典型周期信号傅里叶级数分解：谐波衰减规律与工程频谱验证

1. 先认清六个“标准件”：它们在你手上的设备里各占什么位置

傅里叶级数这一节，很多人是在期末复习时才会翻到的。翻开书就看到一堆分段积分、一堆 sin 和 cos，然后脑子里只有一个念头：考试会考哪种波形。但我实际做信号分析、给硬件同事看波形数据的时候，回头发现这一节其实是整门课里最“能干活”的部分之一——因为现实世界里绝大多数你关心的周期信号，追根溯源都是那几种典型波形的变体，或者干脆就是它们的叠加。

先说清楚这篇内容覆盖什么。典型周期信号的傅里叶级数分解，讲的就是把方波、三角波、锯齿波、半波整流正弦、全波整流正弦、矩形脉冲串这六类波形，从时域的“一条折线”翻译成频域的“一串谱线”。翻译工具是三角形式和指数形式两套级数，翻译过程是求直流分量、余弦系数和正弦系数。适合谁看：正在学信号与系统、电路分析、电力电子、自动控制这几门课的同学；以及已经工作、需要从示波器数据里判断谐波成分、评估滤波器选型、分析 PWM 驱动频谱的工程师。如果你只是想知道公式长什么样，网上到处都是；这篇想讲的是这些系数为什么长这样、算的时候哪里会翻车、画出来跟书上不一样时该怀疑谁。

1.1 方波、三角波、锯齿波的工程化身

方波在实验室里看起来只是个理想波形，往下追一层，它就是 PWM 驱动信号的骨架。电机驱动、开关电源、LED 调光、D 类功放，本质上都在用占空比变化的方波去控制能量。方波的傅里叶系数衰减很慢，只有 1/n 量级，这直接决定了你板子上的开关噪声为什么能在几十兆赫兹还保留可观的幅度，也解释了为什么 EMC 整改时总要给开关沿加一点缓变——把理想的垂直跳变抹圆，高频谐波就掉下去了。这一点在课本上是不会写的，但做过一次辐射测试就忘不掉。

三角波多见于压控振荡器的输出、扫频信号源、以及 SPWM 里的载波。它的系数按 1/n² 衰减，比方波快得多，所以三角波做载波时高频成分要温和不少，这也是很多音频功放偏爱三角波载波而非锯齿波的原因之一。锯齿波则是示波器时基、老式 CRT 行扫描、以及各种斜坡补偿电路的老朋友。它和三角波看着像，频谱上差别却很明显：锯齿波在周期边界处有一个跳变，所以系数衰减又回到了 1/n，同时还带上了明确的相位信息，这一点在第 3 节的推导里会很直观地体现出来。

1.2 整流正弦与矩形脉冲串为什么必须放进这份清单

半波整流和全波整流看着像是模拟电路课的内容，但它们恰恰是“用傅里叶级数解释实际问题”的经典样本。整流桥后面接的那颗滤波电容，选多大、纹波有多大、纹波主要是什么频率，全都由整流波形的谐波结构决定。全波整流只有偶次谐波，最低的那根谱线落在二倍工频上，所以 50 Hz 输入的电源，纹波主频是 100 Hz 而不是 50 Hz——这个结论如果你是从公式里推出来的，就再也不会记错。

矩形脉冲串则是采样保持电路、雷达发射、以及各类脉冲电源的数学模型。它的谱线包络是一个 Sa 函数，占空比直接决定包络零点的位置。理解这一点，你就能解释为什么把脉冲宽度调窄之后，频谱的第一零点会往外推，也能明白为什么某些脉冲宽度下某次谐波会恰好消失。这六种波形凑在一起，基本覆盖了本科阶段所有需要手算傅里叶级数的场景，也覆盖了工程上最常遇到的几类周期信号。

1.3 把级数展开看成“用一组标准螺丝刀拆一个零件”

我习惯用这样一个类比跟人解释傅里叶级数：你面前有一个形状古怪的零件，手上有一整套标准螺丝刀——不同频率的 sin 和 cos 就是不同规格的刀头。傅里叶级数做的事，是告诉你这个零件需要哪几种刀头、每种用多大力气。直流分量是“整体抬升”的那一下，基波是“主轮廓”，高次谐波是“细节修边”。系数就是每种刀头对应的力度大小。

