调制解调、频谱分析、傅里叶变换这三件事几乎是信号与系统课程里最难绕开的“三座山”。很多同学上课听懂了公式一做题就不知道从哪里下手项目里遇到信号处理需求也不知道该用哪种变换、怎么分析频谱、怎么恢复原始信号。这篇文章不搞长篇推导直接按“概念 - 公式 - 怎么用 - 典型坑”的顺序把傅里叶变换、频谱分析、调制解调这条主线串起来适合考前速成也适合做项目时回来查。1. 信号与系统核心知识地图先把整门课的骨架摆出来。信号与系统本质上就研究两件事信号怎么表示系统怎么响应。而傅里叶变换是连接时域和频域的桥梁调制解调是傅里叶变换最经典的应用场景。知识模块核心公式考试/应用重点信号分类连续/离散、周期/非周期、能量/功率判断信号类型选择合适的变换工具系统性质线性、时不变、因果、稳定判断系统是否LTI能否用卷积分析傅里叶级数周期信号分解为谐波叠加求频谱系数理解离散频谱傅里叶变换非周期信号分解为连续频谱求频谱密度函数画频谱图频谱分析幅度谱、相位谱、带宽判断信号频率成分分析信道带宽抽样定理fs 2fmax避免混叠确定抽样率调制解调频谱搬移AM调制、解调、滤波恢复信号卷积y(t)x(t)*h(t)求系统响应理解卷积定理从学习顺序来看建议按“信号表示 - 傅里叶级数 - 傅里叶变换 - 性质 - 频谱 - 调制 - 系统响应”推进。前面的概念几乎都是为后面服务的跳步最容易卡住。2. 傅里叶变换从分解思想到核心公式2.1 为什么需要傅里叶变换时域信号只能看到幅值随时间变化但很多关键信息隐藏在频率成分里。比如一段语音人耳听到的是声音大小但语音识别系统需要知道这段声音包含哪些频率分量。傅里叶变换就是把你从时域“旋转”到频域的一把钥匙它回答的问题是这个信号里面“有哪些频率每个频率的幅度和相位是多少”。先说信号与系统课程里的两条主线周期信号用傅里叶级数频谱是离散的只在基频整数倍处有分量。非周期信号用傅里叶变换频谱是连续的称为频谱密度函数。很多同学混淆这两者。简单记忆周期信号在时域重复对应频域离散非周期信号在时域无限延伸但不重复对应频域连续。这个对应关系在抽样定理和通信系统里反复出现。2.2 连续时间傅里叶变换公式工程上最常用的连续时间傅里叶变换对X(jω) ∫_{-∞}^{∞} x(t) e^{-jωt} dt逆变换x(t) (1/2π) ∫_{-∞}^{∞} X(jω) e^{jωt} dω这里的 X(jω) 就是频谱密度函数它一般是复数包含两部分X(jω) |X(jω)| e^{jφ(ω)}其中 |X(jω)| 是幅度谱表示各频率分量的强弱φ(ω) 是相位谱表示各频率分量的相位偏移。很多实际题目并不会真的去算积分而是反复用几个标准变换对加性质。最常用的变换对包括时域信号傅里叶变换δ(t)112πδ(ω)e^{-at}u(t), a01/(ajω)e^{-a|t|}, a02a/(a²ω²)cos(ω₀t)π[δ(ω-ω₀)δ(ωω₀)]sin(ω₀t)jπ[δ(ωω₀)-δ(ω-ω₀)]门函数 G_τ(t)τ·Sa(ωτ/2)δ(t-t₀)e^{-jωt₀}这组表背下来大部分求频谱的题目可以直接套用。3. 傅里叶变换的性质做题提速的关键傅里叶变换的性质是这门课的“快捷键”。考试和工程分析中直接算积分的情况很少基本都是用已知变换对再通过性质推到目标信号。3.1 必须掌握的六大性质性质时域表示频域表示典型用途线性a·x(t)b·y(t)a·X(jω)b·Y(jω)分解复杂信号时移x(t-t₀)X(jω)·e^{-jωt₀}信号延迟分析频移x(t)·e^{jω₀t}X[j(ω-ω₀)]调制原理的基础尺度变换x(at), a≠0(1/|a|)X(jω/a)时域压缩/扩展对应频域扩展/压缩对偶性X(jt)2π·x(-ω)由变换对推导新变换对卷积定理x(t)*h(t)X(jω)·H(jω)系统分析和滤波器设计时移和频移是最容易混淆的一组。记住时域延迟会引入相位线性变化但幅度谱不变频域搬移就是调制信号频谱整体左右移动。3.2 卷积定理时域卷积等于频域乘积卷积定理是信号与系统最重要的一条性质x(t) * h(t) ↔ X(jω) · H(jω)这背后的工程含义极其深远时域里做卷积计算复杂度高到了频域就变成乘法处理起来简单很多。系统分析中H(jω) 就是系统的频率响应它直接告诉你系统对每个频率成分的放大或衰减程度。如果系统是 LTI 系统那么输出信号的频谱就是Y(jω) X(jω) · H(jω)这也是滤波器的本质。