傅里叶变换从入门到工程实践：公式推导与三角脉冲频谱详解

做信号处理这些年，傅里叶变换几乎是每天打照面的老朋友。但说句实话，公式背得再熟，真要问一句“为什么积分核是e的负jωt次方”“那个1/2π到底从哪冒出来的”“三角脉冲的频谱怎么记最不容易忘”，很多做了两三年的工程师也得愣一下。这篇博文我想把傅里叶变换从头到尾捋一遍：先建立直观图景，再把定义和公式整理成一套能直接查的表格，接着用欧拉公式把推导走通，最后把三角脉冲的傅里叶变换这个经典记忆难点掰开揉碎。适合刚学信号与系统的大学生、需要用FFT做分析的工程师，以及所有想把傅里叶变换从“会背”升级成“会用”的人。

1. 先把话说清楚：傅里叶变换到底在做什么

1.1 时域与频域：同一信号的两张面孔

我从最简单的现象说起。你在示波器上看到一条随时间起伏的电压波形，这是信号的“时域”面孔，横轴是时间，纵轴是幅度。但你换个角度想，任何一条复杂的波形，是不是都可以看成很多个不同频率、不同幅度、不同相位的正弦波叠加在一起的结果？当你用频谱仪看它时，横轴变成了频率，纵轴变成了该频率成分的强度，这就是信号的“频域”面孔。

傅里叶变换就是在这两张面孔之间来回切换的数学工具。正变换把时域信号变成频域函数，逆变换把频域函数还原成时域信号。两个方向都不丢信息，这一点很重要。

我经常用一个调音师听和弦的比喻来理解这件事。一段钢琴和弦，在时域上是十几个键同时按下产生的复杂振动波形；但调音师耳朵能分辨出其中哪几个音高了、哪几个音低了，还能告诉你每个音的响度比例。调音师做的事，本质上就是一次人肉傅里叶变换。他听到的不是“波形长什么样”，而是“由哪些频率成分构成、各占多少”。

所以傅里叶变换回答的问题很朴素：这一段信号里，包含了哪些频率的振动？每个频率的振动有多强？初相位是什么？仅此而已。但这个“仅此而已”的视角，几乎重构了现代工程学。无论是音频均衡器、图像JPEG压缩、通信里的OFDM，还是机械故障诊断里的频谱分析，底层都是同一套傅里叶思想。

1.2 从傅里叶级数到傅里叶变换：周期和非周期如何统一

大学教材通常先讲傅里叶级数，再讲傅里叶变换，这个顺序有它的道理。任何满足狄利克雷条件的周期信号，都可以分解成基频及其整数倍频率的正弦波之和，这就是傅里叶级数。换句话说，周期信号有离散的频谱，一根根谱线，间隔就是基频。

问题来了：现实世界里我们处理的信号往往不是周期的，比如一段语音、一次冲击、一段随机振动。它没有重复的周期，怎么办？傅里叶本人的处理思路非常聪明：把非周期信号看成周期趋于无穷大的周期信号。周期趋于无穷大，基频就趋于无穷小，离散的谱线间距就趋于无穷小，原本一根根离散的线，最后连成了一片连续的频谱面。求和也就变成了积分——傅里叶级数就这样升级成了傅里叶变换。

顺着这个思路走一遍，你会对“频谱密度”这个词有更本质的理解。连续信号的频谱不是一个点一个点给出幅度，而是给出“单位频率上的密度”，所以连续频谱函数叫频谱密度函数（spectral density）。离散谱线和连续谱密度之间差着一个因子，这个因子最后就体现在1/2π的系数上。这些细节很多教材直接带过，导致很多人公式背得很熟，却不明白系数从何而来，后面我会用完整推导把它补上。

2. 公式整理：连续、离散与常用性质一网打尽

2.1 连续傅里叶变换的定义公式体系

先摆出最标准的定义。若x(t)是时域连续信号，其傅里叶变换（频谱密度函数）定义为：

$$X(f)=\int_{-\infty}^{\infty}x(t)e^{-j2\pi f t}dt$$

对应的傅里叶逆变换为：

$$x(t)=\int_{-\infty}^{\infty}X(f)e^{j2\pi f t}df$$

注意，这里我用的频率变量是f（Hz），而不是角频率ω。如果用角频率，公式会变成：

$$X(\omega)=\int_{-\infty}^{\infty}x(t)e^{-j\omega t}dt$$

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

很多初学者在这里被坑过：为什么用f的形式，正反变换对称，都没有1/2π；换成ω，逆变换前面就多出了1/2π。这不是因为定义不统一，而是因为dω=2πdf，积分变量换掉以后，系数自然跟着变。两种写法本质完全一样，你习惯用哪种都行，但看文献时一定要先看清对方用的是f还是ω，否则很容易差出一个2π来。

