调和分析 (Harmonic Analysis)是数学的核心分支之一,研究如何将复杂的函数或信号分解为简单谐波(正弦波、余弦波或其推广形式)的叠加,以及在频域中分析这些分解的性质。其思想根源可追溯到18世纪傅里叶(Joseph Fourier)的热传导研究,如今已发展为涵盖傅里叶级数、傅里叶变换、抽象调和分析和小波分析等多个子领域的庞大理论体系。
调和分析处于数学、物理、工程、数据科学的交叉地带,是信号处理、量子力学、图像压缩、数值分析乃至机器学习的基础工具。
现实世界中的大多数信号或函数,在时间域 (或空间域)中表现出复杂的形态。调和分析的核心洞察是:任何足够"好"的函数都可以表示为一系列频率不同的基函数的加权叠加。
具体而言:
时域表示 :函数 f ( t ) f(t)f ( t ) 描述信号随时间的变化
频域表示 :f ^ ( ω ) \hat{f}(\omega)f ^ ( ω ) 描述信号各频率成分的振幅和相位
这种从时域到频域的转换被称为变换 ,其逆过程称为逆变换 。
一个直观例子 :钢琴弹奏 C 大调和弦(同时按下 C4、E4、G4),时域中看到的是一个叠加后的复杂波形;而在频域中,会清晰看到三个独立的峰值——分别对应 261.63 Hz(C4)、329.63 Hz(E4)、392.00 Hz(G4),以及它们的 2 倍、3 倍等谐波分量。这就是调和分析的基本视角:把复杂的混合波形分解为简单的频率成分。
很多在时域中难以处理的问题,在频域中变得简单:
时域问题
频域转化
计算复杂度变化
卷积运算 f ∗ g f*gf ∗ g
乘积 f ^ ⋅ g ^ \hat{f} \cdot \hat{g}f ^ ⋅ g ^
O ( n 2 ) → O ( n log n ) O(n^2) \to O(n \log n)O ( n 2 ) → O ( n log n )
常微分方程
代数方程
微积分 → 加减乘除
噪声过滤
频率分量裁剪
设计滤波器即可
信号压缩
舍弃高频分量
与感知模型无关
以卷积为例:两段各 1000 个采样点的信号做卷积,时域直接计算需要 100 万次乘加运算;通过 FFT 转化为频域乘积后再逆变换,只需要约 2 万次运算——加速 50 倍。数据量越大,这一优势越明显。
支柱
适用信号类型
频率特性
代表应用
傅里叶级数
周期信号
离散频谱(ω 0 , 2 ω 0 , 3 ω 0 , … \omega_0, 2\omega_0, 3\omega_0, \dotsω 0 , 2 ω 0 , 3 ω 0 , … )
热传导、振动分析、音乐合成
傅里叶变换
非周期信号
连续频谱
通信、量子力学、谱分析
小波分析
局部特征信号
时频联合(自适应分辨率)
图像压缩、地震勘探、ECG 分析
timeline
title 调和分析发展简史
1807 : 傅里叶提出热传导方程解可用三角级数表示
1829 : 狄利克雷给出傅里叶级数收敛的充分条件
1873 : 勒贝格积分理论为傅里叶分析奠定严格基础
1900 : 希尔伯特空间理论统一了正交展开框架
1910 : Haar提出第一个正交小波
1927 : 冯·诺依曼将调和分析与群表示论结合
1950 : Calderón-Zygmund理论建立
1965 : Cooley-Tukey提出FFT算法
1966 : Carleson证明L²傅里叶级数几乎处处收敛
1980 : Morlet和Grossmann建立小波分析现代理论
1992 : Daubechies构造紧支撑正交小波
2000s: 压缩感知(Candès-Tao-Donoho)兴起
2010s: 调和分析在深度学习(GCN, 谱方法)中的应用
对于一个周期为 T TT 的函数 f ( t ) f(t)f ( t ) ,傅里叶级数将其展开为:
f ( t ) = a 0 2 + ∑ n = 1 ∞ [ a n cos ( 2 π n t T ) + b n sin ( 2 π n t T ) ] f(t) = \frac{a_0}{2} + \sum_{n=1}^{\infty} \left[ a_n \cos\left(\frac{2\pi n t}{T}\right) + b_n \sin\left(\frac{2\pi n t}{T}\right) \right]
f ( t ) = 2 a 0 + n = 1 ∑ ∞ [ a n cos ( T 2 π n t ) + b n sin ( T 2 π n t ) ]
