企业官网建设流程全解析

连续周期信号的傅里叶级数是信号与系统课程里的第一道分水岭。不少同学能把公式背下来，却说不清楚“时域波形分解成离散频谱”这件事究竟意味着什么。这里先把核心思想摆出来：傅里叶级数把一个具有周期性的连续时间信号，表示成一系列频率为基频整数倍的正弦或复指数信号的叠加。拆完之后，原来在时间轴上看起来很复杂的波形，会变成一张非常直观的离散频谱。

它真正有价值的地方不只是考试，而是后面所有频域分析的基础。周期信号对应离散谱、非周期信号对应连续谱，这个结论最早就是从傅里叶级数推出来的；滤波器带宽设计、谐波分析、调制解调、FFT 结果解释，也都要回到这个基本分解上。这个主题没有显卡门槛，也不需要安装大模型，真正的门槛在数学理解和数值验证。

这篇文章会从连续周期信号的傅里叶级数定义讲起，梳理三角形式与复指数形式、收敛条件和吉布斯现象、频谱与功率的关系，再结合方波这个最典型的例子，用 Python 做一次级数合成和 FFT 对照验证。最后会整理最常见的理解误区和排查思路。适合刚开始学信号与系统、正在复习考研信号部分、以及需要在 MATLAB 或 Python 里做信号仿真验证的读者。

1. 连续周期信号的傅里叶级数：核心能力与适用边界

1.1 核心能力速览

这本质上是一套数学工具，而不是某个需要安装部署的软件包。因此在学习时，重点不是“怎么启动”，而是“怎么把一个真实波形和这些公式对应起来”。

1.2 适用场景与使用边界

傅里叶级数适合处理能够写成周期延拓的连续时间信号。比如 50Hz 工频电压波形、电力系统中的谐波电流、周期方波时钟、振荡器输出信号等。工程上很多波形虽然不完美，但只要满足一定的收敛条件，就能用有限项谐波去逼近和分析。

需要注意，它的适用边界也很清晰：

• 如果信号本身是非周期的，应该使用傅里叶变换，而不是傅里叶级数。
• 如果信号是离散时间序列，应该进入 DTFT、DFT 或 FFT 的框架，不能直接套用连续周期信号的积分公式。
• 如果信号在一个周期内不可积，或者有无限多个极值点，理论上傅里叶级数可能不收敛到原信号。
• 傅里叶级数给出的是频域表示，不等于消除了吉布斯效应。用有限项恢复波形时，跳变附近会出现振铃过冲，这是截断本身造成的。

简单说，傅里叶级数是理解和计算周期信号频谱的“第一块积木”。先把这个周期与离散谱的关系建立起来，后面学傅里叶变换会顺很多。

2. 建立数学概念：周期、谐波与正交基

先从基础概念开始。

一个连续时间信号如果满足

$$ x(t) = x(t + T_0) $$

那么它是一个周期信号。其中最小的正整数 $T_0$ 称为基波周期，$f_0 = 1/T_0$ 是基频，$\omega_0 = 2\pi f_0$ 是基波角频率。所谓“基波”，就是频率最低的那个正弦分量；而 $n\omega_0$ 对应的分量称为第 $n$ 次谐波。

傅里叶级数的核心观察是：一个以 $T_0$ 为周期的信号，它的频率成分不会随意出现，只能出现在基频的整数倍上。原因很简单，如果频率成分不是 $n\omega_0$，那么这个成分自身并不以 $T_0$ 为周期，叠加后也不可能整体保持周期 $T_0$。

选择三角函数作为基函数，是因为三角函数族在一个周期内满足正交性。也就是说，对任意整数 $m \neq n$，有

$$ \int_{T_0} \cos(m\omega_0 t)\cos(n\omega_0 t) , dt = 0 $$

$$ \int_{T_0} \sin(m\omega_0 t)\sin(n\omega_0 t) , dt = 0 $$

$$ \int_{T_0} \cos(m\omega_0 t)\sin(n\omega_0 t) , dt = 0 $$

这套正交关系决定了系数可以像“向量投影”一样单独算出来。把周期信号看成无限维空间中的一个点，三角函数基就是坐标轴，傅里叶系数就是信号在各坐标轴上的投影。

3. 三角形式和复指数形式的傅里叶级数

3.1 三角形式

工程上最常见的表示方法是：

$$ x(t) = a_0 + \sum_{n=1}^{\infty} \left[ a_n \cos(n\omega_0 t) + b_n \sin(n\omega_0 t) \right] $$

