频域入门与 DFT：从内积到离散傅里叶变换

前面几篇反复说”复杂声音 = 正弦波之和”，但一直没证明。这一篇就从零开始，把频域这扇门彻底打开：先复习三角函数和欧拉公式，再讲”内积匹配”的核心思想，然后一步步推出**离散傅里叶变换（DFT）**公式，最后用一个 $N=4$ 的例子完整手算一遍。

---

1. 为什么需要频域

1.1 时域看不出的信息

一段 1 秒的音频，时域波形只是一条上下跳动的曲线。你能看出它里面有 440 Hz 还是 880 Hz 吗？看不出。但人耳一秒钟就能分辨。

频域把信号按”频率”重新排列：横轴是频率，纵轴是”这个频率有多强”。就像把一道菜的食材按类别列出来：时域是”吃下去的感觉”，频域是”成分表”。

1.2 目标

给定离散信号 $x[0], x[1], \dots, x[N-1]$，我们希望找到一组系数 $X_0, X_1, \dots, X_{N-1}$，使得：

$$x[n] = \frac{1}{N}\sum_{k=0}^{N-1} X_k \, e^{i2\pi kn/N}$$

右边每个 $e^{i2\pi kn/N}$ 是一个”频率为 $k/N$ 的复正弦”，$X_k$ 是它的振幅（复数，含相位）。这个公式叫逆 DFT。我们要解决的问题是：已知左边，怎么求出 $X_k$？

---

2. 三角函数基础

2.1 频率、角频率和周期

对离散信号，用 $k$ 表示”每 $N$ 个采样点转几圈”。频率为 $k/N$ 的离散复指数是：

$$e^{i2\pi kn/N}, \qquad n = 0, 1, \dots, N-1$$

$k$ 每增加 $N$，指数回到同一个值（因为 $e^{i2\pi(n+N)n/N}$? 准确说是 $e^{i2\pi k(n+N)/N} = e^{i2\pi kn/N}$，即 $n$ 和 $n+N$ 同值）。所以只需要 $k = 0, 1, \dots, N-1$。

2.2 正交性：频域的核心性质

两个不同频率的离散正弦在 $N$ 个点上”点积”为 0：

$$\sum_{n=0}^{N-1} e^{i2\pi k_1 n/N} \cdot \overline{e^{i2\pi k_2 n/N}} = \begin{cases} N, & k_1 = k_2 \\ 0, & k_1 \ne k_2 \end{cases}$$

这里 $\overline{\cdot}$ 表示共轭（取相反虚部）。这个性质叫正交性。它意味着：不同频率的波互不干扰，就像三维空间里互相垂直的坐标轴。

这个公式是 DFT 一切推导的地基，值得多看几遍。直观理解：两个不同频率的波相乘再求和，正的部分和负的部分恰好抵消，结果归零；只有和自己相乘时全部同号，结果不为零。

---

3. 欧拉公式

3.1 从幂级数推导

复指数 $e^{i\theta}$ 用泰勒级数展开：

$$e^{i\theta} = 1 + i\theta + \frac{(i\theta)^2}{2!} + \frac{(i\theta)^3}{3!} + \cdots$$

因为 $i^2 = -1$、$i^3 = -i$、$i^4 = 1$，整理实部虚部：

$$e^{i\theta} = \left(1 - \frac{\theta^2}{2!} + \frac{\theta^4}{4!} - \cdots\right) + i\left(\theta - \frac{\theta^3}{3!} + \frac{\theta^5}{5!} - \cdots\right)$$

括号里分别是 $\cos\theta$ 和 $\sin\theta$ 的泰勒展开，所以：

$$\boxed{e^{i\theta} = \cos\theta + i\sin\theta}$$

这就是欧拉公式。

3.2 几何意义

$e^{i\theta}$ 是单位圆上辐角为 $\theta$ 的点：实部是 $\cos\theta$，虚部是 $\sin\theta$。当 $\theta$ 随时间匀速增长，$e^{i\theta}$ 就在单位圆上匀速旋转。

由欧拉公式可以反解：

$$\cos\theta = \frac{e^{i\theta} + e^{-i\theta}}{2}, \qquad \sin\theta = \frac{e^{i\theta} - e^{-i\theta}}{2i}$$

DFT 用 $e^{-i2\pi kn/N}$ 做”探针”，本质就是在复平面上转着圈和信号做内积。

---

4. 内积匹配：DFT 的核心思想

4.1 类比：向量投影

在三维空间，想知道向量 $\vec{v}$ 在 $x$ 方向有多少分量，就做点积 $\vec{v} \cdot \hat{x}$。点积大说明 $\vec{v}$ 和 $\hat{x}$ 方向接近。