低通滤波器就是让低频分量通过、高频分量衰减高通滤波器反过来。画频谱图时基本操作就是把输入信号频谱和系统频率响应相乘看剩下哪些频率分量。3.3 帕塞瓦尔定理能量守恒的频域表达帕塞瓦尔定理说的是信号在时域的总能量等于频域的总能量∫_{-∞}^{∞} |x(t)|² dt (1/2π) ∫_{-∞}^{∞} |X(jω)|² dω它把时域能量和频域能量联系了起来。工程上这个定理用于计算信号在某个频带内的能量占比或者在滤波器设计时估计通过带内能量的比例。考试里常见题型是已知 X(jω) 求信号总能量。4. 频谱分析从公式到画图频谱分析是傅里叶变换最直接的应用。拿到一个信号画出它的幅度谱和相位谱就相当于给信号做了一次“频率成分体检”。4.1 幅度谱和相位谱幅度谱 |X(jω)| 表示信号各频率分量的相对强度相位谱 φ(ω) 表示各频率分量的相位。很多工程场景只关心幅度谱因为相位对感知的影响通常没有幅度大。但在通信系统里相位同样重要因为调制信号的信息往往携带在相位里。画频谱图时要注意几个点实信号的幅度谱是偶函数相位谱是奇函数。周期信号的频谱是离散谱线非周期信号的频谱是连续曲线。用 δ 函数表示冲激时频谱图要画出带箭头的竖线标注幅度系数。4.2 抽样定理与频谱混叠抽样定理是频谱分析必须掌握的边界条件。对带限信号 x(t)最高频率为 fmax要用抽样信号无失真地恢复原信号抽样频率必须满足fs 2·fmax如果抽样频率不够频谱会重叠这就是混叠现象。混叠一旦发生用滤波器也无法恢复原始信号因为高频分量已经被错误地搬移到了低频位置。这个知识点在模数转换、音频采样、图像处理里都会遇到。实际工程中不会卡着 2 倍频率采样一般取 3 到 5 倍留出保护带。4.3 频谱分析的标准流程做频谱分析时推荐按以下步骤走确定信号类型周期还是非周期连续还是离散。选择变换工具周期信号用傅里叶级数非周期用傅里叶变换。分解信号把复杂信号拆成已知变换对的线性组合。利用性质简化时移、频移、尺度变换优先使用。画出幅度谱和相位谱。分析带宽、主瓣、旁瓣等关键指标。如果是用 Python 做频谱分析常见流程是这样的import numpy as np import matplotlib.pyplot as plt fs 1000 # 抽样频率 1000 Hz t np.arange(0, 1, 1/fs) # 构造一个包含 50Hz 和 120Hz 分量的信号 x 0.7 * np.sin(2 * np.pi * 50 * t) np.sin(2 * np.pi * 120 * t) # FFT 频谱分析 X np.fft.fft(x) freqs np.fft.fftfreq(len(x), 1/fs) # 只显示正频率部分 half len(X) // 2 magnitude np.abs(X[:half]) * 2 / len(x) plt.figure(figsize(10, 4)) plt.stem(freqs[:half], magnitude) plt.xlabel(Frequency (Hz)) plt.ylabel(Magnitude) plt.title(Frequency Spectrum) plt.grid(True) plt.show()这一段代码可以直接跑你能看到 50Hz 和 120Hz 两个明显的峰值。5. 调制与解调傅里叶变换最经典的应用5.1 为什么要调制基带信号比如语音、图像的频率通常集中在低频段不适合直接通过信道传输。调制的作用就是将基带信号的频谱从低频搬移到高频载波附近用频分复用提升信道利用率同时匹配信道特性。从傅里叶变换的角度看调制就是频移。假设基带信号是 m(t)载波是 cos(ω₀t)已调信号s(t) m(t) · cos(ω₀t)根据频移性质时域相乘对应频域卷积。cos(ω₀t) 的频谱是两个冲激所以S(jω) (1/2)[M(j(ω-ω₀)) M(j(ωω₀))]也就是说原始基带频谱被搬到了 ±ω₀ 两侧。这就是幅度调制AM的原理。5.2 AM 调制与解调标准 AM 调制的时域表达式s(t) [A m(t)] · cos(ω₀t)其中 A 是直流偏置必须保证 A m(t) 始终大于 0这样包络才能直接反映基带信号变化方便用包络检波解调。解调则是一个“搬回来”的过程。接收端先乘以同频载波r(t) s(t) · cos(ω₀t)再用低通滤波器滤除高频分量就能恢复基带信号。