【信号处理基础】傅立叶级数、傅立叶变换、拉普拉斯变换与z变换

主包感觉每个学期初都要重新看一下这几个变换的概念与联系。因此在这个学期初总结一下。

---

一、四种变换

1. 傅立叶级数 (Fourier Series) - 分析周期信号的利器

• 它是什么？ 傅立叶级数是这一切的起点。它专门用于分析周期性的连续时间信号。
• 核心思想： 任何复杂的周期函数，都可以分解为一系列频率成整数倍关系的正弦波和余弦波（或者复指数函数）的叠加。
• 数学表达：
  $$f(t)=a_0+\sum _{n=1}^{\infty }[a_n\cos (n{\omega }_{0}t)+b_n\sin (n{\omega }_{0}t)]$$
  或者用复指数形式：
  $$f(t)=\sum _{n=-\infty }^{\infty }{c}_n{e}^{jn{\omega }_{0}t}$$
  其中，${\omega }_0$ 是基波频率（与原信号周期相关）。
• 关键局限：
  1. 只能处理周期信号。
  2. 分解出的频率是离散的（只有 $n{\omega }_0$ 这些频率分量），所以它的频谱是离散谱。

可以把它想象成： 给你一首循环播放的歌曲（周期信号），傅立叶级数能告诉你这首歌曲是由哪几个特定频率的音符（基波、二次谐波等）组成的。

---

2. 傅立叶变换 (Fourier Transform) - 从周期扩展到非周期

• 它是什么？ 傅立叶变换是傅立叶级数的推广，用于分析非周期的连续时间信号。
• 核心思想： 将一个非周期信号看作周期无穷大的周期信号。当周期趋向于无穷大时，傅立叶级数中离散的频率分量就会变得无限密集，最终形成连续的频率分布。
• 数学表达：
  $$F(\omega )={\int }_{-\infty }^{\infty }f(t)e^{-j\omega t}dt$$
  $$f(t)=\frac{1}{2\pi }{\int }_{-\infty }^{\infty }F(\omega )e^{j\omega t}d\omega$$
• 关键突破：
  1. 解决了非周期信号的分析问题。
  2. 得到的频谱是连续谱，表示信号在所有频率上的“密度”。
• 重大局限（也是后续变换的动机）：
  • 收敛条件苛刻，要求信号绝对可积（${\int }_{-\infty }^{\infty }|f(t)|dt<\infty$）。这意味着很多重要信号，如阶跃信号、指数增长信号等，其傅立叶变换不存在。

继续用比喻： 傅立叶变换就像是一个高级的音频分析仪，不仅可以分析循环的歌曲（周期信号），还能分析一段不重复的演讲（非周期信号），并给出一个从低到高所有频率的连续能量分布图。

---

3. 拉普拉斯变换 (Laplace Transform) - 解决“不存在”的问题，并引入系统视角

• 它是什么？ 拉普拉斯变换是傅立叶变换的“通用化”版本，主要用于分析连续时间信号和系统。
• 核心思想： 为了解决傅立叶变换无法处理不满足绝对可积条件的信号的问题，拉普拉斯变换给信号乘上一个指数衰减因子 $e^{-\sigma t}$，强行让信号“衰减”到满足绝对可积条件。
• 数学表达：
  $$F(s)={\int }_0^{\infty }f(t)e^{-st}dt$$
  其中 $s=\sigma +j\omega$ 是一个复数。
• 与傅立叶变换的关系：
  • 拉普拉斯变换可以看作是 “广义的傅立叶变换”。
  • 当拉普拉斯变换的复变量 $s$ 的实部 $\sigma =0$ 时，即 $s=j\omega$，拉普拉斯变换就退化成了傅立叶变换。
  • 因此，傅立叶变换是拉普拉斯变换在$s$平面虚轴上的特例。
• 额外优势：
  • 非常适合分析系统的稳定性（通过极点在s平面上的位置判断）。
  • 将微分方程转换为代数方程，极大简化了系统求解过程。

比喻： 傅立叶变换就像一台标准显微镜，只能看清特定的样本。拉普拉斯变换则是一台功能更强的显微镜，通过调节“衰减旋钮”（实部$\sigma$），可以让那些在标准显微镜下看不清的样本（不收敛的信号）变得清晰可见。同时，它还能直接分析显微镜本身（系统）的稳定性。