信号也一样：把 $x[n]$ 看成一个 $N$ 维向量，把频率为 $k$ 的探针 $e^{-i2\pi kn/N}$ 看成另一个 $N$ 维向量，做”点积”：

$$X_k = \sum_{n=0}^{N-1} x[n] \, e^{-i2\pi kn/N}$$

这就是 DFT 公式本身。

4.2 逐项解释

$$X_k = \sum_{n=0}^{N-1} x[n] \cdot e^{-i2\pi kn/N}$$

• $x[n]$：信号在第 $n$ 个采样点的值；
• $e^{-i2\pi kn/N}$：频率为 $k/N$ 的探针（负号表示”匹配”时转的方向）；
• 求和：把所有采样点的乘积加起来；
• $X_k$：复数结果。模 $|X_k|$ 是强度，辐角 $\arg X_k$ 是相位。

如果信号里恰好含有频率 $k/N$ 的分量，乘积在所有 $n$ 上同向，和很大；如果没有，正交性让和接近 0。

4.3 为什么用复数

只用 $\cos$ 或只用 $\sin$ 都能做匹配，但会漏掉相位。复数探针同时包含余弦（实部）和正弦（虚部），一次计算就得到振幅和相位。

---

5. 手算一个 N = 4 的例子

设信号只有 4 个点：

$$x = [1,\ 2,\ 0,\ -1]$$

旋转因子（$N=4$ 时 $W_4 = e^{-i2\pi/4} = -i$）：

幂	$W_4^0$	$W_4^1$	$W_4^2$	$W_4^3$
值	$1$	$-i$	$-1$	$i$

逐个计算：

$$X_0 = 1\cdot1 + 2\cdot1 + 0\cdot1 + (-1)\cdot1 = 2$$

$X_0$ 是所有样本之和，代表直流分量（0 Hz）。

$$X_1 = 1\cdot1 + 2\cdot(-i) + 0\cdot(-1) + (-1)\cdot i = 1 - 3i$$ $$X_2 = 1\cdot1 + 2\cdot(-1) + 0\cdot1 + (-1)\cdot(-1) = 0$$ $$X_3 = 1\cdot1 + 2\cdot i + 0\cdot(-1) + (-1)\cdot(-i) = 1 + 3i$$

观察：

• $|X_1| = |X_3| = \sqrt{1^2 + 3^2} = \sqrt{10} \approx 3.16$：两个方向的强度相同，只是相位相反（共轭对称）；
• 对实信号，$X_k$ 和 $X_{N-k}$ 总是共轭对称，所以频谱图通常只画前半部分（0 到奈奎斯特）；
• 实际频率 $f_k = k f_s / N$：$k=1$ 对应最低非零频率。

---

6. 逆变换：怎么还原

正向变换把信号变到频域，逆变换把频域变回时域：

$$x[n] = \frac{1}{N}\sum_{k=0}^{N-1} X_k \, e^{i2\pi kn/N}$$

验证：把 $X_k$ 的表达式代进去，用正交性，最后只剩 $x[n]$ 自己。两个变换互为逆运算，就像乘法和除法。

---

7. 从 DFT 到播放器的频谱

播放器里：

analyser.fftSize = 1024;             // N = 1024
analyser.getByteFrequencyData(data); // 得到 512 个 bin（0 到奈奎斯特）

每个 bin 对应：

$$f_k = \frac{k f_s}{N}$$

$f_s = 44100$、$N = 1024$ 时相邻 bin 间隔 $\approx 43$ Hz。播放器把这些 bin 按频段分组求和（下篇会讲），再映射到地形高度。

---

8. 小结

1. 频域是”成分表”，时域是”口感”；
2. 不同频率的波正交：内积为 0；
3. 欧拉公式 $e^{i\theta} = \cos\theta + i\sin\theta$ 把旋转写成紧凑形式；
4. DFT 就是”信号 × 探针求和”的内积匹配；
5. $X_k$ 的模是强度，辐角是相位；
6. 实信号的频谱共轭对称，通常只看一半；
7. 逆变换用正交性还原原信号。

下一篇《FFT 与窗函数》讲怎样把 DFT 从 $O(N^2)$ 加速到 $O(N\log N)$，以及为什么直接截断信号会泄漏频谱、汉宁窗怎么解决。

8. 深入专题：旋转因子、矩阵形式、Parseval 与常见误区

DFT 的公式只是开始。这一节从几何、线性代数和能量守恒三个角度再深入一层，并手算更多例子。

8.1 旋转因子的几何

旋转因子 $W_N^k = e^{-i2\pi k/N}$ 在复平面上就是单位圆上的点，$N$ 个点把圆均分成 $N$ 份。

DFT 的探针 $e^{-i2\pi kn/N}$ 就是”以 $k$ 倍速在这些点上转圈”。$k=0$ 时探针不动（直流检测），$k=N/2$ 时探针每步跳半圈（奈奎斯特检测），$k$ 接近 $N$ 时其实和 $k$ 很小的负频率等价。

