常用傅立叶变换表：从理论基础到工程实战

在信号处理、量子力学、热传导以及图像处理等众多科学工程领域，傅立叶变换（Fourier Transform）无疑是最强大的数学工具之一。它将复杂的时域信号分解为简单的频域分量，使原本难以处理的微分方程转化为简单的代数方程。本页面旨在为您提供一份详尽、准确且易于查阅的常用傅立叶变换表，涵盖从基础定义到高级性质的全方位内容，帮助您快速解决计算难题，深入理解信号的本质。

📖 为什么需要傅立叶变换？

想象一下，您听到一首交响乐。在时域中，您听到的是随时间变化的声波压力；但在频域中，您能清晰地分辨出小提琴的高音、大提琴的低音以及定音鼓的节奏。傅立叶变换就是实现这种视角转换的数学桥梁。它揭示了信号中隐藏的周期性结构，是分析线性时不变系统（LTI）的基石。

核心概念解析

时域（Time Domain）：信号随时间变化的表现形式，如电压随时间的波动。
频域（Frequency Domain）：信号随频率分布的表现形式，展示信号中包含哪些频率成分及其强度。
频谱（Spectrum）：频域信号的幅度或相位分布图，是分析信号特征的关键工具。

常用傅立叶变换表（连续时间）

以下表格列出了工程与数学中最常见的连续时间傅立叶变换（CTFT）对。定义采用非单位角频率形式：。

序号	时域信号	频域响应	备注
1			冲激函数
2			直流信号
3			阶跃函数
4			指数衰减
5			双边指数
6			余弦信号
7			正弦信号
8			矩形脉冲，Sa(x)=sin(x)/x
9			抽样函数与门函数的对偶性
10			高斯函数，形式不变

注：为抽样函数，为门函数，当时为1，否则为0。

离散傅立叶变换（DFT/FFT）

在数字信号处理（DSP）中，我们处理的是离散序列。离散傅立叶变换（DFT）是连接时域离散序列与频域离散序列的桥梁。其快速算法——快速傅立叶变换（FFT）将计算复杂度从降低至，是现代计算机音频、图像处理的基石。

📐 DFT 数学定义

对于长度为的离散序列，其点 DFT 定义为：

X[k] = Σ_{n=0}^{N-1} x[n]  e^(-j2πkn/N),  k = 0, 1, ..., N-1

逆离散傅立叶变换（IDFT）为：

x[n] = (1/N)  Σ_{k=0}^{N-1} X[k]  e^(j2πkn/N),  n = 0, 1, ..., N-1

线性：
循环移位：
时域卷积定理：（循环卷积）
帕塞瓦尔定理：（能量守恒）

🐍 Python FFT 示例

使用 NumPy 库进行快速傅立叶变换：

import numpy as np
import matplotlib.pyplot as plt
生成信号: 50Hz 和 120Hz 正弦波叠加，采样率 1000Hz
fs = 1000
t = np.linspace(0, 1, 1000, endpoint=False)
signal = 0.7  np.sin(2  np.pi  50  t) + np.sin(2  np.pi  120  t)
计算 FFT
fft_vals = np.fft.fft(signal)
freqs = np.fft.fftfreq(len(t), 1/fs)
绘制频谱
plt.plot(freqs[:500], np.abs(fft_vals[:500]))
plt.title('FFT Spectrum')
plt.xlabel('Frequency (Hz)')
plt.ylabel('Amplitude')
plt.show()