---

4. Z变换 (Z-Transform) - 离散世界的拉普拉斯

• 它是什么？ Z变换是拉普拉斯变换的离散时间版本，用于分析离散时间信号和系统（例如数字信号处理、计算机控制的系统）。
• 核心思想： 现代信号处理多是数字的，信号在时间上是离散的。Z变换应运而生，它是处理离散序列的强大工具。
• 数学表达：
  $$F(z)=\sum _{n=-\infty }^{\infty }f[n]z^{-n}$$
  其中 $z$ 是一个复数。
• 与拉普拉斯变换的关系：
  • 通过对连续信号进行采样，可以从拉普拉斯变换的自然推导中得到Z变换。关系式为 $ z = e^{sT} $（$T$是采样间隔）。
  • 这个映射将拉普拉斯变换中的s平面（直角坐标）映射到Z变换中的z平面（极坐标）。
  • s平面的虚轴（$s=j\omega$，对应傅立叶变换）映射到z平面的单位圆上（$z=e^{j\omega T}$，$|z|=1$）。
• 地位： Z变换在离散系统中的地位，完全等同于拉普拉斯变换在连续系统中的地位。它用于分析数字滤波器的稳定性、求解差分方程等。

比喻： 如果说拉普拉斯变换是分析连续模拟世界的“瑞士军刀”，那么Z变换就是分析数字离散世界的“数字瑞士军刀”。它们功能对应，但适用的领域（连续/离散）完全不同。

---

5.总结

傅立叶级数 (FS)
↓ (将周期$T\to \infty$，离散频率 -> 连续频率)
傅立叶变换 (FT)
↓ (引入衰减因子$e^{-\sigma t}$，将$j\omega$扩展为复数$s=\sigma +j\omega$)
拉普拉斯变换 (LT)
↓ (对连续时间进行采样，通过映射 $z=e^{sT}$ )
Z变换 (ZT)

核心关系梳理：

变换名称	处理信号类型	核心变量	与其他的关系	主要应用
傅立叶级数 (FS)	连续、周期	离散频率 $n{\omega }_0$	基础	周期信号分解
傅立叶变换 (FT)	连续、非周期	连续频率 $j\omega$	FS的推广（$T\to \infty$）	频谱分析
拉普拉斯变换 (LT)	连续	复频率 $s=\sigma +j\omega$	FT的推广（加衰减因子）	系统分析、稳定性、解微分方程
Z变换 (ZT)	离散	复数 $z$	LT的离散版本（$z=e^{sT}$）	数字滤波器、系统分析、解差分方程

一句话总结：
傅立叶级数和变换致力于信号的频率分析；而拉普拉斯变换和Z变换在此基础上，通过引入更复杂的域（复平面），将重点扩展到了对整个系统（包括稳定性和瞬态响应）的分析上，并分别统治了连续和离散两大领域。

好的，这是您要求的关于傅立叶分析四象限关系的 Markdown 源码格式。

---

二、时域-频域对称关系

当我们进入离散时间信号处理时，有相应的对称规则：

• 时域离散性 $\leftrightarrow$ 频域周期性
• 时域周期性 $\leftrightarrow$ 频域离散性
• 时域连续性 $\leftrightarrow$ 频域非周期性
• 时域非周期性 $\leftrightarrow$ 频域连续性

四种情况，对应四个象限，时域与频域特性的四象限关系可以用以下表格清晰展示：

时域特性	频域特性	对应的数学工具
连续、非周期	连续、非周期	傅立叶变换 (FT)
离散、非周期	连续、周期	离散时间傅立叶变换 (DTFT)
离散、周期	离散、周期	离散傅立叶变换 (DFT)
连续、周期	离散、非周期	傅立叶级数 (FS)

现在，我们来逐一解读每个象限：

1. 第1象限：时域连续非周期，频域连续非周期

• 描述：这是最"自然"的状态，对应我们最开始讨论的傅立叶变换。
• 例子：一个单次的脉冲信号，一个短暂的音频片段。
• 工具：傅立叶变换 (FT)

2. 第2象限：时域离散非周期，频域连续周期

• 描述：这是对第1象限的时域信号进行采样后得到的结果。时域变离散了，根据对称性，频域变成了周期的。注意，虽然频域是连续的，但它以采样频率为周期重复。
• 例子：对一个单次脉冲信号进行采样后得到的离散序列。
• 工具：离散时间傅立叶变换 (DTFT)
  • DTFT 的频谱是连续的，并且是周期的，周期为 $2\pi$（归一化角频率）或 $f_s$（实际频率）。

3. 第3象限：时域离散周期，频域离散周期

• 描述：这是数字信号处理中最实用、最重要的情况。我们处理的实际信号总是有限长的（非周期），但我们可以通过周期延拓，把它当成一个周期信号来处理。时域既是离散的，又是周期的。根据两条对称规则，频域也必然是离散且周期的。
• 例子：对一段1秒钟的音频进行采样，得到N个点，然后将这N个点无限重复，构成一个周期序列。
• 工具：离散傅立叶变换 (DFT)
  • 这就是著名的FFT（快速傅立叶变换）算法所计算的对象。
  • 为什么如此重要？ 因为计算机只能处理有限长、离散的数据。DFT的输出也是有限长、离散的，完美适合计算机处理。时域的N个离散点，对应频域的N个离散频率分量（也是周期重复的）。

