常用傅里叶变换公式大全

傅里叶变换这东西，听起来就觉得挺高深的，但它其实没那么神秘。说白了，它就是个工具，能帮你把一个信号（比如一段声音，或者一张图片）从时间或者空间的角度，转换到频率的角度去看。这就像你听一首歌，时间域看的是“这首歌什么时候变快了，什么时候变慢了”，频率域看的就是“这首歌里有多少低音，多少高音”。我们搞工程、搞信号处理的，几乎离不开它。

咱们先从最基础、最原始的连续傅里叶变换说起。这个主要是处理那些连续变化的信号，就是你能画出一条平滑曲线的那种。

1. 连续傅里叶变换 (Continuous Fourier Transform, CFT)

你想把一个函数 $f(t)$（这个 $t$ 代表时间，或者其他连续的变量）转换到频率域，看看它里面藏着哪些频率成分。我们用一个大写的 $F(omega)$ 来表示它在频率域的样子，这里的 $omega$ 代表角频率。

公式是这样的：
$F(omega) = int_{-infty}^{infty} f(t) e^{-jomega t} dt$

这里面的 $j$ 是虚数单位，等于 $sqrt{-1}$。$e^{-jomega t}$ 这一项，你可以理解成一个复指数函数，它能帮你把 $f(t)$ 投影到不同的频率上去。你把 $f(t)$ 和它“相乘”，然后从头到尾都加起来（就是积分），就能得到 $f(t)$ 在特定频率 $omega$ 上的能量大小和相位信息。

2. 连续傅里叶逆变换 (Inverse Continuous Fourier Transform, ICFT)

有了频率域的表示 $F(omega)$，如果你想把它变回时间域的 $f(t)$，看看原始信号是什么样子的，就需要用逆变换。

公式是：
$f(t) = frac{1}{2pi} int_{-infty}^{infty} F(omega) e^{jomega t} domega$

你会发现，它跟正变换很像，只是积分变量变成了 $omega$，指数项的符号变了，前面还多了一个 $frac{1}{2pi}$ 的系数。这个系数的存在，是为了让变换和逆变换能够完美还原，就像乘了一个数再除以同一个数一样。

这两种连续变换，理论上非常完美，但实际操作中我们很少直接用。为啥呢？因为我们电脑处理的信号，都是采样得到的，不是连续的。你录音、拍照，都是把连续的声波、光波，在特定时间点上“咔嚓”一下，变成一串离散的数字。这时候，我们就需要用到离散傅里叶变换了。

3. 离散傅里叶变换 (Discrete Fourier Transform, DFT)

DFT 是处理离散信号的。假设你有一段 $N$ 个点的离散信号 $x[n]$，这里的 $n$ 是从 $0$ 到 $N-1$ 的整数，代表信号的第几个采样点。你想知道这段信号里有哪些离散的频率成分。DFT 就能帮你做到。它会给你 $N$ 个频率点上的信息，我们通常用 $X[k]$ 来表示，这里的 $k$ 也是从 $0$ 到 $N-1$ 的整数。

公式是：
$X[k] = sum_{n=0}^{N-1} x[n] e^{-jfrac{2pi}{N}kn}$, 其中 $k = 0, 1, dots, N-1$

这个公式跟连续傅里叶变换看起来很像，只是积分号变成了求和符号，因为我们处理的是离散的点。$e^{-jfrac{2pi}{N}kn}$ 这一项，跟连续变换的 $e^{-jomega t}$ 也是对应的，它表示的是不同的离散频率分量。

DFT 得到的结果 $X[k]$ 也是离散的频率点。你可以理解为，它把你的信号分成了 $N$ 个等间隔的频率“小盒子”，每个 $X[k]$ 就是第 $k$ 个小盒子里的频率能量。

4. 离散傅里叶逆变换 (Inverse Discrete Fourier Transform, IDFT)

