很多人在信号与系统课程里前两周还能跟上进度到了第三章突然就看不懂公式了。如果你现在正处于这个状态请不要急着怀疑自己的数学能力。问题往往不是你不够聪明而是还没有完成一个关键的认知转换从时域思维切换到频域思维。第三章在很多经典教材里正好是这个转折点。前两章你学会的是“一个信号随时间怎么变化”到了第三章你要开始从“一个信号由哪些频率成分组成”这个全新的角度去看它。这个切换一旦完成后面章节就是下坡路切换失败后面全是悬崖。这篇文章就是为还没完成切换的读者准备的。我会先用通俗的方式讲清楚频域分析到底在干什么再给你一套可以直接上手的做题方法论然后用 Python 和 MATLAB 把公式“跑”出来让你直观看到频谱长什么样。文章最后还整理了零基础最容易踩的坑和一份考试刷题策略目标是让你用最少的时间抓住第三章的主要得分点。1. 第三章为什么是整个课程的分水岭1.1 前两章和第三章的思维差异在第一章你接触了信号的基本描述连续信号、离散信号、能量信号、功率信号、冲激信号、阶跃信号。这些东西都在回答一个共同的问题——“信号的值在每一个时刻是多少”。到了第二章你开始学系统系统对输入信号做了什么输出和输入之间是什么关系。卷积这个概念第一次出现你已经感觉到原来一个系统对任意输入的响应可以通过它对冲激信号的响应拼出来。但本质上你仍然在时间轴上思考问题。卷积公式里你逐点移动、逐点相乘、逐点累加操作的对象是时间。第三章做了一个很反直觉的事把信号从时间轴上“搬”到频率轴上。一个信号不再是 f(t) 的曲线而是一堆正弦波、余弦波或者复指数信号的叠加每个分量有自己的频率、幅度和相位。同一个信息换了一个坐标系描述就产生了完全不同的解题工具。这一步对初学者来说很穿越所以很多人会卡在这里。它要求的不是更高深的数学而是改变看问题的方式。1.2 第三章没学好的连锁反应信号与系统这门课是一个层层递进的体系。第三章建立的频域分析方法会直接被后面的拉普拉斯变换、连续系统的 s 域分析、离散系统的 z 域分析继承。你可以把第三章理解为“把信号拆成频率分量”的第一次系统训练之后所有变换都是在这个思想上做扩展。采样定理也依赖频域视角。如果一个信号在频域里的带宽是有限的那么采样频率至少要达到最高频率的两倍采样之后才不会丢失信息。这句话如果放在时域里解释会绕很多弯放到频域里就是一两句话的事。因此第三章学不好不只是这一章拿不到分而是整个课程后面的逻辑链条都会断掉。反过来这一章一旦通了后面很多内容会变得非常自然。2. 核心概念从时域到频域的坐标系转换2.1 傅里叶级数周期信号的“配料表”先看一个最简单的场景。你有一个周期信号比如一个方波。它每秒钟重复很多次看起来就是一个直角边缘的波形。傅里叶级数告诉你这个方波可以写成无穷多个不同频率的正弦波之和。如果把这个想法换成做饭就很好理解。一道菜的最终味道是盐、糖、辣椒等调料按不同比例混合后的结果。你尝到的味道是混合后的整体但配料表会告诉你里面有哪些成分、每种放了多少。傅里叶级数就是信号的“配料表”它把周期信号拆成直流分量、基波分量、二次谐波、三次谐波……每一项都有明确的频率和幅度。周期为 T 的信号 f(t)可以写成如下形式f(t) Σ a_k e^{j k ω_0 t}其中 ω_0 2π / T 是基波角频率a_k 是第 k 次谐波分量的复振幅。这里的数学形式可以先不深究你只需要抓住一个重点一个周期信号可以等价成很多已知频率的正弦波的叠加。2.2 傅里叶变换非周期信号的推广现实里更多信号不是周期的比如一段瞬态脉冲、一段语音。那它还能拆成频率分量吗可以但拆分出来的不再是离散的一条条谱线而是一段连续的频谱。从傅里叶级数推到傅里叶变换本质上是把非周期信号看成周期无穷大的周期信号。当周期趋近无穷大时基频趋近无穷小离散谱线就变成了连续频谱。傅里叶变换正变换和反变换定义为X(jω) ∫_{-∞}^{∞} f(t) e^{-jωt} dtf(t) (1 / 2π) ∫_{-∞}^{∞} X(jω) e^{jωt} dω正变换负责把时域信号 f(t) 变成频域表示 X(jω)反变换负责把频域表示还原为时域信号。初始阶段你不需要背下积分公式的推导细节但你必须知道这两个式子各自的方向和含义。2.3 频谱图到底怎么看很多零基础的同学在作业里画出频谱后不知道怎么检查结果。这里给你一个通用的读图方法。频谱图通常横轴是频率 ω纵轴是幅度 |X(jω)| 或相位。