完整链路是基带信号 m(t) - 乘以载波 - 已调信号 - 信道 - 乘以同频载波 - 低通滤波 - 恢复 m(t)从频谱角度理解就非常简单调制是把频谱搬到高频解调是先搬到 0 频附近再用低通滤波器提取。5.3 频谱图怎么画这是考试和面试最常考的动作。假设基带信号 m(t) 的频谱是矩形中心在 0 频带宽为 W。调制后频谱以 ω₀ 为中心画一个幅度减半、宽度为 2W 的矩形。以 -ω₀ 为中心画一个对称矩形。如果加了直流偏置在 ±ω₀ 处会出现冲激。解调后频谱已调信号乘以 cos(ω₀t)频谱再次搬移在 ±2ω₀ 和 0 频附近都有分量。通过理想低通滤波器滤除 ±2ω₀ 分量只保留 0 频附近的分量。画频谱图时最容易错的一点是漏掉幅度系数。调制时频谱幅度乘 1/2解调再乘 1/2经过两次搬移后原始信号幅度会变为 1/4。如果接收端需要恢复原始幅度需要乘一个系数进行补偿这叫幅度补偿。不同教材处理方式略有差异考试时以题目给出的系统模型为准。6. 傅里叶变换的工程应用场景6.1 滤波器设计滤波器设计几乎是傅里叶变换最“日用”的应用场景。理想低通滤波器频率响应H(jω) 1, |ω| ωc H(jω) 0, |ω| ωc输出频谱Y(jω) X(jω) · H(jω)时域上理想低通滤波器的冲激响应是 sinc 函数不是因果系统实际无法实现。工程中用巴特沃斯、切比雪夫等滤波器近似它们在通带和阻带之间存在过渡带。6.2 信号去噪信号去噪的本质是频谱过滤。例如一个正弦信号叠加了高频噪声在时域观察很难处理但做一次傅里叶变换后信号能量集中在一个频点噪声分布在整个频带用带通滤波器就能提取信号。from scipy.signal import butter, lfilter def butter_bandpass(lowcut, highcut, fs, order4): nyquist 0.5 * fs low lowcut / nyquist high highcut / nyquist b, a butter(order, [low, high], btypeband) return b, a def bandpass_filter(data, lowcut, highcut, fs, order4): b, a butter_bandpass(lowcut, highcut, fs, orderorder) y lfilter(b, a, data) return y # 假设 x 是采集信号抽样率 fs1000要去除 50Hz 工频干扰 x_filtered bandpass_filter(x, 0.5, 49.0, fs1000)这类代码在脑电信号处理、振动分析、音频降噪里非常常见。6.3 抽样与重构抽样和重构是连续信号与离散系统之间的桥梁。要保证抽样不混叠先经过抗混叠低通滤波器再以 fs 2fmax 抽样。重构时离散序列经过零阶保持器和平滑滤波器就能恢复接近原始形状的连续信号。6.4 通信系统调制解调是通信系统的基石。AM、FM、PSK、QAM 等调制方式的区别本质上就是改变载波的幅度、频率或相位。分析任何一种调制方式第一步都是画出对应的频谱结构判断带宽和抗干扰性能。这部分工作完全依赖傅里叶变换的频移和卷积性质。7. 典型题型完整解题流程7.1 求给定信号的傅里叶变换题目求 x(t) e^{-2t}u(t) e^{-3|t|} 的傅里叶变换。解法不直接积分拆成两个已知变换对。第一项使用标准变换对e^{-at}u(t) ↔ 1/(ajω)代入 a2 得 1/(2jω)第二项使用双边指数变换对e^{-a|t|} ↔ 2a/(a²ω²)代入 a3 得 6/(9ω²)根据线性性质直接相加X(jω) 1/(2jω) 6/(9ω²)这类题目得分的关键是先拆分再套变换对不要一上来就算积分。7.2 求调制信号的频谱题目已知基带信号 m(t) 的傅里叶变换为 M(jω)求 s(t)m(t)cos(100t) 的频谱。