傅里叶变换作用原理的详细解释

一、基底的原理

众所周知，对于任意一个函数来说，都可以将其分解为多个正弦函数和余弦函数相互叠加的形式，并使用欧拉公式进行转换，可以得到：
$$f(x)=\frac{a_0}{2}+\sum _{n=1}^{\infty }(a_n\cos (\frac{2\pi nx}{T})+b_n\sin (\frac{2\pi nx}{T}))$$

很明显，可以使用一组正交基来表示，即：
B = { sin ⁡ ( w 1 x ) , cos ⁡ ( w 1 x ) , sin ⁡ ( w 2 x ) , cos ⁡ ( w 2 x ) , . . . , sin ⁡ ( w n x ) , cos ⁡ ( w n x ) } B = \{\sin(w_1x), \cos(w_1x), \sin(w_2x), \cos(w_2x),...,\sin(w_nx), \cos(w_nx)\} B={sin(w1​x),cos(w1​x),sin(w2​x),cos(w2​x),...,sin(wn​x),cos(wn​x)}
其中，正交基的概念是：在一个周期内，它们任意两个的内积为0，即存在：
$$\begin{array}{rl}{\int }_{-\frac{T}{2}}^{\frac{T}{2}}\sin (w_{1}x)\sin (w_{2}x)dx& =0w_1\ne w_2\\ {\int }_{-\frac{T}{2}}^{\frac{T}{2}}\cos (w_{1}x)\cos (w_{2}x)dx& =0w_1\ne w_2\\ {\int }_{-\frac{T}{2}}^{\frac{T}{2}}\sin (w_{1}x)\cos (w_{2}x)dx& =0\end{array}$$

换句话说，当某个时域函数$f(x)$看成多个正弦和余弦函数的相互叠加后，如果需要判断某个三角函数是否存在，就只需要对其内积一个相同的三角函数。当内积之后的值为0时，则说明$f(x)$中不存在这个三角函数，反之则存在。

二、基于欧拉公式的进一步理解

而在欧拉公式中，存在：
$$e^{ix}=\cos x+i\sin x$$
$f(x)$就可以修改为：
$$f(x)=\sum _{n=-\infty }^{\infty }{c}_n\cdot e^{i\frac{2\pi nx}{T}}dx$$

因此，可以将前面的基底B简化成：
B = { 1 , e w 1 x , e w 2 x , . . . , e w n − 1 x } B=\{1, e^{w_1x}, e^{w_2x}, ..., e^{w_{n-1}x}\} B={1,ew1​x,ew2​x,...,ewn−1​x}
因此，当给予$f(x)$分别内积矩阵B的各个元素时，就能够判断各项因子是否存在。

此外，由于
$$e^{-ix}=\cos (-x)+i\sin (-x)=\cos x-i\sin x={\hat{e}}^{ix}$$
所以，也能以$\hat{B}$作为一组基底，而这个，也就是傅里叶变换的基底$W_n^i$。
换个角度，$e^{ix}$和$e^{-ix}$都是表示一个单位圆，只是，$e^{ix}$是沿逆时针旋转，而$e^{-ix}$是沿顺时针旋转。

三、幅值和相位(傅里叶变换后的y、x轴)

3.1 幅值

前面说到，对$f(x)$内积一个基底时，如果基底存在，那么它们的内积则不为0。这里以幅值为1的正弦函数作为举例，有：
$$\begin{array}{rl}& {\int }_{-\frac{T}{2}}^{\frac{T}{2}}\sin (w_{i}x)\sin (w_{i}x)dx\\ =& \frac{1}{2}{\int }_{-\frac{T}{2}}^{\frac{T}{2}}1-\cos (2w_{i}x)dx\\ =& \frac{T}{2}\end{array}$$
同理，就有：
$$\begin{array}{rl}a{\int }_{-\frac{T}{2}}^{\frac{T}{2}}\sin (w_{i}x)\cdot [-j\sin (w_{i}x)]dx& =-\frac{T}{2}ja\\ a{\int }_{-\frac{T}{2}}^{\frac{T}{2}}\cos (w_{i}x)\cos (w_{i}x)dx& =\frac{T}{2}a\end{array}$$
因此，就可以通过傅里叶变换得到的实部和虚部，就能分别判断余弦函数和正弦函数，以及对应的幅值a。

