傅里叶变换,原来就这么简单
傅里叶变换概念及公式推导
傅里叶变换概念及公式推导傅里叶变换是一种数学工具，用于将一个函数从时域（时间域）转换为频域。
傅里叶变换的基本概念是，任何一个周期性函数都可以表示为一系列不同频率的正弦和余弦函数的叠加。
通过傅里叶变换，我们可以将原始信号分解成许多不同频率的正弦和余弦波。
F(ω) = ∫[−∞,+∞] f(t) e^(−iωt) dt其中，F(ω)表示频域中的函数，与f(t)相对应。
为了推导傅里叶变换的公式，我们首先将复数e^(−iωt)展开为正弦和余弦函数的形式：e^(−iωt) = cos(ωt) − i sin(ωt)然后将这个展开式代入变换公式中，得到：F(ω) = ∫[−∞,+∞] f(t) (cos(ωt) − i sin(ωt)) dt为了求解这个积分，我们可以利用欧拉公式，将复数表示为以指数函数的形式：F(ω) = ∫[−∞,+∞] f(t) e^(iωt) dt − i ∫[−∞,+∞] f(t) sin(ωt) dt将第一个积分的积分变量由t替换为−t，得到：F(ω) = ∫[−∞,+∞] f(t) e^(iωt) dt − i ∫[−∞,+∞] f(−t) sin(ωt) dt由于f(t)是一个偶函数（即f(−t)=f(t)）F(ω) = ∫[−∞,+∞] f(t) e^(iωt) dt − i ∫[−∞,+∞] f(t)sin(ωt) dt记F(ω)的实部为Re[F(ω)]，虚部为Im[F(ω)]，我们可以将公式进一步简化为：Re[F(ω)] = ∫[−∞,+∞] f(t) cos(ωt) dtIm[F(ω)] = − ∫[−∞,+∞] f(t) sin(ωt) dt这就是傅里叶变换的实部和虚部的计算公式，也称为余弦分量和正弦分量的公式。
通过计算这两个积分，我们可以得到函数在不同频率上的分量。
这些频率分量相当于原始函数在频域中的表现，有助于我们理解原始函数的频率特征。
要注意的是，以上推导过程是针对连续时间信号的傅里叶变换。
第五章 第一节 傅里叶变换
bk
1 l
l l
f sin k
l
d ,...... 5.1.5
练习解答
解：计算傅立叶系数有
a0
1
2
f (x)dx 1
2
0
xdx
1
2
x2
2
0
4
1
1
an
f (x) cos nxdx
x cos nxdx
0
1 x sin nx
n 0
1
n2
cos
nx 0
1
n 0 sin nxdx
幂函数没有周期性，所以周期函数展开为幂级数后，周期性就很 难体现出来。这样在研究函数的周期性的时候，幂级数展开并不 适用，需要采用其他函数作为基本函数族。
在科学技术的各个领域里广泛存在振动和波这类周期现象如弹性 振子、机械振动、声振动和声波、交变电流、电磁振荡和电磁波。 我们以前接触较多的是正弦和余弦函数所描写的振动和波。实际 情况千变万化，如锯齿波、矩形波(开关)。可能的复杂振动方式 不计其数，经过研究发现，这些复杂的振动可以分解为一系列各 种频率的谐振动的叠加。在数学上，这就是把周期函数分解为傅 里叶级数。
f
x
a0
k 1
a
k
cos
kx
l
bk
sin
kx
l
..........
..5.1.3
ak
1
kl
l f cos k d ,
l
l
k 2.......k 0 k 1.......k 0
bk
1 l
l l
f
sin k
l
d ,...... 5.1.5
f
傅里叶变换推导详解
傅里叶变换推导详解三角函数标准形式为公式2.1所示f\left( t \right) = Asin\left( \omega t + \varphi\right)\ \ \ \ \ \ \ \ \ \ \ (2.1)\ \在物理意义上这个函数又称之为正弦信号(正弦波),其中的t为时间变量,A为波幅, ω为角速度, φ为相位，我们可以通过公式2.2求得这个正弦波的频率。
f = \frac{\omega}{2\pi}\ (2.2)根据等式2.2，角速度和正弦波的频率是正相关的。
同时，因为三角函数是周期函数，其在-π到π的积分必定为0，由此性质可写出式2.3，2.4\int_{- \pi}^{\pi}{\sin\left( \text{nx} \right){dx =0\ \ \ \ \ \ \ \ \ (2.3)}}\int_{- \pi}^{\pi}{\cos\left( \text{nx} \right){dx =0\ \ \ \ \ \ \ \ \ (2.4)}}设某三角函数为f\left( x \right) = \sin\left( \text{nx} \right)\ \ \ \ \ \ \ \ \ (2.5)在式2.5两边同时乘以 \sin\left( \text{mx} \right) 同时,对两边在-π到π内进行积分,得出\int_{- \pi}^{\pi}{f\left( x \right)sin(mx)dx} =\int_{- \pi}^{\pi}{\sin\left( \text{nx}\right)sin(mx)dx}\ \ \ \ \ (2.6)由三角函数的积化和差公式,上式可变形为\int_{- \pi}^{\pi}{f( x )\sin( \text{mx} )\text{dx}} = \frac{1}{2}\int_{- \pi}^{\pi}{{ \cos\lbrack ( m - n )x \rbrack - \cos\lbrack ( m + n )x \rbrack }\text{dx}} = \frac{1}{2}\int_{- \pi}^{\pi}{\cos\lbrack ( m - n )x \rbrack\text{dx}} - \frac{1}{2}\int_{-\pi}^{\pi}{\cos\lbrack ( m + n )x \rbrack\text{dx}}\ \ \ (2.7)依据上述推导方法我们可以继续推导出下列公式:\int_{-\pi}^{\pi}{\cos( \text{mx} )\cos( \text{nx} )}dx =\frac{1}{2}\int_{- \pi}^{\pi}{{ \cos\lbrack ( m - n )x \rbrack + \cos\lbrack ( m + nx ) \rbrack }\text{dx}} = \frac{1}{2}\int_{- \pi}^{\pi}{\cos\lbrack ( m - n )x \rbrack\text{dx}} + \frac{1}{2}\int_{-\pi}^{\pi}{\cos\lbrack ( m + n )x \rbrack\text{dx}}\ (2.8)\int_{-\pi}^{\pi}{\sin( \text{mx} )\cos( \text{nx} )}dx =\frac{1}{2}\int_{- \pi}^{\pi}{{ \sin\lbrack ( m - n )x \rbrack + \sin\lbrack ( m + n )x \rbrack }\text{dx}} = \frac{1}{2}\int_{- \pi}^{\pi}{\sin\lbrack ( m - n )x \rbrack\text{dx}} + \frac{1}{2}\int_{-\pi}^{\pi}{\sin\lbrack ( m + n )x \rbrack\text{dx}}\ \ \ (2.9)因为三角函数在-π到π内的积分为0,因此当 m \neq n 时,式2.7、2.8、2.9的结果必定为0，因此可以得出以下结论，频率不同的三角函数相乘在一个周期内(-π到π)的积分必定为0。
快速傅里叶变换算法的数学原理与实现
快速傅里叶变换算法的数学原理与实现快速傅里叶变换（Fast Fourier Transform，FFT）是一种重要的数学算法，广泛应用于信号处理、图像处理、通信等领域。
它的作用是将时域信号转换为频域信号，从而实现信号的频谱分析和频域处理。
快速傅里叶变换算法的数学原理基于傅里叶级数展开和傅里叶变换的性质。
傅里叶级数展开是将一个周期函数分解为一系列正弦函数和余弦函数的和，而傅里叶变换则是将非周期函数分解为一系列复指数函数的积分。
快速傅里叶变换算法通过巧妙地利用对称性和周期性，将原本需要O(N^2)次复杂度的傅里叶变换计算降低到O(NlogN)次复杂度，大大提高了计算效率。
快速傅里叶变换算法的实现主要依赖于蝶形运算和分治策略。
蝶形运算是指将两个复数进行乘法和加法运算，它是快速傅里叶变换算法的基本操作。
在计算过程中，将原始序列分为奇偶序列，并通过蝶形运算将它们合并成一个更长的序列。
这个过程不断迭代，直到得到最终的频域结果。
快速傅里叶变换算法的实现还需要进行数据的重排和位逆序操作。
数据的重排是为了满足蝶形运算的要求，将原始序列按照一定规则重新排列成新的序列。
位逆序操作是为了保证频域结果的正确性，将数据的二进制表示按位逆序排列。
这两个操作都可以通过递归实现，进一步提高算法的效率。
除了基本的快速傅里叶变换算法，还有一些改进的算法被提出，如快速傅里叶变换的快速算法（Cooley-Tukey算法）、分解卷积算法（Winograd算法）等。
这些算法在特定情况下可以进一步提高计算效率，但它们的数学原理和实现方法与基本的快速傅里叶变换算法类似。
快速傅里叶变换算法的应用非常广泛。
在信号处理领域，它可以用于滤波、频谱分析、频域滤波等。
在图像处理领域，它可以用于图像压缩、图像增强、图像恢复等。
在通信领域，它可以用于调制解调、信道估计、自适应滤波等。
此外，快速傅里叶变换算法还可以应用于其他领域，如计算机图形学、生物医学工程等。
傅里叶变换学习心得体会
傅里叶变换学习心得体会篇一：数字信号心得体会数字信号分析心得体会数字信号分析技术正飞速发展，它不但自成一门学科，更是以不同形式影响和渗透到其他学科，因此受到人们的普遍关注, 在通信、雷达、语音分析、图象分析、声学、地震学、地质勘探、气象学、生物医学工程、核工程、航天工程等领域中都离不开随机数字信号分析。
对于我们本专业遥感来说，更是离不开数字信号的传输、分析、存储、显示和利用，可以说，数字信号就是遥感信息的载体。
数字信号的主要任务是研究数字信号分析理论的基本概念和基本分析方法，通过建立数学模型和适当的数学处理分析，来展示这些理论和方法的实际应用。
本学期在黄鹰老师的带领下，我们首先学习了离散时间信号与系统，掌握了序列及其相关运算和线性移不变系统，并了解了常系数线性差分方程，为以后数字信号分析的学习打下了良好的基础。
第二章学习了z变换与离散时间傅里叶变换。
Z变换在离散时间系统中的作用就如同拉普拉斯变换在连续时间系统中的作用一样，它把描述离散系统的差分方程转化为简单的代数方程，使其求解大大简化。
因此，对求解离散时间系统而言，z变换是一个极重要的数学工具。
在本章中深刻理解了z变换的定义与z 反变换及z变换的基本性质和定理，理清了序列的z变换与连续信号的拉普拉斯变换、傅里叶变换的关系，并对序列傅里叶变换、周期性傅里叶变换的定义及其基本性质有了深刻认识，在本章的最后学习了离散系统的系统函数及系统的频率响应。
第三章的内容是离散傅里叶变换。
离散傅里叶变换除了作为有限长序列的一种傅里叶表示法在理论上相当重要之外，而且由于存在着计算离散傅里叶变换的有效快速算法即快速傅里叶变换也就是我们第四章要学习的部分，因而离散傅里叶变换在各种数字信号分析的算法中起着核心作用。
在这一章中，我们首先了解了傅里叶变换的几种可能形式，即连续时间连续频率的傅里叶变换，连续时间离散频率的傅里叶级数，离散时间连续频率的序列的傅里叶变换，离散时间离散频率的离散傅里叶变换，并主要掌握了离散傅里叶级数及其相关性质和离散傅里叶变换及其相关性质，最后了解了抽样z变换------频域抽样理论。
基本傅里叶变换
基本傅里叶变换傅里叶变换是一种将一个信号从时域转换成频域的方法，常常被用来分析和处理信号。
这种方法可以将一个复杂的信号分解成若干个不同频率的正弦波，从而可以更深入地研究其特性和性质。
