Обьясни максимально подробно и разжеванно преобраз...
創建於:2026年11月6日
創建於:2026年11月6日
Обьясни максимально подробно и разжеванно преобразование Фурье
Я объясню преобразование Фурье так, чтобы ты понял не просто формулу, а что оно делает, зачем оно нужно, почему оно работает и откуда берутся синусы, косинусы, комплексные числа и интегралы.
Будем двигаться от самых простых примеров к математике. Даже если ты пока не очень хорошо знаешь высшую математику, основную идею можно понять.
Представь, что ты слушаешь музыку.
Одновременно звучат:
Твоё ухо воспринимает всё это как один сложный звук.
Но физически этот звук — сумма множества звуковых колебаний с разными частотами.
Преобразование Фурье позволяет взять сложный сигнал и выяснить, из каких частот он состоит.
Исходный сигнал: несколько колебаний одновременно
Преобразование Фурье
Частотный состав: три отдельные частоты
Это и есть основная идея.
На верхнем графике мы видим, как сигнал изменяется со временем.
На нижнем — какие частоты присутствуют в этом сигнале и насколько сильно каждая из них выражена.
И самое интересное: преобразование Фурье не просто показывает частоты. Если сохранить полную информацию, с его помощью можно восстановить исходный сигнал обратно.
Для понимания Фурье сначала нужно разобраться с колебаниями.
Представь маятник, который движется туда-сюда. Или струну гитары, которая вибрирует.
Если движение повторяется, мы называем его периодическим.
Период — время одного полного колебания.
Частота — сколько полных колебаний происходит за одну секунду.
Они связаны формулой:
Например:
Гц (герц) означает «колебаний в секунду».
Синусоидальный сигнал (Гц)
Частота Гц
Slider
Current value unavailable.
Range: 1 to 12
Step: 1
Амплитуда
Slider
Current value unavailable.
Range: 0.2 to 1
Step: 0.1
Попробуй изменить частоту. Чем она выше, тем больше колебаний помещается в одну секунду. Амплитуда меняет высоту волны, но не количество колебаний.
Теперь важный момент.
В природе очень многие процессы можно описывать колебаниями: звук, электрический ток, радиоволны, вибрации, световые волны.
Поэтому математический инструмент, умеющий анализировать колебания, оказывается невероятно полезным.
Посмотрим на формулу:
Разберём каждый символ:
| Символ | Значение |
|---|---|
| Значение сигнала в момент времени | |
| Амплитуда, насколько сильно колеблется сигнал | |
| Частота в герцах | |
| Время в секундах | |
| Начальная фаза, сдвиг колебания | |
| Число пи, приблизительно 3,14159 |
Почему там ?
Потому что синус совершает полный цикл, когда его аргумент увеличивается на радиан.
Если частота равна 1 Гц, то за одну секунду аргумент синуса должен увеличиться ровно на .
Поэтому:
Для частоты 5 Гц:
То есть:
Два колебания могут иметь одинаковую частоту и амплитуду, но начинаться в разных точках цикла.
Обе волны имеют одинаковую частоту. Но одна сдвинута относительно другой на четверть периода.
Это и есть разница фаз.
Запомни три характеристики волны:
Все три характеристики важны для точного восстановления сигнала.
Представим, что у нас есть три синусоиды:
Первая колеблется с частотой 2 Гц, вторая — 5 Гц, третья — 9 Гц.
Сложим их:
Получим:
Выглядит страшновато, но это просто сумма трёх волн.
Интерактивное сложение волн
2 Гц (Current selection unavailable.)
5 Гц (Current selection unavailable.)
9 Гц (Current selection unavailable.)
Результат сложения
Включай и выключай отдельные частоты. Обрати внимание, как каждая из них меняет общую форму сигнала.
Вот теперь мы подошли к сердцу преобразования Фурье.
Когда мы складываем синусоиды, мы идём от отдельных частот к сложному сигналу.
Преобразование Фурье делает обратное:
Оно получает сложный сигнал и определяет, какие синусоиды нужны для его построения.
Условно:
Здесь возникает естественный вопрос.
Как компьютер может узнать, какие частоты спрятаны внутри сложной волны?
Для этого нужно понять одну математическую хитрость.
Представь, что перед тобой сложный сигнал, в котором могут находиться сотни частот.
Ты хочешь узнать: есть ли в нём частота 5 Гц?
Идея следующая:
Если частоты совпадают и фаза подобрана подходящим образом, произведение даёт положительный суммарный результат.
