连续周期信号的傅里叶级数，是信号从时域进入频域的第一个门槛。很多教材会在这一章给出积分公式、正交条件和吉布斯现象，但读者真正动手时最容易卡住的，反而不是公式本身，而是系数定义不统一、时间轴采样方式不对、三角形式与复指数形式换算错位这几个工程细节。这篇文章以周期方波为样例，把连续周期信号傅里叶级数的概念、系数计算、信号合成、验证方法和排错路径完整走一遍，重点说明每一步背后的原因，以及如何在代码里确认结果是对的。
1. 连续周期信号为什么需要傅里叶级数，它到底分解出了什么
1.1 从“函数表示”到“频率成分”
连续周期信号，是指满足
[ x(t+T_0)=x(t) ]
的信号，其中 (T_0) 是最小正周期。常见的正弦波、方波、锯齿波、三角波，都是周期信号的典型例子。时域描述能告诉我们信号在某个时刻的取值，却很难告诉我们这个信号由哪些“基础分量”叠加而成。实际工程里，滤波、去噪、调制解调、故障特征提取，几乎都依赖频率信息。傅里叶级数的作用，就是把一个连续周期信号拆分成的直流分量、基波分量和各次谐波分量。
这里要区分一个概念：傅里叶级数不是“把一个信号变短”，也不是“压缩数据”，而是把信号从“时间坐标系”切换到“频率坐标系”。同一个信号，在时域是一条曲线，在频域是一组谱线。连续周期信号的频谱是离散谱，只在基波频率的整数倍处有值，这是它和非周期信号最直观的区别。
1.2 周期、基波与谐波：三角展开的完整定义
设周期信号 (x(t)) 的周期为 (T_0)，则基波频率为
[ f_0=\frac{1}{T_0} ]
角频率为
[ \omega_0=2\pi f_0=\frac{2\pi}{T_0} ]
三角形式的傅里叶级数可以写成
[ x(t)=\frac{a_0}{2}+\sum_{n=1}^{\infty}\left[a_n\cos(n\omega_0t)+b_n\sin(n\omega_0t)\right] ]
其中系数为
[ a_0=\frac{2}{T_0}\int_{T_0}x(t)dt ]
[ a_n=\frac{2}{T_0}\int_{T_0}x(t)\cos(n\omega_0t)dt ]
[ b_n=\frac{2}{T_0}\int_{T_0}x(t)\sin(n\omega_0t)dt ]
这里的积分区间可以取 ([0,T_0])，也可以取 ([-T_0/2,T_0/2])。由于被积函数是周期信号，只要积分区间长度正好是一个周期，起点取在哪里不影响积分结果。
工程里最容易混淆的是 (a_0) 的定义。有些教材把 (a_0) 定义为信号在一个周期内的平均值，也就是直流分量本身；上面的定义里，直流分量是 (a_0/2)。这两种定义差一个系数。如果看书时没有注意公式上下文，写代码时就可能出现结果偏大两倍或者偏小两倍。
1.3 复指数形式、离散谱与吉布斯现象
三角形式直观，但涉及两个系数序列。做理论推导和数值计算时，复指数形式更紧凑：
[ x(t)=\sum_{n=-\infty}^{\infty}c_ne^{jn\omega_0t} ]
[ c_n=\frac{1}{T_0}\int_{T_0}x(t)e^{-jn\omega_0t}dt ]
三角系数和复指数系数之间可以互相换算：
| 系数 | 与三角系数关系 |
|---|---|
| (c_0) | (a_0/2)，即直流分量 |
| (c_n, n>0) | ((a_n-jb_n)/2) |
| (c_n, n<0) | ((a_{ |
复指数形式会同时出现正频率和负频率，这是数学表达上的对称性，不是真实存在“负频率”的物理信号。画单边频谱时，需要把正频率对应的复幅度乘以 2，才能得到对应正弦或余弦分量的实际幅度。
还要理解吉布斯现象。连续周期信号在跳变点处的傅里叶级数不是均匀收敛的，即使展开项数增加到很大，间断点附近也会出现固定比例的过冲，大约为跳变幅度的 9%。项数越大，过冲越靠近间断点，但过冲峰值不会消失。这不是计算错误，而是傅里叶级数本身在间断点邻域的收敛特性。
2. 用 Python 搭建最小验证环境，先跑出一个周期方波
2.1 实验思路与依赖环境
验证傅里叶级数，只用纸面推导不够，因为系数积分、信号合成、能量校验都必须落到具体数值上。用 Python 做这个实验，需要三个库：NumPy 负责数值计算，Matplotlib 负责绘图，SciPy 在需要 FFT 交叉验证时使用。
pip install numpy matplotlib scipy如果使用虚拟环境，推荐先创建独立目录：
python -m venv fs_demo source fs_demo/bin/activate pip install numpy matplotlib scipyWindows 下激活命令是fs_demo\Scripts\activate。本文示例基于 Python 3.10 以上版本，NumPy 1.21 以上、Matplotlib 3.5 以上均可运行。傅里叶级数实验对版本不敏感，关键是采样点设置要正确。
实验的主线可以拆成四个验证目标：
- 手写系数积分的结果是否接近解析解。
- 用有限项合成信号后，波形是否逼近原信号。
- 时域功率和频域功率是否满足帕塞瓦尔定理。
- 间断点附近是否出现吉布斯现象。
这四个目标全部通过，才能说明对这一部分的理解没有系统性偏差。
2.2 生成周期方波信号