在本文中，我们将讨论基本的傅里叶变换步骤以及其在信号处理中的应用。
第一步是选取一个待处理的信号。
这个信号可以是任何类型的波形信号，包括声音信号、图像信号、视频信号等等。
一般情况下，我们要求这个信号是周期性的，并且在整个周期内都是平滑的。
第二步是将信号分解成若干个周期函数。
这个步骤可以通过傅里叶级数来实现。
傅里叶级数是一个数学公式，可以将一个周期函数表示成若干个正弦波的叠加。
这些正弦波的频率和振幅都是通过傅里叶变换计算得出的。
第三步是进行傅里叶变换。
这个步骤可以使用快速傅里叶变换（FFT）算法来实现。
FFT算法是一种高效的算法，可以在计算机上快速地计算出傅里叶变换的结果。
在进行傅里叶变换之前，我们需要将周期函数进行采样，得到一组离散的值。
然后，通过FFT算法，我们可以计算出这些离散值的傅里叶变换。
第四步是分析傅里叶变换的结果。
傅里叶变换的结果是一个复数函数，可以表示信号在各个频率上的幅度和相位信息。
我们可以根据这些信息对信号进行进一步的分析和处理。
例如，可以通过滤波来去除某些频率上的噪声，或者可以对信号进行压缩，以减少存储空间的占用。
最后一步是将处理后的信号进行重构。
通过傅里叶逆变换，我们可以将傅里叶变换的结果转换回时域，得到处理后的信号。
这个步骤可以使用IFFT算法来实现。
傅里叶变换在许多领域都有广泛的应用，特别是在音频和视频处理中。
例如，我们可以将音频信号进行傅里叶变换，得到其频谱图，从而可以分析其频率和振幅信息。
在视频处理中，我们可以对视频信号进行傅里叶变换，得到其频率域表示，从而可以对视频进行降噪、压缩等操作。
总之，傅里叶变换是一种非常重要的数学工具，可以帮助我们更深入地理解和处理信号。
通过对基本傅里叶变换的学习，我们可以开始探索更多有关信号处理的知识。
序列傅里叶变换公式
序列傅里叶变换公式
傅里叶变换是一种重要的信号分析工具，可以将一个时域上的连续函数或离散序列转换到频域上。
对于连续函数，其傅里叶变换公式为：
F(w) = ∫[−∞,+∞] f(t)e^(-jwt) dt
其中，F(w)表示频域上的复数函数，f(t)表示时域上的连续函数，ω为角频率。
对于离散序列，其傅里叶变换公式为：
F(k) = Σ[n=0,N-1] f(n)e^(-j2πkn/N)
其中，F(k)表示频域上的复数序列，f(n)表示时域上的离散序列，N表示序列的长度，k为频域上的整数频率。
傅里叶变换的公式可以将时域上的信号转换为频域上的复数函数或序列，从而可以分析信号的频谱特性，包括频率成分、幅度、相位等信息。
这对于信号处理、通信系统设计、图像处理等领域都有着广泛的应用。
傅里叶变换红外光谱法原理
傅里叶变换红外光谱法原理嘿，咱今天来聊聊傅里叶变换红外光谱法那神奇的原理哈。
你想啊，这世界上有各种各样的物质，它们都有自己独特的“个性”呢。
那怎么去了解这些物质呢？傅里叶变换红外光谱法就像是一个超级侦探，能帮我们揭开物质的神秘面纱。
这傅里叶变换红外光谱法的原理呢，其实也不难理解。
简单来说，就是让一束光去照这些物质。
这束光可不是普通的光哦，它里面包含了各种不同波长的红外线。
就好像是一个大部队，里面有各种各样的小兵。
当这束光打到物质上的时候，物质就会和光发生作用。
有的光会被物质吸收，有的光会被物质反射。
这就像是物质在和光“交流”呢。
不同的物质对光的吸收和反射情况是不一样的，就像每个人都有自己喜欢和不喜欢的东西一样。
那怎么知道物质对光的吸收和反射情况呢？这时候傅里叶变换就登场啦。
它就像是一个厉害的魔法师，能把光和物质交流的信息给变出来。
傅里叶变换把接收到的光信号进行处理，把它变成我们能看懂的形式。
就好像把一种奇怪的语言翻译成我们熟悉的语言一样。
通过这个过程，我们就能知道物质在不同波长的红外线下的吸收情况。
为啥要这么做呢？这可太重要啦。
因为不同的物质吸收红外线的情况是不一样的，就像每个人都有自己独特的指纹一样。
通过分析物质对红外线的吸收情况，我们就能判断出这个物质是什么。
比如说，我们想知道一个未知的物质是什么。
我们就可以用傅里叶变换红外光谱法来分析它。
把这个物质放在仪器里，让光去照它。
然后通过傅里叶变换，我们就能得到这个物质的红外光谱图。
这个图就像是这个物质的“身份证”，它能告诉我们这个物质的成分、结构等信息。
傅里叶变换红外光谱法的应用可广泛啦。
在化学领域，科学家们可以用它来分析化合物的结构，确定它们的成分。
在医药领域，医生们可以用它来检测药品的质量，确保我们吃的药是安全有效的。
在环保领域，它可以用来检测空气中的污染物，帮助我们保护环境。
总之啊，傅里叶变换红外光谱法就像是一个神奇的魔法棒，能让我们看到物质的内在世界。
傅里叶变换原理
傅里叶变换原理傅里叶变换是一种非常重要的数学工具，它在信号处理、图像处理、通信系统等领域都有着广泛的应用。
傅里叶变换的原理是将一个信号分解成不同频率的正弦和余弦函数的叠加，从而可以分析信号的频谱特性。
在本文中，我们将详细介绍傅里叶变换的原理及其在实际应用中的重要性。
首先，让我们来了解一下傅里叶变换的数学表达式。
对于一个连续信号 f(t)，它的傅里叶变换F(ω) 定义为：F(ω) = ∫f(t)e^(-jωt)dt。
其中，e^(-jωt) 是复指数函数，ω 是频率。
这个公式表示了信号 f(t) 在频域上的表示，也就是说，它将信号 f(t) 转换成了频率域上的复数函数F(ω)。
通过傅里叶变换，我们可以得到信号的频谱信息，从而可以分析信号的频率成分和能量分布。
傅里叶变换的原理可以通过一个简单的例子来说明。
假设我们有一个周期为 T 的正弦信号f(t) = Asin(2πft)，其中 A 是振幅，f 是频率。
对这个信号进行傅里叶变换，我们可以得到频谱F(ω)= A/2 (δ(ω-f) δ(ω+f))，其中δ(ω) 是狄拉克δ函数。
这个频谱表示了信号只包含了频率为 f 的正弦成分，而其他频率成分的能量为零。
这样，我们就可以通过傅里叶变换来分析信号的频率特性。
