尧图网页设计 
摘要本文从三维空间向量投影出发类比解释傅里叶变换的本质——将信号投影到不同频率的复指数基函数上通过内积筛选频率成分并借助正交性实现频率分离。从三维空间来看傅里叶变换频率分离本质上是投影在理解傅里叶变换之前可以先看一个更熟悉的三维空间例子。假设一个三维向量为其中 ex,ey,ez 是三个互相垂直的单位向量。这个向量同时包含 x、y、z 三个方向上的分量。如果想知道它在 y方向上有多少那么只需要计算它和 ey 的内积由于三个坐标轴互相正交ex 在 ey 上的投影为 0因此 ex • ey 0另外所以最后只剩下这说明内积天然具有“筛选方向”的作用目标方向上的分量会留下来其他正交方向上的分量会被消掉。傅里叶变换做的是同一类事情只是对象从三维向量变成了时间函数。三维空间中的“方向”是 ex,ey,ez而傅里叶分析中的“方向”是不同频率的复指数函数e^(jωt)。如果把信号 x(t) 看成函数空间中的一个向量那么e^(jωt)就是频率为 ω 的一个基方向。傅里叶变换就是计算信号 x(t) 在这个频率方向上的投影。这里的积分对应三维向量内积中的求和而e^(-jωt)来自复指数基函数 e^(jωt)的共轭。三维空间中互相垂直的坐标轴可以分离不同方向的分量傅里叶变换中不同频率的复指数在积分意义下正交因此可以分离不同频率的分量。下面这张图可以辅助说明这个类比。图中黑色向量表示原始向量红、绿、蓝三条线分别表示它在 x、y、z 三个方向上的投影。原始向量可以看成三个互相正交方向分量的叠加。傅里叶变换也是类似的一个复杂信号可以看成许多不同频率分量的叠加而“乘以复指数再积分”就是把它投影到某一个频率方向上。傅里叶变换中最容易让人卡住的一步是这个表达式表面上看它只是把信号 x(t) 乘上一个复指数函数然后对时间积分但实际效果却像是在问“信号里有多少频率为 ω 的成分”要理解这一点可以先把傅里叶变换看成一种“投影”。在二维或三维空间里一个向量可以分解到不同坐标轴上。若想知道它在某个方向上的分量就计算它和该方向单位向量的内积。信号也可以类似理解只不过它不是有限维向量而是随时间变化的函数复指数e^(jωt)则相当于函数空间里的一组基向量或者说一组“频率方向”。傅里叶变换做的事就是把信号分别投影到这些不同频率的复指数上。投影结果大说明信号中含有较多这个频率的成分投影结果小说明这个频率成分较弱或者不存在。这里用复指数而不是单独用正弦、余弦是因为复指数同时包含余弦和正弦两部分最优美公式-欧拉公式轻松理解版它不仅能描述“振动频率”还能保留“相位信息”因此比单独的实正弦函数更方便。关键问题在于为什么不同频率之间可以被分开这来自复指数之间的正交性。假设信号中有一个简单分量如果用傅里叶变换去检测频率 ω就会得到当 ω ω0 时指数项变成 1被积函数不再振荡积分会持续累加当 ω ≠ ω0 时被积函数仍然是一个旋转的复指数随着时间在复平面上转圈积分时各个方向的贡献会互相抵消。换句话说乘以 e^(-jωt) 的作用是把频率为 ω 的分量搬到零频积分的作用则是对乘积结果做时间累加或平均。只有被准确搬到零频的部分会留下来其他频率由于还在振荡平均后趋于零。这和无线通信里的混频、锁相放大器里的同步检测是同一个思想先把目标频率搬到低频或直流再通过积分或低通滤波把它提取出来。从这个角度看傅里叶变换并不是一个抽象到难以理解的数学操作而是一种非常直接的“相关检测”拿一个已知频率的参考信号去和原信号比较看二者是否同步。同步时会积累不同步时会抵消。图1 时域信号及其频率投影图 1 给出了一个有限时间信号的例子。信号由 50Hz 和 120Hz 两个余弦分量叠加而成。只看上半部分的时域波形虽然能感觉到它具有周期性但很难直接从波形中准确判断出有两个频率更难判断它们各自的幅值。下半部分则是对一组候选频率逐一扫描的结果对每个频率 f都计算结果在 50Hz 和 120Hz 附近出现了两个明显峰值说明原信号与这两个频率的复指数具有较大的内积。