其中 $a_0$ 是信号的直流分量，也就是一个周期内的平均值：

$$ a_0 = \frac{1}{T_0} \int_{T_0} x(t) , dt $$

$a_n$ 和 $b_n$ 分别为余弦项和正弦项系数：

$$ a_n = \frac{2}{T_0} \int_{T_0} x(t) \cos(n\omega_0 t) , dt $$

$$ b_n = \frac{2}{T_0} \int_{T_0} x(t) \sin(n\omega_0 t) , dt $$

这里要留意不同教材的记法差异。有的教材把直流项写成 $a_0/2$，相应系数公式会多一个 $1/2$ 的差别。做习题或写代码时，先确认自己采用的是哪一种定义，否则计算结果会整体偏移一个系数。

三角形式的优点是物理意义直观：每个频率成分都由一个余弦项和一个正弦项描述，两者合起来决定该频率分量的幅度和相位。

3.2 复指数形式

复指数形式是信号处理中更通用的写法：

$$ x(t) = \sum_{n=-\infty}^{\infty} C_n e^{j n \omega_0 t} $$

其中傅里叶系数为

$$ C_n = \frac{1}{T_0} \int_{T_0} x(t) e^{-j n \omega_0 t} , dt $$

使用复指数形式后，公式更紧凑，正负频率同时出现，推导卷积、调制等性质也更方便。

3.3 两种形式的换算关系

如果把欧拉公式代入三角形式，就能得到两种形式之间的关系。对实数信号，正频率分量的复指数系数与三角系数之间有如下关系：

$$ C_n = \frac{a_n - j b_n}{2}, \quad n > 0 $$

$$ C_{-n} = \frac{a_n + j b_n}{2}, \quad n > 0 $$

直流项满足

$$ C_0 = a_0 $$

因此三角形式中某次余弦分量的实际幅度是 $\sqrt{a_n^2 + b_n^2}$，而复指数形式中正频率分量的幅度是它的一半。这就是为什么很多频谱图上，双边谱的谱线高度只有单边谱的一半。

4. 收敛条件与吉布斯现象

并不是任意周期信号都能用傅里叶级数完美表示。傅里叶级数收敛需要满足狄利克雷条件：

• 一个周期内信号绝对可积。
• 一个周期内只有有限个极大值和极小值。
• 一个周期内只有有限个第一类间断点。

通常工程上遇到的周期信号都能满足这些条件，所以理论分析时不必过于担心。但如果信号是理想冲激串、阶跃串这类广义函数，就需要在广义函数意义下理解收敛。

收敛的结果也很明确：

• 在信号的连续点处，傅里叶级数收敛于原信号值。
• 在信号的跳变点处，傅里叶级数收敛于左右极限的平均值。
• 用有限项谐波逼近时，跳变点附近会出现过冲和振铃，这种现象叫吉布斯现象。

吉布斯现象是傅里叶级数截断误差的典型表现，把它归结为“傅里叶级数错了”是不对的。随着谐波项数增加，过冲区域会越来越窄，但最大过冲幅度并不会消失，大约保持在跳变幅度的 9% 左右。这个现象在实际通信系统和滤波器设计中经常会遇到，比如带宽受限的方波信号会产生振铃。

5. 频谱的物理含义：幅度、相位与功率

傅里叶级数把周期信号变成一组离散谱线。对于每个谐波频率 $n\omega_0$，可以画出幅度谱和相位谱。幅度谱告诉你“这个频率成分有多大”，相位谱告诉你“这个成分在时间轴上偏移了多少”。