在实际应用中，傅里叶变换有着广泛的应用。
在信号处理中，我们可以通过傅里叶变换来对信号进行滤波、频谱分析等操作。
在图像处理中，傅里叶变换可以用来进行图像的频域滤波、频谱分析等操作。
在通信系统中，傅里叶变换可以用来对调制信号进行频谱分析、信道估计等操作。
可以说，傅里叶变换已经成为了现代科学技术中不可或缺的数学工具。
总之，傅里叶变换是一种非常重要的数学工具，它可以将一个信号从时域转换到频域，从而可以分析信号的频率特性。
通过傅里叶变换，我们可以对信号进行频谱分析、滤波等操作，从而可以更好地理解和处理信号。
傅里叶变换在信号处理、图像处理、通信系统等领域都有着广泛的应用，它已经成为了现代科学技术中不可或缺的数学工具。
五种傅里叶变换解析
五种傅里叶变换解析标题：从简到繁：五种傅里叶变换解析引言：傅里叶变换是数学中一种重要且广泛应用于信号处理、图像处理和物理等领域的工具。
它的基本思想是将一个信号或函数表示为若干个不同频率的正弦波的叠加，从而揭示信号或函数的频谱特性。
本文将展示五种常见的傅里叶变换方法，包括离散傅里叶变换（DFT）、快速傅里叶变换（FFT）、连续傅里叶变换（CTFT）、离散时间傅里叶变换（DTFT）和傅里叶级数展开，帮助读者逐步理解傅里叶变换的原理与应用。
第一部分：离散傅里叶变换（DFT）在此部分中，我们将介绍离散傅里叶变换的基本概念和算法。
我们将讨论DFT的离散性质、频域和时域之间的关系，以及如何利用DFT进行频域分析和滤波等应用。
此外，我们还将探讨DFT算法的时间复杂度，以及如何使用DFT来解决实际问题。
第二部分：快速傅里叶变换（FFT）在这一部分中，我们将深入研究快速傅里叶变换算法，并详细介绍其原理和应用。
我们将解释FFT如何通过减少计算量和优化计算过程来提高傅里叶变换的效率。
我们还将讨论FFT算法的时间复杂度和几种不同的FFT变体。
第三部分：连续傅里叶变换（CTFT）本部分将介绍连续傅里叶变换的概念和定义。
我们将讨论CTFT的性质、逆变换和时频分析的应用。
进一步，我们将引入傅里叶变换对信号周期性的描述，以及如何利用CTFT对信号进行频谱分析和滤波。
第四部分：离散时间傅里叶变换（DTFT）在这一章节中，我们将介绍离散时间傅里叶变换的基本原理和应用。
我们将详细讨论DTFT的定义、性质以及与DFT之间的关系。
我们还将探讨DTFT的离散频率响应、滤波和频谱分析的相关内容。
第五部分：傅里叶级数展开最后，我们将深入研究傅里叶级数展开的原理和应用。
我们将解释傅里叶级数展开如何将周期函数分解为多个不同频率的正弦波的叠加。
我们还将讨论傅里叶级数展开的收敛性和逼近性，并探讨如何利用傅里叶级数展开来处理周期信号和周期性问题。
结论：综上所述，本文介绍了五种常见的傅里叶变换方法，包括离散傅里叶变换（DFT）、快速傅里叶变换（FFT）、连续傅里叶变换（CTFT）、离散时间傅里叶变换（DTFT）和傅里叶级数展开。
傅里叶变换求解
傅里叶变换公式
傅里叶变换公式是cosωbai0t=[exp(jω0t)+exp(-jω0t)]/2。
傅立叶变换表示能将满足一定条件的某个函数表示成三角函数（正弦和／或余弦函数）或者它们的积分的线性组合。
在不同的研究领域，傅立叶变换具有多种不同的变体形式，如连续傅立叶变换和离散傅立叶变换。
最初傅立叶分析是作为热过程的解析分析的工具被提出的。
相关定义
1、傅里叶变换属于谐波分析。
2、傅里叶变换的逆变换容易求出，而且形式与正变换非常类似。
3、正弦基函数是微分运算的本征函数，从而使得线性微分方程的求解可以转化为常系数的代数方程的求解．在线性时不变的物理系统内，频率是个不变的性质，从而系统对于复杂激励的响应可以通过组合其对不同频率正弦信号的响应来获取。
傅里叶变换理解
傅里叶变换理解傅里叶变换是一种数学工具，它可以将一个信号分解成不同频率的正弦波。
这个工具在信号处理、图像处理、音频处理等领域中得到了广泛的应用。
在这篇文章中，我们将以傅里叶变换为标题，来探讨它的原理和应用。
傅里叶变换的原理是基于正弦波的周期性和可叠加性。
任何一个周期性信号都可以表示为一系列正弦波的叠加。
这些正弦波的频率、振幅和相位不同，它们的叠加形成了原始信号。
傅里叶变换就是将这个过程反过来，将一个信号分解成不同频率的正弦波。
傅里叶变换的公式是：F(ω) = ∫f(t)e^(-iωt)dt其中，F(ω)表示频率为ω的正弦波的振幅和相位，f(t)表示原始信号，e^(-iωt)表示频率为ω的正弦波。
这个公式可以理解为将原始信号f(t)与不同频率的正弦波e^(-iωt)做内积，得到频率为ω的正弦波的振幅和相位。
傅里叶变换的应用非常广泛。
在信号处理中，傅里叶变换可以用来分析信号的频谱，找出信号中的频率成分。
在图像处理中，傅里叶变换可以用来分析图像的频谱，找出图像中的纹理和边缘。
在音频处理中，傅里叶变换可以用来分析音频的频谱，找出音频中的音调和音色。
除了傅里叶变换，还有一种变换叫做离散傅里叶变换（DFT）。
DFT 是将傅里叶变换应用到离散信号上的一种方法。
DFT的公式是：X(k) = ∑n=0^(N-1)x(n)e^(-i2πnk/N)其中，X(k)表示频率为k的正弦波的振幅和相位，x(n)表示离散信号，N表示信号的长度。
DFT可以用来分析数字信号的频谱，找出数字信号中的频率成分。
傅里叶变换是一种非常重要的数学工具，它可以将一个信号分解成不同频率的正弦波。
这个工具在信号处理、图像处理、音频处理等领域中得到了广泛的应用。
我们可以通过傅里叶变换来分析信号的频谱，找出信号中的频率成分，从而更好地理解和处理信号。
快速傅里叶变换(FFT)的原理及公式
快速傅里叶变换(FFT)的原理及公式原理及公式非周期性连续时间信号x(t)的傅里叶变换可以表示为式中计算出来的是信号x(t)的连续频谱。
但是，在实际的控制系统中能够得到的是连续信号x(t)的离散采样值x(nT)。
因此需要利用离散信号x(nT)来计算信号x(t)的频谱。
