{
  "id": "discrete-fourier-transform",
  "title": "离散傅里叶变换",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "离散傅里叶变换将有限序列分解为频率分量，是数字频谱分析、快速卷积及多种计算方法的基础。",
  "category": "mathematics",
  "subcategory": "analysis",
  "type": "concept",
  "aliases": [
    "DFT",
    "有限傅里叶变换"
  ],
  "generated_at": "2026-11-02",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/discrete-fourier-transform/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/discrete-fourier-transform/",
      "json": "https://aiwiki.page/en/discrete-fourier-transform.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "离散傅里叶变换（DFT）是一种可逆的数学变换，可将有限数列表示为若干离散振荡分量之和。它接收 \\(N\\) 个输入值，生成 \\(N\\) 个复数系数，每个系数描述某一频率分量的幅度和相位。连续傅里叶变换通常作用于定义在连续域上的函数，而 DFT 则作用于有限维数据，因此可以直接由计算机求值。\n\nDFT 是数字信号处理、图像分析、科学计算和通信领域的基础工具。它的重要性既源于其作为频率分解的解释，也源于其代数性质：它保留信息，将循环卷积转化为乘法，并能将行为在循环移位下保持不变的系统对角化。快速傅里叶变换（FFT）并不是另一种变换，而是一类高效计算 DFT 的算法。要正确使用 DFT，必须理解变换本身、计算变换的算法，以及解释采样测量结果时所涉及的假设，并区分这三者。"
    },
    {
      "heading": "定义、逆变换与频率坐标",
      "text": "对于序列 \\(x[0],x[1],\\ldots,x[N-1]\\)，其中各项可以是复数，DFT 通常定义为\n\n\\[X[k]=\\sum_{n=0}^{N-1}x[n]e^{-2\\pi i kn/N}, \\qquad k=0,\\ldots,N-1,\\]\n\n其中 \\(i^2=-1\\)。其逆变换为\n\n\\[x[n]=\\frac{1}{N}\\sum_{k=0}^{N-1}X[k]e^{2\\pi i kn/N}.\\]\n\n逆变换中的每一项都是一个复正弦分量，将这些分量相加即可还原原序列。系数 \\(X[0]\\) 是所有采样值之和，因此 \\(X[0]/N\\) 就是它们的算术平均值。这一零频分量通常称为直流分量（DC 分量），这一名称借用了电信号中直流电的术语。\n\n归一化方式和符号约定并不统一。有些定义将 \\(1/N\\) 放在正变换中，而不是逆变换中；另一些则在两个方向上都使用 \\(1/\\sqrt N\\)。正变换也可以采用指数为正的形式。这些选择不会改变分解的本质，但会改变振幅、卷积和能量的相关公式。按照上述约定，对于采样得到的复指数序列\n\n\\[x[n]=A e^{2\\pi i mn/N}\\]\n\n只要将 \\(m\\) 按模 \\(N\\) 理解，就有 \\(X[m]=NA\\)，其余系数均为零。例如，\\((1,0,-1,0)\\) 的四点变换为 \\((0,2,0,2)\\)。\n\n整数 \\(k\\) 标记的是一个频点，而不是以物理单位表示的频率。若相邻两次测量的时间间隔为 \\(\\Delta t\\)，则采样频率为 \\(f_s=1/\\Delta t\\)，频点间隔为\n\n\\[\\Delta f=\\frac{f_s}{N}.\\]\n\n输出序列开头的频点表示零频率和正频率，末尾附近的频点则表示负频率：索引 \\(k\\) 可解释为频率 \\((k-N)f_s/N\\)。