其中各系数由函数的正交投影确定:
a n = 2 T ∫ 0 T f ( t ) cos ( 2 π n t T ) d t a_n = \frac{2}{T} \int_{0}^{T} f(t) \cos\left(\frac{2\pi n t}{T}\right) dt
a n = T 2 ∫ 0 T f ( t ) cos ( T 2 π n t ) d t
b n = 2 T ∫ 0 T f ( t ) sin ( 2 π n t T ) d t b_n = \frac{2}{T} \int_{0}^{T} f(t) \sin\left(\frac{2\pi n t}{T}\right) dt
b n = T 2 ∫ 0 T f ( t ) sin ( T 2 π n t ) d t
直观理解 :这就像将光线通过三棱镜分解成光谱——一个复杂的波形被分解为不同频率的纯正弦波组合。
考虑一个周期为 T = 2 π T = 2\piT = 2 π 、幅度为 1 的方波:
f ( t ) = { 1 , 0 < t < π − 1 , π < t < 2 π f(t) = \begin{cases} 1, & 0 < t < \pi \\ -1, & \pi < t < 2\pi \end{cases}
f ( t ) = { 1 , − 1 , 0 < t < π π < t < 2 π
其傅里叶级数为:
f ( t ) = 4 π [ sin ( t ) + 1 3 sin ( 3 t ) + 1 5 sin ( 5 t ) + 1 7 sin ( 7 t ) + ⋯ ] f(t) = \frac{4}{\pi} \left[ \sin(t) + \frac{1}{3}\sin(3t) + \frac{1}{5}\sin(5t) + \frac{1}{7}\sin(7t) + \cdots \right]
f ( t ) = π 4 [ sin ( t ) + 3 1 sin ( 3 t ) + 5 1 sin ( 5 t ) + 7 1 sin ( 7 t ) + ⋯ ]
逐次逼近效果 :
项数 N
包含的频率
近似信号波形特征
均方误差
1
基频 ω 0 \omega_0ω 0
一个正弦波,远离方波
~0.19
3
ω 0 , 3 ω 0 \omega_0, 3\omega_0ω 0 , 3 ω 0
顶部开始平坦,边缘变陡
~0.10
5
至 5 ω 0 5\omega_05 ω 0
接近方波,边缘有轻微过冲
~0.06
11
至 11 ω 0 11\omega_011 ω 0
近似度较高,过冲集中在边缘
~0.03
51
至 51 ω 0 51\omega_051 ω 0
肉眼几乎无法区分
~0.006
N → ∞ N \to \inftyN → ∞
所有奇数次谐波
完全逼近(吉布斯现象处除外)
→ 0
从表中可见:仅用前 5 项就可使均方误差降到 0.06 以下,这解释了为什么音频压缩可以舍弃大量高频分量——人的听觉对高频能量的感知阈值远低于低频。
利用欧拉公式 e i θ = cos θ + i sin θ e^{i\theta} = \cos\theta + i\sin\thetae i θ = cos θ + i sin θ ,傅里叶级数可以写为更简洁的复数形式:
f ( t ) = ∑ n = − ∞ ∞ c n e i 2 π n t T f(t) = \sum_{n=-\infty}^{\infty} c_n e^{i\frac{2\pi n t}{T}}
f ( t ) = n = − ∞ ∑ ∞ c n e i T 2 π n t
其中:
c n = 1 T ∫ 0 T f ( t ) e − i 2 π n t T d t c_n = \frac{1}{T} \int_{0}^{T} f(t) e^{-i\frac{2\pi n t}{T}} dt
c n = T 1 ∫ 0 T f ( t ) e − i T 2 π n t d t
复数形式在理论和计算中都更为方便,是通向傅里叶变换的桥梁。
傅里叶级数的收敛性是一个深刻的数学课题:
逐点收敛 :若 f ff 在 t 0 t_0t 0 处满足狄利克雷条件(分段光滑),则级数在该点收敛到 f ( t 0 + ) + f ( t 0 − ) 2 \frac{f(t_0^+) + f(t_0^-)}{2}2 f ( t 0 + ) + f ( t 0 − )