Если частоты разные и мы анализируем целое число их периодов в подходящих условиях, положительные и отрицательные части компенсируют друг друга.
Возьмём две одинаковые синусоиды:
Умножим сигнал на самого себя:
Квадрат любого действительного числа неотрицателен.
Поэтому среднее значение такого произведения за полный период положительно:
Теперь возьмём разные целочисленные частоты, например 2 Гц и 5 Гц, и проинтегрируем за одну секунду:
Результат ноль.
Это не случайность, а свойство ортогональности синусоид.
В геометрии два вектора перпендикулярны, если их скалярное произведение равно нулю.
С функциями можно поступить похожим образом: вместо обычного скалярного произведения использовать интеграл произведения двух функций.
Для разных гармоник на подходящем интервале:
при выполнении условий ортогональности.
Это позволяет выделять одну частоту из суммы многих.
Но есть тонкость: если сигнал имеет фазовый сдвиг, сравнение только с синусом может не обнаружить его правильно.
Поэтому нужно проверять две составляющие: синус и косинус.
Они позволяют определить как амплитуду, так и фазу.
Теперь самое интересное.
Обычно преобразование Фурье записывают так:
На первый взгляд здесь появляется странное выражение:
Разберём его.
Это мнимая единица:
Комплексное число имеет вид:
где — действительная часть, а — мнимая.
Например:
Его можно изобразить как точку на плоскости.
svg<svg viewBox="0 0 320 215" width="100%" xmlns="http://www.w3.org/2000/svg"><line x1="20" y1="176" x2="300" y2="176" stroke="currentColor" stroke-width="1.2" /><line x1="63" y1="202" x2="63" y2="12" stroke="currentColor" stroke-width="1.2" /><path d="M300 176 l-7 -4 v8 Z M63 12 l-4 8 h8 Z" fill="currentColor" /><line x1="63" y1="52" x2="228" y2="52" stroke="#D97706" stroke-dasharray="4 4" opacity=".7" /><line x1="228" y1="52" x2="228" y2="176" stroke="#D97706" stroke-dasharray="4 4" opacity=".7" /><line x1="63" y1="176" x2="228" y2="52" stroke="#2563EB" stroke-width="3" /><circle cx="228" cy="52" r="5" fill="#2563EB" /><text x="238" y="46" font-size="13" fill="currentColor">3 + 4i</text><text x="293" y="194" font-size="11" text-anchor="end" fill="currentColor">Re</text><text x="47" y="18" font-size="11" fill="currentColor">Im</text><text x="145" y="192" font-size="11" fill="currentColor">3</text><text x="47" y="116" font-size="11" fill="currentColor">4</text><text x="143" y="101" font-size="12" fill="#2563EB">|z| = 5</text></svg>
Комплексное число можно воспринимать как вектор с длиной и направлением.
Длина такого вектора:
Для числа :
А угол вектора показывает его направление.
Таким образом, одно комплексное число удобно хранит две вещи: величину и угол.
В преобразовании Фурье это соответствует амплитудной и фазовой информации.
Одна из красивейших формул математики:
Она говорит, что комплексная экспонента описывает вращение по окружности.
При изменении угла комплексное число движется по единичной окружности.
Slider
Current value unavailable.
Range: 0 to 360
Step: 5
cos θ
sin θ
Двигай ползунок. Вектор вращается, а его проекции на оси описываются косинусом и синусом.
Если угол растёт со временем:
получаем:
Это вектор, который вращается с частотой оборотов в секунду.
И вот здесь появляется очень мощная идея:
Фурье анализирует сигнал, умножая его на комплексный вращающийся вектор и суммируя результат.
Представь, что мы берём сигнал и наматываем его на окружность.
Если частота вращения не совпадает с частотой сигнала, положительные и отрицательные вклады распределяются по разным направлениям и могут взаимно компенсироваться.
Если частоты совпадают, возникает устойчивый ненулевой средний вектор.
В этом и заключается геометрическая интерпретация преобразования Фурье.
В математической записи:
Разложим экспоненту по формуле Эйлера:
Подставим:
Получаются две части:
Одна измеряет совпадение с косинусом, другая — с синусом.
Вместе они позволяют определить амплитуду и фазу частотной компоненты.
Важно: при анализе конечного отрезка сигнала компенсация не всегда идеальна. Даже если частота немного отличается, результат может быть ненулевым. Позже мы разберём, почему это происходит.
Основная формула:
Что здесь происходит?
— исходный сигнал во времени. Например, запись звука с микрофона.
— частота, которую мы проверяем. Например, 440 Гц.