3.2 相位

现在，再次从相位的角度去看基底。当内积一个基底$W_n^i=e^{-j\frac{2\pi }{T}ix}$时，就说明此时基底的相位为$\frac{1}{T}i$。因此，当内积不趋于0时，就说明f(x)存在相同相位的函数。

四、代码实验

4.1 原理验证

这里，选择直接调用fft函数进行快速傅里叶变换，并假定时域采样数量与频域采样数量一致。

clc, clear
N = 3000;  % 设置5000个采样点
x = linspace(0, 1, N);  % 将0到1平分成5000份
y1 = 7 * sin(2 * pi * 300 * x) + ...
     5 * sin(2 * pi * 400 * x) + ...
     3 * sin(2 * pi * 600 * x) + 10;  % 构造一个正弦组合信号，10为偏移信号

fft_y1 = fft(y1);  % 使用快速傅里叶变换，得到的fft_y是长度为N的复数数组

freq_x = x * N;
plot(freq_x, w1)

w1 = zeros(1, N);
% 第一项为电流偏移信号
w1(1) = fft_y1(1) / N;
w1(2:end) = -imag(fft_y1(2:end)) / (N / 2);
plot(x, w1)

w1(w1<1&w1>-1) = 0;
freq_list1 = find(w1); % 找出不为0的数的下标
w1 = w1(freq_list1);
disp('相位为：')
disp(freq_list1 - 1)
disp('幅值为：')
disp(w1)

输出的图像和结果如下所示：

哎，相位和幅值数据为什么多了一半，而且幅值还互为相反数？
这是因为，基底采样数量是在一个周期的，即$[0,T]$。这个解释起来很简单。就以基础的正弦函数来说，它是关于原点对称的。这也就意味着，当采样的角度范围为$[0,\pi ]$时，它实际上就能够基于一组基底，判断出所有的幅值。而当角度变为$[\frac{T}{2},T]$，它所计算出的值自然就关于$\pi$即实例中的采样范围中心点freq=1500对称。

4.2 幅值精度优化

此外，可以看到，计算出的幅值与实际幅值差异有点大，这是因为实际计算中会产生累计的计算误差、以及相位偏移等因素影响。有什么方法可以提高精度呢？增加采样点数量？可以是可以，但这样也会大幅增加计算成本和数据成本。因此，一种很好的方法就是计算对应基底计算的总幅值，即看计算结果的模值。虽然，这种方法不能区分正弦函数和余弦函数单独的幅值，但是，它们的模值却可以表示两者合成后的总幅值，进而降低误差的影响。

w11 = abs(fft_y1);
w11(1) = w11(1) / N;
w11(2:end) = w11(2:end) / (N / 2);
w11(w11<1) = 0;
freq_list11 = find(w11); % 找出不为0的数的下标
w11 = w11(freq_list11);

disp('相位为：')
disp(freq_list11 - 1)
disp('幅值为：')
disp(w11)

4.3 正弦和余弦叠加的函数

最后，以一个复杂的叠加信号进行验证，从运行结果来看，猜想没有问题，只是，依旧存在较大误差，而它们叠加后的模值同样精度更高。

N = 30000;  
x = linspace(0, 1, N);  
y2 = 7 * sin(2 * pi * 300 * x) + 6 * cos(2 * pi * 300 * x) + ...
     5 * sin(2 * pi * 400 * x) + 4 * cos(2 * pi * 400 * x) + ...
     3 * sin(2 * pi * 600 * x) + 2 * cos(2 * pi * 600 * x) + 10;  % 构造一个复杂的组合信号，10为偏移信号

fft_y2 = fft(y2);  % 使用快速傅里叶变换

w2 = zeros(1, N);
w2(1) = fft_y2(1) / N;
w2(2:end) = conj(fft_y2(2:end)) / (N / 2);

w2(abs(w2)<1) = 0;
freq_list2 = find(w2);
w2 = w2(freq_list2);

disp('相位为：')
disp(freq_list2 - 1)
disp('幅值为：')
disp(w2)