一致收敛 :若 f ff 连续且分段光滑,则级数一致收敛到 f ff
L 2 L^2L 2 收敛 :对于平方可积函数,傅里叶级数依范数收敛(Carleson 定理:几乎处处收敛)
吉布斯现象 (Gibbs Phenomenon):在间断点附近,傅里叶级数的部分和会出现过冲,过冲量约为跳变幅度的 9%(精确值为 2 π ∫ 0 π sin t t d t − 1 ≈ 0.0895 \frac{2}{\pi} \int_{0}^{\pi} \frac{\sin t}{t} dt - 1 \approx 0.0895π 2 ∫ 0 π t s i n t d t − 1 ≈ 0.0895 )。增加项数不会消除过冲,只会使其更接近间断点——这是傅里叶级数的本质特征,也是实际应用中需要处理的边界效应。
数值实例 :在方波的间断点 t = 0 t=0t = 0 处,即使取到 N=1000 项,部分和 f 1000 ( t ) f_{1000}(t)f 1000 ( t ) 的最大值仍为约 1.0895(跳变幅度 2 的 8.95%),过冲宽度随 N 增大而趋于零。这一现象在数值滤波中需要特殊处理(如使用谱后处理技术)。
实际计算中只能取有限项 N NN :
f N ( t ) = ∑ n = − N N c n e i 2 π n t T f_N(t) = \sum_{n=-N}^{N} c_n e^{i\frac{2\pi n t}{T}}
f N ( t ) = n = − N ∑ N c n e i T 2 π n t
N NN 的选择决定了近似精度。在信号处理中这是"带宽"的概念——截断引起的振铃效应(Ringing)可用窗函数缓解:
graph LR
subgraph "窗函数家族"
A[矩形窗<br/>最简,但振铃大] -->|截断| B[时域信号]
C[汉宁窗<br/>Hanning 0.5+0.5cos] -->|加权| B
D[汉明窗<br/>Hamming 0.54+0.46cos] -->|加权| B
E[布莱克曼窗<br/>Blackman 0.42+0.5cos+0.08cos2θ] -->|加权| B
F[凯泽窗<br/>Kaiser 可调参数β] -->|加权| B
end
B --> G[频域效果对比]
G --> H[矩形窗: -13dB旁瓣, 窄主瓣]
G --> I[汉宁窗: -32dB旁瓣, 较宽主瓣]
G --> J[布莱克曼窗: -58dB旁瓣, 更宽主瓣]
窗函数的核心权衡:主瓣宽度(频率分辨率)与旁瓣衰减(频谱泄漏抑制)不可兼得。
傅里叶级数处理周期函数,傅里叶变换将这一思想推广到非周期函数。核心思路:让周期 T → ∞ T \to \inftyT → ∞ ,离散频谱 ω n = 2 π n T \omega_n = \frac{2\pi n}{T}ω n = T 2 π n 变为连续频谱 ω \omegaω 。
连续傅里叶变换 (Continuous Fourier Transform, CFT):
f ^ ( ω ) = ∫ − ∞ ∞ f ( t ) e − i ω t d t \hat{f}(\omega) = \int_{-\infty}^{\infty} f(t) e^{-i\omega t} dt
f ^ ( ω ) = ∫ − ∞ ∞ f ( t ) e − iω t d t
逆变换 :
f ( t ) = 1 2 π ∫ − ∞ ∞ f ^ ( ω ) e i ω t d ω f(t) = \frac{1}{2\pi} \int_{-\infty}^{\infty} \hat{f}(\omega) e^{i\omega t} d\omega
f ( t ) = 2 π 1 ∫ − ∞ ∞ f ^ ( ω ) e iω t d ω
傅里叶变换具备一系列优美的代数性质,使其成为分析利器:
性质
时域
频域
应用场景
线性
a f + b g af + bga f + b g
a f ^ + b g ^ a\hat{f} + b\hat{g}a f ^ + b g ^
叠加原理,线性系统分析
时移
f ( t − t 0 ) f(t-t_0)f ( t − t 0 )
e − i ω t 0 f ^ ( ω ) e^{-i\omega t_0}\hat{f}(\omega)e − iω t 0 f ^ ( ω )
雷达回波时延估计
频移