这个类比的价值在于，它把“为什么要正交”这件事变得很自然。如果刀头之间互相不独立，你拧一刀会带动另一刀，那就没法独立地确定每个系数。正交性保证的正是“各管各的”：把 f(t) 乘上某一个基函数再积分，其他所有基函数的贡献全部归零，只剩你要的那一项。这也是为什么傅里叶级数在均方误差意义下是最优的有限项逼近——它把误差的能量压到了最小，这个性质在后面的截断分析里还会再用到。

2. 算系数之前，先把三个工具磨快

手算傅里叶系数，真正花时间的不是积分本身，而是判断“这个积分到底要不要算”。很多人拿到题目就开始硬积，积到一半发现结果为零，白写半页纸。磨好下面三个工具，草稿纸能省一半，而且出错率会明显下降。

2.1 正交性：把无穷维的比较降成一次内积

三角形式下，基函数集合是 {1, cos ω₀t, cos 2ω₀t, …, sin ω₀t, sin 2ω₀t, …}，其中 ω₀ = 2π/T。它们在区间 [t₀, t₀+T] 上两两正交，具体关系是：任意两个不同频率的 cos 相乘，一个周期内积分为零；不同频率的 cos 与 sin 相乘积分也为零；同频率的 cos² 或 sin² 积分是 T/2。直流项和任何一次谐波相乘，积分同样为零。

正因为这些积分为零，把级数两边同乘 cos nω₀t 再在一个周期上积分，右边只剩 aₙ·T/2 这一项，于是 aₙ = (2/T)∫f(t)cos nω₀t dt。正弦系数同理。直流分量稍微特殊一点，因为常数项我写成 a₀/2 而不是 a₀，所以 a₀ = (2/T)∫f(t)dt，物理含义是波形在一个周期内的平均值。

指数形式下这套逻辑完全一样，只是基函数换成了 e^{jnω₀t}，正交关系变成 ∫e^{jnω₀t}·e^{-jmω₀t}dt = T·δ(m-n)。系数公式是 Fₙ = (1/T)∫f(t)e^{-jnω₀t}dt。指数形式的系数是复数，模值给出幅度谱，辐角给出相位谱，而且正负频率成对出现、共轭对称（实信号的前提下）。这两种形式没有本质区别，只是记账方式不同，第 6 节会专门讲换算时最容易踩的坑。

2.2 对称性：能省掉一半草稿纸的四种模式

对称性分析是这一节最实用的技巧，用好了能直接把工作量砍半甚至砍到四分之一。我把它整理成一张表，做题时先扫一眼波形，对号入座再动笔。

注意这里的“奇偶”是相对时间原点说的。同一个方波，原点取在跳变沿上和取在平顶中点上，得到的级数形式完全不同：前者是纯正弦级数，后者是纯余弦级数。这不矛盾——它们是同一个信号的两种表达，只是时间平移导致的相位差异。做题时最忌讳的是原点随便取，然后拿书上的标准答案对不上。我建议的固定做法是：先把波形的对称轴或对称中心标出来，尽量把原点放在对称中心上，这样 cos 项或 sin 项会自然消掉一半。

半波对称这一条尤其值得记牢，因为方波和全波整流正弦都能沾上边。比如占空比恰好 50% 的方波，既满足 f(t + T/2) = -f(t)，又（在特定原点下）是奇函数，两个条件一叠加，结论就是“只有奇次正弦项”，这一步直接跳过了三分之二的积分。

2.3 分段积分与“求导变冲激”两条路线怎么选

第一种路线是老老实实分段积分。适合分段少、表达式简单的情况，比如方波只有两段，三角波只有四段，直接积就行。分段积分的关键是把边界值代准，尤其要注意 f(t)cos nω₀t 在端点处的取值，因为 cos nω₀t 在 t=0 和 t=T 处的值都是 1，sin 在两端都是 0，代错了整个结果就是错的。

第二种路线是先对波形求导，把它变成冲激串，再用微积分性质反推系数。这个方法对矩形脉冲串、三角波这类“导数很干净”的波形特别省事。举个例子，一个周期性三角波求一阶导得到方波，求二阶导得到正负冲激串，而冲激串的傅里叶系数可以直接看出来，甚至不用积分。代价是你得记住并正确使用微积分性质：如果 g(t) = df/dt，那么 Gₙ = jnω₀Fₙ，反过来 Fₙ = Gₙ/(jnω₀)。用这条性质时最常犯的错是把 n = 0 的情况漏掉，因为分母上的 n 在 n = 0 时失效，直流分量必须单独算。

