Appearance
傅里叶变换：时域与频域
概念
上一章的卷积回答的是"系统对输入做了什么"。这一章换一个提问方式：
不再问"这个信号随时间怎么变"，而问"这个信号由哪些频率组成、各占多大分量"。
这两种看法是同一个东西的两个坐标——时域坐标（横轴是时间）与频域坐标（横轴是频率）。傅里叶变换就是这两套坐标之间的翻译器。
它之所以重要，是因为很多在时域里很难算的事，在频域里是一行：
| 在时域 | 在频域 |
|---|---|
| 卷积（要积分/求和） | 乘法（逐点相乘） |
| 微分 | 乘 jω |
| 解微分方程 | 解代数方程 |
"时域卷积 = 频域相乘"这一条，就是整个信号处理学科立身的根基。
原理
一、周期信号：傅里叶级数
周期为 T 的信号（基频 ω₀ = 2π/T）可以写成一系列谐波之和：
x(t) = Σ_k c_k · e^(j k ω₀ t) c_k = (1/T) ∫_T x(t) · e^(−j k ω₀ t) dt| 形式 | 写法 | 用途 |
|---|---|---|
| 指数形式 | Σ c_k e^(jkω₀t) | 推导性质最方便 |
| 三角形式 | a₀ + Σ[a_k cos(kω₀t) + b_k sin(kω₀t)] | 手算、直观 |
| 幅度相位形式 | A₀ + Σ A_k cos(kω₀t + φ_k) | 工程里看"频谱图" |
关键在于"频率只有 ω₀ 的整数倍"：周期信号的频谱是离散的谱线，间隔就是基频 ω₀。
方波是最经典的例子（幅度 1、周期 T、占空比 50%）：
x(t) = (4/π) · [ sin(ω₀t) + sin(3ω₀t)/3 + sin(5ω₀t)/5 + … ]| 谐波次数 k | 幅度 4/(πk) | 相对基波 |
|---|---|---|
| 1（基波） | 1.273240 | 100.00% |
| 3 | 0.424413 | 33.33% |
| 5 | 0.254648 | 20.00% |
| 7 | 0.181891 | 14.29% |
| 9 | 0.141471 | 11.11% |
两条结论：偶数次谐波系数全为 0（这是方波"半波反对称"的直接后果），奇次谐波按 1/k 衰减。另外注意基波幅度 4/π ≈ 1.27 大于方波本身的幅度 1——正弦要"尖"，才能平均出方波的平顶。
二、非周期信号：傅里叶变换
周期趋于无穷，谱线无限密集，求和变成积分：
| 正变换 | 反变换 | |
|---|---|---|
| 连续 | X(jω) = ∫ x(t) e^(−jωt) dt | x(t) = (1/2π) ∫ X(jω) e^(jωt) dω |
| 离散（DTFT） | X(e^jω) = Σ_n x[n] e^(−jωn) | 周期为 2π，所以是有限区间上的积分 |
常用变换对（要背）：
| 时域 | 频域 | 说明 |
|---|---|---|
δ(t) | 1 | 冲激包含所有频率，且等幅 |
1 | 2πδ(ω) | 直流只在 ω = 0 |
e^(−at)u(t)，a > 0 | 1/(a + jω) | 指数衰减 |
cos(ω₀t) | π[δ(ω−ω₀) + δ(ω+ω₀)] | 单频 → 两条谱线 |
| 宽度 τ 的矩形脉冲 | τ·sinc(ωτ/2) | 脉冲越窄、频带越宽 |
u(t) | πδ(ω) + 1/(jω) | 含直流分量 |
最后一行是这一章最有用的一格：矩形 ↔ sinc。它的第一个零点是 ω = 2π/τ，也就是 f = 1/τ——时域越窄，频域越宽，这是"不确定性"的第一副面孔。
三、五个必须会的性质
| 性质 | 时域 | 频域 |
|---|---|---|
| 线性 | a·x₁ + b·x₂ | a·X₁ + b·X₂ |
| 时移 | x(t − t₀) | X(jω)·e^(−jωt₀)（幅度不变，只改相位） |
| 频移（调制） | x(t)·e^(jω₀t) | X(j(ω − ω₀))（频谱搬移，通信调制的原理） |
| 卷积定理 | x * h | X(jω)·H(jω) |
| 帕塞瓦尔 | ∫∣x(t)∣²dt | (1/2π)∫∣X(jω)∣²dω |
时移只改相位这一点很实用：判断"两个信号是不是同一个信号错开了一段"时，看幅度谱是否一致、相位谱是否线性即可。
帕塞瓦尔的物理含义：换个坐标看同一个东西，能量不变——这是"变换不丢信息"的定量版本。
四、吉布斯现象：截断级数的代价
用有限项去逼近有跳变的信号，跳变处必然过冲，而且项数再多也不会消失：
| 项数 M | 最大峰值 | 超出平顶 | 占跳变（2）比例 |
|---|---|---|---|
| 1 | 1.273240 | 0.273240 | 13.66% |
| 3 | 1.200422 | 0.200422 | 10.02% |
| 11 | 1.181302 | 0.181302 | 9.07% |
| 51 | 1.179103 | 0.179103 | 8.96% |
| 501 | 1.178980 | 0.178980 | 8.95% |