e i ω 0 t f ( t ) e^{i\omega_0 t}f(t)e i ω 0 t f ( t )
f ^ ( ω − ω 0 ) \hat{f}(\omega - \omega_0)f ^ ( ω − ω 0 )
调幅(AM)通信原理
尺度
f ( a t ) f(at)f ( a t )
1 ∥ a ∥ f ^ ( ω a ) \frac{1}{\|a\|}\hat{f}(\frac{\omega}{a})∥ a ∥ 1 f ^ ( a ω )
时间伸缩与频率成反比
卷积
( f ∗ g ) ( t ) (f*g)(t)( f ∗ g ) ( t )
f ^ ( ω ) g ^ ( ω ) \hat{f}(\omega)\hat{g}(\omega)f ^ ( ω ) g ^ ( ω )
核心定理,简化 O ( n 2 ) → O ( n log n ) O(n^2) \to O(n \log n)O ( n 2 ) → O ( n log n )
Parseval
∫ ∥ f ∥ 2 d t \int\|f\|^2 dt∫ ∥ f ∥ 2 d t
1 2 π ∫ ∥ f ^ ∥ 2 d ω \frac{1}{2\pi}\int\|\hat{f}\|^2 d\omega2 π 1 ∫ ∥ f ^ ∥ 2 d ω
能量守恒
微分
f ′ ( t ) f'(t)f ′ ( t )
i ω f ^ ( ω ) i\omega\hat{f}(\omega)iω f ^ ( ω )
化微分为乘法
互相关
( f ⋆ g ) ( τ ) (f \star g)(\tau)( f ⋆ g ) ( τ )
f ^ ( ω ) ‾ g ^ ( ω ) \overline{\hat{f}(\omega)}\hat{g}(\omega)f ^ ( ω ) g ^ ( ω )
模式匹配、延时估计
海森堡不确定性原理 :时域和频域的分辨率不可能同时无限精确。即:
Δ t ⋅ Δ ω ≥ 1 2 \Delta t \cdot \Delta \omega \geq \frac{1}{2}
Δ t ⋅ Δ ω ≥ 2 1
其中 Δ t \Delta tΔ t 和 Δ ω \Delta \omegaΔ ω 分别表示时域和频域的有效宽度(标准差)。
数值意义 :如果用一个 10 ms 的时间窗观察信号,频率分辨率不会优于 1 2 × 0.01 = 50 \frac{1}{2 \times 0.01} = 502 × 0.01 1 = 50 Hz。换句话说,要在频域中区分间隔 10 Hz 的两个频率分量,至少在时域中需要 50 ms 以上的观测窗口。这一定律是 STFT、小波等时频分析工具设计的基本约束。
时域函数 f ( t ) f(t)f ( t )
频域函数 f ^ ( ω ) \hat{f}(\omega)f ^ ( ω )
关键特征
高斯函数 e − t 2 / 2 e^{-t^2/2}e − t 2 /2
2 π e − ω 2 / 2 \sqrt{2\pi}e^{-\omega^2/2}2 π e − ω 2 /2
自对偶性:高斯→高斯
矩形脉冲 r e c t ( t ) \mathrm{rect}(t)rect ( t )
s i n c ( ω ) = sin ω ω \mathrm{sinc}(\omega) = \frac{\sin \omega}{\omega}sinc ( ω ) = ω s i n ω
主瓣宽度 2 π 2\pi2 π ,旁瓣衰减 -6dB/倍频程
δ \deltaδ 函数 δ ( t ) \delta(t)δ ( t )
常数 1
无穷带宽:完美脉冲需要所有频率
常数 1
2 π δ ( ω ) 2\pi\delta(\omega)2 π δ ( ω )
DC 分量为单一频率
余弦 cos ( ω 0 t ) \cos(\omega_0 t)cos ( ω 0 t )
π [ δ ( ω + ω 0 ) + δ ( ω − ω 0 ) ] \pi[\delta(\omega+\omega_0)+\delta(\omega-\omega_0)]π [ δ ( ω + ω 0 ) + δ ( ω − ω 0 )]
纯谐波→两个对冲
指数衰减 e − a t H ( t ) e^{-at}H(t)e − a t H ( t ) (a > 0 a>0a > 0 )
1 a + i ω \frac{1}{a + i\omega}a + iω 1