我在实际做题和推导中形成的习惯是：波形含跳变、段数不超过四段，用分段积分；波形连续但导数含跳变（比如三角波、抛物线波），用求导法；冲激串形式的信号（采样脉冲串、调制后的脉冲），直接用指数形式和冲激的筛分性质，一步到位。

3. 方波、三角波、锯齿波：系数衰减速度里的信息

这一节是全文的核心。三种波形都是“折线”，系数长相却差得很远，而这个差别恰好对应了工程上最关心的一个问题：高频分量有多大。

3.1 方波：跳变点把系数压在 1/n 上

取一个幅度为 ±A、周期为 T、原点取在跳变沿上的方波，它是奇函数，所以 a₀ = 0，aₙ = 0，只剩正弦项。bₙ = (2/T)∫₀^T f(t)sin nω₀t dt，把积分拆成 0 到 T/2 取 +A、T/2 到 T 取 -A 两段：

bₙ = (2A/T)[∫₀^{T/2} sin nω₀t dt - ∫_{T/2}^{T} sin nω₀t dt]

计算这两段积分，第一段得 (1 - cos nπ)/(nω₀)，第二段得 (cos nπ - 1)/(nω₀)，两者相减并乘上前面的系数，最终得到 bₙ = (4A/(nπ))·(1 - cos nπ)/2。当 n 为偶数时 cos nπ = 1，bₙ = 0；当 n 为奇数时 cos nπ = -1，bₙ = 4A/(nπ)。

所以方波的级数是 f(t) = (4A/π)[sin ω₀t + (1/3)sin 3ω₀t + (1/5)sin 5ω₀t + …]。这个结果值得盯几秒：只有奇次谐波，幅度按 1/n 衰减，第 3 次谐波还有基波的 1/3，第 11 次还有 1/11。这就是开关噪声难缠的数学根源——你想靠简单的低通把它滤干净，就得付出很高的阶数代价。反过来，如果某个信号的高频成分衰减特别快，你几乎可以断定它在时域上没有尖锐跳变。

用同样可以用对称性快速验证：方波满足半波奇对称，所以偶次谐波必然为零，这与积分结果是自洽的。做作业时先用对称性判断，再用积分验证，两条路互相印证，比单靠一条路可靠得多。

3.2 三角波：一阶导数跳变换来 1/n² 的收敛

取一个峰值 ±A、关于 t = 0 对称（t = 0 处取 +A）、周期为 T 的三角波。它是偶函数，所以 bₙ = 0，只剩余弦项，而且直流分量为零（正负面积相等）。计算 aₙ = (2/T)∫f(t)cos nω₀t dt，把波形写成四段线性函数分别积分，过程略长但没有任何技巧，最终结果是：n 为偶数时 aₙ = 0，n 为奇数时 aₙ = 8A/(π²n²)。

三角波的级数是 f(t) = (8A/π²)[cos ω₀t + (1/9)cos 3ω₀t + (1/25)cos 5ω₀t + …]。注意分母是 n²：第 3 次谐波只有基波的 1/9，第 5 次只有 1/25。跟方波比，同样是第 3 次谐波，一个占 33%，一个占 11%，差了整整三倍。

这个差别背后是一条很硬的规律，我建议直接背下来：波形越光滑，系数衰减越快。具体地说，如果 f(t) 本身有跳变（第一类间断点），系数按 1/n 衰减；如果 f(t) 连续但一阶导数有跳变，系数按 1/n² 衰减；如果一阶导数也连续、二阶导数有跳变，按 1/n³ 衰减。三角波连续但拐角处一阶导数跳变，所以落在 1/n² 这一档。这条规律的另一面是：系数衰减阶数等于“波形第几阶导数开始出现跳变”。用它去检验你算出来的结果非常有效——如果算方波算出了 1/n²，那一定是哪里错了。