你不需要把每个点都算清楚只需要能回答三个问题信号主要能量集中在哪个频段高频成分衰减得快还是慢有没有明显的谱峰对应到物理场景高频成分多意味着信号变化陡峭低频成分多意味着信号变化平缓。为什么这个能力很重要因为在第三章后面学习的滤波器、调制、采样全部都要靠“看图”来理解低通滤波器保留低频、抑制高频采样是否失真要看频谱是否发生混叠调制的本质是把基带频谱搬移到高频载波附近。看懂频谱图就是频域思维落地的最直接体现。3. 零基础必须掌握的性质清单第三章考试里真正拉开差距的不是定义式积分而是性质的灵活使用。定义式积分计算量大、容易出错而性质可以让你在几十秒内完成一道小题。下面这六条性质必须熟到能默写。性质时域关系频域关系记忆要点线性a f(t) b g(t)a F(jω) b G(jω)先拆后变换方便处理叠加信号时移f(t - t0)e^{-jωt0} F(jω)时间轴平移只改变相位、不改变幅度频移e^{jω0t} f(t)F(j(ω - ω0))频移是调制的理论基础尺度变换f(at)(1 /a卷积定理f(t) * g(t)F(jω) G(jω)时域卷积频域相乘帕塞瓦尔定理∫f(t)² dt使用性质时最忌讳的是生搬硬套。比如时移性质它的前提是信号整体沿时间轴平移 t0而不是把波形做了一半截断。如果题目给定的是一个“窗口内平移”你还需要结合矩形窗的频谱去处理。另外要特别警惕尺度变换。它的结论经常反直觉时域上信号被压缩频谱会向高频方向扩展时域上信号被拉伸频谱会向低频方向收缩。这可以理解为一个“跷跷板关系”——信号在时域占的时间越短在频域里需要的频率范围就越宽。这也是后面脉冲信号、采样定理内容里反复出现的直觉来源。4. 0基础做题方法三步走加典型例题4.1 识别信号类型拿到一道求频谱的题目第一步不是立刻套公式而是先回答信号是周期的还是非周期的是连续还是离散周期信号用傅里叶级数非周期连续信号用傅里叶变换离散信号在后面章节才会系统学习但第三章如果出现通常是直接用定义式做单点计算。4.2 选择工具识别完类型后选择工具。优先看题目给出的信号能不能由基本信号组合而成。基本信号包括冲激、阶跃、矩形、三角、指数衰减、正弦余弦。如果信号本身就是基本信号直接查常用变换表如果信号是基本信号的平移、伸缩、卷积、乘积就用对应的性质。只有在信号比较“陌生”时才回到定义式去积分。随着做题经验增加你会越来越明显地感觉到性质方法是高频题目的主要得分手段。4.3 典型例题演示例1求矩形脉冲的傅里叶变换。设 f(t) 1 在 |t| 1其他位置为 0。用定义式计算X(jω) ∫_{-1}^{1} 1 · e^{-jωt} dt [e^{-jωt} / (-jω)]_{-1}^{1} (e^{jω} - e^{-jω}) / (jω) 2 sin(ω) / ω所以矩形脉冲的频谱是 2 sin(ω)/ω也就是 2 乘以采样函数 Sa(ω)。这个结果应该在草稿纸上能独立推出因为它会反复出现在各种题目中。例2利用时移性质快速求移位矩形的频谱。如果把上面的矩形向右平移 1 个单位得到 f(t-1)。根据时移性质新信号的频谱是e^{-jω} · 2 sin(ω) / ω这个公式不用重新积分一步就出结果。幅度谱不变相位谱附加了 -ω 的线性相位。例3利用卷积定理求卷积信号的频谱。如果两个矩形脉冲在时域做卷积得到的是三角形信号。卷积定理说时域卷积对应频域相乘因此三角形信号的频谱等于两个矩形脉冲频谱的乘积。这是一个非常典型的结构你不需要真的去算时域卷积积分而是先分别求两个信号的傅里叶变换再相乘最后如果有需要再做逆变换。这三个例题串起来正好覆盖了第三章最常见的三类考法直接求基本信号的频谱、用性质求复杂信号的频谱、用时域卷积关系求信号频谱。5. 用 Python 把频谱“跑”出来5.1 数值定义式验证矩形脉冲频谱有些同学对公式推导总是半信半疑这很正常。最好的解决方式是用数值方法把理论结果复现出来。