洛伦兹线型,RC 电路响应
高斯包络单频 e − t 2 / 2 e i ω 0 t e^{-t^2/2}e^{i\omega_0 t}e − t 2 /2 e i ω 0 t
2 π e − ( ω − ω 0 ) 2 / 2 \sqrt{2\pi}e^{-(\omega-\omega_0)^2/2}2 π e − ( ω − ω 0 ) 2 /2
频移高斯:Gabor 原子
在实际的数字计算中,信号是离散采样的,需要 DFT:
X [ k ] = ∑ n = 0 N − 1 x [ n ] e − i 2 π k n / N , k = 0 , 1 , … , N − 1 X[k] = \sum_{n=0}^{N-1} x[n] e^{-i 2\pi kn/N}, \quad k = 0, 1, \dots, N-1
X [ k ] = n = 0 ∑ N − 1 x [ n ] e − i 2 π k n / N , k = 0 , 1 , … , N − 1
计算复杂度对比 :
算法
复杂度
N=1024 的运算量
N=65536 的运算量
直接 DFT
O ( N 2 ) O(N^2)O ( N 2 )
~1,048,576
~4.3 × 10⁹
Cooley-Tukey FFT
O ( N log N ) O(N \log N)O ( N log N )
~10,240
~1,048,576
加速比
—
~100 倍
~4000 倍
快速傅里叶变换 (FFT)是 DFT 的 O ( N log N ) O(N \log N)O ( N log N ) 高效算法,由 Cooley 和 Tukey 于 1965 年重新发现(实际上高斯在 1805 年已有类似想法)。FFT 是计算机科学和工程中最重要的算法之一,是数字信号处理的基石。每当你听 MP3、看 JPEG 图片、用降噪耳机、运行语音助手——背后都有 FFT 在运行。
考虑一个混合信号:f ( t ) = sin ( 2 π ⋅ 100 t ) + 0.5 sin ( 2 π ⋅ 300 t ) + 0.2 sin ( 2 π ⋅ 1000 t ) f(t) = \sin(2\pi \cdot 100t) + 0.5\sin(2\pi \cdot 300t) + 0.2\sin(2\pi \cdot 1000t)f ( t ) = sin ( 2 π ⋅ 100 t ) + 0.5 sin ( 2 π ⋅ 300 t ) + 0.2 sin ( 2 π ⋅ 1000 t )
对 f ( t ) f(t)f ( t ) 以 f s = 8000 f_s = 8000f s = 8000 Hz(8kHz,满足奈奎斯特采样条件)采样 1 秒:
graph LR
subgraph "时域信号(1秒)"
A["复杂叠加波形<br/>三个频率混合"]
end
subgraph "频域(FFT后)"
B["100Hz 峰值: 1.0"]
C["300Hz 峰值: 0.5"]
D["1000Hz 峰值: 0.2"]
end
A -->|FFT| B
A -->|FFT| C
A -->|FFT| D
频谱图中会在 100 Hz、300 Hz、1000 Hz 处出现三个清晰的峰值,幅值分别对应 1.0、0.5、0.2。如果此时混入 50 Hz 工频噪声(来自电源),频域中会在 50 Hz 处多出一个峰值——这就是频域滤波的基础。
对含噪信号做 FFT 得到频谱
在频域中将不需要的频率分量置零(如 50 Hz 附近的系数设为 0)
做 IFFT 得到干净的时域信号
滤波器类型对比 :
滤波器类型
保留频率
抑制频率
典型应用
实际参数示例
低通
ω < ω c \omega < \omega_cω < ω c
ω > ω c \omega > \omega_cω > ω c
音频去噪、抗混叠
语音通话截断 4kHz 以上
高通
ω > ω c \omega > \omega_cω > ω c
ω < ω c \omega < \omega_cω < ω c
边缘检测、去除漂移
心电信号去除呼吸基线漂移
带通
ω c low < ω < ω c high \omega_c^{\text{low}} < \omega < \omega_c^{\text{high}}ω c low < ω < ω c high
其他
语音(300-3400Hz)
电话系统保留此频段
陷波
其他
