傅里叶变换公式推导-傅里叶公式推导

傅里叶变换，作为信号处理、物理学、工程学乃至金融数学等多个领域的基石性数学工具，其核心思想在于将任何复杂的、时域上的函数或信号，分解为一系列不同频率、不同振幅的简单正弦波或余弦波的叠加。这一思想的革命性在于，它为我们提供了一种从“时间视角”切换到“频率视角”来观察和分析世界的强大方法。在时域中看似杂乱无章或难以处理的信号（如音频波形、电磁脉冲、股价波动等），在频域中可能表现为若干清晰可辨的谱线，从而极大地简化了滤波、压缩、识别、求解微分方程等问题的复杂度。理解傅里叶变换的推导过程，不仅仅是掌握一套数学演算，更是深刻领悟“化繁为简”这一科学方法论的精髓。从经典的三角函数形式到更一般的复指数形式，其推导链条清晰展现了数学的严谨与美感。对于广大学习者，尤其是需要通过各类职业或专业考试的考生来说呢，透彻理解傅里叶变换的推导逻辑，而非仅仅记忆公式，是构建坚实知识体系、提升解决实际问题能力的关键一步。易搜职考网始终认为，夯实此类核心理论基础，是应对高层次技术岗位考核与职业发展的根本所在。

傅里叶变换的起源可以追溯到法国数学家约瑟夫·傅里叶在研究热传导问题时的工作。他提出，任何周期函数都可以表示为一系列正弦和余弦函数的无穷级数之和，即傅里叶级数。这是从周期函数到频率分析的桥梁，也是理解更一般的非周期函数傅里叶变换的起点。整个推导过程可以看作一个从特殊到一般，从离散到连续的优美扩展。

从周期函数到傅里叶级数

我们首先考虑一个周期为 T 的周期函数 f(t)，即满足 f(t + T) = f(t)。傅里叶指出，在满足一定条件（狄利克雷条件）下，该函数可以展开为如下三角形式的级数：

f(t) = a₀/2 + Σ_{n=1}^{∞} [a_n cos(nω₀t) + b_n sin(nω₀t)]

其中，ω₀ = 2π/T 称为基波角频率，nω₀ 就是 n 次谐波的角频率。系数 a₀, a_n, b_n 称为傅里叶系数，它们决定了各频率分量的幅度。

推导这些系数的关键，在于三角函数系的正交性。即在单个周期内，不同频率的正弦、余弦函数相乘的积分为零。具体来说呢：

• ∫_{-T/2}^{T/2} cos(mω₀t) cos(nω₀t) dt = 0, 当 m ≠ n
• ∫_{-T/2}^{T/2} sin(mω₀t) sin(nω₀t) dt = 0, 当 m ≠ n
• ∫_{-T/2}^{T/2} sin(mω₀t) cos(nω₀t) dt = 0, 对所有 m, n
• ∫_{-T/2}^{T/2} cos(mω₀t) cos(mω₀t) dt = T/2, 当 m ≠ 0
• ∫_{-T/2}^{T/2} sin(mω₀t) sin(mω₀t) dt = T/2

利用这个性质，我们可以通过“投影”的方法求出各个系数。
例如，为了求 a_n，我们将傅里叶级数等式两边同时乘以 cos(nω₀t)，并在一个周期内积分：

∫_{-T/2}^{T/2} f(t) cos(nω₀t) dt = ∫_{-T/2}^{T/2} [a₀/2 + Σ_{m=1}^{∞} (a_m cos(mω₀t) + b_m sin(mω₀t))] cos(nω₀t) dt

根据正交性，等式右边除了 m = n 的那一项 a_n cos(nω₀t) cos(nω₀t) 的积分不为零外，其他所有项的积分都为零。于是：

∫_{-T/2}^{T/2} f(t) cos(nω₀t) dt = a_n ∫_{-T/2}^{T/2} cos²(nω₀t) dt = a_n (T/2)

