从傅里叶到小波：信号处理中的频域与时频分析实战解析

1. 信号处理：从“听声音”到“看频谱”的思维跃迁

很多朋友一听到“信号处理”、“傅里叶变换”这些词，就觉得头大，感觉是数学系高材生才能玩转的东西。其实，它的核心思想非常贴近我们的生活。想象一下，你正在听一首交响乐，耳朵里涌入的是各种乐器混合在一起的、随时间变化的复杂声音波形。这时候，你问自己一个问题：“现在这个时刻，小提琴的音高是多少？大提琴的音高又是多少？”你的耳朵和大脑其实很难从混合的声波中瞬间分离出答案。但如果你有一份乐谱，你就能清晰地看到，在乐曲的第30秒，小提琴负责演奏中央C，大提琴负责低音G。这份“乐谱”，就是信号的频域表示——它不关心声音是何时发出的，只关心这个声音里包含了哪些固定的“音符”（频率成分）。

这就是频域分析最朴素的价值：它把一个混杂的、随时间变化的信号，翻译成一张清晰的“成分说明书”。我们最熟悉的工具就是傅里叶变换。它有一个非常强的假设：它认为你分析的这段信号，其包含的频率成分是永恒不变的。就像一段持续播放的“嘟——”的单音，或者一台稳定运行的电机发出的恒定噪音。对于这类稳态信号，傅里叶变换是完美的“透视镜”，能精准地告诉你里面有多少赫兹的成分，各自强度多大。

但现实世界要调皮得多。回到交响乐的例子，小提琴的旋律是起伏变化的，鼓点只在特定时刻敲响。这种频率成分随时间变化的信号，就是非稳态信号。如果你对整个5分钟的乐曲做一次傅里叶变换，得到的频谱会是一堆所有出现过的频率的“大杂烩”，你完全无法知道小提琴的高音是在开头炫技时出现的，还是在结尾高潮时出现的。这时，我们就需要一种能同时看到“时间”和“频率”的工具，这就是时频分析登场的时刻。它不再给你一张全局乐谱，而是给你一部音乐录像带，让你能清晰地看到，在视频的第几分几秒，出现了哪个音符。从傅里叶到小波，本质上就是我们处理现实世界复杂信号时，工具箱的一次重要升级。

2. 傅里叶变换：稳态信号的“全局CT扫描”

让我们先深入聊聊傅里叶变换这个老朋友。它的数学公式看起来可能有点吓人，但我们可以用一个非常形象的“旋转浆”实验来理解它。想象一个在黑暗房间里发光的单摆，它只以一种频率来回摆动。我们用摄像机记录下它的运动轨迹，得到一条优美的正弦波。现在，傅里叶变换就像一组拥有不同旋转速度的“探测浆”。我们让第一个浆以完全相同的频率旋转，神奇的事情发生了：这个浆的旋转会与单摆的运动完美同步，产生强烈的“共振”，我们测量到这个浆积累了很大的能量。而其他转速不同的浆，则与单摆的运动不同步，相互抵消，最终能量为零。这个“共振能量”的大小，就对应了频谱中该频率的强度。

在数字世界，我们用的是快速傅里叶变换（FFT），它是计算机高效计算离散傅里叶变换的算法。几乎所有的编程语言和数据分析工具都内置了它。比如在Python里，用numpy和matplotlib，几行代码就能看到信号的频谱。

import numpy as np
import matplotlib.pyplot as plt

# 生成一个模拟信号：包含50Hz和120Hz的两个正弦波，并加上一些随机噪声
fs = 1000  # 采样频率 1000 Hz
T = 1.0    # 信号时长 1秒
t = np.linspace(0, T, int(T*fs), endpoint=False)  # 时间轴
# 信号 = 0.7*sin(2π*50*t) + 1.0*sin(2π*120*t) + 噪声
signal = 0.7 * np.sin(2 * np.pi * 50 * t) + np.sin(2 * np.pi * 120 * t)
signal += 0.5 * np.random.randn(len(t))  # 加入高斯白噪声

# 计算FFT
n = len(signal)
k = np.arange(n)
T = n / fs
frq = k / T  # 频率轴 (0 到 fs)
frq = frq[:n//2]  # 取单边频谱
Y = np.fft.fft(signal) / n  # FFT并归一化
Y = Y[:n//2]

# 绘制时域波形和频域频谱
fig, (ax1, ax2)