ω c ± δ \omega_c \pm \deltaω c ± δ
去除固定频干扰
去除 50Hz/60Hz 电源噪声
傅里叶变换有一个根本限制:它将信号完全分解到频域,失去了所有时间信息。看频谱你知道"有哪些频率",但不知道"这些频率何时出现"。
一个具体对比 :两段不同的音乐——(a) 一张鼓的 10 秒钟,"咚"声仅在前 0.1 秒有丰富的高频成分,后 9.9 秒缓慢衰减的低频;(b) 一段持续的笛声,频率稳定但随音高变化。这两个信号的傅里叶频谱可能非常相似,但时域特征截然不同。傅里叶变换无法区分它们。
短时傅里叶变换 (STFT)是一种折中方案:用时间窗截取信号片段,对每个片段做傅里叶变换。但窗口大小固定后,时间分辨率和频率分辨率在各频率上是一致的,无法适应高低频的不同需求。
小波变换通过使用可伸缩、可平移的基函数来解决 STFT 的局限:
CWT f ( a , b ) = 1 ∣ a ∣ ∫ − ∞ ∞ f ( t ) ψ ( t − b a ) d t \text{CWT}_f(a,b) = \frac{1}{\sqrt{|a|}} \int_{-\infty}^{\infty} f(t) \psi\left(\frac{t-b}{a}\right) dt
CWT f ( a , b ) = ∣ a ∣ 1 ∫ − ∞ ∞ f ( t ) ψ ( a t − b ) d t
其中:
ψ ( t ) \psi(t)ψ ( t ) 是母小波 (mother wavelet)——一个有限长、均值为0的波
a aa 是尺度参数 (scaling)——控制小波的伸缩(与频率对应)
b bb 是平移参数 (translation)——控制小波在时间轴上的位置
核心思想 :大尺度 a aa 对应低频,此时小波被拉伸,有较好的频率分辨率但时间分辨率差;小尺度 a aa 对应高频,小波被压缩,有较好的时间分辨率但频率分辨率差。
graph TD
subgraph "小波自适应时频分辨率"
A["小尺度a (高频)<br/>短时间窗"] -->|时间分辨率高| B["精确定位瞬态事件<br/>如:鼓点、心拍异常"]
C["大尺度a (低频)<br/>长时间窗"] -->|频率分辨率高| D["精确测量频率<br/>如:基音识别"]
end
E["STFT固定窗<br/>(不分高低频)"] -->|两难| F["短窗→好时间分辨率<br/>差频率分辨率"]
E -->|两难| G["长窗→好频率分辨率<br/>差时间分辨率"]
style A fill:#e6f3ff,stroke:#4a90d9
style C fill:#fff3e6,stroke:#d9784a
style E fill:#ffe6e6,stroke:#d94a4a
小波名称
数学特征
正交性
紧支撑
适用场景
Haar
ψ ( t ) = 1 [ 0 , 0.5 ) − 1 [ 0.5 , 1 ) \psi(t) = 1_{[0,0.5)} - 1_{[0.5,1)}ψ ( t ) = 1 [ 0 , 0.5 ) − 1 [ 0.5 , 1 )
✅
✅
理论分析、快速变换
db2 (Daubechies-2)
4阶滤波器系数
✅
✅
一般信号去噪
db4
8阶滤波器系数
✅
✅
图像压缩
db8
16阶滤波器系数
✅
✅
地震信号
sym4
近似对称
✅
✅
语音信号(减少相位失真)
CDF 9/7
双正交,9-7抽头
❌ (双正交)
✅
JPEG 2000 标准
Morlet
e i ω 0 t e − t 2 / 2 e^{i\omega_0 t} e^{-t^2/2}e i ω 0 t e − t 2 /2
❌
❌
连续小波变换、时频分析
Mexican Hat
( 1 − t 2 ) e − t 2 / 2 (1-t^2)e^{-t^2/2}( 1 − t 2 ) e − t 2 /2 (高斯二阶导)
❌
❌
特征检测、边缘提取
实际计算中常用二进离散化:a = 2 j a = 2^ja = 2 j , b = k ⋅ 2 j b = k \cdot 2^jb = k ⋅ 2 j :
c j , k = ∫ − ∞ ∞ f ( t ) ψ j , k ( t ) d t c_{j,k} = \int_{-\infty}^{\infty} f(t) \psi_{j,k}(t) dt
c j , k = ∫ − ∞ ∞ f ( t ) ψ j , k ( t ) d t
