傅里叶变换F(ω)与F(f)的差异：从余弦信号频谱到FFT幅度归一化

做信号处理的人大概都有过这种经历：在仿真里算完一段余弦信号的FFT，拿幅值去找理论峰值，怎么都对不上。有人告诉你“FFT出来要除以N”，你除完发现幅值还是差一半；再有人告诉你“要乘2”，乘完发现似乎对了但又好像不太对。等你把教材翻出来，才发现问题出在傅里叶变换到底用的是F(ω)还是F(f)上。

这绝不只是个记号问题。用角频率ω写傅里叶变换，和用物理频率f写傅里叶变换，得到的频谱不仅横轴刻度不同，纵轴的幅度也可能不同。余弦函数是最干净也最容易暴露这种差别的测试信号，所以我这篇博文就拿cos(2πf₀t)当例子，把F(f)与F(ω)的来龙去脉、推导过程、换算关系和实际工程里的判读方法一次讲清楚。

这个困扰不只在通信、电子、物理方向的工程师身上出现，凡是做振动分析、音频处理、图像重建甚至光学衍射的人都会遇到。理解这两种形式的区别之后，再回头看你自己用的频谱绘图工具，很多以前觉得“玄学”的系数问题会瞬间清楚透亮。

1. 从一道常见的“对不上”说起：F(ω)与F(f)到底差在哪

1.1 两种傅里叶变换的定义与由来

先写下数学定义，这是我们后续所有讨论的基础。

角频率形式的正变换写作：

$$F(\omega) = \int_{-\infty}^{+\infty} f(t) e^{-j\omega t} dt$$

对应的逆变换是：

$$f(t) = \frac{1}{2\pi} \int_{-\infty}^{+\infty} F(\omega) e^{j\omega t} d\omega$$

物理频率形式的正变换写作：

$$F(f) = \int_{-\infty}^{+\infty} f(t) e^{-j2\pi ft} dt$$

对应的逆变换是：

$$f(t) = \int_{-\infty}^{+\infty} F(f) e^{j2\pi ft} df$$

注意看这两个正变换，右边的结构几乎一样，只差在指数项里写的是ω还是2πf。但它们的逆变换系数差别就大了：ω域的逆变换前面有1/2π，f域的逆变换系数是1。这个系数差异意味着F(ω)和F(f)在数值上不可能完全一致，差的恰好是与2π有关的一个比例。

为什么会有两种写法？工程领域习惯用f，因为硬件参数都是按Hz标定的：采样率是44.1kHz、载波频点是2.4GHz、滤波器带宽是20MHz，你让工程师把“频率”换算成角频率再说话，平白增加心智负担。理论数学和物理则偏爱ω，因为很多公式推导里ω和t天然对称，写起来干净，积分里少个2π也不容易抄错。两种写法各有各的拥护者，但换来换去的时候如果不小心，就会出现幅度对不上的尴尬。

本质上，这不是两种不同的变换，而是同一个变换在两种参数化方式下的不同表现。你可以把傅里叶变换理解成一个分解过程：把时间信号拆成一系列单频基波。用ω时，基波写成e^{jωt}；用f时，基波写成e^{j2πft}。基函数本身变了，分解出来的“系数”自然要跟着调整。这个观点我后面讲换算时会反复用到。

1.2 单位、周期与频谱密度的语义差异

如果只看公式，很多人会觉得F(ω)和F(f)的差别只是把ω替换成2πf，改个符号而已。但从量纲上看，这两种频谱的内涵并不完全一样。

F(f)的横轴单位是Hz，纵轴单位大致是“信号单位/Hz”。比如信号是电压，单位是V，那F(f)的单位就是V/Hz，表示单位频带内分布了多少幅值，所以它本质上是频谱密度。F(ω)的横轴单位是rad/s，纵轴单位就变成V/(rad/s)，也可以写成V·s/rad。同一个信号，在两个域的“密度”定义不同，数值自然不同。

这也是为什么只改横轴刻度是行不通的。很多人以为“把横轴数值除以2π，纵轴不用动”，实际上纵轴也得跟着缩放，而且缩放的规则涉及广义函数时还很容易出错。真正要做的，是理解这两个定义之间的变量替换关系，再结合δ函数的缩放性质去处理脉冲型频谱。

这里先给一个直观类比：可以把信号理解成一条质量不均匀的绳子，频谱密度就是绳子在各个频率位置上的“单位长度质量”。你换了一把长度单位（从“弧度每秒”换成“赫兹”），每单位长度对应的质量当然也要重新标定，不然总质量就变了。这个类比虽然不完全严谨，但对理解“为什么要缩放纵轴”很有帮助。

