从应用的角度说说傅立叶变换

完整版请参考：

• https://mazhaoxin.github.io/2020/01/09/About_FFT/
• http://483v7j.coding-pages.com/2020/01/09/About_FFT/

傅立叶变换给我们了一种新的视角来看待世界，今天从应用的角度简单总结一下其使用上需要注意的地方。

DFT与FFT

我们都知道，对于周期性的信号，其傅立叶变换结果为离散值，称为傅立叶级数，即任何周期信号都可以被看做不同系数的正余弦信号相加的结果。傅立叶变换的结果表征了信号在频域的特征，因此说傅立叶变换把时域信号转换为了频域信号。如果只看频域信号的幅度信息，即为信号的频谱（spectrum）。通过观察频谱，可以很方便的判断信号中各频率成分的大小。

傅立叶级数中存在关系：信号的周期与前面所述的正余弦信号的最低频率（基频）呈反比。当信号的周期趋于无穷大时，基频趋于零。由于可以把非周期信号看作周期为无穷大的信号，因此非周期信号的傅立叶变换结果为连续值。

而在实际应用中，需要通过采样来获取信号的数值，因此离散时间域傅立叶变换（DFT）更具有实用价值。至于计算方法，将连续时间域的傅立叶变换中的积分换成累加即可得到离散时间域的傅立叶变换公式。另外由于采样时所用的冲击函数会使频谱出现周期延拓，需要注意一般情况下采样频率不能低于被采样信号截止频率的一半（奈奎斯特采样定理）。

由于DFT的计算过程中需要很多次计算（对于长度为$N$的复数信号，每个采样点要进行$N$次复数乘法和$N-1$次复数加法），基2的快速傅立叶变换（FFT）算法就被发明了出来。FFT的核心思想是分段（一分为二）计算，组合输出。这种算法可以在点数较多时大大减少计算量，但要求采样点数必须是2的整数次幂。

基本性质

1. $N$个点的输入就有$N$个点的输出；
2. 对于采样频率为$f_s$的输入信号，输出对应的频率为$0 \sim \frac{N-1}{N}\cdot f_s $，通过频域的延拓可以转换到$-\frac{N}{2}\cdot f_s \sim \frac{N-1}{2N}\cdot f_s$；
3. 由1、2不难看出，频谱的分辨率带宽（RBW）是$f_s/N$；
4. 当输入信号为实数信号时，频谱关于DC对称，因此对于一般的电信号只看正频率部分的频谱即可；
5. 对于一段固定长度为$t_{signal}$的波形，如果对其采$N$个点，可得
   • 采样周期为$T_s=t_{signal}/N$，对应的采样频率为$f_s$