下面这段 Python 代码用 scipy.integrate.quad 做数值积分直接逼近傅里叶变换定义式然后与理论值 2 sin(ω)/ω 对比import numpy as np from scipy.integrate import quad import matplotlib.pyplot as plt def f(t): # 矩形脉冲|t| 1 时为 1其余为 0 return 1.0 if -1.0 t 1.0 else 0.0 def integrand(t, omega): return f(t) * np.exp(-1j * omega * t) omegas np.linspace(-20, 20, 201) X_numerical [] for w in omegas: # 矩形脉冲在 [-1, 1] 之外为 0积分区间取 [-2, 2] 足够 result, _ quad(lambda t: integrand(t, w), -2, 2, limit200) X_numerical.append(result) X_numerical np.array(X_numerical) # 理论值2 * sin(omega) / omega X_theory 2 * np.sin(omegas) / omegas # omega 0 处需要单独处理极限值 2 X_theory[np.abs(omegas) 1e-10] 2.0 plt.figure(figsize(10, 5)) plt.plot(omegas, np.abs(X_numerical), b-, labelNumerical integral) plt.plot(omegas, np.abs(X_theory), r--, labelTheory: |2 sin(w)/w|) plt.xlabel(omega) plt.ylabel(|X(j omega)|) plt.title(Rectangular Pulse Spectrum) plt.legend() plt.grid(True) plt.show()运行这段代码你会看到两条曲线完全重合。这说明定义式积分的结果与理论公式一致傅里叶变换不是“抽象魔法”而是可以精确计算出来的实际数值。这类验证对建立频域直觉非常有帮助。5.2 用 FFT 观察叠加信号的频谱实际工程里你不会用定义式去算积分而是用 FFT快速傅里叶变换。下面代码生成一个 5Hz 正弦波与 50Hz 正弦波的叠加信号然后用 scipy.fft 计算频谱import numpy as np import matplotlib.pyplot as plt from scipy.fft import fft, fftfreq fs 1000 # 采样率 T 1.0 # 时长 N int(fs * T) t np.linspace(0.0, T, N, endpointFalse) signal np.sin(2 * np.pi * 5 * t) 0.5 * np.sin(2 * np.pi * 50 * t) X fft(signal) freqs fftfreq(N, 1.0 / fs) mag np.abs(X) / N # 只取正频率部分 half N // 2 plt.figure(figsize(10, 5)) plt.stem(freqs[:half], mag[:half], basefmt ) plt.xlabel(Frequency (Hz)) plt.ylabel(Magnitude) plt.title(Frequency Spectrum of 5Hz 50Hz Signal) plt.xlim(0, 80) plt.grid(True) plt.show()运行后你能在 5Hz 和 50Hz 两个位置看到明显的谱峰分别对应两个正弦分量0.5 的幅度差异也同样体现在谱线上。这个例子可以帮助你理解频域分析的价值就是从一段混合波形里直接看到它由哪些频率组成。6. 用 MATLAB 看系统频率响应第三章除了对信号本身做频谱分析还有一个高频考点系统的频率响应。也就是把系统函数 H(s) 放到 s jω 上观察系统对不同频率输入的放大或衰减能力。下面是一个二阶低通系统的例子。