KNOWECON WIKI

ARTICLE

傅里叶变换

傅里叶变换 (Fourier Transform) 傅里叶变换（Fourier Transform）是数学分析和信号处理中最核心的积分变换之一，它将时域（或空间域）的函数分解为不同频率的复指数函数（正弦和余弦）的连续叠加。以法国数学家约瑟夫·傅里叶（Joseph Fourier, 1768--1830）命名，该变换揭示了函数在频域中的结构，架起了时域与频域之

浏览 9 更新 2025-10-26

傅里叶变换 (Fourier Transform)

傅里叶变换（Fourier Transform）是数学分析和信号处理中最核心的积分变换之一，它将时域（或空间域）的函数分解为不同频率的复指数函数（正弦和余弦）的连续叠加。以法国数学家约瑟夫·傅里叶（Joseph Fourier, 1768--1830）命名，该变换揭示了函数在频域中的结构，架起了时域与频域之间的桥梁。傅里叶变换在物理学、工程学、概率论、偏微分方程、信号处理、图像分析、量子力学和经济学等几乎所有科学与工程领域都有广泛应用。

傅里叶于 1822 年在其划时代著作 Théorie analytique de la chaleur（《热的解析理论》）中首次系统阐述了这一思想：任何周期函数都可以表示为正弦和余弦的无穷级数——即傅里叶级数。这一论断在当时引起巨大争议（拉格朗日等人强烈反对），但最终成为现代数学分析的基石。傅里叶变换则是对非周期函数的推广，将离散频率的求和推广为连续频率的积分。

数学定义

对于定义在实数轴上的函数 f(t)f(t)（通常要求 f∈L1(R)f \in L^1(\mathbb{R})，即绝对可积），其连续时间傅里叶变换（CTFT）定义为：

f^(ω)=F{f(t)}=∫−∞∞f(t) e−iωt dt\hat{f}(\omega) = \mathcal{F}\{f(t)\} = \int_{-\infty}^{\infty} f(t) \, e^{-i\omega t} \, dt

其中 ω\omega 为角频率（单位：rad/s），i=−1i = \sqrt{-1}。相应的逆傅里叶变换（Inverse Fourier Transform）将频域表示还原为时域函数：

f(t)=F−1{f^(ω)}=12π∫−∞∞f^(ω) eiωt dωf(t) = \mathcal{F}^{-1}\{\hat{f}(\omega)\} = \frac{1}{2\pi} \int_{-\infty}^{\infty} \hat{f}(\omega) \, e^{i\omega t} \, d\omega

这两个等式构成了傅里叶变换对，展现了函数 f(t)f(t) 与其频谱 f^(ω)\hat{f}(\omega) 之间的一一对应关系。

在有些文献中，也使用频率 f=ω/(2π)f = \omega / (2\pi) 代替角频率，此时变换对的形式为：

F^(f)=∫−∞∞f(t) e−2πift dt,f(t)=∫−∞∞F^(f) e2πift df\hat{F}(f) = \int_{-\infty}^{\infty} f(t) \, e^{-2\pi i f t} \, dt, \quad f(t) = \int_{-\infty}^{\infty} \hat{F}(f) \, e^{2\pi i f t} \, df

这种定义在工程和物理学中广泛使用，避免了前因子 1/(2π)1/(2\pi) 的不对称性。

离散傅里叶变换与快速傅里叶变换

在实际计算中，信号通常是有限长离散序列 x[0],x[1],…,x[N−1]x[0], x[1], \ldots, x[N-1]。其离散傅里叶变换（离散傅里叶变换，DFT）定义为：

X[k]=∑n=0N−1x[n]⋅e−i2πNkn,k=0,1,…,N−1X[k] = \sum_{n=0}^{N-1} x[n] \cdot e^{-i \frac{2\pi}{N} k n}, \quad k = 0, 1, \ldots, N-1

DFT 的直接计算复杂度为 O(N2)O(N^2)。快速傅里叶变换（快速傅里叶变换，FFT）——由 Cooley 和 Tukey 于 1965 年推广（高斯在 1805 年已发现类似算法）——利用分治策略将复杂度降至 O(Nlog⁡N)O(N \log N)。FFT 是数字信号处理中最具影响力的算法之一，使实时频谱分析、图像处理和大规模数值模拟成为可能。

核心性质

傅里叶变换拥有一系列优美的数学性质，使其成为分析线性时不变（LTI系统）系统的首选工具：

  • 线性：F{af(t)+bg(t)}=af^(ω)+bg^(ω)\mathcal{F}\{a f(t) + b g(t)\} = a \hat{f}(\omega) + b \hat{g}(\omega)
  • 卷积定理：F{f∗g}=f^(ω)⋅g^(ω)\mathcal{F}\{f * g\} = \hat{f}(\omega) \cdot \hat{g}(\omega)，即时域卷积等价于频域相乘。这一性质是信号滤波和线性系统理论的数学基础。
  • 平移性质：F{f(t−t0)}=e−iωt0f^(ω)\mathcal{F}\{f(t - t_0)\} = e^{-i\omega t_0} \hat{f}(\omega)，时域平移在频域中仅产生相位旋转。
  • 尺度性质：F{f(at)}=1∣a∣f^(ωa)\mathcal{F}\{f(at)\} = \frac{1}{|a|} \hat{f}\left(\frac{\omega}{a}\right)，时域压缩对应频域扩展。
  • Parseval 等式：∫−∞∞∣f(t)∣2dt=12π∫−∞∞∣f^(ω)∣2dω\int_{-\infty}^{\infty} |f(t)|^2 dt = \frac{1}{2\pi} \int_{-\infty}^{\infty} |\hat{f}(\omega)|^2 d\omega，时域总能量守恒于频域。
  • 对偶性：若 F{f(t)}=f^(ω)\mathcal{F}\{f(t)\} = \hat{f}(\omega)，则 F{f^(t)}=2πf(−ω)\mathcal{F}\{\hat{f}(t)\} = 2\pi f(-\omega)。