这种等价性源于以下事实：给某个频率加上 \\(f_s\\) 的任意整数倍，不会改变信号在各采样时刻的取值。\n\n当 \\(N\\) 为偶数时，频点 \\(k=N/2\\) 对应于正负交替的序列 \\((-1)^n\\)。其频率可以标记为 \\(+f_s/2\\)，也可以标记为 \\(-f_s/2\\)；这两种标记描述的是同一个采样振荡。当 \\(N\\) 为奇数时，没有任何频点恰好位于采样频率的一半处。软件通常提供频移操作，将零频率移到数组中央，但这仅仅是对系数的重新排列。数学上的 DFT 本身并不要求使用居中的坐标，甚至不要求将坐标解释为时间：采样索引可以表示位置、角度或任何其他等间距坐标。"
    },
    {
      "heading": "正交性、对称性与线性代数",
      "text": "DFT 是 向量空间 \\(\\mathbb C^N\\) 上的线性映射。将其写为 \\(X=Fx\\)，其矩阵元素为\n\n\\[F_{kn}=e^{-2\\pi i kn/N}.\\]\n\n关键恒等式是单位根的正交性：\n\n\\[\\sum_{n=0}^{N-1}e^{2\\pi i (k-\\ell)n/N} = \\begin{cases} N,&k\\equiv\\ell\\pmod N,\\\\ 0,&k\\not\\equiv\\ell\\pmod N. \\end{cases}\\]\n\n当频率索引不相等时，该和式是一个各项相互抵消的有限等比级数。因此，\n\n\\[F^*F=NI,\\]\n\n其中 \\(F^*\\) 表示共轭转置。于是 \\(F^{-1}=F^*/N\\)，无需任何极限论证便可证明逆变换公式。\n\n乘以缩放因子 \\(1/\\sqrt N\\) 后，DFT 矩阵成为酉矩阵。在通常的复内积下，它的各列构成一组标准正交基。因此，DFT 可以理解为一种坐标变换：从以各个采样值表示的坐标，转换到以振荡基向量为基的坐标。这一解释说明了变换为何不会丢失信息：它只是改变了向量的表示方式，并未降低其维数。这也将 DFT 与有限循环群上的调和分析联系起来，该群的特征标恰好就是离散复指数函数。\n\n由正交性可得帕塞瓦尔恒等式，\n\n\\[\\sum_{n=0}^{N-1}|x[n]|^2 = \\frac{1}{N}\\sum_{k=0}^{N-1}|X[k]|^2.\\]\n\n更一般地，若 \\(Y\\) 是 \\(y\\) 的 DFT，则\n\n\\[\\sum_n x[n]\\overline{y[n]} = \\frac{1}{N}\\sum_k X[k]\\overline{Y[k]}.\\]\n\n因此，只要采用适当的归一化，便可在任一种表示下计算能量和内积。采用酉归一化约定时，因子 \\(1/N\\) 不再出现。这些恒等式是频谱能量核算、利用选定频率分量进行最小二乘逼近以及数值误差分析的基础。\n\n从指数核可以直接推导出若干对称性。若 \\(x[n]\\) 为实数，则\n\n\\[X[(-k)\\bmod N]=\\overline{X[k]},\\]\n\n因此，只需约一半的输出系数就能确定其余系数。循环移位 \\(y[n]=x[(n-m)\\bmod N]\\) 给出\n\n\\[Y[k]=e^{-2\\pi i km/N}X[k],\\]\n\n即只改变相位，不改变幅度。反过来，乘以 \\(e^{2\\pi i rn/N}\\) 会使频谱平移 \\(r\\) 个频点。连续应用两次未归一化的正向变换，可得\n\n\\[(F^2x)[n]=N x[(-n)\\bmod N].\\]\n\n相应地，应用四次便有 \\(F^4=N^2I\\)。这些恒等式都是精确的有限维结论，而不是从连续傅里叶分析沿袭而来的近似。"
    },
    {
      "heading": "采样、周期延拓与连续变换",