系统函数为 H(s) 1 / (s² 0.5s 1)用多项式求值直接计算 H(jω)% 系统函数 H(s) 1 / (s^2 0.5*s 1) b [1]; % 分子多项式系数 a [1, 0.5, 1]; % 分母多项式系数 w 0:0.01:10; % 角频率范围 % 用多项式求值直接计算 H(jw)等价于 freqs(b, a, w) H polyval(b, 1j*w) ./ polyval(a, 1j*w); figure; plot(w, abs(H), LineWidth, 1.5); grid on; xlabel(Frequency (rad/s)); ylabel(Magnitude); title(Frequency Response |H(j\omega)|);运行后你会看到幅频曲线在低频段接近 1到高频段逐渐下降。这就是低通滤波器的典型特征。在第三章考试里类似的题目往往要求你根据系统函数判断它是什么类型的滤波器、通带在哪、阻带在哪。如果你想验证自己对某个系统的判断用上面这段代码画一下曲线结果一目了然。7. 零基础最容易踩的坑与排查方法第三章的常见问题往往不是计算能力不足而是概念混淆。这里整理了一份排查清单建议收藏。问题现象可能原因排查方式解决方案分不清该用傅里叶级数还是傅里叶变换没有先判断信号是否具有周期性先看题目中信号是否有重复周期 T周期信号用级数非周期信号用变换计算积分时丢掉负频率项没有注意复指数展开的完整性回看欧拉公式推导复指数展开后一定要保留正负频率项时移后频谱出错只改了幅度没处理相位因子用移位前后的频谱做对比验证时域平移只添加 e^{-jωt0} 相位因子尺度变换结果和直觉相反公式符号记反用 f(2t) 和 f(0.5t) 的小例子验证记住 a 越大时域越窄、频域越宽卷积定理用时域相乘还是频域相乘搞混对偶关系记忆不牢两个性质同时默写时域卷积频域相乘时域相乘频域卷积画频谱图不知道纵轴含义没有区分幅度谱和相位谱确认题目问的是幅度还是相位幅度谱纵轴为除开表格中的问题还有一条更基础的建议做第三章的作业时不要在草稿纸上直接堆积分。先写“信号类型 工具选择 性质组合”三行判断再动笔计算。很多错误都出在还没判断对信号类型就开始套公式。8. 考试拿 90 的复习策略8.1 按考点优先级排序如果你时间有限建议按下面的优先级复习每个等级都要配合实际练习。第一优先级是常用变换对与基本性质。冲激信号、阶跃信号、矩形信号、指数信号的傅里叶变换必须能默写线性、时移、频移、尺度变换、卷积定理必须能直接套用。这一档决定了你是否能及格。第二优先级是频谱图的理解与绘制。能够根据信号波形大概画出频谱形状能够区分幅度谱和相位谱能够解释滤波器为什么是低通或高通。这一档决定了你是否能上 80 分。第三优先级是综合应用题。比如用卷积定理求复杂信号频谱、用频移性质分析调制过程、根据系统函数求频率响应判断滤波特性。这一档是冲击 90 分以上的关键。8.2 做题习惯每次练习都按照“判断信号类型、选择工具、用性质化简、最后定义式计算”的顺序写过程。不要一上来就写积分号。考试时即使最后结果算错只要你的方法选择正确仍然能拿到大部分步骤分。更重要的是做完一道题后要回头总结这一题考的是哪个知识点和做过的哪道题相似下次遇到应该先看哪一步。用这种方法刷题二十道题比盲目刷一百道题更有用。8.3 考前怎么自查考前用半小时做一次概念自测能不能不看教材写出傅里叶正反变换公式能不能默写六个常用变换对能不能解释时域卷积对应频域相乘这三个问题都能答上来第三章的基本盘就稳了。剩下的时间交给错题回顾不要再刷新题。9. 从第三章走向后续章节到这里第三章的核心知识已经串起来了从时域信号到频域表示从傅里叶级数到傅里叶变换从性质列表到做题流程再到用 Python 和 MATLAB 做数值验证。你会发现第三章真正的门槛不是积分技巧而是建立“每个信号都可以用频率成分来描述”这个认知。后续的拉普拉斯变换、z 变换本质上都是傅里叶变换的扩展。拉普拉斯变换把频率从虚轴推广到复平面使得更多不满足绝对可积条件的信号也能被分析z 变换则把同样的思想搬到离散时间领域。掌握了第三章的频域视角后面学这些内容的时候只需要在“拆信号”的框架上增加一个新的维度。如果你目前的教材里第三章不是频域分析而是其他主题也不要紧。你可以把本文当作整个课程频域分析部分的独立速成资料等学到对应章节时再对照阅读。实际工程项目中频域分析也是最常用的工具之一滤波器设计、信号调制解调、系统辨识、语音与图像处理几乎都离不开这套思路。建议你自己动手跑一遍文中的 Python 和 MATLAB 代码亲手画出频谱图。视觉印象往往比公式记忆更持久。看完文章是一回事跟着代码做一遍是另一回事后者才是真正掌握的开始。