4. 第4象限：时域连续周期，频域离散非周期

• 描述：这是我们最开始讨论的傅立叶级数。
• 例子：任何连续的周期波形，如方波、三角波。
• 工具：傅立叶级数 (FS)

---

5. 核心总结与比喻

变换	时域特性	频域特性	应用场景/比喻
FS	连续、周期	离散、非周期	分析模拟电路中的周期信号
FT	连续、非周期	连续、非周期	理论分析，分析单个脉冲
DTFT	离散、非周期	连续、周期	理论分析离散系统（如数字滤波器频率响应）
DFT (FFT)	离散、周期	离散、周期	实际计算的王者，所有数字频谱分析的基础（音频、图像、通信等）

这四象限关系完美地展现了时域与频域之间的深刻对称性，是理解所有傅立叶相关变换的基石。

三、时域-频域对称关系的理解

其中的核心思想：信息守恒与对偶性。

首先要理解一个基本前提：时域和频域只是观察同一信号的两种不同视角。无论怎么变换，信号包含的"信息量"是守恒的。

这四条关系实际上是两组完美的对偶关系：

1. 离散性 $\leftrightarrow$ 周期性（核心对偶）
2. 连续性 $\leftrightarrow$ 非周期性（另一组对偶）

---

1. 时域离散性 $\leftrightarrow$ 频域周期性

数学证明：
时域采样在数学上等于原信号乘以冲激串：
$$x_s(t)=x(t)\cdot \sum _{n=-\infty }^{\infty }\delta (t-n{T}_s)$$

根据傅立叶变换的频域卷积定理：
$$X_s(f)=X(f)\ast \frac{1}{T_s}\sum _{k=-\infty }^{\infty }\delta (f-k{f}_s)$$

结果是：
$$X_s(f)=\frac{1}{T_s}\sum _{k=-\infty }^{\infty }X(f-k{f}_s)$$

这就证明了频谱会以 $f_s$ 为周期重复！

直观理解（采样模糊性）：

• 当时域离散（采样）后，我们失去了采样点之间的信息
• 这就产生了频率模糊：一个频率为 $f$ 的信号和频率为 $f+k{f}_s$ 的信号在采样点上看起来完全一样
• 这种模糊性在频域表现为频谱周期性重复

比喻： 就像电影帧率不够时，车轮旋转看起来会变慢甚至倒转（频域周期性体现为频率混叠）

2. 时域周期性 $\leftrightarrow$ 频域离散性

数学证明：
周期信号可以表示为：
$$x_T(t)=\sum _{n=-\infty }^{\infty }{x}_0(t-nT)$$

其傅立叶变换为：
$$X_T(f)=\frac{1}{T}\sum _{k=-\infty }^{\infty }{X}_0\left(\frac{k}{T}\right)\delta \left(f-\frac{k}{T}\right)$$

频谱变成了在谐波频率处的离散冲激！

直观理解（谐波分解）：

• 周期信号不断重复自身，只需要那些能"契合"这个周期的频率成分
• 这些就是基频 $f_0=1/T$ 及其整数倍谐波
• 非谐波频率会破坏周期性，因此不被需要

比喻： 周期信号就像节拍器，只需要与节拍同步的"音符"（离散频率）

3. 时域连续性 $\leftrightarrow$ 频域非周期性

数学角度：

• 连续性意味着信号在任意时间点都有定义
• 在傅立叶分析中，时域连续对应的是积分变换（而不是求和）
• 积分会产生连续的频谱分布

物理角度：

• 连续时间信号可以包含任意时间尺度的变化
• 这对应于频域中可能包含任意频率成分
• 没有周期性约束，频谱可以自由变化（非周期）

例子： 一个单次的光脉冲（时域连续非周期）有很宽的光谱（频域连续非周期）

4. 时域非周期性 $\leftrightarrow$ 频域连续性

数学角度：

• 非周期信号可以看作周期 $T\to \infty$ 的极限情况
• 当 $T\to \infty$ 时，频域中的谐波间隔 $\Delta f=1/T\to 0$
• 离散的谐波谱就变成了连续的频谱

物理角度：

• 非周期信号是"一次性"的，不重复的
• 为了准确表示这种独特形状，需要"动员"所有频率成分
• 频谱因此变得连续

例子： 说话时发出的"啊"声（非周期）包含连续的频率分布

四、总结

这四大变换构成了信号与系统分析的完整理论体系，而时域-频域的对称性则是理解这一体系的核心钥匙。掌握这些关系不仅有助于理论学习，更为后续的数字信号处理、通信系统、控制理论等应用课程奠定坚实基础。
​​
时域频域是对偶世界，约束与自由在此消彼长中保持完美平衡。​