3.3 锯齿波：时间原点移动后相位谱长什么样

锯齿波的处理稍微绕一点，因为它既有跳变又不对称。取 f(t) = (2A/T)t，定义在 t ∈ [-T/2, T/2) 上，这是奇函数，所以只有正弦项。计算 bₙ = (2/T)∫_{-T/2}^{T/2}(2A/T)t·sin nω₀t dt，利用被积函数是偶函数（t 奇、sin 奇，乘积偶），可以化成 2 倍的 0 到 T/2 积分，分部积分一次得到 bₙ = 2A(-1)^{n+1}/(πn)。

所以锯齿波的级数是 f(t) = (2A/π)[sin ω₀t - (1/2)sin 2ω₀t + (1/3)sin 3ω₀t - …]。跟方波最直观的差别有两个：一是偶次谐波不消失，因为锯齿波不满足半波奇对称；二是出现了交替的正负号，这个符号就是相位信息的体现。

这里有个容易被忽略的点：如果你把时间原点往右平移半个周期，或者把波形翻转，会得到一串余弦项，看起来完全不像上面的结果。这不代表推导错了，只是参考系变了。工程上处理这个问题的方法是统一用指数形式记账，因为 Fₙ 的模不随原点平移改变，只有相位随平移量线性旋转。我在实际写代码分析波形时，一律先算复数形式的 Fₙ，需要看时域波形时再合成回去，这样就不用反复纠结原点在哪。

4. 整流正弦与矩形脉冲串：直流分量、占空比与 Sa 包络

前面三种波形的共同点是分段线性。整流正弦和脉冲串不一样，一个是三角函数的分段截取，一个是矩形窗的周期延拓，它们的系数结构里额外携带了“整流方式”和“占空比”这两个工程参数。

4.1 半波整流正弦：奇次谐波为零的推导

设 f(t) = A sin ω₀t，只在 0 到 T/2 内非零，其余时间为零。它是典型的“既非奇也非偶”的波形，但拆开来看，它其实是一个偶对称的余弦包络与一个正弦载波的乘积形式，直接分段积分最稳妥。

直流分量 a₀/2 = (1/T)∫₀^{T/2} A sin ω₀t dt = A/π。这个结果可以这么理解：半波整流的平均值是峰值除以 π，约等于 0.318A，这也是为什么半波整流电路的效率天生就低。

基波项 n = 1 要单独算，因为通式在 n = 1 时分母会出现 (1 - n²) = 0，公式退化。算出来 a₁ = 0，b₁ = A/2，也就是基波是一个纯粹的正弦，幅度是峰值的一半。这个结论很有意思：半波整流之后，交流侧看到的主要成分就是原始信号的一半幅度。

对于 n ≥ 2，aₙ = -2A/(π(n²-1))（n 为偶数时），bₙ = 0；n 为奇数时 aₙ 和 bₙ 都为零（n = 1 例外）。所以级数是 f(t) = A/π + (A/2)sin ω₀t - (2A/π)[cos 2ω₀t/3 + cos 4ω₀t/15 + cos 6ω₀t/35 + …]。最低的那根谐波谱线在二次谐波位置，幅度是 2A/(3π)，约 0.212A，只比基波小一点，这一点在半波整流电路的纹波分析里非常关键——你不能只盯着工频，得盯二倍频。

4.2 全波整流：只剩偶次谐波

全波整流 f(t) = A|sin ω₀t|，这是一个偶函数，同时也是半波偶对称的（f(t + T/2) = f(t)），两个性质叠加，结论是只有偶次谐波加一个非零直流。

直流分量 a₀/2 = 2A/π，是半波整流的两倍，这也是全波整流效率更高的数学解释。余弦系数 aₙ = -4A/(π(4n²-1))，其中 n = 1, 2, 3…，对应的实际频率是 2nω₀。展开写出来是 f(t) = 2A/π - (4A/π)[cos 2ω₀t/3 + cos 4ω₀t/15 + cos 6ω₀t/35 + …]。

二次谐波的幅度是 4A/(3π) ≈ 0.424A，占直流分量的比例其实不小。这就是为什么全波整流后面只加一颗小电容，纹波仍然可观——你要滤的是二倍工频，如果输入是 50 Hz，纹波主频就是 100 Hz，滤波电容的容抗按 100 Hz 算，而不是按 50 Hz 算。这个细节我在带新人时反复强调，因为很多人下意识按工频算容抗，算出来的电容值偏大不少。