      "text": "DFT 有几种相互关联的解释，需要加以区分。作为有限维变换，它不需要对给定数组之外的样本作任何假设。然而，作为傅里叶级数表示，其逆变换定义了一个以 \\(N\\) 为周期的序列：\n\n\\[x_{\\mathrm{per}}[n+N]=x_{\\mathrm{per}}[n].\\]\n\n系数 \\(X[k]/N\\) 就是这个周期离散序列的傅里叶级数系数。因此，即使原始测量数据来自非周期现象，这种振荡函数表示本身也蕴含着周期性。该变换能够精确表示任意有限输入；只有将这一表示延伸到测量区间之外时，才会涉及周期性问题。\n\n离散时间傅里叶变换（DTFT）提供了另一种联系。将有限长度的数据记录补零延拓，并定义\n\n\\[X_{\\mathrm{DTFT}}(\\omega)= \\sum_{n=0}^{N-1}x[n]e^{-i\\omega n}.\\]\n\n这个函数关于 \\(\\omega\\) 连续，且以 \\(2\\pi\\) 为周期。DFT 由它的等间隔采样值组成：\n\n\\[X[k]=X_{\\mathrm{DTFT}}\\!\\left(\\frac{2\\pi k}{N}\\right).\\]\n\n因此，尽管 DTFT 的输入在时间上是离散的，其频率自变量却是连续的。DFT 的输入索引和输出索引则都是离散的。混淆这两种变换，可能使人难以理解补零和频率插值究竟起到了什么作用。\n\n对于以频率 \\(f_s\\) 采样的连续信号，相差 \\(f_s\\) 整数倍的频率会产生完全相同的样本序列。这种歧义称为混叠。例如，当相位作适当对齐时，频率为 \\(100\\) Hz 和 \\(900\\) Hz 的余弦波在 \\(1{,}000\\) Hz 的采样率下会产生完全相同的样本。采样定理指出，在适当的假设下，如果信号的频率严格限制在 \\(f_s/2\\) 以下，就可以根据等间隔样本重建该信号。DFT 本身既不能保证信号带限，也不能防止混叠，更不能恢复采样过程中已经丢失的信息。\n\nDFT 与连续傅里叶变换之间的关系还涉及尺度因子和截断。若 \\(x[n]=s(n\\Delta t)\\)，则\n\n\\[\\Delta t\\,X[k] = \\Delta t\\sum_{n=0}^{N-1}s(n\\Delta t)e^{-2\\pi i f_k n\\Delta t}, \\qquad f_k=\\frac{k}{N\\Delta t},\\]\n\n是观测区间上傅里叶积分的一个黎曼和。其精度取决于采样间隔、区间长度以及 \\(s(t)\\) 的性质。非零的起始时间会引入一个额外的相位因子。因此，即使对数组计算出的 DFT 完全精确，它仍可能只是对其背后连续信号的傅里叶变换的一种近似。采样误差、有限记录效应和数值舍入误差是彼此独立的问题，各有不同的成因。"
    },
    {
      "heading": "有限记录、频谱泄漏与加窗",
      "text": "有限长度的观测记录相当于对信号乘以一个矩形观测窗。如果正弦信号在记录内恰好完成整数个周期，其频率就会落在某个 DFT 频点上，其复数表示也就只占据这一个频点。否则，它的贡献通常会扩散到许多系数中，这种现象称为频谱泄漏。这种扩散并非 DFT 出了问题，而是有限信号片段的精确频率表示：将该片段周期性重复后得到的延拓信号，与原来的正弦信号并不一致。\n\n对于复正弦信号\n\n\\[x[n]=A e^{2\\pi i\\nu n/N},\\]\n\n其中 \\(\\nu\\) 不一定是整数，直接求和可得\n\n\\[X[k] = A e^{\\pi i(N-1)(\\nu-k)/N} \\frac{\\sin\\!\\bigl(\\pi(\\nu-k)\\bigr)} {\\sin\\!\\bigl(\\pi(\\nu-k)/N\\bigr)},\\]\n\n其中，可去奇点处的值由连续性确定。这种狄利克雷核形状具有一个中心峰和若干旁瓣。当 \\(\\nu\\) 为整数时，其零点恰好落在其余 DFT 频点上；当它不是整数时，这些频点采样到的旁瓣值便不为零。实正弦信号同时含有正频率和负频率分量，两者的泄漏图样可能相互重叠。\n\n窗函数将原始记录替换为 \\(w[n]x[n]\\)，通常使记录的两端逐渐衰减。常用的窗包括汉恩窗、汉明窗和布莱克曼窗。周期型汉恩窗的一种定义为\n\n\\[w[n]=\\frac12-\\frac12\\cos\\!