当雷达接收端的示波器上跳出一串杂乱的波形——目标回波、地杂波、噪声交织在一起，该如何从中提取目标的多普勒频率？当手机接收到的语音信号在时域中呈现毫无规律的幅度起伏，工程师如何设计滤波器去除背景噪声？这些问题的核心困境在于：复杂信号的时域表象往往掩盖其本质特征，直接处理如同在迷宫中摸索。19世纪初，傅里叶在研究热传导问题时同样面临类似挑战：复杂的温度分布曲线难以直接分析。他的突破在于一个颠覆性思想：任何复杂信号都可分解为一系列不同频率的“简单分量”（复指数信号）的线性组合。这一思想催生的傅里叶变换，不仅让我们“看见”信号的频率本质，更将“直接处理复杂信号”转化为“分步处理简单分量”——先对各频率分量单独操作（如滤波、放大），再通过积分求和重构信号。这一“分解-处理-合成”的逻辑，正是信号与系统学科的核心方法论，也是我们《信号与系统》系列博文的开篇之钥。
复杂信号的时域波形往往呈现“非线性”“非平稳”特征，直接处理面临三大障碍。一是信号本质的“不可见性”：时域波形仅能反映信号的“幅度-时间”关系，无法直接揭示其频率组成。例如，一个包含1kHz和3kHz正弦波的合成信号，如图1所示，其时域波形是杂乱的叠加曲线，但肉眼无法分辨其中的两个频率分量。
二是运算复杂度的“指数级增长”：对信号的时域处理（如滤波、调制）依赖卷积运算y ( t ) = x ( t ) ∗ h ( t ) = ∫ − ∞ ∞ x ( τ ) h ( t − τ ) d τ y(t) = x(t)*h(t) = \int_{ - \infty }^\infty x (\tau )h(t - \tau )d\tauy(t)=x(t)∗h(t)=∫−∞∞x(τ)h(t−τ)dτ，对于多分量信号，卷积积分涉及无穷区间的乘积求和，计算量随信号复杂度呈指数增长。例如，雷达回波信号包含目标、噪声、杂波等多个分量，直接卷积处理在工程上几乎不可行。三是系统设计的“盲目性”：线性时不变系统的时域特性（单位冲激响应h ( t ) h(t)h(t)）无法直观反映其对不同频率的处理能力，如设计一个“只保留1kHz分量”的滤波器，时域中需反复调试h ( t ) h(t)h(t)的波形，而频域中仅需设定频率响应H ( j ω ) H(j\omega )H(jω)在1kHz处为1、其他频率为0——这种“针对性”正是时域缺乏的。
面对这一困境，傅里叶变换的核心思想正是“化整为零”——将复杂信号分解为“频率正交基”的线性组合，其数学本质可概括为：用无穷多个不同频率的复指数信号e j ω t {e^{j\omega t}}ejωt（基函数）“拼凑”出原始信号，而每个基函数的“权重”即信号的频谱幅度X ( j ω ) X(j\omega )X(jω)。
傅里叶变换的正变换（分解过程）定义为X ( j ω ) = ∫ − ∞ ∞ x ( t ) e − j ω t d t X(j\omega ) = \int_{ - \infty }^\infty x (t){e^{ - j\omega t}}dtX(jω)=∫−∞∞x(t)e−jωtdt，其物理意义是“信号x ( t ) x(t)x(t)在频率ω \omegaω处的分量权重”，即频谱密度；逆变换（合成过程）则通过积分求和重构信号：x ( t ) = 1 2 π ∫ − ∞ ∞ X ( j ω ) e j ω t d ω x(t) = {1 \over {2\pi }}\int_{ - \infty }^\infty X (j\omega ){e^{j\omega t}}d\omegax(t)=2π1∫−∞∞X(jω)ejωtdω。这意味着：时域中复杂的信号x ( t ) x(t)x(t)，本质是无穷多个频率为ω \omegaω、幅度为X ( j ω ) d ω / 2 π X(j\omega )d\omega /2\piX(jω)dω/2π的复指数信号的叠加。例如，在雷达原理（第17期：雷达多脉冲波形频谱理解）一个时域矩形脉冲的频谱为X ( j ω ) = τ s i n c ( ω τ / 2 ) X(j\omega ) = \tau {\rm{sinc}}(\omega \tau /2)X(jω)=τsinc(ωτ/2)，如图2所示，其频域图像清晰显示：脉冲包含从低频到高频的连续分量，主瓣宽度与脉宽$\tau $成反比——这正是时域中无法直接观察的“频率本质”。