从时域到频域：傅里叶变换与信号频谱分析入门指南
很多人在信号与系统课程里前两周还能跟上进度到了第三章突然就看不懂公式了。如果你现在正处于这个状态请不要急着怀疑自己的数学能力。问题往往不是你不够聪明而是还没有完成一个关键的认知转换从时域思维切换到频域思维。第三章在很多经典教材里正好是这个转折点。前两章你学会的是“一个信号随时间怎么变化”到了第三章你要开始从“一个信号由哪些频率成分组成”这个全新的角度去看它。这个切换一旦完成后面章节就是下坡路切换失败后面全是悬崖。这篇文章就是为还没完成切换的读者准备的。我会先用通俗的方式讲清楚频域分析到底在干什么再给你一套可以直接上手的做题方法论然后用 Python 和 MATLAB 把公式“跑”出来让你直观看到频谱长什么样。文章最后还整理了零基础最容易踩的坑和一份考试刷题策略目标是让你用最少的时间抓住第三章的主要得分点。1. 第三章为什么是整个课程的分水岭1.1 前两章和第三章的思维差异在第一章你接触了信号的基本描述连续信号、离散信号、能量信号、功率信号、冲激信号、阶跃信号。这些东西都在回答一个共同的问题——“信号的值在每一个时刻是多少”。到了第二章你开始学系统系统对输入信号做了什么输出和输入之间是什么关系。卷积这个概念第一次出现你已经感觉到原来一个系统对任意输入的响应可以通过它对冲激信号的响应拼出来。但本质上你仍然在时间轴上思考问题。卷积公式里你逐点移动、逐点相乘、逐点累加操作的对象是时间。第三章做了一个很反直觉的事把信号从时间轴上“搬”到频率轴上。一个信号不再是 f(t) 的曲线而是一堆正弦波、余弦波或者复指数信号的叠加每个分量有自己的频率、幅度和相位。同一个信息换了一个坐标系描述就产生了完全不同的解题工具。这一步对初学者来说很穿越所以很多人会卡在这里。它要求的不是更高深的数学而是改变看问题的方式。1.2 第三章没学好的连锁反应信号与系统这门课是一个层层递进的体系。第三章建立的频域分析方法会直接被后面的拉普拉斯变换、连续系统的 s 域分析、离散系统的 z 域分析继承。你可以把第三章理解为“把信号拆成频率分量”的第一次系统训练之后所有变换都是在这个思想上做扩展。采样定理也依赖频域视角。如果一个信号在频域里的带宽是有限的那么采样频率至少要达到最高频率的两倍采样之后才不会丢失信息。这句话如果放在时域里解释会绕很多弯放到频域里就是一两句话的事。因此第三章学不好不只是这一章拿不到分而是整个课程后面的逻辑链条都会断掉。反过来这一章一旦通了后面很多内容会变得非常自然。2. 核心概念从时域到频域的坐标系转换2.1 傅里叶级数周期信号的“配料表”先看一个最简单的场景。你有一个周期信号比如一个方波。它每秒钟重复很多次看起来就是一个直角边缘的波形。傅里叶级数告诉你这个方波可以写成无穷多个不同频率的正弦波之和。如果把这个想法换成做饭就很好理解。一道菜的最终味道是盐、糖、辣椒等调料按不同比例混合后的结果。你尝到的味道是混合后的整体但配料表会告诉你里面有哪些成分、每种放了多少。傅里叶级数就是信号的“配料表”它把周期信号拆成直流分量、基波分量、二次谐波、三次谐波……每一项都有明确的频率和幅度。周期为 T 的信号 f(t)可以写成如下形式f(t) Σ a_k e^{j k ω_0 t}其中 ω_0 2π / T 是基波角频率a_k 是第 k 次谐波分量的复振幅。这里的数学形式可以先不深究你只需要抓住一个重点一个周期信号可以等价成很多已知频率的正弦波的叠加。2.2 傅里叶变换非周期信号的推广现实里更多信号不是周期的比如一段瞬态脉冲、一段语音。那它还能拆成频率分量吗可以但拆分出来的不再是离散的一条条谱线而是一段连续的频谱。从傅里叶级数推到傅里叶变换本质上是把非周期信号看成周期无穷大的周期信号。当周期趋近无穷大时基频趋近无穷小离散谱线就变成了连续频谱。傅里叶变换正变换和反变换定义为X(jω) ∫_{-∞}^{∞} f(t) e^{-jωt} dtf(t) (1 / 2π) ∫_{-∞}^{∞} X(jω) e^{jωt} dω正变换负责把时域信号 f(t) 变成频域表示 X(jω)反变换负责把频域表示还原为时域信号。初始阶段你不需要背下积分公式的推导细节但你必须知道这两个式子各自的方向和含义。2.3 频谱图到底怎么看很多零基础的同学在作业里画出频谱后不知道怎么检查结果。这里给你一个通用的读图方法。