— комплексный вектор, вращающийся с проверяемой частотой в отрицательном направлении.
Умножение — взвешивание этого вращающегося вектора значением сигнала в каждый момент.
Интеграл — суммирование всех этих вкладов по времени.
— комплексное число, которое показывает вклад данной частоты, включая информацию о фазе.
И мы повторяем это для всех интересующих частот.
Результат — функция , называемая спектром Фурье.
Это математическая модель анализа сигнала, заданного на всей временной оси.
В реальности у нас обычно конечная запись, например 10 секунд аудио.
Тогда мы работаем с конечным интервалом:
Или с дискретными измерениями, о которых поговорим ниже.
Преобразование Фурье не уничтожает временную информацию, если сохранять полный комплексный спектр и выполняются условия обратимости.
Оно меняет способ представления сигнала.
Прямое
Из временного сигнала получаем частотный спектр.
Обратное
Из полного спектра восстанавливаем временной сигнал.
Формула обратного преобразования:
Обрати внимание на знак перед :
При этой договорённости о нормировке дополнительные множители перед интегралами не нужны.
Важный момент: если сохранить только величины , но выбросить фазы, то обычно нельзя точно восстановить исходный сигнал.
Спектр — это описание сигнала в частотной области.
Обычно по горизонтальной оси откладывают частоту, а по вертикальной — амплитуду или мощность соответствующей частотной компоненты.
Например, если сигнал состоит из частот 100, 300 и 700 Гц, на спектре будут пики около этих частот.
Но есть несколько важных тонкостей.
Он показывает модуль комплексного спектра.
Он показывает фазу каждой частотной компоненты.
Часто используется величина, пропорциональная:
Однако конкретная нормировка зависит от определения спектра мощности и способа обработки сигнала.
Комплексное преобразование Фурье использует положительные и отрицательные частоты.
Для действительного сигнала:
То есть отрицательная часть спектра является комплексно-сопряжённым отражением положительной.
Поэтому при анализе обычного звука часто показывают только неотрицательные частоты.
Для простого синуса с частотой 5 Гц идеальный двусторонний спектр имеет составляющие на и Гц.
Это не означает, что в физическом звуке существует какая-то отдельная «отрицательная вибрация». Это свойство комплексного математического представления.
До сих пор мы рассматривали непрерывный сигнал .
Но компьютер не хранит непрерывную функцию. Он хранит последовательность чисел.
Например, микрофон записывает значение сигнала много тысяч раз в секунду.
Эти значения называются отсчётами.
Представим, что у нас есть восемь отсчётов:
Для них применяется дискретное преобразование Фурье:
Где:
| Обозначение | Значение |
|---|---|
| Количество отсчётов | |
| Номер отсчёта | |
| Номер частотного интервала | |
| Значение сигнала в отсчёте | |
| Комплексный результат для частотного индекса |
В отличие от непрерывного преобразования, здесь нет интеграла.
Вместо него — обычная сумма.
Компьютер перебирает , для каждого значения вычисляет комплексную сумму и получает набор частотных коэффициентов.
Возьмём всего четыре числа:
Здесь .
Вычислим DFT.
Для :
Для :
Для :
Для :
Итак:
Что это означает?
У последовательности есть одна ненулевая пара частотных коэффициентов, соответствующая положительной и отрицательной частотам.
Если частота дискретизации равна 4 отсчётам в секунду, индекс соответствует 1 Гц, а — частоте Гц в двустороннем представлении.
Это очень маленький, но полноценный пример работы Фурье.
Здесь часто возникает путаница.
DFT — дискретное преобразование Фурье, математическая операция.
FFT (Fast Fourier Transform) — быстрое преобразование Фурье, семейство алгоритмов для эффективного вычисления DFT.
Это не два разных физических преобразования.
FFT вычисляет тот же результат, но значительно быстрее.
Прямое вычисление DFT обычно требует порядка:
операций.