为了后续能和解析系数对照，选用占空比为 50% 的周期方波。设周期 (T=2) 秒，基波频率 (f_0=0.5) Hz，角频率 (\omega_0=\pi) rad/s。方波在一个周期前半段为 1，后半段为 -1。
import numpy as np import matplotlib.pyplot as plt # 周期 T = 2.0 # 一个周期内的采样点数 M = 4096 # 时间轴：从 0 到 T，但不包含 T t = np.linspace(0.0, T, M, endpoint=False) def square_wave(t, T): """占空比 50% 的周期方波，取值范围 -1 到 1。""" phase = t % T return np.where(phase < T / 2.0, 1.0, -1.0) x = square_wave(t, T)这段代码里最关键的是endpoint=False。傅里叶级数积分要求区间长度正好是一个周期。如果写成np.linspace(0, T, M)，最后一个点会重复采样时刻 (T)，而周期边界上 (x(T)=x(0))，相当于多计算了一次端点。虽然采样点数量很大时影响很小，但从一开始就养成“周期采样不含终点”的习惯，后续和 FFT 对照也会更顺畅。
绘图时不要只画一个周期，建议画两个周期观察周期性：
t_plot = np.linspace(0.0, 2 * T, 2 * M, endpoint=False) fig, ax = plt.subplots(figsize=(8, 3)) ax.plot(t_plot, square_wave(t_plot, T), linewidth=1) ax.set_xlabel("time / s") ax.set_ylabel("x(t)") ax.set_xlim(0, 2 * T) ax.set_title("Periodic Square Wave") plt.show()运行后应看到幅度在 -1 和 1 之间切换的方波，一个完整周期内高低电平各占一半。
2.3 采样时间与积分近似的对应关系
把傅里叶系数积分改成数值计算时，本质上是用离散采样点近似连续积分。因为这里处理的信号是连续周期信号，数值积分只要求足够密即可。M 取 4096 是相对保守的选择，既能保证积分精度，速度也非常快。
需要注意时间轴的单位和角频率单位。代码里周期 T 的单位是秒，所以omega0 = 2.0 * np.pi / T的单位是 rad/s。如果直接写成omega0 = 2.0 * np.pi，角频率就错了，前几个谐波会对应错误频率位置。另一个常见误解是认为采样点越多，傅里叶级数就能展开到越多项。实际上，一个周期内采样 M 个点后，可表示的最高谐波次数受奈奎斯特频率约束。M=4096 对展开几十个谐波绰绰有余，但展开到 2000 项以上时，数值结果会退化。
学习阶段的检查点是：先看时域图是否正确，再打印一次周期内的平均值。占空比 50% 的对称方波平均值为 0，所以后续理论上的 (a_0) 应当接近 0。
3. 手写傅里叶级数系数计算与信号合成
3.1 系数积分的矩阵化写法
用循环逐个计算 (a_n) 和 (b_n)，思路直观，但代码较长。这里采用 NumPy 的广播机制，把一个周期内所有采样点上的正弦、余弦基函数一次性构造出来，再和信号做逐元素相乘后求和。
def fs_coeffs(signal, t, T, n_max): """ 计算三角形式傅里叶系数。 参数 ---- signal : 一个完整周期内的采样值 t : 对应时间轴 T : 信号周期 n_max : 最高谐波次数 返回 a0, a, b a0 对应三角公式中的 a0，合成时直流分量为 a0/2 """ dt = t[1] - t[0] omega0 = 2.0 * np.pi / T n = np.arange(1, n_max + 1) # cos_base.shape = (n_max, M) cos_base = np.cos(np.outer(n, omega0 * t)) sin_base = np.sin(np.outer(n, omega0 * t)) # 对每个基函数做一整个周期的积分 a = (2.0 / T) * np.sum(signal * cos_base, axis=1) * dt b = (2.0 / T) * np.sum(signal * sin_base, axis=1) * dt # a0 = (2/T) * integral(signal dt) a0 = 2.0 * np.mean(signal) return a0, a, b对于占空比 50% 的对称方波，理论上只有奇数阶正弦项，即
[ b_n = \begin{cases} \dfrac{4}{n\pi}, & n\text{为奇数}\ 0, & n\text{为偶数} \end{cases} ]
而所有 (a_n) 都应该接近 0。拿解析解检查数值结果是判断代码是否正确的最快方式。
a0, a, b = fs_coeffs(x, t, T, 50) print("a0 =", a0) for i in range(5): n = i + 1 exact = 4.0 / (n * np.pi) if n %