\\left(\\frac{2\\pi n}{N}\\right).\\]\n\n对称型的定义则在分母中使用 \\(N-1\\)。加窗可以降低旁瓣，使强分量旁边的弱分量更容易辨认，但通常也会使主瓣展宽。它还会改变幅度和噪声的标度。对于频率恰好落在 DFT 频点上的复正弦信号，该频率处的系数为 \\(A\\sum_n w[n]\\)，而不再是 \\(AN\\)。因此，在幅度测量中需要进行相干增益校正。\n\n补零是指在序列末尾添加零，再进行长度更大的 DFT。如果将 \\(N\\) 个测量值补零至长度 \\(L>N\\)，所得变换就是在 \\(L\\) 个频率而非 \\(N\\) 个频率处，对同一有限记录的离散时间傅里叶变换（DTFT）进行采样。这样可以得到更密集的频谱图，也可能提高谱峰数值定位的精度，但并未增加任何测量数据，也不会使窗的主瓣变窄。区分相邻分量的能力取决于观测时长、窗的选择、信噪比和估计方法，而不只是显示出的频率间隔。同样，“分辨率”既可以指频点间隔，也可以指区分两个信号源的能力；这两个量彼此相关，但并不相同。"
    },
    {
      "heading": "循环卷积与移不变系统",
      "text": "对于两个长度为 \\(N\\) 的序列，循环卷积定义为\n\n\\[(x\\circledast h)[n] = \\sum_{m=0}^{N-1}x[m]h[(n-m)\\bmod N].\\]\n\n若 \\(X\\) 和 \\(H\\) 分别为这两个序列的 DFT，则\n\n\\[\\operatorname{DFT}(x\\circledast h)[k]=X[k]H[k].\\]\n\n因此，对逐点乘积进行逆变换即可算出循环卷积。反过来，在采样域中相乘，对应于频域中的循环卷积；按标准约定，还需乘以因子 \\(1/N\\)。这些结论可通过交换有限求和的次序，并对索引进行模 \\(N\\) 变换来推导。\n\n循环卷积不同于普通的线性卷积，因为超出索引 \\(N-1\\) 的部分会回绕到序列开头。例如，\\((1,1)\\) 与自身的线性卷积为 \\((1,2,1)\\)，而长度为二的循环卷积得到的却是 \\((2,2)\\)，因为最后一个系数回绕后叠加到了第一个系数上。要得到长度分别为 \\(L\\) 和 \\(M\\) 的两个序列的线性卷积，可以对两者补零，使变换长度满足\n\n\\[N\\ge L+M-1.\\]\n\n这样得到的循环卷积便包含完整的线性卷积，其回绕副本之间不会发生重叠。这里补零起的是代数作用，与对频谱进行插值的用途不同。\n\n循环卷积对应的矩阵是循环矩阵，其各行或各列互为循环移位。每个离散复指数序列都是该矩阵的特征向量。若以 \\(C_h\\) 表示与 \\(h\\) 进行卷积的算子，则\n\n\\[C_h=F^{-1}\\operatorname{diag}(H[0],\\ldots,H[N-1])F.\\]\n\n因此，DFT 能同时将所有循环算子对角化。频率响应 \\(H[k]\\) 给出了这些算子的全部特征值。这就解释了为什么频域滤波能将采样点之间相互耦合的运算，化为各频率处独立的乘法。\n\n同一原理也适用于相关和反卷积。若循环互相关采用如下约定：\n\n\\[r_{xy}[\\ell]= \\sum_{n=0}^{N-1}x[(n+\\ell)\\bmod N]\\overline{y[n]},\\]\n\n则其 DFT 为 \\(X[k]\\overline{Y[k]}\\)。因此，相关运算为比较移位信号提供了一种计算效率很高的方法。对于反卷积，形式上的解法是将观测频谱除以 \\(H[k]\\)，但 \\(H[k]\\) 中的零值会使解不唯一，而较小的值则会放大噪声。这是一个逆问题，而不仅仅是一次变换计算。正则化通过改变求逆方式来控制解的敏感性，例如，将除以 \\(H[k]\\) 改为乘以 \\(\\overline{H[k]}/(|H[k]|^2+\\lambda)\\)，其中 \\(\\lambda>0\\)。"
    },
    {
      "heading": "快速算法与历史发展",