进一步说，工程中还有一组常用的频域约定：单边谱与双边谱。上述公式得到的是双边谱，频率从负无穷取到正无穷，负频率纯粹是数学工具带来的，没有物理意义。实际做频谱分析时，我们通常只看正频率部分，并把负频率部分的能量折算到正频率上，所以幅度会乘以2（直流分量除外）。这个细节后面讲FFT工程实践时还会再提到。

2.2 离散傅里叶变换与工程版公式

计算机没法处理无穷积分，只能处理有限长的离散采样点。于是有了离散傅里叶变换（DFT）。对长度为N的序列x[n]，它的DFT定义为：

$$X[k]=\sum_{n=0}^{N-1}x[n]e^{-j\frac{2\pi}{N}kn},\quad k=0,1,\dots,N-1$$

逆变换为：

$$x[n]=\frac{1}{N}\sum_{k=0}^{N-1}X[k]e^{j\frac{2\pi}{N}kn},\quad n=0,1,\dots,N-1$$

这里的k不是频率本身，而是频率索引，对应实际频率f_k = k·fs/N，其中fs是采样率。也就是说，第k根谱线代表的真实频率等于k乘以频率分辨率fs/N。FFT只是DFT的一种快速算法，不改变DFT的数学本质，但因为太常用，很多人直接把FFT当成了DFT本身，其实是不严谨的。

2.3 常用性质速查表，边用边查

傅里叶变换的性质非常丰富，实际工程中有一半的工作是在“利用性质偷懒”。我把最常用的几条整理成表格：

这几条性质里，卷积定理在工程中地位极高。一个线性时不变系统的输出，等于输入与冲激响应的卷积。直接算卷积很费劲，但变换到频域后，卷积变成了乘法，算完再逆变换回来，计算量大减。FIR滤波器、通信里的匹配滤波，全是建立在这个性质上的。

帕萨瓦尔定理也值得单独说一句，它相当于说信号在时域的总能量，等于频域各个频率成分的能量之和。这条性质常用来验证数值计算有没有出错：在MATLAB或Python里做完FFT之后，把频域幅值的平方累加一下，再和时域信号平方累加对比，如果数量级不一致，说明某个环节有问题。

3. 推导一遍：欧拉公式、正交基与那个1/2π

3.1 为什么积分核是e的负jωt次方

很多人背公式时疑惑：为什么傅里叶变换的积分核偏偏是e^{-jωt}，而不是别的什么函数？这个问题的答案藏在“正交分解”里。

线性代数里，把一个向量投影到正交基上，就得到该基方向上的坐标。求坐标的公式是内积。信号也可以看成无穷维空间里的一个“向量”，傅里叶变换做的就是把它投影到一组完备正交基{e^{jωt}}上。投影公式就是内积：

$$X(\omega)=\langle x(t), e^{j\omega t}\rangle=\int_{-\infty}^{\infty}x(t)e^{-j\omega t}dt$$

注意内积中第二个向量要取共轭，所以e^{jωt}变成e^{-jωt}，这就是负号的来源。为什么选e^{jωt}做基？因为不同频率的复指数函数是相互正交的，它们之间没有重叠，任何一个信号都能唯一地分解成它们的线性组合。这组基确实是信号分解的最优选择。

这里还要补充一点：e^{jωt}=cos(ωt)+j·sin(ωt)，所以复指数基里天然包含了正弦和余弦两种成分。用复指数而不是单独用正弦或余弦，好处是把相位信息统一放在复数里，推导和计算都简便得多。频谱X(ω)是复数，它的模表示该频率分量的幅度，辐角表示相位，一次变换把幅度谱和相位谱全部拿到了。

