分成实数和复数两种方法。

具体看这里：如何理解离散傅里叶变换（一）实数形式傅里叶变换_实数形式的傅里叶级数-CSDN博客

对于实数方法是最好理解的，但是复数方法就相对复杂许多了，需要懂得有关复数的理论知识，不过，如果理解了实数离散傅立叶变换(real DFT)，再去理解复数傅立叶就更容易了，所以我们先把复数的傅立叶放到一边去，先来理解实数傅立叶变换，在后面我们会先讲讲关于复数的基本理论，然后在理解了实数傅立叶变换的基础上再来理解复数傅立叶变换。

注意：这里我们所要说的变换(transform)虽然是数学意义上的变换，但跟函数变换是不同的，函数变换是符合一一映射准则的，对这些都扩展了函数变换的定义，允许输入和输出有多种的值，简单地说变换就是把一堆的数据变成另一堆的数据的方法。

三、傅里叶一大家子势力到底有多广？

 离散数字信号处理(DSP)，有许多的变换：傅立叶变换、拉普拉斯变换、Z变换、希尔伯特变换、离散余弦变换等。本科阶段大部分学习做题用拉氏变换和Z变换多一点，其余的做实验或做项目才用得到。

1.物理意义

傅立叶变换是数字信号处理领域一种很重要的算法。要知道傅立叶变换算法的意义，首先要了解傅立叶原理的意义。傅立叶原理表明：任何连续测量的时序或信号，都可以表示为不同频率的正弦波信号的无限叠加。而根据该原理创立的傅立叶变换算法利用直接测量到的原始信号，以累加方式来计算该信号中不同正弦波信号的频率、振幅和相位。

和傅立叶变换算法对应的是反傅立叶变换算法。该反变换从本质上说也是一种累加处理，这样就可以将单独改变的正弦波信号转换成一个信号。因此，可以说，傅立叶变换将原来难以处理的时域信号转换成了易于分析的频域信号（信号的频谱），可以利用一些工具对这些频域信号进行处理、加工。最后还可以利用傅立叶反变换将这些频域信号转换成时域信号。

2.数学意义

从现代数学的眼光来看，傅立叶变换是一种特殊的积分变换。它能将满足一定条件的某个函数表示成正弦基函数的线性组合或者积分。在不同的研究领域，傅立叶变换具有多种不同的变体形式，如连续傅立叶变换和离散傅立叶变换。

在数学领域，尽管最初傅立叶分析是作为热过程的解析分析的工具，但是其思想方法仍然具有典型的还原论和分析主义的特征。"任意"的函数通过一定的分解，都能够表示为正弦函数的线性组合的形式，而正弦函数在物理上是被充分研究而相对简单的函数类：

• 傅立叶变换是线性算子，若赋予适当的范数，它还是酉算子；

• 傅立叶变换的逆变换容易求出，而且形式与正变换非常类似；

• 正弦基函数是微分运算的本征函数，从而使得线性微分方程的求解可以转化为常系数的代数方程的求解。在线性时不变的卷积运算为简单的乘积运算，从而提供了计算卷积的一种简单手段；

• 离散形式的傅立叶的物理系统内，频率是个不变的性质，从而系统对于复杂激励的响应可以通过组合其对不同频率正弦信号的响应来获取；

• 著名的卷积定理指出：傅立叶变换可以简化复变换，利用数字计算机快速算出结果（其算法称为快速傅立叶变换算法 (FFT)）。

正是由于上述的良好性质，傅立叶变换在物理学、数论、组合数学、信号处理、概率、统计、密码学、声学、光学等领域都有着广泛的应用。

3.应用广泛到无可比拟

正是由于上述的良好性质，傅立叶变换在物理学、数论、组合数学、信号处理、概率、统计、密码学、声学、光学等领域都有着广泛的应用。

举例加深理解——图像傅立叶变换的物理意义

图像的频率是表征图像中灰度变化剧烈程度的指标，是灰度在平面空间上的梯度。

如：大面积的沙漠在图像中是一片灰度变化缓慢的区域，对应的频率值很低；而对于地表属性变换剧烈的边缘区域在图像中是一片灰度变化剧烈的区域，对应的频率值较高。傅立叶变换在实际中有非常明显的物理意义，设f是一个能量有限的模拟信号，则其傅立叶变换就表示f的谱。

从纯粹的数学意义上看，傅立叶变换是将一个函数转换为一系列周期函数来处理的。从物理效果看，傅立叶变换是将图像从空间域转换到频率域，其逆变换是将图像从频率域转换到空间域。换句话说，傅立叶变换的物理意义是将图像的灰度分布函数变换为图像的频率分布函数，傅立叶逆变换是将图像的频率分布函数变换为灰度分布函数。

免责声明：部分文章整合自网络，如有侵权，请联系删除。

---

今日时间仓促，还有许多关于傅里叶变换的细小的知识点尚未表现出来，今天这篇文章并不是给大家做详细的教学，更多的是以代入的思维去理解前人，如何发现问题，又是如何经过不断地思考和尝试来解决问题，将 问题相关联。毕竟不会数学地物理学家不是个好的工程师。开个玩笑。

我是爱读书爱旅行的173工科女Grace，希望我们文章能帮到你，我们下篇文章再会。