频谱图通常横轴是频率 ω纵轴是幅度 |X(jω)| 或相位。你不需要把每个点都算清楚只需要能回答三个问题信号主要能量集中在哪个频段高频成分衰减得快还是慢有没有明显的谱峰对应到物理场景高频成分多意味着信号变化陡峭低频成分多意味着信号变化平缓。为什么这个能力很重要因为在第三章后面学习的滤波器、调制、采样全部都要靠“看图”来理解低通滤波器保留低频、抑制高频采样是否失真要看频谱是否发生混叠调制的本质是把基带频谱搬移到高频载波附近。看懂频谱图就是频域思维落地的最直接体现。3. 零基础必须掌握的性质清单第三章考试里真正拉开差距的不是定义式积分而是性质的灵活使用。定义式积分计算量大、容易出错而性质可以让你在几十秒内完成一道小题。下面这六条性质必须熟到能默写。性质时域关系频域关系记忆要点线性a f(t) b g(t)a F(jω) b G(jω)先拆后变换方便处理叠加信号时移f(t - t0)e^{-jωt0} F(jω)时间轴平移只改变相位、不改变幅度频移e^{jω0t} f(t)F(j(ω - ω0))频移是调制的理论基础尺度变换f(at)(1 /a卷积定理f(t) * g(t)F(jω) G(jω)时域卷积频域相乘帕塞瓦尔定理∫f(t)² dt使用性质时最忌讳的是生搬硬套。比如时移性质它的前提是信号整体沿时间轴平移 t0而不是把波形做了一半截断。如果题目给定的是一个“窗口内平移”你还需要结合矩形窗的频谱去处理。另外要特别警惕尺度变换。它的结论经常反直觉时域上信号被压缩频谱会向高频方向扩展时域上信号被拉伸频谱会向低频方向收缩。这可以理解为一个“跷跷板关系”——信号在时域占的时间越短在频域里需要的频率范围就越宽。这也是后面脉冲信号、采样定理内容里反复出现的直觉来源。4. 0基础做题方法三步走加典型例题4.1 识别信号类型拿到一道求频谱的题目第一步不是立刻套公式而是先回答信号是周期的还是非周期的是连续还是离散周期信号用傅里叶级数非周期连续信号用傅里叶变换离散信号在后面章节才会系统学习但第三章如果出现通常是直接用定义式做单点计算。4.2 选择工具识别完类型后选择工具。优先看题目给出的信号能不能由基本信号组合而成。基本信号包括冲激、阶跃、矩形、三角、指数衰减、正弦余弦。如果信号本身就是基本信号直接查常用变换表如果信号是基本信号的平移、伸缩、卷积、乘积就用对应的性质。只有在信号比较“陌生”时才回到定义式去积分。随着做题经验增加你会越来越明显地感觉到性质方法是高频题目的主要得分手段。4.3 典型例题演示例1求矩形脉冲的傅里叶变换。设 f(t) 1 在 |t| 1其他位置为 0。用定义式计算X(jω) ∫_{-1}^{1} 1 · e^{-jωt} dt [e^{-jωt} / (-jω)]_{-1}^{1} (e^{jω} - e^{-jω}) / (jω) 2 sin(ω) / ω所以矩形脉冲的频谱是 2 sin(ω)/ω也就是 2 乘以采样函数 Sa(ω)。这个结果应该在草稿纸上能独立推出因为它会反复出现在各种题目中。例2利用时移性质快速求移位矩形的频谱。如果把上面的矩形向右平移 1 个单位得到 f(t-1)。根据时移性质新信号的频谱是e^{-jω} · 2 sin(ω) / ω这个公式不用重新积分一步就出结果。幅度谱不变相位谱附加了 -ω 的线性相位。例3利用卷积定理求卷积信号的频谱。如果两个矩形脉冲在时域做卷积得到的是三角形信号。卷积定理说时域卷积对应频域相乘因此三角形信号的频谱等于两个矩形脉冲频谱的乘积。这是一个非常典型的结构你不需要真的去算时域卷积积分而是先分别求两个信号的傅里叶变换再相乘最后如果有需要再做逆变换。这三个例题串起来正好覆盖了第三章最常见的三类考法直接求基本信号的频谱、用性质求复杂信号的频谱、用时域卷积关系求信号频谱。5. 用 Python 把频谱“跑”出来5.1 数值定义式验证矩形脉冲频谱有些同学对公式推导总是半信半疑这很正常。最好的解决方式是用数值方法把理论结果复现出来。