同样，如果你有了一段信号的 DFT 结果 $X[k]$，想把它还原成时间域的离散信号 $x[n]$，就用 IDFT。

公式是：
$x[n] = frac{1}{N} sum_{k=0}^{N-1} X[k] e^{jfrac{2pi}{N}kn}$, 其中 $n = 0, 1, dots, N-1$

你看，跟 DFT 又是很相似，只是指数项的符号变了，前面多了一个 $frac{1}{N}$ 的系数，求和变量从 $n$ 变成了 $k$。这个 $frac{1}{N}$ 同样是为了保证还原的正确性。

DFT 和 IDFT 是我们日常做数字信号处理时，用的最多的。你手机里的语音助手，处理你的声音指令，背后就有 DFT 的影子。音乐播放器里的均衡器，也是通过处理信号的频率成分来实现的。

5. 快速傅里叶变换 (Fast Fourier Transform, FFT)

FFT 并不是一个新的傅里叶变换公式，它是一种算法。它的作用是更高效地计算 DFT。你想啊，DFT 的求和公式里面，有大量的乘法和加法运算。如果信号点 $N$ 很大，计算量会非常恐怖。FFT 巧妙地利用了 DFT 的一些对称性和周期性，把计算量大大降低了。

比如，一个 $N$ 点的 DFT，直接算需要大概 $N^2$ 次运算。但如果用 FFT 算法，计算量能降到 $N log_2 N$ 次。这个差距有多大？如果 $N=1024$， $N^2$ 是大约一百万，而 $N log_2 N$ 大约是一万。这就好比以前你搬砖一块一块搬，FFT 来了以后，告诉你怎么用叉车一次搬一堆。所以，现在的数字信号处理器、示波器、频谱分析仪，里面都跑着 FFT 算法。它让傅里叶变换从理论走向了实际，能实时处理大量数据。

6. 傅里叶级数 (Fourier Series)

最后再提一下傅里叶级数。这个是专门用来处理周期性信号的。如果你的信号是周而复始的，比如一个方波、一个三角波，它会不断重复自己。傅里叶级数就能把这种周期信号分解成一系列正弦波和余弦波（或者复指数形式）。

一个周期为 $T$ 的连续周期信号 $f(t)$，可以写成：
$f(t) = a_0 + sum_{n=1}^{infty} (a_n cos(frac{2pi n}{T} t) + b_n sin(frac{2pi n}{T} t))$

或者用复指数形式：
$f(t) = sum_{n=-infty}^{infty} c_n e^{jfrac{2pi n}{T}t}$

这里的 $a_0, a_n, b_n$ 或者 $c_n$ 就是傅里叶级数的系数，它们告诉你这个周期信号里面包含了多少特定频率的正弦或余弦成分。这些系数的计算公式也挺直接的：

$a_0 = frac{1}{T} int_{0}^{T} f(t) dt$
$a_n = frac{2}{T} int_{0}^{T} f(t) cos(frac{2pi n}{T} t) dt$
$b_n = frac{2}{T} int_{0}^{T} f(t) sin(frac{2pi n}{T} t) dt$

复指数形式的 $c_n$ 则是：
$c_n = frac{1}{T} int_{0}^{T} f(t) e^{-jfrac{2pi n}{T}t} dt$

傅里叶级数在分析电力系统的交流电、振动分析或者任何周期性现象时，都非常有用。它和傅里叶变换的关系，可以理解为傅里叶级数是傅里叶变换的一个特例，当信号的周期趋于无穷大时，傅里叶级数就变成了傅里叶变换。

总的来说，傅里叶变换家族的这些公式，核心思想都是一样的：把一个复杂信号拆解成一个个简单的正弦波（或者复指数波），然后看看每个正弦波的频率和强度是啥。理解了这一点，再去看这些公式，就会觉得它们亲切很多了。不管你是在处理声音、图像、振动，还是其他什么信号，傅里叶变换几乎都是你手里的一个得力工具。