3.2 逆变换前的1/2π到底从何而来

我见过不少人把1/2π当成“规定”草草背过，但其实它完全可以推出来。核心思路从傅里叶级数出发看连续化的过程。

一个周期为T的信号x(t)，傅里叶级数系数为：

$$c_n=\frac{1}{T}\int_{-T/2}^{T/2}x(t)e^{-j\frac{2\pi n}{T}t}dt$$

当T→∞时，令ω0=2π/T为基频，随着T增大，ω0变得越来越小。此时相邻谱线的间隔Δω=2π/T→0，离散的c_n就趋向于连续的X(ω)。但要注意，c_n本身趋于0，因为能量被无限多根谱线平分了，所以不能直接用c_n定义X(ω)，而是用密度T·c_n来定义：

$$X(\omega)=\lim_{T\to\infty}T\cdot c_n$$

代入c_n的表达式，得到X(ω)=∫x(t)e^{-jωt}dt，这正是不带系数的正变换。反过来，由c_n重构x(t)的傅里叶级数求和：

$$x(t)=\sum_{n=-\infty}^{\infty}c_n e^{j\frac{2\pi}{T}nt}$$

把c_n=T^{-1}X(ω)代进去，并用Δω=2π/T替换，原和式变为：

$$x(t)=\frac{1}{2\pi}\sum_{n=-\infty}^{\infty}X(\omega)e^{j\omega t}\Delta\omega$$

当T→∞、Δω→0时，上式变成积分：

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

1/2π就这样自然出现了。它本质是离散谱线间隔Δω在连续化过程中留下的“历史痕迹”，相当于把单位弧度频率内的谱线密度做一个换算。这个过程也让我彻底理解了为什么逆变换要带系数而正变换不带：因为是“谱密度”重构原函数，密度就必须乘以一个无穷小的区间再求和，系数用来保证量纲和幅度的正确。

3.3 用矩形脉冲走一遍完整计算

定义很抽象，必须演算一题才能落地。我选矩形脉冲，因为它是后续所有脉冲波形频谱推导的基础。设宽度为τ、幅度为1的矩形脉冲：

$$x(t)=\begin{cases}1,& |t|\le \tau/2\0,& |t|>\tau/2\end{cases}$$

代入X(f)的定义：

$$X(f)=\int_{-\tau/2}^{\tau/2}1\cdot e^{-j2\pi f t}dt$$

这是一个标准复指数积分，直接算：

$$X(f)=\frac{e^{-j2\pi f\tau/2}-e^{j2\pi f\tau/2}}{-j2\pi f}$$

分子是两个共轭复指数之差，等于-2j·sin(πfτ)，于是：

$$X(f)=\frac{-2j\sin(\pi f\tau)}{-j2\pi f}=\tau\cdot\frac{\sin(\pi f\tau)}{\pi f\tau}=\tau\cdot\operatorname{sinc}(\pi f\tau)$$

这里用到了归一化sinc函数的定义：sinc(x)=sin(πx)/(πx)。结论就一句话：矩形脉冲的频谱是sinc函数，第一零点出现在f=1/τ处。脉宽τ越宽，频谱主瓣越窄；脉宽τ越窄，频谱铺得越开。这个“时间越短频带越宽”的结论，就是通信系统带宽设计的根本矛盾。这个例题做完后，整个推导体系和计算套路基本就掌握了。

4. 三角脉冲的傅里叶变换：一种忘不掉的记忆方法

4.1 图形法：先看卷积再看频谱，记住“卷积变相乘”

三角脉冲是信号处理、光学和数值分析里经常遇到的波形。表面积分去算当然可以，但更容易记、也不容易出错的方法，是利用卷积定理从图形出发。

关键观察：把一个宽度为τ的矩形脉冲和自己做卷积，得到的就是一个底宽2τ、峰值为τ的三角形。为什么？矩形脉冲卷积的几何意义是“平移、翻转、相乘、积分”，两个宽度相同的矩形卷积，重叠面积从0线性增加到τ，再线性下降到0，形成的正是三角形。这是卷积里最经典的入门图形。

时域卷积对应频域相乘。矩形脉冲的傅里叶变换刚才算过，是τ·sinc(fτ)，那么三角脉冲的频谱就是它的平方：

$$X_{\Delta}(f)=\left[\tau\operatorname{sinc}(f\tau)\right]^2=\tau^2\operatorname{sinc}^2(f\tau)$$

这个结论本身简洁得惊人：矩形脉冲的频谱是sinc，三角形脉冲的频谱就是sinc的平方。零点还在同样的位置f=k/τ处，但旁瓣的衰减速度从1/f变成1/f²，明显快得多。这种“时域一次卷积，频域一次平方”的规律，整个信号处理中用得极多，从采样保持器的孔径效应分析，到图像处理里的双线性插值，都能看到它的影子。