通过频谱，我们得以穿透时域表象，直接“看见”信号的频率组成——这正是傅里叶变换赋予工程师的“透视眼”。
分解只是第一步，傅里叶变换的真正力量在于“分量处理的简化”：将时域中难以直接实现的复杂运算，转化为频域中对各分量的独立操作，最后通过逆变换合成结果。这一过程可概括为“分解→处理→合成”的三步法则。第一步是分解：通过傅里叶正变换将时域信号x ( t ) x(t)x(t)分解为连续频率分量的叠加。例如，雷达回波信号x ( t ) = s ( t ) + n ( t ) x(t) = s(t) + n(t)x(t)=s(t)+n(t)（目标信号+人为噪声干扰），如图3所示，分解后频谱为X ( j ω ) = S ( j ω ) + N ( j ω ) X(j\omega ) = S(j\omega ) + N(j\omega )X(jω)=S(jω)+N(jω)，其中S ( j ω ) S(j\omega )S(jω)在目标多普勒频率ω d {\omega _d}ωd处有峰值，而N ( j ω ) N(j\omega )N(jω)在除ω d {\omega _d}ωd以外的其它频率分布。
第二步是处理：频域中，分量处理仅需对X ( j ω ) X(j\omega )X(jω)进行简单代数运算，而非时域中的复杂卷积。例如滤波时，设计滤波器频率响应H ( j ω ) H(j\omega )H(jω)，仅保留目标频率分量（H ( j ω ) = 1 , ω = ω d H(j\omega ) = 1,\omega = {\omega _d}H(jω)=1,ω=ωd；H ( j ω ) = 0 H(j\omega ) = 0H(jω)=0其他），则滤波后的频谱为Y ( j ω ) = X ( j ω ) H ( j ω ) = S ( j ω ) Y(j\omega ) = X(j\omega )H(j\omega ) = S(j\omega )Y(jω)=X(jω)H(jω)=S(jω)，如图4所示。这一步将时域中“盲人摸象”式的处理，转化为频域中“精准靶向”的操作，运算复杂度从O ( N 2 ) O({N^2})O(N2)（卷积）降至O ( N ) O(N)O(N)（乘积）。
第三步是合成：处理后的频谱Y ( j ω ) Y(j\omega )Y(jω)经傅里叶逆变换y ( t ) = 1 2 π ∫ − ∞ ∞ Y ( j ω ) e j ω t d ω y(t) = {1 \over {2\pi }}\int_{ - \infty }^\infty Y (j\omega ){e^{j\omega t}}d\omegay(t)=2π1∫−∞∞Y(jω)ejωtdω合成时域信号。如图5所示。雷达滤波后的频谱Y ( j ω ) = S ( j ω ) Y(j\omega ) = S(j\omega )Y(jω)=S(jω)逆变换后，时域中仅保留目标信号s ( t ) s(t)s(t)，噪声被完全抑制。
综上，傅里叶变换的诞生，本质是用“分解思维”破解复杂信号的密码：它以复指数信号为“原子”，通过线性叠加构建信号的“分子结构”（频谱），让隐藏在时域迷雾中的频率本质显露无遗；更通过“分量处理+积分求和”的逻辑，将原本不可能的复杂信号处理变得简单可行。从雷达目标探测到手机降噪，从语音识别到图像压缩，傅里叶变换的“分解-合成”思想贯穿信号与系统的每一个角落。这不仅是工具的革新，更是思维的革命——它教会我们：面对复杂问题时，先分解本质，再分步处理，最终重构解决方案。这，正是我们探索《信号与系统》世界的第一把钥匙。
（支持资料、图片参考_相关定制）_文章底部可以扫码)
