信号之时域如何转换成频域

出处：网络整理发布于：2025-09-02 17:19:53

我们可以用一个生动的比喻来理解：

时域：就像只看一道完整的、已经做好的菜肴。你能看到它的整体样子，品尝它的终味道，但很难地说出它到底放了多少克盐、多少糖、多少醋。
频域：就像把这道菜送进实验室进行成分分析。分析结果会告诉你这道菜里包含多少种成分（频率），以及每种成分的含量是多少（幅度）。

傅里叶变换就是这个“成分分析仪”。它的思想是：任何复杂的波形，都可以分解成一系列频率、幅度和相位不同的基本正弦波（Sin）和余弦波（Cos）的叠加。

一、概念：傅里叶级数 (Fourier Series) - 周期性信号的分解

理解频域转换，先从傅里叶级数开始容易。它专门处理周期性信号。

定义：任何周期为 $T$ T 的周期函数 $f (t)$ f(t) ，都可以表示为无数个正弦和余弦函数的和。
公式：
$f (t) = a_{0} + \sum_{n = 1}^{\infty} [a_{n} \cos ? (n ω_{0} t) + b_{n} \sin ? (n ω_{0} t)]$ f(t)=a0+∑n=1∞[ancos(nω0t)+bnsin(nω0t)]
- $a_{0}$ a0：直流分量（平均值）。
- $a_{n}, b_{n}$ an,bn：各频率分量的幅度（即该频率的“含量”）。
- $ω_{0} = \frac{2 π}{T}$ ω0=T2π：基波频率（基本的频率）。
- $n ω_{0}$ nω0：n次谐波频率（基频的整数倍）。

做了什么？
傅里叶级数通过数学计算（积分）求出了公式中的系数 $a_{0}, a_{n}, b_{n}$ a0,an,bn。这些系数就构成了信号的频域表示——它告诉我们信号中包含了哪些频率，以及每个频率的强度有多大。

图示过程：

[时域] 一个复杂的周期方波信号
     |
     |  [傅里叶级数分解]
     |
[频域] 一系列不同幅度、不同频率的正弦波
     → 基波 (f0): 幅度 A1
     → 三次谐波 (3f0): 幅度 A3
     → 五次谐波 (5f0): 幅度 A5
     → ...

将这些正弦波全部叠加起来，就能完美地重构出原来的方波。分解出的谐波越多，重构的波形就越。

二、更强大的工具：傅里叶变换 (Fourier Transform) - 非周期性信号的分解

傅里叶级数只能处理周期性信号。为了处理非周期性信号（如一个脉冲、一段语音），我们将周期 $T$ T 看作无穷大，这样基频 $ω_{0}$ ω0 就无穷小，离散的谐波就变成了连续的频率。这就是傅里叶变换。

定义：它将一个时域信号 $f (t)$ f(t) 映射到连续的频域 $F (ω)$ F(ω)。
公式：
$F (ω) = \int_{? \infty}^{\infty} f (t) e^{? j ω t} ? d t$ F(ω)=∫?∞∞f(t)e?jωtdt
- $F (ω)$ F(ω)：是一个复数，称为频谱。它的模 $∣ F (ω) ∣$ ∣F(ω)∣ 表示幅度谱， argument 表示相位谱。
- $e^{? j ω t}$ e?jωt：根据欧拉公式 $e^{j θ} = \cos ? θ + j \sin ? θ$ ejθ=cosθ+jsinθ，这其实就是在同时用正弦和余弦函数进行“探测”。

物理意义：
这个公式可以理解为：让信号 $f (t)$ f(t) 与一个频率为 $ω$ ω 的复指数函数 $e^{? j ω t}$ e?jωt 进行“比对”。

如果信号中包含频率 $ω$ ω 的分量，那么这个“比对”的结果（积分值）就会很大，体现在 $F (ω)$ F(ω) 的幅度上。
如果信号中不包含频率 $ω$ ω 的分量，那么“比对”结果就会很小甚至为零。

通过让 $ω$ ω 在整个频率轴上连续变化，我们就得到了信号在所有频率上的“含量”，即完整的频谱。

三、实际应用：离散傅里叶变换 (DFT) 与快速傅里叶变换 (FFT)

计算机无法处理连续的模拟信号和无限的积分，它处理的是离散的数字信号。因此，我们使用：

离散傅里叶变换 (DFT)：
- 它是傅里叶变换在离散时间和离散频率下的形式。
- 输入是 N 个离散的时域采样点 $x [n]$ x[n]。
- 输出是 N 个离散的频域点 $X [k]$ X[k] ，表示从直流到采样频率一半（奈奎斯特频率）的 N 个等间隔频率分量的幅度和相位。
快速傅里叶变换 (FFT)：
- FFT 不是一种新的变换，而是计算 DFT 的一种超级高效的算法！
- 直接计算 DFT 的计算量极大（与 $N^{2}$ N2 成正比）。
- FFT 算法巧妙地利用了 DFT 计算中的对称性和周期性，将计算复杂度降低到 $N \log ? N$ NlogN 的量级。
- 正因为 FFT 的存在，实时频域分析才成为可能。你现在手机上的音频均衡器、图像滤镜，背后都是 FFT 在飞速运算。

在软件（如Python, MATLAB）中实现时域转频域的典型步骤：

采样：用ADC以固定采样率 $f_{s}$ fs 采集一段时域信号，得到离散序列 $x [n]$ x[n]。
FFT计算：对 $x [n]$ x[n] 执行 FFT 运算，得到复数结果 $X [k]$ X[k]。
求幅度谱：计算 $∣ X [k] ∣$ ∣X[k]∣ （复数的模），这就是每个频率分量的幅度。
构建频率轴：频率轴的第 k 个点对应的实际频率是 $f_{k} = k ? \frac{f_{s}}{N}$ fk=k?Nfs Hz。其中 $N$ N 是采样点数， $\frac{f_{s}}{N}$ Nfs 就是频率分辨率（能区分的频率间隔）。

总结

概念	适用信号类型	思想	输出
傅里叶级数	周期性连续信号	分解成离散的谐波	一系列离散的频率、幅度、相位
傅里叶变换	非周期性连续信号	分解成连续的正弦波	连续的频谱函数 $F (ω)$ F(ω)
离散傅里叶变换	离散信号（计算机）	离散化的傅里叶变换	离散的频域序列 $X [k]$ X[k]
快速傅里叶变换	同上	计算DFT的高速算法	同上