严格来说图中画出的不是无限长时间下的理想傅里叶变换而是有限时间积分的结果。有限时间观测会带来一个很重要的现实问题频率分量不会表现为无限细的线而会形成具有一定宽度的峰。观测时间越长能够区分的频率间隔越小峰越窄观测时间越短频率分辨率越差两个相近频率更容易混在一起。这也是实际使用 FFT 时经常遇到的现象。很多人以为 FFT 点数越多频率分辨率就一定越高但更准确地说真正决定基本频率分辨率的是有效观测时间补零可以让频谱曲线看起来更平滑却不能凭空增加信号中没有提供的信息。图1 的意义就在于它把傅里叶变换最核心的动作显式地画了出来不是“直接调用 FFT”而是逐个频率地做复指数投影。图2 频率匹配与不匹配时乘积在复平面上的轨迹图2 从复平面角度展示了“为什么频率不匹配会抵消”。假设信号里有一个 50Hz 的复指数分量 e^(j2π50t)然后分别用 45Hz、50Hz 和 60Hz 的检测频率去乘它。乘积为当检测频率 f 50 时乘积等于 1轨迹固定在复平面上的一个点积分会沿同一个方向不断累加当检测频率为 45Hz 或 60Hz 时乘积仍然在复平面上旋转积分相当于把圆周上许多不同方向的向量相加最终大部分相互抵消。这个图也解释了为什么傅里叶变换的结果通常是复数复数不仅给出“有多少”也给出“相位在哪里”。幅值 |X(ω)| 反映该频率成分的强弱相角 ∠X(ω) 则反映它相对于参考复指数的相位。对于实际采样信号还需要考虑采样率、混叠、窗函数和频率栅格等因素如果信号频率没有正好落在离散傅里叶变换的频率点上能量会扩散到相邻频点这就是频谱泄漏。窗函数可以改善泄漏形态但会在主瓣宽度和旁瓣高度之间做取舍。尽管这些工程细节会影响频谱图的外观傅里叶变换的基本机制仍然很简单复指数提供频率方向乘法完成频率搬移积分完成投影与平均不同频率之间依靠正交性实现分离。如若喜欢这篇文章不妨留下您宝贵的点赞这将是对我莫大的鼓励。 信号里的频率是怎么“挖”出来的？
摘要本文从三维空间向量投影出发类比解释傅里叶变换的本质——将信号投影到不同频率的复指数基函数上通过内积筛选频率成分并借助正交性实现频率分离。从三维空间来看傅里叶变换频率分离本质上是投影在理解傅里叶变换之前可以先看一个更熟悉的三维空间例子。假设一个三维向量为其中 ex,ey,ez 是三个互相垂直的单位向量。这个向量同时包含 x、y、z 三个方向上的分量。如果想知道它在 y方向上有多少那么只需要计算它和 ey 的内积由于三个坐标轴互相正交ex 在 ey 上的投影为 0因此 ex • ey 0另外所以最后只剩下这说明内积天然具有“筛选方向”的作用目标方向上的分量会留下来其他正交方向上的分量会被消掉。傅里叶变换做的是同一类事情只是对象从三维向量变成了时间函数。三维空间中的“方向”是 ex,ey,ez而傅里叶分析中的“方向”是不同频率的复指数函数e^(jωt)。如果把信号 x(t) 看成函数空间中的一个向量那么e^(jωt)就是频率为 ω 的一个基方向。傅里叶变换就是计算信号 x(t) 在这个频率方向上的投影。这里的积分对应三维向量内积中的求和而e^(-jωt)来自复指数基函数 e^(jωt)的共轭。三维空间中互相垂直的坐标轴可以分离不同方向的分量傅里叶变换中不同频率的复指数在积分意义下正交因此可以分离不同频率的分量。下面这张图可以辅助说明这个类比。图中黑色向量表示原始向量红、绿、蓝三条线分别表示它在 x、y、z 三个方向上的投影。原始向量可以看成三个互相正交方向分量的叠加。傅里叶变换也是类似的一个复杂信号可以看成许多不同频率分量的叠加而“乘以复指数再积分”就是把它投影到某一个频率方向上。傅里叶变换中最容易让人卡住的一步是这个表达式表面上看它只是把信号 x(t) 乘上一个复指数函数然后对时间积分但实际效果却像是在问“信号里有多少频率为 ω 的成分”要理解这一点可以先把傅里叶变换看成一种“投影”。