直接写结果S(jω) (1/2)[M(j(ω-100)) M(j(ω100))]再用 Python 画对比频谱import numpy as np import matplotlib.pyplot as plt fs 2000 t np.arange(0, 0.2, 1/fs) # 基带信号10Hz 正弦 m np.sin(2 * np.pi * 10 * t) # 载波100Hz 正弦 c np.cos(2 * np.pi * 100 * t) # 调制后信号 s m * c fig, axes plt.subplots(3, 1, figsize(10, 8)) def plot_spectrum(ax, signal, fs, title): X np.fft.fft(signal) freqs np.fft.fftfreq(len(signal), 1/fs) half len(X) // 2 ax.plot(freqs[:half], np.abs(X[:half]) * 2 / len(signal)) ax.set_title(title) ax.set_xlabel(Frequency (Hz)) ax.grid(True) plot_spectrum(axes[0], m, fs, Baseband Spectrum) plot_spectrum(axes[1], s, fs, Modulated Spectrum) plot_spectrum(axes[2], s * c, fs, After Demodulation Multiplying Carrier) plt.tight_layout() plt.show()运行后你会看到基带频谱在 10Hz 附近调制后频谱搬移到 100±10Hz 处解调后再次出现 10Hz 附近的基带分量同时还有 200Hz 附近的高频分量需要通过低通滤波去掉。7.3 LTI 系统响应分析题目某 LTI 系统的频率响应为 H(jω)输入 x(t)求输出 y(t)。频域解法最直接Y(jω) X(jω) · H(jω) y(t) F^{-1}{Y(jω)}如果已知系统的单位冲激响应 h(t)也可以时域卷积求解。两边能对上是基本要求实际做题时选哪条路径取决于题目给了时域还是频域条件。8. 易混淆点与高频失分点易错点错误理解正确理解周期性与频谱离散关系周期信号频域也周期周期信号频域离散非周期信号频域连续时移与频移分不清哪个是 e^{-jωt₀}时移乘 e^{-jωt₀}频移乘 e^{jω₀t}AM调制幅度系数调制后幅度不变化时域相乘频域幅度需要乘 1/2抽样定理条件只记住 fs 2fmax必须先确认信号是带限的卷积定理方向混淆时域和频域操作时域卷积频域乘积时域乘积频域卷积/2π低通滤波恢复以为滤波后幅度不变滤波只去高频不补偿幅度还有一个常被忽略的点时域相乘对应频域卷积要除以 2π。很多人在算调制信号频谱时少了这个系数答案就差一个常数。不同教材对傅里叶变换的定义略有差异做题时先看教材用的定义是角频率 ω 还是频率 f公式里的系数会不一样。建议整门课只用一种定义不要混用。9. 信号与系统速成复习建议9.1 时间紧张时的复习顺序如果考前时间有限按下面的优先级推进傅里叶变换的定义和标准变换对表先把最常用的 8 到 10 个变换对背熟。六大性质特别是时移、频移、尺度变换和卷积定理做题基本离不开。频谱图画法幅度谱怎么画、冲激怎么标、带宽怎么算。调制解调完整链路从频谱搬移的角度理解 AM会画调制前后和滤波前后的频谱。抽样定理记住条件和混叠的后果。系统响应计算先频域后时域哪个简单用哪个。9.2 自测清单能独立完成下面这些任务说明主线知识基本过关给出任意信号的时域表达式能画出幅度谱和相位谱。给出调制信号 s(t)m(t)cos(ω₀t)能写出频谱表达式并画出频谱图。说明低通滤波器为什么能解调 AM 信号。解释当 fs 2fmax 时恢复的信号会发生什么变化。已知系统频率响应和输入信号频谱能求出输出频谱。9.3 配套工具理论学习之外建议用 Python 验证每个概念。NumPy 的 fft 模块和 SciPy 的 signal 模块覆盖了绝大部分信号处理需求适合用来画频谱、做滤波、模拟调制解调。工具本身不复杂但能帮你把抽象的频谱搬移变成可视化的图形记忆会牢固得多。10. 总结信号与系统这门课真正贯穿全程的主线就一条信号在时域表示在频域分析系统用卷积或频率响应描述调制解调靠频移实现。傅里叶变换是从时域进入频域的入口频谱分析是解读频域信息的手段调制解调则是频域分析最有代表性的工程应用。把这三个点的关系理清再配合标准变换对和性质做题复习效率会比按章节零散推进高很多。最值得优先掌握的永远是那几个标准变换对和卷积定理。建议把这篇文章里的变换对表格和性质表格保存下来做题时随手对照遇到题目先从“能不能拆成标准形式”入手而不是直接动笔算积分。信号与系统的核心概念密度高但真正要记的“硬公式”并不多练熟几十道典型题后成绩提升往往比想象中快。