也是因为这些，我们得到：a_n = (2/T) ∫_{-T/2}^{T/2} f(t) cos(nω₀t) dt, 对于 n ≥ 1。

类似地，两边乘以 sin(nω₀t) 并积分，可得：b_n = (2/T) ∫_{-T/2}^{T/2} f(t) sin(nω₀t) dt, 对于 n ≥ 1。

而对于常数项 a₀，直接对级数两边在一个周期内积分，所有正弦余弦项的积分均为零，得到：∫_{-T/2}^{T/2} f(t) dt = ∫_{-T/2}^{T/2} (a₀/2) dt = a₀/2 T，所以 a₀ = (2/T) ∫_{-T/2}^{T/2} f(t) dt。这正好是函数在一个周期内的平均值的两倍。

从三角形式到复指数形式

虽然三角形式直观，但复指数形式在数学处理上更为简洁和统一。根据欧拉公式 e^{iθ} = cosθ + i sinθ，我们可以将余弦和正弦函数表示为：

cosθ = (e^{iθ} + e^{-iθ})/2, sinθ = (e^{iθ} - e^{-iθ})/(2i)

将这两个表达式代入三角形式的傅里叶级数中，经过代数重组，我们可以得到复指数形式的傅里叶级数：

f(t) = Σ_{n=-∞}^{∞} c_n e^{i n ω₀ t}

其中，求和从负无穷到正无穷，系数 c_n 是一个复数。将三角形式的 a_n 和 b_n 用复指数表示并代入，可以推导出 c_n 的表达式：

c_n = (1/T) ∫_{-T/2}^{T/2} f(t) e^{-i n ω₀ t} dt, 对于所有整数 n。

这里，c_n 包含了对应频率分量的幅度和相位信息。当 n 为正时，对应正频率分量；n 为负时，对应负频率分量，这在数学上是完备表示所必需的。复指数形式的优越性在于，它将原来用两个实数系数（a_n, b_n）表示一个频率分量的方式，统一为一个复数系数 c_n，并且求系数的公式也统一为一个简洁的积分形式。这对于后续向非周期函数推广至关重要。

从傅里叶级数到傅里叶变换

傅里叶级数处理的是周期函数。那么，对于非周期函数，我们该如何进行频率分析呢？一个关键的思路是：将非周期函数视为周期趋于无穷大的周期函数。当周期 T → ∞ 时，基波频率 ω₀ = 2π/T → 0，离散的谐波频率 nω₀ 之间的间隔无限缩小，最终变成一个连续的变量，我们记作 ω。
于此同时呢，离散的求和 Σ 就转变为连续的积分 ∫。

让我们从复指数形式的傅里叶级数出发：

f_T(t) = Σ_{n=-∞}^{∞} c_n e^{i n ω₀ t}, 其中 c_n = (1/T) ∫_{-T/2}^{T/2} f_T(τ) e^{-i n ω₀ τ} dτ

这里我们用 f_T(t) 表示周期函数，用 τ 作为积分变量以避免混淆。将 c_n 的表达式代入 f_T(t)：

f_T(t) = Σ_{n=-∞}^{∞} [ (1/T) ∫_{-T/2}^{T/2} f_T(τ) e^{-i n ω₀ τ} dτ ] e^{i n ω₀ t}

注意到 ω₀ = 2π/T，所以 1/T = ω₀/(2π)。代入上式：

f_T(t) = Σ_{n=-∞}^{∞} [ (ω₀/(2π)) ∫_{-T/2}^{T/2} f_T(τ) e^{-i n ω₀ τ} dτ ] e^{i n ω₀ t}

当 T → ∞ 时，f_T(t) 趋近于我们的非周期函数 f(t)，ω₀ → dω（一个无穷小量），离散的 nω₀ 变为连续的变量 ω，求和 Σ 变为关于 ω 的积分。观察中括号内的部分：