2. 以余弦函数为例，推导两种频谱的完整过程

2.1 用欧拉公式拆解余弦信号

设测试信号为：

$$x(t) = \cos(2\pi f_0 t)$$

这是最标准的单频余弦信号，幅度为1，频率为f₀Hz。先用欧拉公式把它展开成两个复指数：

$$\cos(2\pi f_0 t) = \frac{1}{2}\left[e^{j2\pi f_0 t} + e^{-j2\pi f_0 t}\right]$$

很多初学者看到这个式子总觉得“麻烦”，其实这才是理解傅里叶变换的关键。一个实余弦信号在频域里不是一根谱线，而是两根：一根在正频率+f₀，一根在负频率-f₀，每根的幅度都是1/2。负频率不是什么数学游戏，而是实信号频谱对称出现的根本原因。理解了这一点，后面看到双边谱、单边谱之类的约定时就不会懵。

这个展开式的好处是，把积分运算拆成了两个非常简单的指数积分。每个指数积分都对应一个δ脉冲，所以整个推导过程可以完全避开复杂的三角积分，只需要记住一个关于δ函数的积分公式就够了。

2.2 ω域中的δ脉冲对

现在先算ω域。把x(t)代入F(ω)的定义：

$$F(\omega) = \int_{-\infty}^{+\infty} \cos(2\pi f_0 t) e^{-j\omega t} dt$$

把余弦展开成两个复指数后，式子变成三项积分的叠加：

$$F(\omega) = \frac{1}{2}\int_{-\infty}^{+\infty} e^{j2\pi f_0 t} e^{-j\omega t} dt + \frac{1}{2}\int_{-\infty}^{+\infty} e^{-j2\pi f_0 t} e^{-j\omega t} dt$$

整理指数项：

$$F(\omega) = \frac{1}{2}\int_{-\infty}^{+\infty} e^{-j(\omega - 2\pi f_0)t} dt + \frac{1}{2}\int_{-\infty}^{+\infty} e^{-j(\omega + 2\pi f_0)t} dt$$

这里用到那个关键公式：

$$\int_{-\infty}^{+\infty} e^{-j(\omega - \omega_0)t} dt = 2\pi \delta(\omega - \omega_0)$$

这个公式的直观解释是：当ω始终不等于ω₀时，指数项在时域上不停振荡，正负面积相互抵消；只有当ω等于ω₀时，指数恒为1，积分结果发散，所以用δ函数描述这种“能量无限集中在某一点”的情况。系数2π来自傅里叶积分自身的约定，不能省略。

于是得到：

$$F(\omega) = \frac{1}{2} \cdot 2\pi \delta(\omega - 2\pi f_0) + \frac{1}{2} \cdot 2\pi \delta(\omega + 2\pi f_0)$$

也就是：

$$F(\omega) = \pi \delta(\omega - 2\pi f_0) + \pi \delta(\omega + 2\pi f_0)$$

很多教材里写“cos(ω₀t)的频谱是π[δ(ω−ω₀)+δ(ω+ω₀)]”，这里的ω₀就是2πf₀。两个δ脉冲的强度都是π，不是1，也不是1/2。这个π经常让初学者觉得突兀，其实它是“欧拉展开的1/2”和“δ积分公式的2π”相乘的结果。

2.3 f域中的δ脉冲对

再用f形式来算。把x(t)代入F(f)的定义：

$$F(f) = \int_{-\infty}^{+\infty} \cos(2\pi f_0 t) e^{-j2\pi ft} dt$$

同样把余弦展开，整理后得到：

$$F(f) = \frac{1}{2}\int_{-\infty}^{+\infty} e^{-j2\pi(f - f_0)t} dt + \frac{1}{2}\int_{-\infty}^{+\infty} e^{-j2\pi(f + f_0)t} dt$$

这时候要用的公式是：

$$\int_{-\infty}^{+\infty} e^{-j2\pi(f - f_0)t} dt = \delta(f - f_0)$$

注意系数是1，不是2π。也就是说，用物理频率f做自变量时，指数积分直接归一化出δ，不再有额外系数。这个差别正是两种定义那1/2π差别的源头。

于是：

$$F(f) = \frac{1}{2}\delta(f - f_0) + \frac{1}{2}\delta(f + f_0)$$

对比非常明显：ω域两个脉冲强度是π，f域两个脉冲强度是1/2。π除以1/2正好等于2π，这不是巧合，而是两种参数化固有的缩放关系。

这里还要补充一句：像δ函数这种“高度无限、宽度趋近于零、面积为脉冲强度”的广义函数，画图时通常用箭头旁边的数字标注它的“面积强度”。你用数值FFT去模拟时，永远无法直接看到一个“无限高”的脉冲，只能通过积分面积或者峰值附近求和来反推。这个实操层面的问题，我放到第4部分详细讲。