      "text": "直接计算全部 \\(N\\) 个 DFT 系数所需的算术运算次数与 \\(N^2\\) 成正比。快速算法利用指数因子的结构来降低这一计算成本，通常可将其降至用大O记号表示的 \\(O(N\\log N)\\)。两者的差别十分显著：当 \\(N=2^{20}\\) 时，直接求和包含约 \\(10^{12}\\) 次样本与指数因子的乘法，而基二分解只有 20 级，每一级的基本运算次数都与 \\(N\\) 成正比。确切的运算次数取决于算法、数据类型，以及如何处理与简单常数相乘的运算。\n\n当 \\(N\\) 为偶数时，将输入拆分为偶数下标样本和奇数下标样本。令 \\(E[k]\\) 和 \\(O[k]\\) 分别为这两组样本的长度为 \\(N/2\\) 的 DFT，并记 \\(W_N=e^{-2\\pi i/N}\\)。则有\n\n\\[X[k]=E[k]+W_N^kO[k],\\]\n\n\\[X[k+N/2]=E[k]-W_N^kO[k], \\qquad 0\\le k<N/2.\\]\n\n这组成对的运算构成一个蝶形运算。递归应用这一分解，就得到基二 Cooley–Tukey 快速傅里叶变换（FFT）。因子 \\(W_N^k\\) 称为旋转因子。其他分解方法可以拆分输出频率而非输入样本，也可以一次合并多个因子。\n\n这一方法的历史早于电子计算机。约在 1805 年，卡尔·弗里德里希·高斯提出了一种用于谐波插值的相关方法；这项工作于他去世后的 1866 年发表。James W. Cooley 和 John W. Tukey 于 1965 年发表的论文，使一种通用分解方法在现代计算领域广为人知。20 世纪更早的一些工作，包括 Danielson 和 Lanczos 在 1942 年的成果，也包含了重要的快速变换思想。这些进展涉及的是如何高效计算有限谐波和，而不是傅里叶观点本身的创立；后者是在三角级数和数学物理的研究中逐渐形成的。\n\n只要 \\(N\\) 能分解为较小整数的乘积，Cooley–Tukey 方法就不局限于二的幂次长度。混合基实现将多种长度的变换组合起来。Good–Thomas 算法通过中国剩余定理利用互素因子进行分解。对于素数长度，Rader 算法将 DFT 的非平凡部分转换为循环卷积。Bluestein 算法利用\n\n\\[2kn=k^2+n^2-(k-n)^2,\\]\n\n改写变换核，将任意长度的 DFT 转换为基于啁啾序列的卷积。该卷积本身又可以选用合适的 FFT 长度来计算。\n\n实际运行速度并不只取决于算术运算次数。内存访问、缓存行为、向量指令、并行通信和数据布局都可能成为决定执行时间的主要因素。现代程序库通常会在多种分解方案中进行选择或预先规划。如果只需要少量频点，直接计算或采用专门的递推方法，可能比计算完整的 FFT 更合适。在所有这些实现中，DFT 始终是同一个数学对象；改变算法并不会改变理想情况下的系数。"
    },
    {
      "heading": "多维变换及相关的有限变换",
      "text": "DFT 可以自然地推广到数组。对于大小为 \\(N_1\\times N_2\\) 的二维数组 \\(x[n_1,n_2]\\)，有\n\n\\[X[k_1,k_2] = \\sum_{n_1=0}^{N_1-1} \\sum_{n_2=0}^{N_2-1} x[n_1,n_2] e^{-2\\pi i(k_1n_1/N_1+k_2n_2/N_2)}.\\]\n\n逆变换的指数符号相反，归一化因子为 \\(1/(N_1N_2)\\)。各个坐标方向都独立地具有周期性。对于图像，输出索引表示水平和垂直方向的空间频率；对于三维体数据，则表示空间频率向量的三个分量。\n\n多维变换的核可以分解为一维核的乘积。因此，二维 DFT 可以通过先对每一行进行变换、再对每一列进行变换来计算，也可以按相反的顺序计算。用张量积的语言来说，整个变换由一维傅里叶矩阵构成。对于包含 \\(M=\\prod_jN_j\\) 个元素的数组，可分离的 FFT 实现大约需要 \\(O(M\\sum_j\\log N_j)\\) 次算术运算。不过，数据重排仍可能带来高昂的开销，尤其是在不同维度的数据分布于不同处理器上时。