有限长离散信号x(n)，n=0，1，…，N-1的DFT定义为：可以看出，DFT需要计算大约N2次乘法和N2次加法。
当N较大时，这个计算量是很大的。
利用WN的对称性和周期性，将N点DFT分解为两个N／2点的DFT，这样两个N／2点DFT总的计算量只是原来的一半，即(N／2)2+(N／2)2=N2／2，这样可以继续分解下去，将N／2再分解为N／4点DFT等。
对于N=2m点的DFT都可以分解为2点的DFT，这样其计算量可以减少为(N／2)log2N 次乘法和Nlog2N次加法。
图1为FFT与DFT-所需运算量与计算点数的关系曲线。
由图可以明显看出FFT算法的优越性。
将x(n)分解为偶数与奇数的两个序列之和，即x1(n)和x2(n)的长度都是N／2，x1(n)是偶数序列，x2(n)是奇数序列，则其中X1(k)和X2(k)分别为x1(n)和x2(n)的N／2点DFT。
由于X1(k)和X2(k)均以N／2为周期，且WN k+N/2=-WN k，所以X(k)又可表示为：上式的运算可以用图2表示，根据其形状称之为蝶形运算。
依此类推，经过m-1次分解，最后将N点DFT分解为N／2个两点DFT。
图3为8点FFT的分解流程。
FFT算法的原理是通过许多小的更加容易进行的变换去实现大规模的变换，降低了运算要求，提高了与运算速度。
FFT不是DFT的近似运算，它们完全是等效的。
关于FFT精度的说明：因为这个变换采用了浮点运算，因此需要足够的精度，以使在出现舍入误差时，结果中的每个组成部分的准确整数值仍是可辨认的。
为了FFT的舍入误差，应该允许增加几倍log2(log2N)位的二进制。
傅里叶变换详细解释
傅里叶变换详细解释傅里叶变换是一种数学工具，可以将一个函数分解成一系列正弦和余弦函数的和。
它在信号处理、图像处理、通信和物理学等领域中广泛应用。
傅里叶变换的详细解释包括其定义、数学表达式、性质和应用等方面。
首先，傅里叶变换可以将一个连续函数f(t) 分解成一系列正弦和余弦函数的和。
这些正弦和余弦函数的频率是连续的，可以覆盖整个频谱。
傅里叶变换的定义如下：F(ω) = ∫f(t) e^(-jωt) dt其中，F(ω) 是傅里叶变换后的函数，f(t) 是原始函数，ω 是频率，e 是自然常数。
傅里叶变换的数学表达式可以用复数的形式来表示。
当函数 f(t) 是实函数时，傅里叶变换F(ω) 是一个复函数，具有实部和虚部。
实部表示函数在频域中的振幅，虚部表示函数在频域中的相位。
傅里叶变换有一些重要的性质。
首先，傅里叶变换具有线性性质，即对于常数a 和 b，有 F(a*f(t) + b*g(t)) = a*F(f(t)) + b*F(g(t))。
这使得傅里叶变换在信号处理中非常有用，可以将多个信号叠加在一起进行分析。
其次，傅里叶变换具有平移性质。
如果将函数 f(t) 在时间域上平移 t0，那么它的傅里叶变换F(ω) 在频域上也会相应地平移 e^(-jωt0)。
这个性质使得我们可以通过平移信号来改变其频谱。
另外，傅里叶变换还具有对称性质。
当函数 f(t) 是实函数时，其傅里叶变换F(ω) 的实部是偶函数，虚部是奇函数。
这个对称性质使得我们可以通过傅里叶变换将实函数分解成实部和虚部的和。
傅里叶变换在许多领域中有广泛的应用。
在信号处理中，傅里叶变换可以将时域上的信号转换成频域上的信号，从而可以分析信号的频谱特性。
例如，通过傅里叶变换，我们可以将音频信号转换成频谱图，可以分析音频信号中不同频率的成分。
在图像处理中，傅里叶变换可以将图像转换成频域上的图像，从而可以对图像进行频域滤波和增强处理。
例如，通过傅里叶变换，我们可以将模糊的图像恢复成清晰的图像，或者将图像中的噪声去除。
傅里叶变换快速算法
傅里叶变换快速算法如果直接使用傅里叶变换的定义进行计算，时间复杂度将会非常高。
而傅里叶变换的快速算法可以大大提高计算效率，其中应用最广泛的是快速傅里叶变换（Fast Fourier Transform, FFT）。
快速傅里叶变换是由高速数学库（Fast Fourier Transform Library, FFT）提出的。
它的核心思想是将N个复数的DFT（Discrete Fourier Transform）分解为多个规模较小的DFT相加。
通常情况下，N可以表示为2的整数幂，这样可以将整个计算过程逐步分解为规模为N/2的子问题。
快速傅里叶变换的主要步骤如下：1.将N个复数分为两个序列经过奇偶分解，分别计算奇数点的傅里叶变换和偶数点的傅里叶变换。
2.对于奇数点的傅里叶变换，可以继续递归地分解为更小规模的傅里叶变换。
递归的停止条件是只有一个复数。
3.按照分解的次序对奇数点的结果和偶数点的结果进行合并计算。
合并的方式为将奇数点的结果与对应的偶数点的结果进行乘积运算。
因为在频域中，奇数点和偶数点的结果有一定的对称性，所以可以通过乘积运算将它们合并为一组复数。
4.重复以上步骤，直到将整个序列分解为规模为1的子问题。
最终得到整个序列的傅里叶变换结果。
快速傅里叶变换的时间复杂度为O(NlogN)，比直接计算的O(N^2)要低得多。
这是因为通过将序列分解为多个较小规模的子问题进行计算，避免了大量的重复计算。
此外，快速傅里叶变换还具有良好的数值稳定性和精度。
快速傅里叶变换除了在信号分析中广泛应用外，还在许多其他领域有着重要的应用。
例如，在图像处理中，可以利用快速傅里叶变换进行图像压缩和滤波等操作。
在通信系统中，快速傅里叶变换可以用于信号的调制和解调等过程。
总之，快速傅里叶变换是一种高效的信号分析工具，可以将信号从时域转换到频域。
它的核心思想是将N个复数的傅里叶变换分解为多个规模较小的傅里叶变换，通过递归的方式进行计算。
傅里叶变换详细解释
傅里叶变换详细解释
傅里叶变换是数学中的一种重要分析工具，用于将一个函数表示为一系列复指数的加权和。
它得名于法国数学家约瑟夫·傅
里叶。
简单来说，傅里叶变换可以将一个函数或信号从时域（即时间域）转换到频域（即频率域），从而揭示出了信号中不同频率分量的强弱情况。
傅里叶变换的数学表示如下：