峰值收敛到 1.1789797（过冲 0.17898，占跳变幅度的 8.95%）。项数增加只能让过冲的"宽度"变窄，不能让它变矮——这就是吉布斯现象。
工程含义：任何"用有限带宽重构有跳变的信号"的场合，边缘都会有波纹（图像压缩里的振铃效应就是它）。
五、从连续到离散：采样与 DFT
| 步骤 | 发生了什么 |
|---|---|
| 时域采样 | 频谱被周期延拓（周期为采样频率） |
| 延拓重叠 | 混叠：高于一半采样率的频率折叠回低频 |
| 取 N 点 | 频谱被离散化，得到 DFT（N 条谱线） |
| 快速算法 | FFT 把 O(N²) 降到 O(N log N) |
采样定理：采样率必须 > 2 倍信号最高频率（奈奎斯特频率）。少了这条，高频会伪装成低频——这就是 采样定理 那一章的全部内容，也是 44.1 kHz 的由来。
DFT 与"级数"有一处口径差异：DFT 的求和不除以采样点数 N，所以幅度值会比"解析系数"大 N/2 倍（后面的示例里会看到这个 16 倍）。
示例
例 1：项数增加时，平顶收敛、跳变处过冲不动（C）
取方波的前 M 项奇次谐波，分别看平顶上的点 t = 0.25 与靠近跳变的点 t = 0.005。
#include <stdio.h>
#include <math.h>
#define PI 3.14159265358979323846
int main(void) {
double ts[2] = {0.25, 0.005};
printf("%-6s %-12s %-12s\n", "M", "S(0.25)", "S(0.005)");
for (int M = 1; M <= 101; M += 10) {
double out[2];
for (int i = 0; i < 2; i++) {
double s = 0.0;
for (int k = 1; k <= M; k += 2) {
s += sin(2 * PI * k * ts[i]) / k;
}
out[i] = 4.0 / PI * s;
}
printf("%-6d %-12.6f %-12.6f\n", M, out[0], out[1]);
}
printf("overshoot limit = 1.1789797 (8.95%% of the jump 2)\n");
return 0;
}
c 本站为静态站，不提供在线运行；可复制到本地用 gcc / python 执行
预期输出：
M S(0.25) S(0.005)
1 1.273240 0.039993
11 0.947305 0.238126
21 1.028878 0.428512
31 0.980125 0.605169
41 1.015149 0.762912
51 0.987762 0.897650
61 1.010265 1.006593
71 0.991160 1.088383
81 1.007763 1.143120
91 0.993081 1.172291
101 1.006241 1.178617
overshoot limit = 1.1789797 (8.95% of the jump 2)读数：左列在 1 附近来回振荡（这是平顶上的振铃，幅度在收窄），右列一路爬到 1.1786，向理论过冲 1.1789797 收敛。
这正是吉布斯现象的两面：平顶上的波动会越来越小，跳变处的过冲却钉在 8.95% 不肯走。
例 2：系数、频谱、变换对、卷积定理、能量五笔账（Python）
C 段只看了部分和。这里把这一章的五个核心结论一次算清。
import math
import cmath
def pad(s, w):
dw = sum(2 if ord(c) > 0x2000 else 1 for c in str(s))
return str(s) + " " * max(0, w - dw)
def table(head, rows, gap=2):
data = [[str(c) for c in r] for r in rows]
w = [max([sum(2 if ord(c) > 0x2000 else 1 for c in str(head[i]))]
+ [sum(2 if ord(c) > 0x2000 else 1 for c in r[i]) for r in data]) + gap
for i in range(len(head))]
print(" " + "".join(pad(head[i], w[i]) for i in range(len(head))))
for r in data:
print(" " + "".join(pad(r[i], w[i]) for i in range(len(head))))
print("=== 1. 方波的傅里叶系数：只有奇次谐波，幅度按 1/k 掉 ===")
print(" 方波 x(t) = sign(sin 2πt)（周期 1、幅度 1）")
print(" 级数：x(t) = (4/π)·[sin2πt + sin6πt/3 + sin10πt/5 + ...]")