4.3 矩形脉冲串：占空比决定谱线包络的零点位置

矩形脉冲串是这一节里最有工程价值的一个。设幅度为 A、脉宽为 τ、周期为 T、关于 t = 0 对称的周期矩形脉冲，用指数形式算最方便：Fₙ = (1/T)∫_{-τ/2}^{τ/2}A·e^{-jnω₀t}dt = (Aτ/T)·Sa(nπτ/T)，其中 Sa(x) = sin x / x。

这个结果的信息量很大。第一，直流分量 F₀ = Aτ/T，就是占空比乘以幅度，符合直觉。第二，谱线包络是一个 Sa 函数，它的第一个零点出现在 nπτ/T = π，也就是 n = T/τ，即第 (T/τ) 次谐波处。这意味着占空比越小，第一个零点越靠后，谱线越“密”而“平缓”；占空比越大，包络收窄得越快，能量越集中在低频。

这里有个实用推论：如果脉冲宽度恰好等于周期的整数分之一，那么某些次谐波会精确为零。比如 τ = T/2，第 2、4、6 次谐波全为零，这和前面方波只有奇次谐波是同一件事的两种说法。整定脉冲参数时，避开这种“谐波零点”有时候是好事（减少特定干扰），有时候是坏事（某些频率上得不到想要的能量），取决于你的目的。

5. 把公式画到屏幕上：一份可以对拍的验证脚本

推导完公式，最有价值的动作是把它画出来，跟解析式对拍。我见过太多人公式推得漂亮，一画图发现波形反了、幅度差一倍、或者相位偏移半个周期。下面这份脚本可以直接跑，用 numpy 做数值合成，用 matplotlib 出图，重点在于它同时也算了误差，能让你看到“截断”到底损失了多少。

5.1 代码本体与运行方式

import numpy as np import matplotlib.pyplot as plt A = 1.0 T = 1.0 w0 = 2 * np.pi / T t = np.linspace(-1.5 * T, 1.5 * T, 4000) def square_partial(t, A, T, N): """方波：只取奇数次的 4A/(n*pi) 正弦项""" s = np.zeros_like(t) for n in range(1, N + 1, 2): s += (4 * A / (n * np.pi)) * np.sin(n * 2 * np.pi * t / T) return s def triangle_partial(t, A, T, N): """三角波（偶函数，t=0 处取峰值 A）：8A/(pi^2 n^2) 余弦项，仅奇次""" s = np.zeros_like(t) for n in range(1, N + 1, 2): s += (8 * A / (np.pi ** 2 * n ** 2)) * np.cos(n * 2 * np.pi * t / T) return s def sawtooth_partial(t, A, T, N): """锯齿波：2A(-1)^(n+1)/(n*pi) 正弦项，全部次数""" s = np.zeros_like(t) for n in range(1, N + 1): s += (2 * A * (-1) ** (n + 1) / (n * np.pi)) * np.sin(n * 2 * np.pi * t / T) return s def halfwave_partial(t, A, T, N): """半波整流正弦：直流 A/pi + 基波 + 偶次余弦项""" s = np.full_like(t, A / np.pi) s += (A / 2) * np.sin(2 * np.pi * t / T) for n in range(2, N + 1, 2): s += (-2 * A / (np.pi * (n ** 2 - 1))) * np.cos(n * 2 * np.pi * t / T) return s fig, axes = plt.subplots(2, 2, figsize=(12, 7)) for ax, func, name in zip(axes.ravel(), [square_partial, triangle_partial, sawtooth_partial, halfwave_partial], ["Square", "Triangle", "Sawtooth", "Half-wave rectified sine"]): for N in (3, 11, 41): ax.plot(t, func(t, A, T, N), lw=1.2, label=f"N={N}") ax.set_title(name) ax.grid(alpha=0.3) ax.legend(fontsize=8) plt.tight_layout() plt.show()

跑这段代码，你会看到三张图里 N 增大时波形逐渐“贴合”理想形状，而半波整流那张图在 N 较小时，直流分量已经是对的，问题只在细节处。这个观察本身就说明了一件事：低次谐波决定整体形状，高次谐波只负责修边。