F(ω) = ∫[−∞,+∞] f(t) e^(−jωt) dt
其中，F(ω)表示频率为ω的复指数分量的权重，f(t)表示输入
函数或信号，e^(−jωt)表示复指数函数。
傅里叶变换将输入函
数或信号f(t)与复指数函数相乘，并对结果进行积分，得到频
率域的表示。
傅里叶变换可以将任意复数函数f(t)分解为多个复指数函数的
加权和，每个复指数函数的频率和权重由变换结果F(ω)确定。
所以，傅里叶变换可以将时域的函数转换为频域的复数表示。
傅里叶变换的应用非常广泛，尤其在信号处理、图像处理和通信领域中发挥着重要作用。
它可以帮助我们理解和分析信号的频域特性，如频率分量的强度、相位关系和频谱形状。
此外，傅里叶变换还可以用于信号滤波、频率分析、谱估计、图像压缩等方面。
总之，傅里叶变换通过将函数或信号从时域转换到频域，使我
们能够更好地理解和处理信号的频率特性，并在许多应用中发挥着重要的作用。
1傅里叶变换
1傅里叶变换傅里叶变换是一种十分重要且广泛应用于信号处理与数学领域的数学工具。
它由法国数学家傅里叶于19世纪提出，并成为时域和频域之间互相转换的基础方法。
傅里叶变换的应用涵盖了从图像处理到电信通信，从量子力学到音频处理等众多领域，因此对于我们理解和处理各种信号具有极其重要的意义。
首先，让我们了解一下傅里叶变换的基本原理。
在信号处理中，我们经常需要对一个信号进行频率分析，即将时域上的信号转换为频域上的信号。
这时，傅里叶变换就派上了用场。
傅里叶变换通过将一个信号分解为无穷多个不同频率的正弦波的叠加，使我们可以清晰地看到信号中包含的各种频率成分。
傅里叶变换的数学表达式如下：F(ω) = ∫f(t)e^{-iωt}dt 其中，F(ω)是信号f(t)在频域上的表示，ω是频率，e是自然对数的底数，i是虚数单位。
傅里叶变换的本质就是将一个函数f(t)分解为频率连续的正弦波分量，并计算每个分量的振幅和相位。
傅里叶变换在许多实际应用中具有重要意义。
首先，它在图像处理中有广泛应用。
通过对图像进行傅里叶变换，我们可以分析图像中不同频率的部分，如边缘、纹理等，从而实现图像增强、图像压缩等功能。
其次，傅里叶变换在电信通信中也扮演着重要的角色。
通过傅里叶变换，我们可以将信号从时域转换到频域，方便地进行频谱分析，从而实现信号的滤波、编码解码等处理。
此外，在量子力学中，傅里叶变换被广泛应用于描述量子态和波函数，并为我们理解粒子的性质和相互作用提供了重要工具。
除了理论意义，在实际应用中，我们还需要注意傅里叶变换的一些考虑因素。
首先，由于傅里叶变换是基于连续时间信号的，而我们通常处理的是离散的数字信号，因此需要进行离散傅里叶变换（DFT）或快速傅里叶变换（FFT）来处理离散信号。
其次，信号本身可能包含噪音或干扰，因此在进行傅里叶变换之前，需要对信号进行预处理、滤波等步骤以减少噪声的影响。
总之，傅里叶变换作为一种强大的信号处理工具，为我们理解和处理各种信号提供了重要的数学工具。
傅里叶变换详细推导
傅里叶变换详细推导傅里叶变换是一种在数学和信号处理领域广泛应用的工具，它可以将一个时域信号转换到频域，从而方便我们分析信号的频率成分。
以下是傅里叶变换的详细推导：设有一个实数函数f(t)，它定义在无限大的时间区间上。
傅里叶变换的目标是将这个函数分解为一组正弦波的线性组合。
这些正弦波的频率从0到无穷大，并且它们的振幅和相位是连续变化的。
傅里叶变换的定义如下：F(w) = ∫f(t)e^(-jwt) dt其中，w是角速度，j是虚数单位。
这个积分是在整个时间轴上进行的，因此，傅里叶变换的结果是一个关于角速度w的函数。
为了推导傅里叶变换的结果，我们需要对f(t)进行一些假设。
假设f(t)是一个周期函数，周期为T。
这样，我们就可以将f(t)表示为一系列正弦波和余弦波的线性组合。
f(t) = a0 + Σ(an * cos(2πnft) + bn * sin(2πnft))其中，f = 1/T 是函数的角频率，an和bn是傅里叶系数，它们可以通过以下公式计算得到：an = 1/T * ∫f(t)cos(2πnft) dtbn = 1/T * ∫f(t)sin(2πnft) dt现在，我们将f(t)代入傅里叶变换的定义中，得到：F(w) = ∫(a0 + Σ(an * cos(2πnft) + bn * sin(2πnft)))e^(-jwt) dt对这个积分进行计算，我们得到：F(w) = a0 * ∫e^(-jwt) dt + Σ(an * ∫cos(2πnft)e^(-jwt) dt + bn * ∫sin(2πnft)e^(-jwt) dt)对于积分中的cos和sin部分，我们可以使用三角函数的积分公式，得到：∫cos(2πnft)e^(-jwt) dt = (wt - 2πn)^{-1} * (sin((2πnf)wt) - j cos((2πnf)wt))/(2πnf)^2∫sin(2πnft)e^(-jwt) dt = (wt - 2πn)^{-1} * (cos((2πnf)wt) - j sin((2πnf)wt))/(2πnf)^2将上述结果代入到F(w)中，得到：F(w) = a0 / (wt - jw0) + Σ((an / (wt - 2πnjf)) * (sin((2πnf)wt) - j cos((2πnf)wt)) + (bn / (wt - 2πnjf)) * (cos((2πnf)wt) - j sin((2πnf)wt)))]这个公式就是傅里叶变换的结果。
傅里叶变换教程
傅里叶变换是一种将信号从时域（时间域）转换到频域（频率域）的数学工具，它在信号处理、图像处理、通信等领域中有着广泛的应用。
下面是一个简单的傅里叶变换教程，帮助你理解傅里叶变换的基本概念和步骤：时域和频域：时域是指信号在时间上的变化，通常以时间为横轴进行表示。
频域是指信号在频率上的变化，通常以频率为横轴进行表示。
傅里叶级数：傅里叶级数是将周期信号表示为一系列正弦和余弦函数的和的方法。