Многие FFT-алгоритмы требуют порядка:
Сравним приблизительное количество условных операций:
genui{"charts_widget_v2":{"content":{"chartType":"bar","meta":{"title":"\u0420\u043e\u0441\u0442 \u0432\u044b\u0447\u0438\u0441\u043b\u0438\u0442\u0435\u043b\u044c\u043d\u043e\u0439 \u0441\u043b\u043e\u0436\u043d\u043e\u0441\u0442\u0438","description":"\u0423\u0441\u043b\u043e\u0432\u043d\u044b\u0435 \u043e\u0446\u0435\u043d\u043a\u0438 N\u00b2 \u0438 N log\u2082 N, \u043d\u0435 \u0444\u0430\u043a\u0442\u0438\u0447\u0435\u0441\u043a\u043e\u0435 \u0432\u0440\u0435\u043c\u044f \u0440\u0430\u0431\u043e\u0442\u044b"},"xKey":"n","series":[{"dataKey":"dft","label":"\u041f\u0440\u044f\u043c\u043e\u0439 DFT","valueFormat":"integer"},{"dataKey":"fft","label":"FFT","valueFormat":"integer"}],"data":[{"n":"64","dft":4096,"fft":384},{"n":"256","dft":65536,"fft":2048},{"n":"1024","dft":1048576,"fft":10240}]}}}
Для 1024 отсчётов:
Разница в оценках — примерно в 102 раза.
Именно благодаря FFT можно быстро анализировать звук, изображения, радиосигналы и огромные массивы измерений.
Представим, что компьютер записывает звук с частотой дискретизации:
Это означает, что он сохраняет 1000 измерений сигнала за секунду.
Какие частоты можно восстановить?
Для обычного равномерного дискретного сигнала верхняя граница однозначно представимых частот — частота Найквиста:
В нашем случае:
Частоты выше этой границы могут ошибочно выглядеть как более низкие.
Это называется алиасингом (наложением спектров).
Например, при Гц синусоидальная компонента 700 Гц в отсчётах может выглядеть как компонент 300 Гц.
Поэтому перед дискретизацией обычно применяют аналоговый фильтр, подавляющий слишком высокие частоты.
В аудиозаписи с частотой дискретизации 44 100 Гц частота Найквиста равна:
Это одна из причин, почему такая частота дискретизации подходит для обычного звукового диапазона человека.
Допустим, у нас есть два близких звуковых тона:
Если мы анализируем очень короткую запись, различить их может быть трудно.
Расстояние между соседними частотными отсчётами DFT:
Здесь — длительность анализируемого фрагмента.
Посмотрим:
| Длительность | Шаг частот DFT |
|---|---|
| 0,01 с | 100 Гц |
| 0,1 с | 10 Гц |
| 1 с | 1 Гц |
| 10 с | 0,1 Гц |
Чем длиннее запись, тем плотнее частотная сетка.
Но важно не путать шаг частотной сетки с фактической способностью разделять близкие тона: она также зависит от окна, шума и свойств сигнала.
И здесь мы подходим к ещё одной фундаментальной идее.
Чтобы очень точно определить частоту, обычно нужно наблюдать сигнал достаточно долго.
А если хочется точно узнать, когда произошло короткое событие, приходится анализировать небольшие временные участки.
Возникает компромисс между временным и частотным разрешением.
Представим запись длительностью 10 секунд.
Первые 5 секунд звучит частота 100 Гц.
Следующие 5 секунд звучит частота 500 Гц.
Обычное преобразование Фурье всей записи покажет наличие обеих частот.
Но по одному амплитудному спектру нельзя определить, какая из них звучала первой.
Чтобы увидеть изменение частот во времени, используют оконное преобразование Фурье — STFT.
Оно работает так:
Пример спектрограммы
Упрощённая схема: слева энергия сосредоточена на низкой частоте, справа — на более высокой. Цвет обозначает интенсивность.
Спектрограмма — это фактически последовательность спектров, расположенных по времени.
Именно такие изображения часто используют в программах обработки звука, анализе речи и музыки.
Фурье применяется не только к звуку.
Изображение тоже является сигналом, но двумерным.
Вместо функции времени у нас функция яркости:
Здесь и — координаты пикселя.
Двумерное преобразование Фурье:
Оно анализирует не временные, а пространственные частоты.
Что это означает?
Представь картинку с плавным переходом от чёрного к белому. Это в основном низкие пространственные частоты.
А теперь картинку с очень тонкими чередующимися чёрными и белыми полосками. Там присутствуют высокие пространственные частоты.
svg<svg viewBox="0 0 160 105" width="100%" xmlns="http://www.w3.org/2000/svg"><defs><linearGradient id="smoothFourier" x1="0" x2="1"><stop offset="0" stop-color="#111827" /><stop offset="1" stop-color="#f8fafc" /></linearGradient></defs><rect x="0" y="0" width="160" height="105" rx="5" fill="url(#smoothFourier)" /></svg>
Низкие частоты
Плавное изменение яркости
Высокие частоты
Быстрое чередование яркости
Это позволяет выполнять:
Важно: преобразование Фурье само по себе не сжимает изображение. Однако частотные представления лежат в основе ряда методов обработки и сжатия; например, JPEG обычно использует дискретное косинусное преобразование (DCT), близкое по идее к Фурье.