傅立叶变换的重要性质

掌握傅立叶变换的性质比死记硬背公式更为重要。这些性质允许我们通过简单的时域操作推导出复杂的频域响应，是解决工程问题的利器。

⚡ 线性与时移特性

线性： 。这是叠加原理的基础。

时移： 。时域延迟不改变幅度频谱，仅引入线性相位偏移。

频移： 。用于调制解调理论，如 AM 收音机原理。

⚙️ 卷积与微分特性

时域卷积定理： 。时域卷积等价于频域相乘，这是线性系统分析的核心。

频域卷积定理： 。时域相乘等价于频域卷积（乘以）。

微分特性： 。将微分方程转化为代数方程，极大简化了微分方程的求解过程。

〓对偶性与尺度变换

对偶性： 若，则。这一性质揭示了时域与频域之间的对称美。

尺度变换： 。时域压缩对应频域扩展，体现了“不确定性原理”：信号在时域越集中，在频域越分散。

网友还关心：傅立叶变换的实际应用场景

除了理论计算，傅立叶变换在现代科技中无处不在。以下是几个典型的深度应用案例，帮助您理解其实际价值。

🎵 音频处理与音乐合成

在 MP3 压缩、均衡器（Equalizer）和语音识别中，傅立叶变换将声音信号分解为不同频率成分。通过去除人耳不敏感的高频噪声或增强特定频段，实现音质优化。音乐合成器也利用傅立叶级数叠加正弦波来模拟各种乐器音色。

📷 图像处理与压缩

JPEG 图像压缩标准的核心是离散余弦变换（DCT），它是傅立叶变换的实数变体。它将图像块从空间域转换到频域，保留低频主要信息，丢弃高频细节（人眼不敏感），从而实现高压缩比。此外，图像去噪、边缘检测也广泛依赖频域滤波技术。

📡 通信系统

在 5G、Wi-Fi 等无线通信中，正交频分复用（OFDM）技术利用傅立叶变换将高速数据流分解为多个低速子载波并行传输，有效对抗多径衰落。调制解调器通过 FFT/IFFT 实现高效的数据收发。

🔬 量子力学

在海森堡不确定性原理中，位置和动量的波函数互为傅立叶变换对。这意味着粒子位置越确定，动量越不确定。傅立叶变换是连接坐标表象与动量表象的数学桥梁，是量子力学形式体系的基础。

常见问题解答（FAQ）

以下是用户在使用傅立叶变换表和进行信号分析时最常遇到的问题及深度解答。

傅立叶变换和拉普拉斯变换有什么区别？

傅立叶变换主要关注信号的频率成分，假设信号在时间上是绝对可积的（能量有限），适用于稳态分析。拉普拉斯变换则引入了复频率，能够处理不稳定信号和初始条件，收敛域更广。傅立叶变换可视作拉普拉斯变换在虚轴（）上的特例。在实际工程中，若系统稳定，两者结论往往相通。

什么是离散傅立叶变换（DFT）？

离散傅立叶变换（DFT）是将有限时长的离散时间信号转换为频域表示的数学工具。它是数字信号处理的核心，快速傅立叶变换（FFT）是其高效算法。DFT 将 N 点时域序列变换为 N 点频域序列，广泛应用于音频处理、图像压缩等领域。与连续傅立叶变换不同，DFT 的频谱也是离散的，适用于计算机数值计算。

为什么高斯函数的傅立叶变换还是高斯函数？

这是高斯函数的一个重要数学性质。在时域越集中（脉冲越窄），频域越分散（频谱越宽），反之亦然。高斯函数是唯一的在傅立叶变换下保持函数形式不变的函数（除了缩放因子）。这体现了不确定性原理在信号处理中的体现：时间带宽积最小。

如何处理非周期信号的傅立叶变换？

对于非周期信号，只要满足狄利克雷条件（绝对可积），就可以直接应用傅立叶积分定义进行变换。对于能量有限的非周期信号，其频谱是连续的。若信号功率有限但不绝对可积（如周期信号、阶跃信号），则需引入冲激函数来处理，此时频谱包含离散谱线和连续谱线。

傅立叶变换在图像处理中如何应用？

在图像处理中，二维傅立叶变换将图像从空间域转换到频率域。低频分量对应图像中变化缓慢的部分（如背景），高频分量对应边缘和噪声。通过设计低通、高通或带通滤波器，可以实现图像平滑（去噪）、锐化（增强边缘）或纹理分析。JPEG 压缩也基于此原理。