rows = []
for k in (1, 3, 5, 7, 9):
amp = 4.0 / (math.pi * k)
rows.append(["k=%d" % k, "%dπt" % (2 * k), "%.6f" % amp,
"%.4f" % (amp / (4.0 / math.pi)), "%.2f%%" % (100.0 * amp / (4.0 / math.pi))])
table(["谐波", "频率", "幅度 4/(πk)", "相对基波", "占比"], rows)
print(" 偶数次谐波系数全为 0（这才是'方波'这个形状的定义性特征）；奇次按 1/k 衰减。")
print(" 基波幅度 4/π = %.4f（比方波幅度 1 还大 —— 这是正弦尖顶补偿方波平顶的结果）。"
% (4.0 / math.pi))
print()
print("=== 2. 加上去的谐波越多越像，但过冲不肯消失（吉布斯） ===")
print(" 取前 M 项奇次谐波的部分和 S_M(t) = (4/π)·Σ sin(2πkt)/k，在细网格上求最大值：")
def partial(t, M):
s = 0.0
for k in range(1, M + 1, 2):
s += math.sin(2 * math.pi * k * t) / k
return 4.0 / math.pi * s
rows = []
for M in (1, 3, 11, 51, 501):
best = max(partial(i / 200000.0, M) for i in range(0, 100001))
rows.append(["M=%d" % M, "%.6f" % best, "%.6f" % (best - 1.0),
"%.4f%%" % (100.0 * (best - 1.0) / 2.0)])
table(["项数", "最大峰值", "超出平顶的值", "占跳变(2)的比例"], rows)
print(" 峰值收敛到 1.1789797（Wilcox 与 Strang 常引用的数），过冲 0.17898 永远不消。")
print(" 教科书口径：过冲约为跳变幅度 2 的 8.95% —— 这就是'吉布斯现象'：")
print(" 不连续点附近无论取多少项都会过冲，只是过冲的宽度随 M 收缩。")
print(" 工程含义：拿截断级数重构信号，边缘必然波纹；要么加窗（牺牲分辨率），要么接受它。")
print()
print("=== 3. 自己手搓 DFT：方波的频谱长什么样（O(N^2) 直算） ===")
N = 32
# 采样点取在格与格之间（n + 0.5），避开零点 —— 否则 sign(0) 会把半波反对称性破坏掉
xn = [1.0 if math.sin(2 * math.pi * (n + 0.5) / N) >= 0 else -1.0 for n in range(N)]
X = []
for k in range(N):
s = 0j
for n in range(N):
s += xn[n] * cmath.exp(-2j * math.pi * k * n / N)
X.append(s)
rows = []
for k in range(1, 9):
mag = abs(X[k])
rows.append(["k=%d" % k, "%.6f" % mag, "%.6f" % (mag / 2),
"%.6f" % (4.0 / (math.pi * k)) if k % 2 else "理论为 0"])
table(["频率序号", "|X[k]|", "折半后（正负频各一半）", "解析幅度 4/(πk)"], rows)
print(" 奇次序号上出现峰值、偶次严格为 0 —— 这就是半波反对称性在频谱上的样子。")
print(" 幅度比例 |X[1]|:|X[3]|:|X[5]| = %.6f : %.6f : %.6f ≈ 1 : %.4f : %.4f"
% (abs(X[1]), abs(X[3]), abs(X[5]), abs(X[3]) / abs(X[1]), abs(X[5]) / abs(X[1])))
print(" 理想值是 1 : 1/3 : 1/5，实测略大 —— 因为采样后的方波不是带限信号，高频折叠回来了一点。")