5.2 用最大误差曲线看收敛阶

光看图不够量化，我一般会再算一条误差曲线。做法很直接：用足够多点的数值积分得到参考波形，然后对每个截断项数 N 计算最大绝对误差，画出来看斜率。

def max_error(func, ref, A, T, t, Ns): return [np.max(np.abs(func(t, A, T, N) - ref)) for N in Ns] # 参考波形：用极多项目直接构造 ref_sq = np.where(np.sin(2 * np.pi * t / T) >= 0, A, -A) Ns = [1, 3, 5, 9, 17, 33, 65] err = max_error(square_partial, ref_sq, A, T, t, Ns) for n, e in zip(Ns, err): print(f"N={n:3d} max_err={e:.5f}")

方波的实测结果会呈现明显的“先降后平”行为：N 从 1 加到 9，误差下降很快；N 继续加大，误差不再明显下降，稳定在 0.09 附近。这不是代码写错了，而是吉布斯现象的直接体现——间断点附近的超调永远存在，截断项数再多也消不掉，只能把超调区域压窄。

三角波的表现完全不同，误差会持续单调下降，因为三角波连续，没有间断点，级数在每一点都一致收敛。把这两条曲线放在一起对比，是理解“收敛速度”这件事最直观的方式，比看公式里的 1/n 和 1/n² 有感觉得多。

5.3 吉布斯现象的量级与应对思路

吉布斯超调的理论值约为跳变幅度的 8.95%。对方波来说，跳变幅度是 2A，所以超调量约为 0.178A，峰值为 1.089A。这个数字跟 N 无关，N 只影响超调发生的位置离跳变点有多近：N 越大，振荡越密集地挤在跳变点附近。

工程上对待它的方式取决于场景。如果是做波形合成，比如用 DDS 生成一个方波，超调其实无所谓，因为你的重构滤波器会把它抹平；如果是做信号重构或者数据压缩，就必须小心，因为超调会引入额外的峰值，可能触发后级的限幅或者保护。我遇到过的一个真实场景是用有限项级数拟合传感器输出的近似方波信号，拟合结果的尖峰触发了比较器误动作，查了半天才发现是吉布斯超调。后来用的办法是对系数加窗（比如对高次项乘一个逐渐衰减的权），代价是跳变沿变缓，但尖峰被压下去了。这个思路和滤波器设计里的窗函数法是同源的。

还有一个细节值得提醒：用 FFT 去算一个方波的频谱，再用 IFFT 重构，看到的现象和这里是一样的。因为 FFT 本身就是有限长序列的离散傅里叶变换，截断效应天然存在。理解了连续时间下的吉布斯，再去看离散情况下的振铃，会顺畅很多。

6. 六个翻车现场：符号、相位、归一化和周期参数

下面这些坑，我基本都亲自踩过一遍，或者见过别人踩。它们不影响你对概念的理解，但会让你的结果跟标准答案对不上，而且经常找半天找不到原因。

6.1 三角形式与指数形式的系数换算

三角形式 f(t) = a₀/2 + Σ[aₙcos nω₀t + bₙsin nω₀t]，指数形式 f(t) = ΣFₙe^{jnω₀t}。两者的关系是：F₀ = a₀/2，当 n > 0 时 Fₙ = (aₙ - jbₙ)/2，F₋ₙ = (aₙ + jbₙ)/2。

最容易错的地方就两个：一是把 F₀ 写成 a₀ 而不是 a₀/2，二是忘了那个 1/2 的因子。我建议统一记忆方式：三角形式里的直流项写成 a₀/2，就是提前把这个 1/2 摆出来，这样两边看起来对称，不容易漏。另一个常见错误是在算 |Fₙ| 时忘了乘 2 就是单边幅度谱——指数形式的双边谱里正负频率各占一半，把单边幅度谱直接当成 |Fₙ| 会差一倍。

6.2 相位谱用 atan2，别用 atan

写代码画相位谱时，用 np.arctan(imag/real) 一定会出问题，因为 arctan 的值域只有 (-π/2, π/2)，无法区分第一象限和第三象限。正确做法是用 np.arctan2(imag, real)，值域是 (-π, π]。