傅里叶级数公式：f(t) = A0 + Σ(Akcos(kωt) + Bksin(kωt))，其中A0为直流分量，Ak和Bk为频率为kω的余弦和正弦分量。
傅里叶变换：傅里叶变换是将非周期信号表示为连续频谱的方法。
傅里叶变换公式：F(ω) = ∫[f(t)*e^(-jωt)]dt，其中F(ω)为频域表示的信号，f(t)为时域信号，e^(-jωt)为复指数函数。
步骤：将时域信号f(t)进行傅里叶变换，得到频域信号F(ω)。
频域信号F(ω)表示了信号在不同频率上的振幅和相位信息。
可以通过逆傅里叶变换将频域信号F(ω)转换回时域信号f(t)。
傅里叶变换的性质：线性性：傅里叶变换是线性的，即对于两个信号的线性组合，其傅里叶变换等于各自傅里叶变换的线性组合。
平移性：时域信号的平移会导致频域信号相位的变化。
尺度变换：时域信号的时间缩放会导致频域信号的频率变化。
傅里叶变换的应用：信号滤波：可以利用傅里叶变换将信号转换到频域进行滤波处理，例如去除噪声。
频谱分析：通过傅里叶变换可以获得信号的频谱信息，了解信号的频率成分和频率特性。
图像处理：傅里叶变换在图像处理中常用于图像增强、边缘检测等方面。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
傅里叶变换，原来就这么简单！---好文开始了--我保证这篇文章和你以前看过的所有文章都不同，这是2012 年还在果壳的时候写的，但是当时没有来得及写完就出国了……于是拖了两年，嗯，我是拖延症患者……这篇文章的核心思想就是：要让读者在不看任何数学公式的情况下理解傅里叶分析。
傅里叶分析不仅仅是一个数学工具，更是一种可以彻底颠覆一个人以前世界观的思维模式。
但不幸的是，傅里叶分析的公式看起来太复杂了，所以很多大一新生上来就懵圈并从此对它深恶痛绝。
老实说，这么有意思的东西居然成了大学里的杀手课程，不得不归咎于编教材的人实在是太严肃了。
（您把教材写得好玩一点会死吗？会死吗？）所以我一直想写一个有意思的文章来解释傅里叶分析，有可能的话高中生都能看懂的那种。
所以，不管读到这里的您从事何种工作，我保证您都能看懂，并且一定将体会到通过傅里叶分析看到世界另一个样子时的快感。
至于对于已经有一定基础的朋友，也希望不要看到会的地方就急忙往后翻，仔细读一定会有新的发现。
————以上是定场诗————下面进入正题：抱歉，还是要啰嗦一句：其实学习本来就不是易事，我写这篇文章的初衷也是希望大家学习起来更加轻松，充满乐趣。
但是千万！千万不要把这篇文章收藏起来，或是存下地址，心里想着：以后有时间再看。
这样的例子太多了，也许几年后你都没有再打开这个页面。
无论如何，耐下心，读下去。
这篇文章要比读课本要轻松、开心得多……一、什么是频域从我们出生，我们看到的世界都以时间贯穿，股票的走势、人的身高、汽车的轨迹都会随着时间发生改变。
这种以时间作为参照来观察动态世界的方法我们称其为时域分析。
而我们也想当然的认为，世间万物都在随着时间不停的改变，并且永远不会静止下来。
但如果我告诉你，用另一种方法来观察世界的话，你会发现世界是永恒不变的，你会不会觉得我疯了？我没有疯，这个静止的世界就叫做频域。
先举一个公式上并非很恰当，但意义上再贴切不过的例子：在你的理解中，一段音乐是什么呢？这是我们对音乐最普遍的理解，一个随着时间变化的震动。
但我相信对于乐器小能手们来说，音乐更直观的理解是这样的：好的！下课，同学们再见。
是的，其实这一段写到这里已经可以结束了。
上图是音乐在时域的样子，而下图则是音乐在频域的样子。
所以频域这一概念对大家都从不陌生，只是从来没意识到而已。
现在我们可以回过头来重新看看一开始那句痴人说梦般的话：世界是永恒的。
将以上两图简化：时域：频域：在时域，我们观察到钢琴的琴弦一会上一会下的摆动，就如同一支股票的走势；而在频域，只有那一个永恒的音符。
所以你眼中看似落叶纷飞变化无常的世界，实际只是躺在上帝怀中一份早已谱好的乐章。
抱歉，这不是一句鸡汤文，而是黑板上确凿的公式：傅里叶同学告诉我们，任何周期函数，都可以看作是不同振幅，不同相位正弦波的叠加。
在第一个例子里我们可以理解为，利用对不同琴键不同力度，不同时间点的敲击，可以组合出任何一首乐曲。
而贯穿时域与频域的方法之一，就是传中说的傅里叶分析。
傅里叶分析可分为傅里叶级数（Fourier Serie）和傅里叶变换(Fourier Transformation)，我们从简单的开始谈起。
二、傅里叶级数(Fourier Series)的频谱还是举个栗子并且有图有真相才好理解。
如果我说我能用前面说的正弦曲线波叠加出一个带90 度角的矩形波来，你会相信吗？你不会，就像当年的我一样。
但是看看下图：第一幅图是一个郁闷的正弦波cos（x）第二幅图是 2 个卖萌的正弦波的叠加cos (x) +a.cos (3x)第三幅图是 4 个发春的正弦波的叠加第四幅图是10 个便秘的正弦波的叠加随着正弦波数量逐渐的增长，他们最终会叠加成一个标准的矩形，大家从中体会到了什么道理？（只要努力，弯的都能掰直！）随着叠加的递增，所有正弦波中上升的部分逐渐让原本缓慢增加的曲线不断变陡，而所有正弦波中下降的部分又抵消了上升到最高处时继续上升的部分使其变为水平线。
一个矩形就这么叠加而成了。
但是要多少个正弦波叠加起来才能形成一个标准90 度角的矩形波呢？不幸的告诉大家，答案是无穷多个。
（上帝：我能让你们猜着我？）不仅仅是矩形，你能想到的任何波形都是可以如此方法用正弦波叠加起来的。
这是没有接触过傅里叶分析的人在直觉上的第一个难点，但是一旦接受了这样的设定，游戏就开始有意思起来了。
还是上图的正弦波累加成矩形波，我们换一个角度来看看：在这几幅图中，最前面黑色的线就是所有正弦波叠加而成的总和，也就是越来越接近矩形波的那个图形。
而后面依不同颜色排列而成的正弦波就是组合为矩形波的各个分量。
这些正弦波按照频率从低到高从前向后排列开来，而每一个波的振幅都是不同的。