print(" 注意 DFT 值比解析幅度大 N/2 = 16 倍：离散求和不除以采样点数，这是'变换'与'级数'的口径差异。")
print()
print("=== 4. 变换对验证：e^(-at)u(t) ↔ 1/(a+jω) ===")
a = 1.0
rows = []
for w in (0.0, 1.0, 2.0, 5.0):
Xa = 1.0 / complex(a, w)
dt = 1e-5
n = int(10.0 / dt)
num = sum(math.exp(-a * (i * dt)) * cmath.exp(-1j * w * i * dt) for i in range(n)) * dt
rows.append(["%.1f" % w, "%.6f" % abs(Xa), "%.6f" % abs(num),
"%.6f" % cmath.phase(Xa), "%.2e" % abs(Xa - num)])
table(["ω", "解析 |X|", "数值 |X|", "解析相位", "误差"], rows)
print(" ω=0 时 |X| = 1/a = 1；ω=a=1 时 |X| = 1/√2 = 0.7071 —— 这正是'半功率点'，也就是 -3 dB 带宽的定义。")
print()
print("=== 5. 卷积定理：时域卷积 = 频域相乘（两条路径必须给出同一个数） ===")
A = [1.0, 2.0, 3.0, 4.0]
B = [1.0, 0.5]
def dft(x):
n = len(x)
return [sum(x[m] * cmath.exp(-2j * math.pi * k * m / n) for m in range(n)) for k in range(n)]
def cconv(x, h):
"""圆周卷积：长度固定为 L，超过 L 的绕回来（L 足够大时就等于线性卷积）"""
L = len(x)
return [sum(x[m] * h[(n - m) % L] for m in range(L)) for n in range(L)]
L = 8
padA, padB = A + [0.0] * (L - len(A)), B + [0.0] * (L - len(B))
left = dft(cconv(padA, padB))
right = [p * q for p, q in zip(dft(padA), dft(padB))]
rows = []
for k in range(L):
rows.append(["k=%d" % k, "%.6f%+.6fj" % (left[k].real, left[k].imag),
"%.6f%+.6fj" % (right[k].real, right[k].imag),
"%.2e" % abs(left[k] - right[k])])
table(["频率序号", "DFT{卷积}", "DFT{x}·DFT{h}", "差"], rows)
print(" L=8 ≥ 4+2-1=5，所以圆周卷积没有绕回污染，等于线性卷积。")
print(" 两条路径走的是完全不同的运算（一边先卷积再变换，一边先变换再逐点相乘），")
print(" 结果逐项吻合到 1e-15 量级 —— 这才是'验证'，不是把同一段代码抄两遍。")
print()
print("=== 6. 帕塞瓦尔：时域能量 = 频域能量 ===")
x = [1.0, 2.0, 3.0, 4.0]
Xk = dft(x)
E1 = sum(abs(v) ** 2 for v in x)
E2 = sum(abs(v) ** 2 for v in Xk) / len(x)
table(["口径", "值"],
[["时域 Σ|x[n]|²", "%.6f" % E1],
["频域 (1/N)Σ|X[k]|²", "%.6f" % E2],
["差", "%.2e" % abs(E1 - E2)]])
print(" 能量守恒是变换的'不丢信息'表达：换个坐标看同一个东西，总量不变。")
python 本站为静态站，不提供在线运行；可复制到本地用 gcc / python 执行
预期输出：
=== 1. 方波的傅里叶系数：只有奇次谐波，幅度按 1/k 掉 ===
方波 x(t) = sign(sin 2πt)（周期 1、幅度 1）
级数：x(t) = (4/π)·[sin2πt + sin6πt/3 + sin10πt/5 + ...]