4.2 从积分定义硬推一遍，加深理解

图形法快，但心里总归要有一遍严格推导才踏实。设三角脉冲：

$$x(t)=\begin{cases}1-\frac{2|t|}{\tau},& |t|\le \tau/2\0,& |t|>\tau/2\end{cases}$$

以τ/2为界，把积分拆成t<0和t>0两段，考虑到函数是偶函数，频谱可以直接化简为：

$$X(f)=2\int_{0}^{\tau/2}\left(1-\frac{2t}{\tau}\right)\cos(2\pi f t),dt$$

这个积分是“多项式乘三角”的标准形式，用分部积分法处理。第一步令u=1-2t/τ，dv=cos(2πft)dt，计算后整理，最终会得到：

$$X(f)=\frac{4(1-\cos 2\pi f\tau)}{(2\pi f)^2\tau}$$

再用三角恒等式1-cosθ=2sin²(θ/2)，就得到：

$$X(f)=\frac{4\cdot2\sin^2(\pi f\tau)}{4\pi^2 f^2\tau}=\tau^2\left(\frac{\sin(\pi f\tau)}{\pi f\tau}\right)^2=\tau^2\operatorname{sinc}^2(f\tau)$$

和卷积定理的结果完全一致。两条路殊途同归，但图形法更容易记住最终形式，积分推导帮你建立信任感，两个都走一遍就不会再虚了。

4.3 记忆口诀、常见误区与工程直觉

我自己记三角脉冲频谱时，用的口诀只有一句话：“矩形出sinc，卷积变三角，频谱是平方。”每次都从矩形脉冲出发推，哪怕一时间忘了公式，也能在三秒钟之内重新得到结果。

但有几个误区需要特别提醒。第一，三角脉冲的频谱是sinc²，不是sinc(2fτ)之类的别的东西。sinc²比sinc看起来相似，旁瓣衰减完全不同。第二，主瓣带宽：矩形脉冲第一零点在f=1/τ，三角脉冲第一零点也在1/τ，但三角脉冲如果用底宽2τ来定义，第一零点就会变成2/T往上的位置，计算前一定要先确认时域表达式的定义，否则零点位置差着倍数。第三，三角脉冲不等于升余弦脉冲，升余弦频谱是连续解析表达式，比sinc²衰减更快，工程上常用来做脉冲整形，不能混为一谈。

从工程角度看，三角脉冲频谱旁瓣低、收敛快，做窗函数时能有效抑制频谱泄漏，但主瓣比矩形窗宽，频率分辨能力稍差。这个“主瓣宽度”和“旁瓣电平”的权衡，几乎贯穿所有窗函数设计，三角窗只是最简单的一档。

5. 工程实战：那些公式书上不写，但一定会踩的坑

5.1 选公式之前，先分清你的信号是什么类型

拿到一个信号，先用三秒钟判断它是周期信号、非周期连续信号，还是有限长离散采样序列。判断错了，公式用得再熟也是白搭。周期信号直接用傅里叶级数，得到的是离散谱线；非周期连续信号用傅里叶变换，得到的是连续谱密度；计算机里能处理的只有DFT/FFT，对应的是离散化的频谱采样值。

一个常见的困惑：周期信号也能做FFT吗？当然能，但FFT默认输入是有限长序列，相当于给周期信号先截断了。截断会带来频谱泄漏（spectral leakage），原本一根细谱线变成了一片带旁瓣的形状。缓解手段是加窗，但加窗也有副作用，主瓣变宽，两个频率很近的分量可能会糊在一起分不开。这就是为什么做频谱分析时，你要在“频率分辨率”和“旁瓣泄漏”之间做权衡。

实际测试中，我建议先做一次不加窗的FFT看全局谱形，确定关注频段后，再针对性地加汉宁窗或平顶窗进一步精细化。汉宁窗的旁瓣衰减快，适合宽频带分析；平顶窗的幅度精度高，适合校准测试；矩形窗频率分辨率最好，但泄漏最严重。