3. 两个域之间的换算关系与工程换算陷阱

3.1 从F(ω)换算到F(f)，到底乘什么

很多人直接背结论：“F(ω)和F(f)差一个2π。”这个说法不算错，但很容易被用错地方。关键问题在于，你到底是把整个函数乘了1/2π，还是做了变量替换再加δ缩放。

先看数学上最准确的关系。对于同一个信号x(t)，两个定义满足：

$$F(f) = F(\omega) \big|_{\omega = 2\pi f}$$

也就是说，你只需要把F(ω)表达式里所有ω替换成2πf，就得到F(f)。用余弦例子验证一下：

$$F(\omega)\big|_{\omega = 2\pi f} = \pi\delta(2\pi f - 2\pi f_0) + \pi\delta(2\pi f + 2\pi f_0)$$

整理括号：

$$= \pi\delta(2\pi(f - f_0)) + \pi\delta(2\pi(f + f_0))$$

利用δ函数的缩放性质δ(ax) = δ(x)/|a|（这里a=2π）：

$$= \frac{\pi}{2\pi}\delta(f - f_0) + \frac{\pi}{2\pi}\delta(f + f_0) = \frac{1}{2}\delta(f - f_0) + \frac{1}{2}\delta(f + f_0)$$

结果完全正确。

但这里有个容易绕晕的点：你可能会想，既然只是变量替换，为什么不是直接写πδ(f−f₀)+πδ(f+f₀)，而是变成了1/2？答案就在δ函数的缩放性质里。变量替换本身不产生系数，但δ函数内部的自变量一旦缩放了2π，脉冲强度就会自动除以2π。换句话说，对于普通的连续函数，比如矩形脉冲的sinc频谱，F_f(f) = F_ω(2πf)确实可以直接代入，不需要额外乘系数；但对于包含δ函数的广义频谱，就得多做一步缩放化简。

我见过很多新手在这里翻车：他们记住“直接替换就行”，结果在余弦频谱里把两个π照抄到f域，得出πδ(f−f₀)+πδ(f+f₀)这种错误结论。这个错误频谱如果拿去做能量积分，积分结果会偏大2π倍，后面所有功率密度计算都会跟着错。

3.2 δ函数缩放公式带来的因子

δ函数有一条非常重要的性质：

$$\delta(ax - ax_0) = \frac{1}{|a|}\delta(x - x_0)$$

尤其是当a=2π时，表达式很常用：

$$\delta(2\pi f - 2\pi f_0) = \frac{1}{2\pi}\delta(f - f_0)$$

这个公式的物理意义是：当变量的尺度发生变化时，为了让“脉冲的总面积保持不变”，脉冲的高度（或者说加权强度）必须按比例缩放。你可以把δ理解成一条面积恒定的尖峰，横轴拉宽了，纵轴就得压矮，否则面积就变了。

从ω域的一组离散脉冲：

$$F(\omega) = \sum_i A_i \delta(\omega - \omega_i)$$

换算到f域时，先把ω替换成2πf：

$$F(f) = \sum_i A_i \delta(2\pi f - \omega_i) = \sum_i A_i \delta(2\pi(f - \omega_i/(2\pi)))$$

再利用缩放性质：

$$F(f) = \sum_i \frac{A_i}{2\pi}\delta(f - f_i), \quad f_i = \frac{\omega_i}{2\pi}$$

这就是通用换算法则：每一个δ脉冲的位置从ω_i变为f_i=ω_i/(2π)，脉冲强度从A_i变为A_i/(2π)。反过来从f域换到ω域时，脉冲位置乘以2π，脉冲强度也乘以2π。余弦信号的π和1/2，就是这条法则最直接的体现。

不止是δ函数，任何“单位频率对应的能量密度”都必须考虑这个缩放，只是普通函数不会像δ那样显眼，所以很多时候你直接代换也不会出错。但一旦频谱里出现尖峰、冲激、线谱等广义成分，这个因子就会冒出来，你必须单独处理。

3.3 数值计算中的常用约定（FFT）与判读方法

实际工程里很少有人手算连续傅里叶变换，基本都是用FFT。在做数值计算前，先记住一个总原则：MATLAB、Python numpy、SciPy里的FFT，默认对应的是f域定义，也就是量纲为“信号单位/Hz”的那套。这不是巧合，而是因为逆变换不带额外系数，离散系列公式写起来最顺。