谐波 频率 幅度 4/(πk) 相对基波 占比
k=1 2πt 1.273240 1.0000 100.00%
k=3 6πt 0.424413 0.3333 33.33%
k=5 10πt 0.254648 0.2000 20.00%
k=7 14πt 0.181891 0.1429 14.29%
k=9 18πt 0.141471 0.1111 11.11%
偶数次谐波系数全为 0（这才是'方波'这个形状的定义性特征）；奇次按 1/k 衰减。
基波幅度 4/π = 1.2732（比方波幅度 1 还大 —— 这是正弦尖顶补偿方波平顶的结果）。
=== 2. 加上去的谐波越多越像，但过冲不肯消失（吉布斯） ===
取前 M 项奇次谐波的部分和 S_M(t) = (4/π)·Σ sin(2πkt)/k，在细网格上求最大值：
项数 最大峰值 超出平顶的值 占跳变(2)的比例
M=1 1.273240 0.273240 13.6620%
M=3 1.200422 0.200422 10.0211%
M=11 1.181302 0.181302 9.0651%
M=51 1.179103 0.179103 8.9552%
M=501 1.178980 0.178980 8.9490%
峰值收敛到 1.1789797（Wilcox 与 Strang 常引用的数），过冲 0.17898 永远不消。
教科书口径：过冲约为跳变幅度 2 的 8.95% —— 这就是'吉布斯现象'：
不连续点附近无论取多少项都会过冲，只是过冲的宽度随 M 收缩。
工程含义：拿截断级数重构信号，边缘必然波纹；要么加窗（牺牲分辨率），要么接受它。
=== 3. 自己手搓 DFT：方波的频谱长什么样（O(N^2) 直算） ===
频率序号 |X[k]| 折半后（正负频各一半） 解析幅度 4/(πk)
k=1 20.404594 10.202297 1.273240
k=2 0.000000 0.000000 理论为 0
k=3 6.889788 3.444894 0.424413
k=4 0.000000 0.000000 理论为 0
k=5 4.242711 2.121355 0.254648
k=6 0.000000 0.000000 理论为 0
k=7 3.152618 1.576309 0.181891
k=8 0.000000 0.000000 理论为 0
奇次序号上出现峰值、偶次严格为 0 —— 这就是半波反对称性在频谱上的样子。
幅度比例 |X[1]|:|X[3]|:|X[5]| = 20.404594 : 6.889788 : 4.242711 ≈ 1 : 0.3377 : 0.2079
理想值是 1 : 1/3 : 1/5，实测略大 —— 因为采样后的方波不是带限信号，高频折叠回来了一点。
注意 DFT 值比解析幅度大 N/2 = 16 倍：离散求和不除以采样点数，这是'变换'与'级数'的口径差异。
=== 4. 变换对验证：e^(-at)u(t) ↔ 1/(a+jω) ===
ω 解析 |X| 数值 |X| 解析相位 误差
0.0 1.000000 0.999960 0.000000 4.04e-05
1.0 0.707107 0.707137 -0.785398 3.35e-05
2.0 0.447214 0.447208 -1.107149 2.38e-05
5.0 0.196116 0.196109 -1.373401 8.03e-06
ω=0 时 |X| = 1/a = 1；ω=a=1 时 |X| = 1/√2 = 0.7071 —— 这正是'半功率点'，也就是 -3 dB 带宽的定义。
=== 5. 卷积定理：时域卷积 = 频域相乘（两条路径必须给出同一个数） ===
频率序号 DFT{卷积} DFT{x}·DFT{h} 差
k=0 15.000000+0.000000j 15.000000+0.000000j 0.00e+00
k=1 -3.121320-9.656854j -3.121320-9.656854j 1.33e-15
k=2 -1.000000+3.000000j -1.000000+3.000000j 2.22e-16
k=3 1.121320-1.656854j 1.121320-1.656854j 3.14e-16
k=4 -1.000000-0.000000j -1.000000-0.000000j 9.86e-32
k=5 1.121320+1.656854j 1.121320+1.656854j 3.18e-15
k=6 -1.000000-3.000000j -1.000000-3.000000j 4.97e-16
k=7 -3.121320+9.656854j -3.121320+9.656854j 1.99e-15
L=8 ≥ 4+2-1=5，所以圆周卷积没有绕回污染，等于线性卷积。
两条路径走的是完全不同的运算（一边先卷积再变换，一边先变换再逐点相乘），
结果逐项吻合到 1e-15 量级 —— 这才是'验证'，不是把同一段代码抄两遍。