下面这段 Python 代码用 scipy.integrate.quad 做数值积分直接逼近傅里叶变换定义式然后与理论值 2 sin(ω)/ω 对比import numpy as np from scipy.integrate import quad import matplotlib.pyplot as plt def f(t): # 矩形脉冲|t| 1 时为 1其余为 0 return 1.0 if -1.0 t 1.0 else 0.0 def integrand(t, omega): return f(t) * np.exp(-1j * omega * t) omegas np.linspace(-20, 20, 201) X_numerical [] for w in omegas: # 矩形脉冲在 [-1, 1] 之外为 0积分区间取 [-2, 2] 足够 result, _ quad(lambda t: integrand(t, w), -2, 2, limit200) X_numerical.append(result) X_numerical np.array(X_numerical) # 理论值2 * sin(omega) / omega X_theory 2 * np.sin(omegas) / omegas # omega 0 处需要单独处理极限值 2 X_theory[np.abs(omegas) 1e-10] 2.0 plt.figure(figsize(10, 5)) plt.plot(omegas, np.abs(X_numerical), b-, labelNumerical integral) plt.plot(omegas, np.abs(X_theory), r--, labelTheory: |2 sin(w)/w|) plt.xlabel(omega) plt.ylabel(|X(j omega)|) plt.title(Rectangular Pulse Spectrum) plt.legend() plt.grid(True) plt.show()运行这段代码你会看到两条曲线完全重合。这说明定义式积分的结果与理论公式一致傅里叶变换不是“抽象魔法”而是可以精确计算出来的实际数值。这类验证对建立频域直觉非常有帮助。5.2 用 FFT 观察叠加信号的频谱实际工程里你不会用定义式去算积分而是用 FFT快速傅里叶变换。下面代码生成一个 5Hz 正弦波与 50Hz 正弦波的叠加信号然后用 scipy.fft 计算频谱import numpy as np import matplotlib.pyplot as plt from scipy.fft import fft, fftfreq fs 1000 # 采样率 T 1.0 # 时长 N int(fs * T) t np.linspace(0.0, T, N, endpointFalse) signal np.sin(2 * np.pi * 5 * t) 0.5 * np.sin(2 * np.pi * 50 * t) X fft(signal) freqs fftfreq(N, 1.0 / fs) mag np.abs(X) / N # 只取正频率部分 half N // 2 plt.figure(figsize(10, 5)) plt.stem(freqs[:half], mag[:half], basefmt ) plt.xlabel(Frequency (Hz)) plt.ylabel(Magnitude) plt.title(Frequency Spectrum of 5Hz 50Hz Signal) plt.xlim(0, 80) plt.grid(True) plt.show()运行后你能在 5Hz 和 50Hz 两个位置看到明显的谱峰分别对应两个正弦分量0.5 的幅度差异也同样体现在谱线上。这个例子可以帮助你理解频域分析的价值就是从一段混合波形里直接看到它由哪些频率组成。6. 用 MATLAB 看系统频率响应第三章除了对信号本身做频谱分析还有一个高频考点系统的频率响应。也就是把系统函数 H(s) 放到 s jω 上观察系统对不同频率输入的放大或衰减能力。下面是一个二阶低通系统的例子。