用一段Python代码演示如何把余弦信号折出来。

import numpy as np fs = 1000 T = 1.0 t = np.arange(0, T, 1/fs) f0 = 50 x = np.cos(2 * np.pi * f0 * t) N = len(x) X = np.fft.fft(x) freq = np.fft.fftfreq(N, 1/fs) # 单边频谱约定：只取正频部分，幅度乘 2/N half = N // 2 mag = np.abs(X[:half]) * 2.0 / N peak_idx = np.argmax(mag) print(f"峰值频率: {freq[peak_idx]:.2f} Hz") print(f"峰值幅度: {mag[peak_idx]:.4f}")

这段代码输出接近“峰值频率50Hz，峰值幅度1.0”。为什么不是0.5？因为FFT是对f域双边谱的离散近似，正负频率各有一个尖峰，每个尖峰的高度大约是N/2（N=1000时约500）。把双边谱合并成单边谱时，通常把正频率分量的幅值乘2再除以N，于是恢复出原始幅度1.0。

这里其实包含了两个动作：除以N是把离散和转化为某种“平均”，因为FFT的定义没有归一化，长度越长峰值越高；乘2是单边谱约定，把负频率的能量折回正频率。如果你用的是双边谱，那正频率处看到的就是0.5，因为能量分到了两边。很多论文和工具里画功率谱时直接用双边谱，这时就不要再去乘2了。

有一个观点我想强调：不要拿FFT单个频点的模值去和连续傅里叶变换F(f)里的δ强度硬比。因为FFT输出的是“在对齐频点上的采样值”，不是连续意义下的密度值，中间还受窗函数、采样时长、频率分辨率共同影响。真正用来验证理论的做法，是对频谱峰值附近的一段做积分，用面积去对应δ强度。

4. 常见问题与实操心得

4.1 为什么FFT幅度和理论值对不上

把我在各个项目群、问答社区里看到最多的几类问题汇总成一张速查表，你直接用现象去查原因和对策。

这些现象背后涉及三个基础概念：频率分辨率、矩形窗泄漏和采样时长。频率分辨率Δf = fs/N，只有当f0恰好落在Δf的整数倍上时，FFT峰值才没有泄漏，此时单边谱峰值刚好等于原始信号幅度（在乘2/N之后）。一旦f0不能整除Δf，能量会泄漏到邻近频点，峰值幅度下降，看起来就像“公式不对”。

我个人的经验是，做理论验证时尽量设计成“整周期采样”。比如f0=50Hz，fs=1000Hz，T=1s，正好50个完整周期，N=1000，Δf=1Hz，f0刚好是Δf的50倍，完全对齐。这种条件下得到的FFT单边峰值干净利落，可以和连续理论值直接对照，是排查其他问题的最佳基准。

4.2 对称性、负频率与实信号频谱的配合

实信号的傅里叶变换具有共轭对称性：F(-ω) = F*(ω)。对余弦来说，它在±f0处各有一个面积1/2的δ脉冲，两个加起来才是总能量1。很多人画频谱图时只画正频率，觉得负频率是冗余，性能分析里确实可以只看正频，但在双边谱里那两个1/2是不能省的。

这里特别提醒一个点：在计算信号能量时，Parseval定理在两种形式下的写法不一样：

$$\int_{-\infty}^{+\infty} |x(t)|^2 dt = \frac{1}{2\pi} \int_{-\infty}^{+\infty} |F(\omega)|^2 d\omega = \int_{-\infty}^{+\infty} |F(f)|^2 df$$

从ω域到f域，积分微元差一个1/2π，正好补偿了频谱幅度本身的差异。如果你只记住了ω域的Parseval定理，却拿f域的频谱去套，能量会差出2π倍。这个问题在做噪声功率谱密度估计、总能量校验时特别容易踩坑，因为能量差2π倍不像幅度差2π倍那么显眼，但结果会莫名其妙偏大偏小。

另外一个常见但容易被忽视的细节：MATLAB的fft输出、Python的np.fft.fft输出，下标0对应直流分量，随后是正频率，到N/2附近是Nyquist频率，之后是负频率。画单边谱时，0频和Nyquist这两个点不能乘2，只有中间的正频率点才乘2。网上很多资料提过这个细节，但实际代码里经常有人对正频全部乘2，导致DC和Nyquist点对不上。判断依据很简单：这两个位置在实信号的FFT里是实数，它们的能量本就不以成对共轭形式出现，不能按“负频率折回来”的逻辑处理。