一个周期信号的平均功率可以表示为

$$ P = \frac{1}{T_0} \int_{T_0} |x(t)|^2 , dt $$

在频域中，帕塞瓦尔定理给出了另一个计算方式。对三角形式，如果采用上面直流项为 $a_0$ 的定义，有

$$ P = a_0^2 + \frac{1}{2}\sum_{n=1}^{\infty} (a_n^2 + b_n^2) $$

对复指数形式，则有

$$ P = \sum_{n=-\infty}^{\infty} |C_n|^2 $$

这意味着无论你在时域计算能量，还是在频域把每条谱线的能量加起来，结果都是一样的。工程上经常用这个关系来检查谐波分析是否做对，也可以用来计算总谐波失真等指标。

6. 典型周期信号的谐波结构

学习傅里叶级数时，不能只背公式，要把几个典型信号的变化规律记住。

最简单的余弦信号只有一根谱线。方波则非常典型，一个幅度为 $A$、周期为 $T_0$ 的奇对称方波可以展开为

$$ x(t) = \frac{4A}{\pi}\sum_{n=1,3,5,\dots}^{\infty} \frac{1}{n}\sin(n\omega_0 t) $$

从公式可以看出：

• 只包含奇次谐波，没有偶次谐波。
• 第 $n$ 次谐波幅度按 $1/n$ 衰减。
• 方波存在不连续跳变，所以高频分量衰减较慢，只有一阶衰减速度。

三角波或更平滑的连续分段线性信号则不同，通常谐波幅度按 $1/n^2$ 甚至更快衰减。这说明信号的平滑程度越高，高频能量越小。反过来说，时域越尖锐、跳变越剧烈，频域展得越宽。这个直觉对滤波器设计非常重要。

周期冲激串的傅里叶级数也值得记住。一个周期为 $T_0$ 的冲激串

$$ p(t) = \sum_{k=-\infty}^{\infty} \delta(t - kT_0) $$

的傅里叶系数恒定为 $1/T_0$，也就是说它在频域是一排等幅谱线。这个概念在采样定理推导中会反复出现。

7. 从傅里叶级数到傅里叶变换：为什么要重视这个桥梁

傅里叶级数处理的是周期信号，傅里叶变换处理的是非周期信号。两者之间并不是两个完全无关的数学工具，而是一个极限过程。

如果一个信号的周期 $T_0$ 不断增加，那么基频

$$ f_0 = \frac{1}{T_0} $$

会不断变小，对应频谱上相邻谱线的间隔也会越来越小。当周期趋于无穷，非周期信号可以看成周期无穷大的周期信号，这时离散谱线之间的距离趋近于零，求和就变成了积分。

从工程角度，记住下面这个对应关系就够了：

• 周期信号在频域是离散谱。
• 非周期信号在频域是连续谱。
• DFT/FFT 处理的有限长离散序列，频谱依然是离散的。

这也是很多初学者容易混淆的地方。如果看到周期信号频谱图画成连续曲线，那大概率有问题；如果看到非周期信号频谱画成一根根离散谱线，也需要谨慎判断。

8. Python 数值实验：方波级数合成与 FFT 验证

8.1 实验环境

这里用 Python 做验证，主要依赖三个库：

pip install numpy scipy matplotlib

代码不需要 GPU，也不需要额外下载模型文件，普通笔记本即可运行。建议在 Jupyter Notebook 中分步执行，方便观察每一张图和每一组输出。

8.2 用级数合成方波

先定义方波和级数合成函数。以周期 $T=2s$、幅度 $A=1$ 的方波为例，理论级数为

$$ x(t) = \frac{4}{\pi}\sum_{n=1,3,5,\dots} \frac{1}{n}\sin(n\pi t) $$

代码如下：

import numpy as np import matplotlib.pyplot as plt T = 2.0 # 方波周期 A = 1.0 # 方波幅度 omega0 = 2 * np.pi / T # 从 t=0.05 开始，避开 t=0 处的跳变点 t = np.linspace(0.05, 4.05, 4000, endpoint=False) def square_wave(t): """理想方波：0-T/2 为 A，T/2-T 为 -A""" tt = t % T return np.where(tt < T / 2, A, -A) def synthesize(t, max_n): """用不超过 max_n 次的奇次谐波合成方波""" total = np.zeros_like(t) for n in range(1, max_n + 1, 2): total += (4 * A / np.pi) * (1 / n) * np.sin(n * omega0 * t) return total fig, axes = plt.subplots(2, 2, figsize=(12, 6)) for ax