在二维或三维空间里一个向量可以分解到不同坐标轴上。若想知道它在某个方向上的分量就计算它和该方向单位向量的内积。信号也可以类似理解只不过它不是有限维向量而是随时间变化的函数复指数e^(jωt)则相当于函数空间里的一组基向量或者说一组“频率方向”。傅里叶变换做的事就是把信号分别投影到这些不同频率的复指数上。投影结果大说明信号中含有较多这个频率的成分投影结果小说明这个频率成分较弱或者不存在。这里用复指数而不是单独用正弦、余弦是因为复指数同时包含余弦和正弦两部分最优美公式-欧拉公式轻松理解版它不仅能描述“振动频率”还能保留“相位信息”因此比单独的实正弦函数更方便。关键问题在于为什么不同频率之间可以被分开这来自复指数之间的正交性。假设信号中有一个简单分量如果用傅里叶变换去检测频率 ω就会得到当 ω ω0 时指数项变成 1被积函数不再振荡积分会持续累加当 ω ≠ ω0 时被积函数仍然是一个旋转的复指数随着时间在复平面上转圈积分时各个方向的贡献会互相抵消。换句话说乘以 e^(-jωt) 的作用是把频率为 ω 的分量搬到零频积分的作用则是对乘积结果做时间累加或平均。只有被准确搬到零频的部分会留下来其他频率由于还在振荡平均后趋于零。这和无线通信里的混频、锁相放大器里的同步检测是同一个思想先把目标频率搬到低频或直流再通过积分或低通滤波把它提取出来。从这个角度看傅里叶变换并不是一个抽象到难以理解的数学操作而是一种非常直接的“相关检测”拿一个已知频率的参考信号去和原信号比较看二者是否同步。同步时会积累不同步时会抵消。图1 时域信号及其频率投影图 1 给出了一个有限时间信号的例子。信号由 50Hz 和 120Hz 两个余弦分量叠加而成。只看上半部分的时域波形虽然能感觉到它具有周期性但很难直接从波形中准确判断出有两个频率更难判断它们各自的幅值。下半部分则是对一组候选频率逐一扫描的结果对每个频率 f都计算结果在 50Hz 和 120Hz 附近出现了两个明显峰值说明原信号与这两个频率的复指数具有较大的内积。严格来说图中画出的不是无限长时间下的理想傅里叶变换而是有限时间积分的结果。有限时间观测会带来一个很重要的现实问题频率分量不会表现为无限细的线而会形成具有一定宽度的峰。观测时间越长能够区分的频率间隔越小峰越窄观测时间越短频率分辨率越差两个相近频率更容易混在一起。这也是实际使用 FFT 时经常遇到的现象。很多人以为 FFT 点数越多频率分辨率就一定越高但更准确地说真正决定基本频率分辨率的是有效观测时间补零可以让频谱曲线看起来更平滑却不能凭空增加信号中没有提供的信息。图1 的意义就在于它把傅里叶变换最核心的动作显式地画了出来不是“直接调用 FFT”而是逐个频率地做复指数投影。图2 频率匹配与不匹配时乘积在复平面上的轨迹图2 从复平面角度展示了“为什么频率不匹配会抵消”。假设信号里有一个 50Hz 的复指数分量 e^(j2π50t)然后分别用 45Hz、50Hz 和 60Hz 的检测频率去乘它。乘积为当检测频率 f 50 时乘积等于 1轨迹固定在复平面上的一个点积分会沿同一个方向不断累加当检测频率为 45Hz 或 60Hz 时乘积仍然在复平面上旋转积分相当于把圆周上许多不同方向的向量相加最终大部分相互抵消。这个图也解释了为什么傅里叶变换的结果通常是复数复数不仅给出“有多少”也给出“相位在哪里”。幅值 |X(ω)| 反映该频率成分的强弱相角 ∠X(ω) 则反映它相对于参考复指数的相位。对于实际采样信号还需要考虑采样率、混叠、窗函数和频率栅格等因素如果信号频率没有正好落在离散傅里叶变换的频率点上能量会扩散到相邻频点这就是频谱泄漏。窗函数可以改善泄漏形态但会在主瓣宽度和旁瓣高度之间做取舍。尽管这些工程细节会影响频谱图的外观傅里叶变换的基本机制仍然很简单复指数提供频率方向乘法完成频率搬移积分完成投影与平均不同频率之间依靠正交性实现分离。如若喜欢这篇文章不妨留下您宝贵的点赞这将是对我莫大的鼓励。