4.3 几条亲身踩过的坑

第一，动手前先问自己“最终要做什么”。如果目的是画频谱图、分析滤波器响应、估计带宽，建议全程统一用f域；如果目的是公式推导、解析解，可能ω域更合适。中途切换不是不可以，但必须带着变量替换或δ缩放一起换，不能只改横坐标标注。

第二，写博客或技术文档时，把两种定义的公式写在最前面。不同教材、不同工具混着用已经够乱了，你不给出自己用的是哪套约定，后面所有数值都会让读者摸不着头脑。我早期在技术笔记里推余弦频谱，标题只写了“余弦信号的傅里叶变换”，正文里ω域和f域混着画，后来复查时自己都花了半天才理清哪些系数对应哪套定义。

第三，看别人贴的频谱图时，先看横轴单位是Hz还是rad/s，纵轴是幅度、幅度谱密度还是功率谱密度。这三个信息缺一个，图就没有意义。经常有人在社区提问贴频谱图，既不标单位也不说采样率，别人只能靠猜，对答案根本无从谈起。

第四，如果要用数值方法验证连续傅里叶变换，最可靠的办法不是比较峰值高度，而是比较峰值附近的积分面积。用数值积分去近似δ的行为，可以绕过窗函数引起的峰高变化。比如对单频余弦，用np.trapz对双边幅度谱做面积积分，得到的面积接近1/2（双边）或1（单边），这比单纯找max更抗泄漏，也更能说明频谱的“强度”到底对不对。

5. 扩展到其他信号的额外提醒

5.1 常用连续时间信号的因子速查

不只是余弦，矩形脉冲、sinc函数、高斯函数、阶跃信号都存在同样的两种表示差异。我整理了几个最常见的对应关系，方便快速换算时对照。

你观察这张表也能发现，凡是时域信号里带“纯指数”或者“常数”这种无限能量信号的，ω域表达式几乎都比f域多一个2π因子；而矩形脉冲、高斯这类能量有限信号，则只是自变量的代换关系，不额外多系数。区别在于频谱是否包含广义函数——包含δ时，缩放因子就必须显式处理。

如果你要快速验证自己手头的频谱是哪种约定，有一个很实用的方法：看常数信号1的频谱。如果常数信号频谱写成2πδ(ω)，那就是ω域定义；如果写成δ(f)，那就是f域定义。这个特征点几乎百试百灵。

5.2 不同领域的习惯约定

不同领域的习惯差异很大。电气工程、通信系统、离散信号处理领域基本都用f域，比如频谱仪说明书、无线通信标准里的信道带宽、滤波器归一化频率，全是Hz体系。物理学、量子力学、光学里的傅里叶光学、波动方程推导，大多数用ω域，因为角频率和哈密顿量、能级、色散关系打交道时更自然。数学专业的教材则两种都有，关键看作者偏好。

这导致一个很现实的问题：从一篇物理论文里抄回一个频谱公式，手头却是用MATLAB做的FFT，如果你没搞清楚对方的定义约定，系数就会莫名其妙多出2π。跨领域合作时尤其容易出这种问题。我建议每个项目组都在公共代码库里放一个约定说明，至少写明“本代码的FFT对应f域定义”，这样大家对接时不用反复揣测。

另外一个额外的提醒：图像处理里的二维傅里叶变换和光学里的傅里叶变换，同样存在ω域和f域两种约定。做图像频谱可视化时，常见做法是把零频平移到图像中心，然后用f域坐标标注横纵轴。这时你看到的频谱峰值位置是νx、νy，单位是cycle/pixel，而不是rad/pixel。如果你非要用角频率去理解也不难，就是乘以2π，但图上标注建议统一，别混用。

我在实际项目里还遇到过一种情况：同一个团队里，有些人用功率谱密度PSD，有些人用幅度谱，还有人直接画FFT的幅度且不归一化，结果三个人看同一段信号得出三种“频谱”。这其实跟F(ω)与F(f)的差异是同一类问题——先定义清楚“你在画什么”，再谈数值和单位，否则一切比较都是空谈。每次做完频谱分析，我最后都会顺手写一行注释：横轴Hz/rad/s，纵轴V/V/Hz/V·s，采样率多少，窗函数什么类型。这样一个月之后回来看图，还能一秒对上当初的设定。

傅里叶变换的两种写法看似只是在指数上换了一个参数，实际却牵动着逆变换系数、δ函数缩放、Parseval定理、FFT归一化和图示约定整整一层完整的体系。把余弦信号这个最简单的例子彻底推通后，你会发现很多曾经靠死记硬背的频谱系数突然变得合理了，遇到公式和仿真对不上的情况，也能更快定位到是“定义问题”还是“计算问题”。这也是我为什么愿意花这么多篇幅去讲一个看起来很小的话题。