卷积定理尤其重要：它将复杂的卷积运算转化为频域的简单乘法，使滤波器的设计与分析、微分方程求解和反卷积等问题得以简化。

傅里叶变换与拉普拉斯变换

傅里叶变换可以视为拉普拉斯变换在虚轴上的特例。函数 f(t)f(t) 的（双边）拉普拉斯变换为：

L{f(t)}=∫−∞∞f(t)e−stdt,s=σ+iω\mathcal{L}\{f(t)\} = \int_{-\infty}^{\infty} f(t) e^{-s t} dt, \quad s = \sigma + i\omega

当 s=iωs = i\omega（即实部 σ=0\sigma = 0）时，拉普拉斯变换退化为傅里叶变换。这一联系意味着：拉普拉斯变换以复频率 ss 推广了傅里叶变换的纯虚频率概念，可同时描述系统的稳态响应（ω\omega）和瞬态衰减/增长（σ\sigma），在控制理论和电路分析中更为通用。而傅里叶变换专注于纯正弦稳态分析，是理解信号频谱和滤波器频率响应的直接工具。

功率谱与能量谱

在随机过程理论中，傅里叶变换是定义功率谱密度（Power Spectral Density, PSD）的基础。对于宽平稳随机过程 X(t)X(t)，其自协方差函数 γ(h)=Cov⁡(X(t),X(t+h))\gamma(h) = \operatorname{Cov}(X(t), X(t+h)) 的傅里叶变换即为功率谱密度：

S(ω)=∫−∞∞γ(h) e−iωh dhS(\omega) = \int_{-\infty}^{\infty} \gamma(h) \, e^{-i\omega h} \, dh

这一对应关系由Wiener-Khinchin 定理给出，揭示了随机过程在时域的相关结构与频域的能量分布之间互为傅里叶变换对。在经济时间序列分析（时间序列分析）中，谱分析可用于识别周期性成分（如商业周期）、季节性效应和长记忆特征。

经济学中的应用

傅里叶变换在经济学和金融学中具有多方面的重要应用：

时间序列与宏观经济学：谱分析（Spectral Analysis）利用傅里叶变换识别经济周期的主要频率成分，区分不同周期的波动（基钦周期、朱格拉周期、库兹涅茨周期和康德拉季耶夫周期）。频域方法（如带通滤波、Hodrick-Prescott 滤波）可以提取特定频带的经济波动成分。

金融工程与期权定价：在Black-Scholes-Merton模型等衍生品定价框架中，特征函数方法利用傅里叶变换求解偏微分方程。例如，Heston 随机波动率模型和 Carr-Madan 方法通过傅里叶反变换快速计算欧式期权价格。傅里叶变换也是方差互换、波动率衍生品定价和风险管理中 VaR 计算的关键工具。

计量经济学：频域回归方法允许研究者考察经济变量之间在不同频率上的相关关系，如分析货币政策在短期和长期的不同效应。格兰杰（Clive Granger）因果检验在频域的推广为研究经济变量的频率依赖性因果关系提供了有力手段。

信号提取：傅里叶变换用于从噪声中分离经济信号，如估计潜在产出、自然失业率和核心通胀率等不可观测变量。

理论地位与局限性

傅里叶变换是调和分析的基石，将函数论、泛函分析和群表示论紧密联系起来。在 L2(R)L^2(\mathbb{R}) 空间中，复指数函数 {eiωt:ω∈R}\{e^{i\omega t}: \omega \in \mathbb{R}\} 构成（广义）正交基，傅里叶变换本质上是对这个连续基的展开。

然而，傅里叶变换也有根本局限：它在时域和频域之间存在着不确定性原理——一个函数不可能同时在时域和频域都具有紧支撑。这体现在 Heisenberg-Gabor 极限中：Δt⋅Δω≥1/2\Delta t \cdot \Delta \omega \geq 1/2。这意味着无法同时精确定位信号的时间位置和频率成分。对于非平稳信号（频率成分随时间变化），纯傅里叶分析已不够——需要短时傅里叶变换（STFT）、小波变换（Wavelet Transform）或 Wigner-Ville 分布等时频分析方法来揭示频率随时间的变化。

尽管如此，傅里叶变换仍是最基本、最深刻的数学工具之一。它不仅提供了观察世界的全新视角——从"时间"维度转向"频率"维度——也赋予了分析线性系统无与伦比的数学便利。从量子力学的波函数、图像处理的滤波器设计，到金融衍生品定价和经济周期的谱分析，傅里叶变换无处不在。正如 Lord Kelvin 所言："傅里叶定理不仅是分析学中最美丽的结果之一，而且可以说是处理现代物理学中几乎所有深奥问题的不可或缺的工具。"