=== 6. 帕塞瓦尔：时域能量 = 频域能量 ===
口径 值
时域 Σ|x[n]|² 30.000000
频域 (1/N)Σ|X[k]|² 30.000000
差 0.00e+00
能量守恒是变换的'不丢信息'表达：换个坐标看同一个东西，总量不变。五条结论：
- 系数表直接验证了"奇次 + 1/k"：1.273240 / 0.424413 / 0.254648 三个比值正好是 1 : 1/3 : 1/5。
- 吉布斯的过冲收敛到 8.95%：M = 1 时是 13.66%，M = 501 时降到 8.9490%，再往上也不会更低。
- 手搓 DFT 得到的频谱与解析一致（比例 1 : 0.3377 : 0.2079 略高于理想值，因为采样后的方波不是带限信号）；偶次序号严格为 0。
- 变换对吻合到 1e-5：
|X| = 1/√(a² + ω²)，在 ω = a = 1 处取 0.7071——这正是半功率点，也是"带宽"一词的出处。 - 卷积定理与帕塞瓦尔都成立：前者误差 1e-15 量级，后者两个 30.000000 完全相等。这两条是"频域方法"能被工程采用的全部理由。
考点
考点
1. 傅里叶级数与变换的定义
- 级数（周期信号）：
c_k = (1/T)∫_T x(t)e^(−jkω₀t)dt，谱线只在 kω₀ 上，间隔 = 基频。 - 变换（非周期）：
X(jω) = ∫x(t)e^(−jωt)dt。 - 周期 → 离散谱；非周期 → 连续谱；周期越长谱线越密，趋于无穷时变成连续谱。
2. 方波的谐波结构（必记）
x(t) = (4/π)Σ_{k 奇} sin(kω₀t)/k：只有奇次谐波，幅度 4/(πk)。- 幅度比 1 : 1/3 : 1/5 : 1/7 …；基波幅度 4/π ≈ 1.27 大于方波幅度 1。
- 偶数次为 0 的原因：半波反对称（
x(t + T/2) = −x(t)）。
3. 常用变换对（背下来比推导快）
| 时域 | 频域 |
|---|---|
| δ(t) | 1 |
| 1 | 2πδ(ω) |
| e^(−at)u(t) | 1/(a + jω) |
| 矩形（宽 τ） | τ·sinc(ωτ/2)，第一零点 f = 1/τ |
| cos(ω₀t) | π[δ(ω−ω₀) + δ(ω+ω₀)] |
"时宽 × 带宽有下限"就是从矩形 ↔ sinc 这一对看出来的：脉冲越窄，主瓣越宽。
4. 性质与两大定理
- 时移 → 只改相位（乘 e^(−jωt₀)）；频移 → 频谱搬移（调制原理）。
- 卷积定理：时域卷积 ⇔ 频域相乘（这是滤波器能用"频域设计"的理论基础）。
- 帕塞瓦尔：能量守恒。
5. 吉布斯现象
- 跳变处的过冲约为跳变幅度的 8.95%，不随项数增加而消失（只变窄）。
- 峰值极限 1.1789797（以单位方波为例）。
- 常见表现：图像/音频压缩的振铃效应；解决办法是加窗（代价是分辨率下降）。
6. 采样与 DFT（与后续课程衔接）
- 采样率 > 2×最高频率，否则混叠。
- 时域采样 ⇔ 频域周期延拓；时域离散 ⇔ 频域周期。
- DFT 幅度比解析系数大 N/2 倍（不除以 N）；FFT 是 O(N log N)。
7. 易错点清单
- 把"周期信号的频谱"当成连续的：周期信号是离散谱线。
- 认为"项数越多吉布斯过冲越小"：过冲高度不变，只变窄。
- 混淆"时移"与"频移"的效果：时移改相位，频移搬频率。
- 计算
|X|时漏掉共轭对称：实信号的幅度谱是偶函数、相位谱是奇函数。 - 用 DFT 的原始值直接和前文"解析系数"比较：差了 N/2 倍（或差了采样间隔 dt）。
- 把
sinc的零点算成1/(2τ)：第一零点在 f = 1/τ（sinc(x) = sin(πx)/(πx)的约定下）。 - 认为"频域看的是另一个信号"：它和时域是同一个信号的两个坐标。
小结
- 傅里叶变换是时域与频域之间的翻译器，同一个信号的两套坐标，信息量完全相同（帕塞瓦尔说的就是这件事）。
- 周期信号 → 离散谱线（级数）；非周期信号 → 连续谱（变换），谱线间隔由基频决定。
- 方波是理解频谱的最好样本：只有奇次谐波、幅度按 1/k 衰减、基波幅度 4/π。
- 时域卷积 = 频域相乘是最有用的一条性质，也是"滤波器设计"和"快速卷积"的入口。
- 有限带宽的重构必然在跳变处过冲 8.95%（吉布斯），加窗是唯一出路。
- 矩形 ↔ sinc 这一对写明了"时宽与带宽互相牵制"，采样定理与不确定性都从这里长出来。
回到主线：这门课与主线最实的交汇在计网的物理层——奈奎斯特与香农定理 讲的信道容量，本质就是"带宽 × 信噪比"能装多少比特；模拟电路 里运放的频率响应、数字图像处理 里的频域滤波、数字音频 里的 44.1 kHz 采样率，用的都是这一章的语言。
上一章回答了"系统对输入做了什么"（卷积）；这一章回答了"信号由哪些频率组成"（频谱）。下一章把两者合起来——用一个变换同时描述系统与信号，并且让"解微分方程"变成"做代数"。
下一篇：拉普拉斯变换
评论（0）
当前浏览器不允许本地存储，评论无法保存。
还没有评论，来说两句。