\n\n实值数组仍具有共轭对称性，但这种对称性要求所有频率坐标同时反向：\n\n\\[X[(-k_1)\\bmod N_1,(-k_2)\\bmod N_2] = \\overline{X[k_1,k_2]}.\\]\n\n这通常并不意味着仅将某一个坐标反向时也具有单独的对称性。实数输入的 FFT 例程利用这种冗余，只存储频谱中独立的部分，通常将最后一个进行变换的维度缩减为 \\(\\lfloor N/2\\rfloor+1\\) 个复数元素。解读这种紧凑存储的数组时，需要注意缩短的是哪一条轴，以及零频分量和采样频率一半处的分量存储在什么位置。\n\n离散余弦变换和离散正弦变换是与 DFT 相关但不同的变换。它们源于特定的偶延拓或奇延拓，以及采样点相对于边界的不同位置安排。当直接进行周期延拓不合适时，这些变换的边界对称性便能发挥作用。数论变换则用模运算中适当的单位根取代复数单位根。对于素数模数 \\(p\\)，如果变换长度整除 \\(p-1\\)，就可以使用非零剩余类乘法群中阶等于该长度的元素。这类变换可用于精确的模卷积和大整数乘法。它们与 DFT 具有相同的代数结构，但并不直接表示物理意义上的正弦频率分量的幅度。"
    },
    {
      "heading": "数值精度与频谱标度",
      "text": "作为线性变换，酉 DFT 在欧几里得范数下的条件数为 1。因此，输入中的微小相对扰动，不会仅仅因为施加了该变换，就在整个输出向量中变成更大的相对扰动。这种良好的条件性应与单个系数的相对精度区分开来。理论上为零或极小的系数，即使在变换的整体误差很小时，也可能具有很大的相对误差。某个频率格点上的相消并不意味着整个变换是病态的。\n\n实际实现采用浮点运算，因此指数因子和中间求和结果都会发生舍入。设计良好的 FFT 算法通常具有良好的数值稳定性；在满足与具体实现有关的假设时，按范数衡量的误差估计通常大致与机器精度乘以 \\(\\log N\\) 成正比。旋转因子生成不准确、溢出或缩放不当，都可能降低结果的精度。定点实现还必须考虑中间数值幅度的增长，并且往往会将缩放因子分散到各个变换阶段中。因此，FFT 的结果可能与直接计算 DFT 的结果略有不同，尽管两者所要计算的是同一个精确变换。\n\n解释幅度时，需要根据信号采用适当的归一化方式。对于频率恰好落在频率格点上的实余弦信号\n\n\\[x[n]=A\\cos(2\\pi mn/N+\\phi),\\]\n\n若 \\(m\\) 不为零，且在 \\(N\\) 为偶数时也不对应于半采样频率格点，则对应的两个系数的幅值均为 \\(NA/2\\)。因此，单边幅度谱对这些内部频率采用 \\(2|X[m]|/N\\)。直流格点和半采样频率格点不加倍，因为它们各自就是自身的共轭配对。加窗会通过窗函数的增益改变这些关系，而邻近分量或未落在频率格点上的频率分量，则会使幅度恢复变得更加复杂。\n\n功率谱所需的标度与幅度谱不同。对于加窗数据，一种常用的双边功率谱密度估计为\n\n\\[S_{xx}[k] = \\frac{\\left|\\sum_{n=0}^{N-1}w[n]x[n]e^{-2\\pi i kn/N}\\right|^2} {f_s\\sum_{n=0}^{N-1}|w[n]|^2}.\\]\n\n其单位为信号单位的平方每赫兹。将其乘以 \\(\\Delta f=f_s/N\\)，再对各频率格点求和，即可得到相应的归一化加窗均方值。对于实数数据，单边形式将内部正频率分量的贡献加倍。因此，仅取 DFT 系数的幅值平方，并不会自动得到正确归一化的谱密度。在统计分析中，单次记录的周期图也可能具有较大的方差；对分段频谱取平均可以减小波动，但也会改变有效频率分辨率。"
    },
    {
      "heading": "在测量、通信与科学计算中的应用",
