2、傅里叶变换基础：从连续傅里叶变换到离散傅里叶变换

聊傅里叶变换之前，我先问大家一个问题：你平时处理信号，是在时域还是频域？

我猜大部分人第一反应是时域。毕竟我们看到的波形、采集到的数据，都是随时间变化的。但说实话，很多问题在时域里看就是一团乱麻，转到频域反而一目了然。这就是傅里叶变换存在的意义——它帮我们把信号从时间维度，映射到频率维度。

2.1 连续傅里叶变换（CFT）——理论起点

先看最经典的公式。连续傅里叶变换的定义是：

F(ω) = ∫_{-∞}^{∞} f(t) · e^{-jωt} dt

这个公式看着有点吓人，对吧？我刚开始学的时候也懵。但后来我把它拆成三块理解：

• f(t)：原始信号，随时间变化
• e^{-jωt}：旋转因子，本质是一个复指数信号
• 积分：把信号和旋转因子做内积，看看它们有多"像"

说白了，傅里叶变换就是在问："我的信号里，频率为ω的分量有多少？"

举个例子。假设你有一个纯正弦波：

f(t) = cos(2π·100·t)

它的频率是100Hz。做傅里叶变换后，你会在ω=2π·100处看到一个尖峰。其他地方几乎为零。这就是频域的魅力——把复杂的时间波形，浓缩成几个频率点。

2.2 离散傅里叶变换（DFT）——工程落地

好，理论说完了。现在聊聊实际干活时用的东西。

我在项目中遇到过这样一个场景：用ADC采集传感器数据，采样率是1kHz，采了1秒钟。得到1000个离散点。这时候你没法用连续傅里叶变换，只能用离散傅里叶变换（DFT）。

DFT的公式长这样：

X[k] = Σ_{n=0}^{N-1} x[n] · e^{-j(2π/N)kn}

对比一下连续版本，你会发现几个关键变化：

• 积分→求和：离散数据只能用累加
• 无限→有限：n从0到N-1，共N个点
• 连续频率→离散频率：k是整数，对应N个频率点

2.3 从连续到离散——采样定理

这里有个坑，我必须提醒你。

连续信号转离散信号，不是随便采几个点就行的。你想想看，如果信号里有个1000Hz的分量，但你只用500Hz采样，会发生什么？

混叠（Aliasing）。高频信号会伪装成低频信号，让你误判。

这就是奈奎斯特采样定理的核心：

我曾经在一个音频项目里吃过这个亏。当时采集麦克风信号，采样率设了8kHz，觉得够用了。结果回放时发现高频部分全变味了。后来一查，麦克风本身能响应到4kHz以上，8kHz采样刚好踩在临界点上，高频分量全混叠到低频区了。

从那以后，我养成了一个习惯：采样率至少留20%的余量。比如信号最高频率10kHz，采样率至少24kHz以上。

2.4 频率分辨率与DFT参数选择

做DFT时，有两个参数你绕不开：

参数	含义	计算公式
采样率 f_s	每秒采集的点数	硬件决定
DFT点数 N	一次变换用多少数据	用户选择
频率分辨率 Δf	频域中相邻两个点的间隔	Δf = f_s / N

举个例子：

• f_s = 1000 Hz，N = 1000 → Δf = 1 Hz
• f_s = 1000 Hz，N = 100 → Δf = 10 Hz

你看，N越大，频率分辨率越高。但代价是计算量更大，而且需要更长的采样时间。

2.5 从DFT到FFT——为什么需要加速

直接计算DFT，复杂度是O(N²)。什么意思？

N=1024时，需要约100万次复数乘加。N=4096时，需要约1600万次。在嵌入式设备或实时系统里，这根本跑不动。

我刚开始做实时频谱分析时，用的就是直接DFT。采样率48kHz，N=1024，算一次要好几毫秒。CPU占用率直接拉满，其他任务全卡死。

后来换成FFT，同样的N=1024，计算时间降到微秒级。差距就是这么夸张。

FFT的核心思想就一句话：利用旋转因子的对称性和周期性，把大DFT拆成小DFT。具体怎么拆，下一章我会详细讲。这里你先记住：

• DFT是定义，FFT是算法
• FFT把O(N²)降到O(N log N)
• N=1024时，FFT比DFT快约100倍

2.6 本章小结与实战建议

好，我们来捋一下今天的内容：

1. 连续傅里叶变换是理论模型，适合理解频域概念
2. 离散傅里叶变换是工程实现，处理有限长离散信号
3. 采样定理是前提，采样率不够一切白搭
4. 频率分辨率由采样率和DFT点数共同决定
5. FFT是DFT的高效实现，后续课程重点

下一章，我们会深入FFT的核心——蝶形运算与分治策略。到时候我会用实际代码演示，怎么把DFT跑出FFT的速度。敬请期待。