还有一个更隐蔽的问题：即使用了 arctan2，相位谱看起来仍然是“跳来跳去”的一团乱麻，尤其是系数很小的高次谐波位置，相位几乎是随机的。这是正常的，因为幅度接近零时相位没有物理意义。画相位谱的通行做法是设一个阈值，幅度低于阈值的点不画，或者只画主要谱线的相位。另外，如果信号在时间上平移了 t₀，所有相位会额外旋转 -nω₀t₀，这个线性相位项会让相位谱变成一条斜线，看到斜线不要慌，那是时间原点没对齐。

6.3 周期、频率、角频率三者的对齐

ω₀ = 2π/T = 2πf₀，这三个参数在公式里反复出现，混用一次就会全盘出错。我在代码里习惯只定义 ω₀，其余全部由它推导出来，绝不另设一个独立的 f₀ 变量，就是为了避免两处定义不一致。

另一个同类问题是积分区间。算 aₙ 时的积分区间必须是一个完整周期，取 [0, T]、[-T/2, T/2] 都可以，但不能取 [0, T/2]。这个错误在新手里出现频率很高，因为半波整流的非零区间恰好是 T/2，很容易顺手就把积分上限写成 T/2。判断方法很简单：如果波形在一个周期内是分段的，积分区间必须覆盖所有段。

6.4 数值积分的精度与采样点数的关系

用数值方法验证解析结果时，采样点数不够会带来肉眼可见的误差。经验值是每个周期至少 512 个点，如果波形含跳变，最好到 2048 点以上。用梯形法做数值积分时，跳变点附近的误差最大，可以显式地把跳变点作为一个采样点加进去，能明显改善精度。

还有个更省事的做法：算系数的时候不用数值积分，直接用 FFT。对一个周期采样 N 点（N 取 2 的幂），做 FFT 之后除以 N，得到的第 k 个值对应第 k 次谐波的复系数（需要按频率索引做适当的搬移和归一化）。这个方法和解析式对拍非常快，也是我实际工作中最常用的验证手段。

6.5 对称性判断错了，后面全错

这一条听起来很基础，但错误率出奇地高。判断奇偶性时，一定要以你选定的时间原点为准，而不是以“波形看起来的样子”为准。一个方波，如果你把原点放在上升沿，它是奇函数；放在平顶中点，它是偶函数。两种选择都合法，但得到的级数形式不同。做题时如果题目没指定原点，你自己定一个并在解答里写清楚，就不会被判错。

半波对称的判断同理，要先确认 f(t + T/2) 与 f(t) 的关系，代入具体数值验证一两个点，比凭感觉判断可靠得多。

6.6 幅度定义与峰峰值混淆

最后一个坑来自物理量定义。很多教材里的 A 指的是单侧幅度，波形在 +A 和 -A 之间摆动，峰峰值是 2A。也有些资料里 A 直接指峰峰值。这两种约定下算出来的系数差一个因子 2，对答案时就会怀疑人生。我的做法是：在任何推导开始前，先把波形的最大值和最小值写出来，明确 A 到底指哪一段，然后再动笔。

7. 我自己的使用习惯

这些年下来，我对这一节内容的使用方式已经和当年做题时很不一样了。做题时追求的是“算出正确表达式”，现在追求的是“快速判断频谱形状对不对”。具体来说，我现在拿到一个周期信号，第一反应不是去积分，而是先问三个问题：它有没有跳变、跳变幅度多大、有没有明显的对称性。这三个问题的答案基本能定下系数衰减的量级和非零谐波的位置，剩下的细节才需要精确计算。

另一个体会是，这六种典型波形最好能背下来，但背的不是完整表达式，而是“非零谐波 + 衰减量级 + 直流分量”这三件事。上面那张对比表就是干这个用的。真到了需要精确系数的时候，手算一次或者跑一段代码都比翻书记忆可靠。我个人的习惯是保留一份脚本，把六种波形的系数生成函数各写一个，需要的时候改两个参数直接调用，比重新推导快得多，也不容易出错。

最后提醒一句关于仿真验证的事。用有限项级数去逼近一个含跳变的波形，图上看起来“差不多”就收手，是最容易留下隐患的做法。至少要看一眼最大误差随 N 的变化趋势，确认它是按预期阶数下降，还是已经卡在某个值上不再动。卡住不动的时候，要么是遇上了吉布斯，要么是你的系数算错了——这两种情况的处理方式完全相反，值得多花两分钟分辨清楚。