      "text": "频谱分析利用 DFT 识别采样测量数据中的振荡、谐波和宽频带成分，应用领域包括振动监测、声学、光谱学以及时间序列分析。旋转机械可能产生与其转速对应的基频，以及由周期性作用力引起的高次谐波。在记录长度和信号质量允许的情况下，DFT 可以分离这些成分。对于非平稳信号，短时傅里叶变换对相互重叠的加窗片段分别进行变换，得到时频表示。窗口时长决定了时间定位能力与频率分辨能力之间的权衡。\n\n数字滤波利用卷积定理高效实现长滤波器。将很长的数据流作为整体进行一次变换通常并不现实，因此可采用重叠相加法和重叠保留法，将处理任务划分为若干数据块。重叠相加法对各块补零，计算其线性卷积，再将输出中重叠的部分相加。重叠保留法使用相互重叠的输入块，并丢弃受循环回绕影响的输出。两种方法都利用 FFT 乘法实现所需的线性卷积。相关技术还可加速多项式乘法，以及同步、模式匹配和位移估计中使用的相关运算。\n\n在正交频分复用（OFDM）中，逆 DFT 将复数数据符号合成为由多个正交子载波承载的采样波形。接收端通过 DFT 恢复各子载波的系数。循环前缀是将发送块的末尾复制到其开头而形成的。如果前缀的长度足以覆盖相关的信道时延扩展，且满足同步假设，那么接收端保留的数据块就可视为原数据块与信道进行循环卷积的结果。此时，DFT 将信道均衡简化为各子载波上独立的乘法或除法。这是循环矩阵对角化在工程中的应用，而不只是展示信号的频谱。\n\n在科学计算中，谱方法通过傅里叶系数表示空间场。对于长度为 \\(L\\) 的周期域，对角波数为 \\(\\kappa_k=2\\pi k/L\\) 的模态求导，相当于将其系数乘以 \\(i\\kappa_k\\)；求二阶导数则相当于乘以 \\(-\\kappa_k^2\\)。这样，许多微分运算便转化为对角运算。例如，周期性泊松方程 \\(-\\Delta u=f\\) 在非零波数处变为\n\n\\[\\widehat u(\\boldsymbol\\kappa) = \\frac{\\widehat f(\\boldsymbol\\kappa)} {|\\boldsymbol\\kappa|^2}\\]\n\n零模态则需要满足相容性条件，并指定解的均值。非线性乘积会产生更高的频率，这些频率可能混叠到所表示的模态上，因此通常采用补零或频谱截断来控制这一影响。在磁共振成像中，离散傅里叶逆变换方法也用于从适当采样的空间频率数据重建图像；采样几何与测量数据的不完整性决定了是否需要进一步采用其他重建方法。"
    }
  ],
  "links": [
    "fourier-transform",
    "fast-fourier-transform",
    "complex-number",
    "vector-space",
    "linear-map",
    "matrix",
    "geometric-series",
    "conjugate-transpose",
    "unitary-matrix",
    "inner-product",
    "orthonormal-basis",
    "harmonic-analysis",
    "fourier-series",
    "aliasing",
    "sampling-theorem",
    "riemann-sum",
    "window-function",
    "convolution",
    "eigenvalues-and-eigenvectors",
    "inverse-problem",
    "regularization",
    "big-o-notation",
    "carl-friedrich-gauss",
    "chinese-remainder-theorem",
    "tensor-product",
    "discrete-cosine-transform",
    "condition-number",
    "floating-point-arithmetic",
    "numerical-stability",
    "variance",
    "spectroscopy",
    "time-series",
    "short-time-fourier-transform",
    "poisson-equation",
    "magnetic-resonance-imaging"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}