5.2 FFT分析绕不开的三个高频坑

第一坑：采样率不够导致频谱混叠。奈奎斯特定理告诉我们，采样率必须大于信号最高频率的两倍，否则高频成分会折叠到低频区，伪装成不存在的低频信号。这里的“最高频率”指模拟信号本身的带宽，不是你关心的带宽，最好在采样前加抗混叠低通滤波器。我见过有同学在数据采集卡前端没有滤波，结果FFT里出现一堆莫名其妙的谱峰，折腾好久才发现是混叠。

第二坑：补零不等于提高分辨率。FFT点数N不够，频谱看起来“很粗”，有人把序列末尾补一堆零再做更长点数的FFT，看起来谱线变密了，心里很爽。但补零只相当于对原频谱做插值，它不会改变真实的物理分辨率，真实分辨率只取决于数据持续时长T：Δf=1/T。也就是说，你想分辨两个相差只有0.1Hz的信号，至少得采10秒的数据，补再多零也救不了你。这个坑在工程应用中出现频率极高，一定要记住根本公式。

第三坑：幅度修正。做FFT后直接取模得到的幅度，跟真实幅度往往对不上。矩形窗时，单频正弦的FFT峰值幅度大约为A·N/2，其中A是真实幅度，N是采样点数，所以要把峰值乘以2/N才大致还原出幅度。换了汉宁窗，主瓣幅度还会进一步损失约一半，需要乘以相应的窗恢复系数。实际测量中，最好的做法是用已知幅度的标准信号去校准系统增益，而不是从理论上死抠系数。

下面给一段Python示例，演示一次完整的FFT频谱分析流程，用来校准幅度并画单边频谱：

import numpy as np import matplotlib.pyplot as plt fs = 1000 # 采样率 1000 Hz T = 2.0 # 采样时长 2 s N = int(fs * T) # 采样点数 t = np.arange(N) / fs # 合成信号：50Hz幅度1.0，120Hz幅度0.5，加一点噪声 x = 1.0 * np.sin(2*np.pi*50*t) + 0.5*np.sin(2*np.pi*120*t) x += 0.1 * np.random.randn(N) win = np.hanning(N) xw = x * win X = np.fft.rfft(xw, n=N) * 2 / np.sum(win) # 窗函数幅度恢复 freq = np.fft.rfftfreq(N, d=1/fs) mag = np.abs(X) plt.plot(freq, mag) plt.xlabel('Frequency (Hz)') plt.ylabel('Amplitude') plt.title('Windowed FFT Spectrum') plt.xlim(0, 200) plt.grid(True) plt.show()

注意这里用了rfft，只算正频率部分，节省一半计算量。乘以2/N的修正已经考虑了窗函数的能量损失，用的是窗函数求和值np.sum(win)来代替N，这样换窗函数时修正也相对准确。

5.3 实测下来的几个心得，帮你少走弯路

最后分享几个我用频谱分析做工程排查时沉淀下来的经验。

第一，分析前先看时域波形。先确认信号是干净的还是有毛刺、有直流偏置、有趋势项，再做FFT。很多人一上来就FFT，结果频谱里一大片零频附近的高能量，其实只是直流偏置在作怪。此时先减去均值或做高通滤波，就能露出真正关心的中高频细节。

第二，频谱分辨率的需求要一次性算明白。例如做电机轴承故障诊断，需要区分转速频率的多次谐波，分辨率可能要到0.1Hz，那采集时长就必须在10秒以上。合理安排采样时长和采样率，往往比事后加窗、插值更能彻底解决问题。

第三，不要把FFT的结果直接当“真值”。频谱泄漏、栅栏效应、窗函数幅度修正误差、传感器本身的频响不平坦，每一项都会给最终幅值带来偏差。重要的测试，一定要用已知信号源做一次全链路校准，把误差修正到可接受范围内。

第四，如果频谱中出现了幅度随时间变化的情况，单纯FFT可能不够，要改用短时傅里叶变换（STFT）或小波分析。例如声音信号里的变频特征，就看得出“什么时候出现什么频率”，而不是只能看到“整个时间段里有哪些频率”。

傅里叶变换难学，难不在四则运算，难在建立“换一个角度看信号”的思维方式。我当年也是被那堆积分符号折磨得够呛，后来靠一遍遍画矩形脉冲、画三角脉冲、套卷积定理，才慢慢把那些公式从纸面变成了直觉。现在你把这几个经典例子跟着推一遍，再打开MATLAB或Python动手跑几个信号的FFT，那些原本像是天书一样的符号，就能真正变成你工具箱里顺手的东西了。