系统函数为 H(s) 1 / (s² 0.5s 1)用多项式求值直接计算 H(jω)% 系统函数 H(s) 1 / (s^2 0.5*s 1) b [1]; % 分子多项式系数 a [1, 0.5, 1]; % 分母多项式系数 w 0:0.01:10; % 角频率范围 % 用多项式求值直接计算 H(jw)等价于 freqs(b, a, w) H polyval(b, 1j*w) ./ polyval(a, 1j*w); figure; plot(w, abs(H), LineWidth, 1.5); grid on; xlabel(Frequency (rad/s)); ylabel(Magnitude); title(Frequency Response |H(j\omega)|);运行后你会看到幅频曲线在低频段接近 1到高频段逐渐下降。这就是低通滤波器的典型特征。在第三章考试里类似的题目往往要求你根据系统函数判断它是什么类型的滤波器、通带在哪、阻带在哪。如果你想验证自己对某个系统的判断用上面这段代码画一下曲线结果一目了然。7. 零基础最容易踩的坑与排查方法第三章的常见问题往往不是计算能力不足而是概念混淆。这里整理了一份排查清单建议收藏。问题现象可能原因排查方式解决方案分不清该用傅里叶级数还是傅里叶变换没有先判断信号是否具有周期性先看题目中信号是否有重复周期 T周期信号用级数非周期信号用变换计算积分时丢掉负频率项没有注意复指数展开的完整性回看欧拉公式推导复指数展开后一定要保留正负频率项时移后频谱出错只改了幅度没处理相位因子用移位前后的频谱做对比验证时域平移只添加 e^{-jωt0} 相位因子尺度变换结果和直觉相反公式符号记反用 f(2t) 和 f(0.5t) 的小例子验证记住 a 越大时域越窄、频域越宽卷积定理用时域相乘还是频域相乘搞混对偶关系记忆不牢两个性质同时默写时域卷积频域相乘时域相乘频域卷积画频谱图不知道纵轴含义没有区分幅度谱和相位谱确认题目问的是幅度还是相位幅度谱纵轴为除开表格中的问题还有一条更基础的建议做第三章的作业时不要在草稿纸上直接堆积分。先写“信号类型 工具选择 性质组合”三行判断再动笔计算。很多错误都出在还没判断对信号类型就开始套公式。8. 考试拿 90 的复习策略8.1 按考点优先级排序如果你时间有限建议按下面的优先级复习每个等级都要配合实际练习。第一优先级是常用变换对与基本性质。冲激信号、阶跃信号、矩形信号、指数信号的傅里叶变换必须能默写线性、时移、频移、尺度变换、卷积定理必须能直接套用。这一档决定了你是否能及格。第二优先级是频谱图的理解与绘制。能够根据信号波形大概画出频谱形状能够区分幅度谱和相位谱能够解释滤波器为什么是低通或高通。这一档决定了你是否能上 80 分。第三优先级是综合应用题。比如用卷积定理求复杂信号频谱、用频移性质分析调制过程、根据系统函数求频率响应判断滤波特性。这一档是冲击 90 分以上的关键。8.2 做题习惯每次练习都按照“判断信号类型、选择工具、用性质化简、最后定义式计算”的顺序写过程。不要一上来就写积分号。考试时即使最后结果算错只要你的方法选择正确仍然能拿到大部分步骤分。更重要的是做完一道题后要回头总结这一题考的是哪个知识点和做过的哪道题相似下次遇到应该先看哪一步。用这种方法刷题二十道题比盲目刷一百道题更有用。8.3 考前怎么自查考前用半小时做一次概念自测能不能不看教材写出傅里叶正反变换公式能不能默写六个常用变换对能不能解释时域卷积对应频域相乘这三个问题都能答上来第三章的基本盘就稳了。剩下的时间交给错题回顾不要再刷新题。9. 从第三章走向后续章节到这里第三章的核心知识已经串起来了从时域信号到频域表示从傅里叶级数到傅里叶变换从性质列表到做题流程再到用 Python 和 MATLAB 做数值验证。你会发现第三章真正的门槛不是积分技巧而是建立“每个信号都可以用频率成分来描述”这个认知。后续的拉普拉斯变换、z 变换本质上都是傅里叶变换的扩展。拉普拉斯变换把频率从虚轴推广到复平面使得更多不满足绝对可积条件的信号也能被分析z 变换则把同样的思想搬到离散时间领域。掌握了第三章的频域视角后面学这些内容的时候只需要在“拆信号”的框架上增加一个新的维度。如果你目前的教材里第三章不是频域分析而是其他主题也不要紧。你可以把本文当作整个课程频域分析部分的独立速成资料等学到对应章节时再对照阅读。实际工程项目中频域分析也是最常用的工具之一滤波器设计、信号调制解调、系统辨识、语音与图像处理几乎都离不开这套思路。建议你自己动手跑一遍文中的 Python 和 MATLAB 代码亲手画出频谱图。视觉印象往往比公式记忆更持久。看完文章是一回事跟着代码做一遍是另一回事后者才是真正掌握的开始。