(ω₀/(2π)) ∫_{-T/2}^{T/2} f_T(τ) e^{-i n ω₀ τ} dτ

在极限情况下，这个表达式可以看作是一个关于 ω 的函数。我们定义这个函数为 F(ω)：

F(ω) = ∫_{-∞}^{∞} f(τ) e^{-i ω τ} dτ

这就是傅里叶变换的正变换公式。它将一个时域函数 f(t) 映射到频域函数 F(ω)。F(ω) 通常是一个复函数，其模表示频谱幅度，辐角表示频谱相位。

再看整个 f_T(t) 的表达式，在极限下变为：

f(t) = (1/(2π)) ∫_{-∞}^{∞} F(ω) e^{i ω t} dω

这就是傅里叶逆变换公式。它将频域函数 F(ω) 映射回时域函数 f(t)。正变换与逆变换构成了一个完美的对偶关系，揭示了时域与频域之间的等价且可逆的转换。

傅里叶变换的深入理解与性质

理解傅里叶变换的推导后，掌握其基本性质能帮助我们更灵活地应用它。这些性质本身也可以通过定义式推导出来，是考试和实际应用中的重点。易搜职考网提醒考生，熟练推导和记忆这些性质至关重要。

• 线性性质：若 f(t) ↔ F(ω)， g(t) ↔ G(ω)，则 a f(t) + b g(t) ↔ a F(ω) + b G(ω)。这是由积分的线性性直接得出的。
• 时移性质：f(t - t₀) ↔ e^{-iωt₀} F(ω)。信号在时域上的延迟，对应于频域中乘以一个线性相移因子。
• 频移性质：e^{iω₀t} f(t) ↔ F(ω - ω₀)。时域乘以一个复指数，导致频谱在频域上平移。
• 尺度变换性质：f(at) ↔ (1/|a|) F(ω/a)。时域信号的压缩（a>1），会导致频域频谱的扩展，反之亦然。这体现了时域与频域之间的不确定性原理。
• 微分性质：df(t)/dt ↔ iω F(ω)。时域的微分运算，在频域中简化为乘以 iω 的代数运算，这对求解微分方程极为有用。
• 卷积定理：这是最重要的性质之一。时域卷积 f(t) g(t) ↔ F(ω) G(ω)，时域乘积 f(t) g(t) ↔ (1/(2π)) F(ω) G(ω)。它将复杂的时域卷积运算转化为简单的频域乘法运算，是线性系统分析和滤波设计的核心理论基础。

实际应用与注意事项

在工程实际和计算机处理中，我们面对的是离散时间和有限长度的信号，因此使用的是离散傅里叶变换及其高效算法——快速傅里叶变换。DFT/FFT 可以看作是连续傅里叶变换在离散情况下的近似，其推导思路与从连续到离散的采样定理密切相关。理解连续傅里叶变换的推导，是理解DFT/FFT窗效应、频谱泄漏、分辨率等概念的前提。

在推导和应用傅里叶变换时，必须注意其存在的条件。绝对可积条件 ∫_{-∞}^{∞} |f(t)| dt < ∞ 是一个充分条件，但并非所有绝对可积的函数都满足，也存在一些不绝对可积的重要函数（如常数、正弦函数）其傅里叶变换需要借助广义函数（如冲激函数 δ）来定义。
除了这些以外呢，对于能量信号，我们经常使用能量谱密度；对于功率信号，则使用功率谱密度。

傅里叶变换的推导历程，从具体的物理问题出发，通过深刻的数学洞察，建立起一套普适而强大的分析工具。它不仅解决了大量科学与工程问题，其“变换域分析”的思想还催生了拉普拉斯变换、小波变换等一系列后续发展。对于致力于在技术领域深造的考生和从业者来说呢，花费精力深入理解其推导脉络，掌握其思想精髓，远比死记硬背公式更有价值。易搜职考网在相关的职业资格与专业技能培训课程中，始终强调这种追本溯源、理解内核的学习方法，帮助学员构建扎实、可迁移的知识框架，以从容应对职场挑战与技术革新。