Обработка звука
Эквалайзеры, анализ музыкальных частот, шумоподавление, определение высоты тона и распознавание речи.
Медицина
В МРТ преобразование Фурье играет ключевую роль в восстановлении изображения из измеренных данных.
Радиосвязь и телекоммуникации
Анализ радиочастот, модуляция сигналов, OFDM в современных системах связи, обработка помех.
Диагностика оборудования
По спектру вибраций можно обнаруживать признаки дисбаланса, дефектов подшипников и других неисправностей.
В наших первых примерах спектр состоял из аккуратных отдельных линий.
Но реальные сигналы часто имеют более сложные спектры.
Например, короткий одиночный импульс содержит широкий диапазон частот.
А бесконечно длинная чистая синусоида имеет идеальные спектральные линии.
Почему?
Потому что очень короткое событие требует большого количества частотных составляющих для своего описания.
Это можно увидеть на примере прямоугольного импульса:
Его преобразование Фурье:
Это функция типа sinc.
Схематичный модуль спектра прямоугольного импульса: центральный пик и боковые лепестки.
Чем уже импульс во времени, тем шире его спектр.
Это одна из фундаментальных особенностей частотного анализа.
Также при анализе конечной записи может возникать спектральная утечка: энергия одной частоты распределяется по нескольким частотным отсчётам. Для уменьшения этого эффекта применяют оконные функции, например Ханна или Хэмминга.
Представь, что на пианино одновременно нажали три клавиши.
Каждая клавиша создаёт колебания определённой основной частоты, а в реальном инструменте также возникают обертоны.
Микрофон записывает сумму всех колебаний.
Во временной области мы видим сложную кривую.
Во частотной области видим пики, соответствующие основным тонам и обертонам.
Если применить частотную фильтрацию, можно ослабить определённый диапазон частот.
А если затем выполнить обратное преобразование Фурье, получится изменённый звуковой сигнал.
Именно такой принцип лежит в основе многих цифровых методов обработки звука.
1. Есть сигнал
Например, запись голоса или вибрация двигателя.
2. Проверяем частоты
Умножаем сигнал на комплексные экспоненты разных частот и суммируем.
3. Получаем спектр
Узнаём, какие частоты присутствуют, их амплитудную и фазовую информацию.
4. Анализируем или изменяем
Например, удаляем шум или усиливаем определённый диапазон частот.
5. При необходимости восстанавливаем сигнал
Используем обратное преобразование Фурье.
| Формула | Для чего |
|---|---|
| Связь частоты и периода | |
| Описание синусоидального колебания | |
| Формула Эйлера | |
| Непрерывное преобразование Фурье | |
| Дискретное преобразование Фурье |
В четвёртой строке интегрирование подразумевается по всей временной оси.
Возможно, самая важная мысль здесь даже не про частоты.
Преобразование Фурье — это смена системы координат для описания сигнала.
В обычной геометрии вектор можно описать координатами по осям X и Y.
Но можно повернуть оси и описать тот же самый вектор другими координатами.
Сам вектор при этом не изменится.
С сигналом происходит нечто похожее.
Во временном представлении мы описываем его значениями в каждый момент времени.
В частотном представлении мы описываем его коэффициентами относительно набора колебательных функций.
В подходящих математических пространствах синусы, косинусы или комплексные экспоненты образуют базис, аналогичный координатным осям.
Поэтому преобразование Фурье можно понимать как вычисление координат сигнала в другом базисе.
Это объясняет сразу несколько вещей:
Например, свёртка двух сигналов во временной области превращается в умножение их преобразований Фурье:
Это называется теоремой о свёртке.
Она чрезвычайно важна для цифровых фильтров, обработки изображений, решения дифференциальных уравнений и анализа линейных систем.
Преобразование Фурье отвечает на вопрос:
«Сколько каждой частотной компоненты содержится в сигнале и какова её фаза?»
И позволяет перейти от описания того, как сигнал меняется во времени, к описанию того, из каких колебаний он состоит.
Это два разных взгляда на один и тот же математический объект.
Если хочешь углубиться дальше, лучше всего следующим шагом разобрать один полный числовой пример DFT вручную, где мы возьмём 4 или 8 чисел, буквально перемножим их с комплексными экспонентами и увидим, как из этих вычислений появляется спектр. Именно на таком примере обычно окончательно становится понятно, почему формула Фурье работает.