一定有细心的读者发现了，每两个正弦波之间都还有一条直线，那并不是分割线，而是振幅为0 的正弦波！也就是说，为了组成特殊的曲线，有些正弦波成分是不需要的。
这里，不同频率的正弦波我们成为频率分量。
好了，关键的地方来了！！如果我们把第一个频率最低的频率分量看作“1”，我们就有了构建频域的最基本单元。
对于我们最常见的有理数轴，数字“1”就是有理数轴的基本单元。
（好吧，数学称法为——基。
在那个年代，这个字还没有其他奇怪的解释，后面还有正交基这样的词汇我会说吗?）时域的基本单元就是“1 秒”，如果我们将一个角频率为w0的正弦波cos(w0t)看作基础，那么频域的基本单元就是w0。
有了“1”，还要有“0”才能构成世界，那么频域的“0”是什么呢？cos（0t）就是一个周期无限长的正弦波，也就是一条直线！所以在频域，0 频率也被称为直流分量，在傅里叶级数的叠加中，它仅仅影响全部波形相对于数轴整体向上或是向下而不改变波的形状。
接下来，让我们回到初中，回忆一下已经死去的八戒，啊不，已经死去的老师是怎么定义正弦波的吧。
正弦波就是一个圆周运动在一条直线上的投影。
所以频域的基本单元也可以理解为一个始终在旋转的圆以及这里：点出去的朋友不要被wiki 拐跑了，wiki 写的哪有这里的文章这么没节操是不是。
介绍完了频域的基本组成单元，我们就可以看一看一个矩形波，在频域里的另一个模样了：这是什么奇怪的东西？这就是矩形波在频域的样子，是不是完全认不出来了？教科书一般就给到这里然后留给了读者无穷的遐想，以及无穷的吐槽，其实教科书只要补一张图就足够了：频域图像，也就是俗称的频谱，就是——再清楚一点：可以发现，在频谱中，偶数项的振幅都是0，也就对应了图中的彩色直线。
振幅为0 的正弦波。
老实说，在我学傅里叶变换时，维基的这个图还没有出现，那时我就想到了这种表达方法，而且，后面还会加入维基没有表示出来的另一个谱——相位谱。
但是在讲相位谱之前，我们先回顾一下刚刚的这个例子究竟意味着什么。
记得前面说过的那句“世界是静止的”吗？估计好多人对这句话都已经吐槽半天了。
想象一下，世界上每一个看似混乱的表象，实际都是一条时间轴上不规则的曲线，但实际这些曲线都是由这些无穷无尽的正弦波组成。
我们看似不规律的事情反而是规律的正弦波在时域上的投影，而正弦波又是一个旋转的圆在直线上的投影。
那么你的脑海中会产生一个什么画面呢？我们眼中的世界就像皮影戏的大幕布，幕布的后面有无数的齿轮，大齿轮带动小齿轮，小齿轮再带动更小的。
在最外面的小齿轮上有一个小人——那就是我们自己。
我们只看到这个小人毫无规律的在幕布前表演，却无法预测他下一步会去哪。
而幕布后面的齿轮却永远一直那样不停的旋转，永不停歇。
这样说来有些宿命论的感觉。
说实话，这种对人生的描绘是我一个朋友在我们都是高中生的时候感叹的，当时想想似懂非懂，直到有一天我学到了傅里叶级数……三、傅里叶级数（Fourier Series）的相位谱上一章的关键词是：从侧面看。
这一章的关键词是：从下面看。
在这一章最开始，我想先回答很多人的一个问题：傅里叶分析究竟是干什么用的？这段相对比较枯燥，已经知道了的同学可以直接跳到下一个分割线。
先说一个最直接的用途。
无论听广播还是看电视，我们一定对一个词不陌生——频道。
频道频道，就是频率的通道，不同的频道就是将不同的频率作为一个通道来进行信息传输。
下面大家尝试一件事：先在纸上画一个sin（x），不一定标准，意思差不多就行。
不是很难吧。
好，接下去画一个sin（3x）+sin（5x）的图形。
别说标准不标准了，曲线什么时候上升什么时候下降你都不一定画的对吧？好，画不出来不要紧，我把sin（3x）+sin（5x）的曲线给你，但是前提是你不知道这个曲线的方程式，现在需要你把sin（5x）给我从图里拿出去，看看剩下的是什么。
这基本是不可能做到的。
但是在频域呢？则简单的很，无非就是几条竖线而已。
所以很多在时域看似不可能做到的数学操作，在频域相反很容易。
这就是需要傅里叶变换的地方。
尤其是从某条曲线中去除一些特定的频率成分，这在工程上称为滤波，是信号处理最重要的概念之一，只有在频域才能轻松的做到。
再说一个更重要，但是稍微复杂一点的用途——求解微分方程。
（这段有点难度，看不懂的可以直接跳过这段）微分方程的重要性不用我过多介绍了。
各行各业都用的到。
但是求解微分方程却是一件相当麻烦的事情。
因为除了要计算加减乘除，还要计算微分积分。
而傅里叶变换则可以让微分和积分在频域中变为乘法和除法，大学数学瞬间变小学算术有没有。
傅里叶分析当然还有其他更重要的用途，我们随着讲随着提。
——————————————下面我们继续说相位谱：通过时域到频域的变换，我们得到了一个从侧面看的频谱，但是这个频谱并没有包含时域中全部的信息。
因为频谱只代表每一个对应的正弦波的振幅是多少，而没有提到相位。
基础的正弦波A.sin(wt+θ)中，振幅，频率，相位缺一不可，不同相位决定了波的位置，所以对于频域分析，仅仅有频谱（振幅谱）是不够的，我们还需要一个相位谱。
那么这个相位谱在哪呢？我们看下图，这次为了避免图片太混论，我们用7个波叠加的图。
鉴于正弦波是周期的，我们需要设定一个用来标记正弦波位置的东西。
在图中就是那些小红点。
小红点是距离频率轴最近的波峰，而这个波峰所处的位置离频率轴有多远呢？为了看的更清楚，我们将红色的点投影到下平面，投影点我们用粉色点来表示。
当然，这些粉色的点只标注了波峰距离频率轴的距离，并不是相位。
这里需要纠正一个概念：时间差并不是相位差。
如果将全部周期看作2Pi或者360度的话，相位差则是时间差在一个周期中所占的比例。
我们将时间差除周期再乘2Pi，就得到了相位差。
在完整的立体图中，我们将投影得到的时间差依次除以所在频率的周期，就得到了最下面的相位谱。
所以，频谱是从侧面看，相位谱是从下面看。
下次偷看女生裙底被发现的话，可以告诉她：“对不起，我只是想看看你的相位谱。
”注意到，相位谱中的相位除了0，就是Pi。
因为cos（t+Pi）=-cos（t），所以实际上相位为Pi的波只是上下翻转了而已。