8.2 DFT 的矩阵形式

把 $x$ 和 $X$ 都看成向量，DFT 可以写成矩阵乘法：

$$\mathbf{X} = \mathbf{F}_N \mathbf{x}$$

其中矩阵元素：

$$(\mathbf{F}_N)_{k,n} = e^{-i2\pi kn/N} = W_N^{kn}$$

例如 $N=4$：

$$\begin{bmatrix} X_0 \\ X_1 \\ X_2 \\ X_3 \end{bmatrix} = \begin{bmatrix} 1 & 1 & 1 & 1 \\ 1 & -i & -1 & i \\ 1 & -1 & 1 & -1 \\ 1 & i & -1 & -i \end{bmatrix} \begin{bmatrix} x_0 \\ x_1 \\ x_2 \\ x_3 \end{bmatrix}$$

这个矩阵是正交矩阵（差一个归一化因子），所以逆变换就是把矩阵取共轭再除以 $N$。线性代数视角让 DFT 的很多性质（线性、可逆性、卷积定理）都变得直观。

8.3 两个典型信号的 N=4 手算

例一：直流信号 $x = [1,1,1,1]$

$$X_0 = 4, \qquad X_1 = X_2 = X_3 = 0$$

只有一个非零分量：直流。验证：任何常数信号和旋转探针的内积都为 0（除了 $k=0$）。

例二：奈奎斯特信号 $x = [1,-1,1,-1]$

$$X_2 = 4, \qquad X_0 = X_1 = X_3 = 0$$

$k=2$ 对应频率 $f_s/2$，正好是能表示的最高频率：每个采样点翻转一次。

这两个例子说明：DFT 输出中哪个 $k$ 非零，就表示信号里含有哪个频率。

8.4 Parseval 定理：时域能量 = 频域能量

DFT 是正交变换，所以能量守恒：

$$\sum_{n=0}^{N-1} |x[n]|^2 = \frac{1}{N}\sum_{k=0}^{N-1} |X_k|^2$$

左边是时域能量，右边是频域能量（除以 $N$ 是归一化）。这个定理说明：

• 频段能量 $E_b = \sum_{k\in B_b}|X_k|^2$ 确实代表”这一频段的能量”；
• 对信号做任何”只改频域不改能量”的处理，时域能量不变。

8.5 频率分辨率与补零

DFT 的频率分辨率：

$$\Delta f = \frac{f_s}{N}$$

想要更细的 bin：

• 增加 $N$（采样更多点）：分辨率 $\Delta f$ 变小；
• 在数据末尾补零：$\Delta f$ 不变，但频谱被”插值”得更光滑（不是更清晰）。

补零的数学：补零相当于在频域做 sinc 插值，不会增加真实信息。这是初学者最容易踩的坑。

8.6 常见误区

误区一：“FFT 是 DFT 的近似，有精度损失”

FFT 是 DFT 的精确算法，结果完全一致，只是计算顺序不同、更快。

误区二：“补零能提高频率分辨率”

补零只让谱线更密，不会让两个原本重叠的峰分开。分辨率由 $f_s/N$ 决定，必须增加真实采样点。

误区三：”$X_k$ 就是那个频率的振幅”

$X_k$ 是复数的”强度”，振幅（峰值）与它相差归一化因子；而且单个 bin 的值受窗函数影响。

误区四：“DFT 只能处理周期信号”

DFT 对任何有限长序列都能算，只是”隐含周期化”——把序列当作周期的来对待，这也是窗函数话题的根源。

误区五：“频谱图每个竖线都是一个独立正弦”

对于非周期/含噪信号，bin 之间也有能量（泄漏），竖线图只是离散采样后的显示。

8.7 扩展练习

1. 写出 $N=2$ 的 DFT 矩阵并验证 $x=[a,b]$ 的变换。
2. 用 Parseval 定理验证 $x=[1,2,0,-1]$ 的时域能量和频域能量。
3. 采样率 48 kHz、$N=4096$，频率分辨率是多少？要分辨 1 Hz 需要多少点？
4. 为什么补零不会提高分辨率？给出 $\Delta f$ 与 $N$ 的关系。

练习

1. 证明 $\sum_{n=0}^{N-1} e^{i2\pi(k_1-k_2)n/N}$ 在 $k_1 \ne k_2$ 时为 0（提示：等比数列求和）。
2. 对 $x = [1, 1, 1, 1]$ 手算 N=4 的 DFT，解释结果为什么只有一个非零分量。
3. 对 $x = [1, -1, 1, -1]$ 手算 DFT，它的频率是 $f_s/2$，想想为什么。
4. 为什么播放器只显示 512 个 bin 而不是 1024 个？