DWT 的计算通过滤波器组 (filter bank)高效实现:
graph TD
subgraph "3级小波分解"
A["原始信号 x[n]<br/>长度 N=1024"] --> B["低通 h[n]"]
A --> C["高通 g[n]"]
B --> D["↓2"] --> E["近似系数 cA1<br/>长度 N/2=512"]
C --> F["↓2"] --> G["细节系数 cD1<br/>长度 N/2=512"]
E --> H["低通 h[n]"]
E --> I["高通 g[n]"]
H --> J["↓2"] --> K["cA2<br/>长度 N/4=256"]
I --> L["↓2"] --> M["cD2<br/>长度 N/4=256"]
K --> N["低通 h[n]"]
K --> O["高通 g[n]"]
N --> P["↓2"] --> Q["cA3<br/>长度 N/8=128"]
O --> R["↓2"] --> S["cD3<br/>长度 N/8=128"]
end
style A fill:#e6ffe6,stroke:#4ad94a
style Q fill:#e6f3ff,stroke:#4a90d9
style S fill:#fff3e6,stroke:#d9784a
style G fill:#fff3e6,stroke:#d9784a
style M fill:#fff3e6,stroke:#d9784a
分解层次与频率对应关系 (采样率 f s = 1000 f_s = 1000f s = 1000 Hz,信号长度 N = 1024 N = 1024N = 1024 ):
分解层数
系数类型
系数数量
频率范围 (Hz)
时间分辨率 (采样点)
1
cD1(细节)
512
250-500
2
2
cD2
256
125-250
4
3
cD3
128
62.5-125
8
4
cD4
64
31.25-62.5
16
5
cD5
32
15.625-31.25
32
5
cA5(最终近似)
32
0-15.625
32
注意:频率分辨率 Δ f \Delta fΔ f 在高频层较粗,在低频层较细;时间分辨率 Δ t \Delta tΔ t 恰恰相反——这正是自适应时频分析的本质。
问题设置 :原始信号为 "Blocks" 测试信号(含急剧跳变),叠加标准差 σ = 0.5 \sigma = 0.5σ = 0.5 的高斯白噪声。信噪比 SNR ≈ 6 dB。
去噪步骤 :
选择 db4 小波,分解至第 5 层
对每层细节系数应用软阈值处理:c ^ j , k = s g n ( c j , k ) ⋅ max ( 0 , ∣ c j , k ∣ − λ ) \hat{c}_{j,k} = \mathrm{sgn}(c_{j,k}) \cdot \max(0, |c_{j,k}| - \lambda)c ^ j , k = sgn ( c j , k ) ⋅ max ( 0 , ∣ c j , k ∣ − λ )
阈值选择:λ = σ 2 log N \lambda = \sigma \sqrt{2\log N}λ = σ 2 log N (通用阈值,VisuShrink)
去噪效果对比 :
方法
输出 SNR (dB)
RMSE
边缘保留
平滑程度
原始含噪信号
6.0
—
—
—
傅里叶低通滤波
11.5
0.32
❌ 模糊
✅ 光滑
小波硬阈值
14.2
0.18
✅ 保留
⚠️ 有毛刺
小波软阈值
13.8
0.21
✅ 保留
✅ 光滑
小波方法在 SNR 提升上比傅里叶低通好约 2-3 dB,更重要的是保留了信号中的跳变边缘——这正是医学信号(ECG 中 QRS 波群)、地震信号(反射波到达时间)等应用中无法牺牲的关键特征。
领域
具体应用
为何小波优于傅里叶
标准/方法
图像压缩
JPEG 2000
消除块效应,渐进传输
CDF 9/7 小波
心电图分析
QRS 检测、心律失常
瞬态事件精确定位
db6 小波 4 层分解
地震勘探
反射波识别、层位追踪
不同地层反射波频段不同
连续小波变换
机械故障诊断
轴承振动分析
故障信号短时瞬态
Morlet 小波
金融时间序列
波动率多尺度分析
日/周/月尺度同时分析
Haar/Maximal Overlap DWT
气候研究
ENSO 信号时频分析
季节与年际周期共存
Morlet 连续小波
抽象调和分析将傅里叶分析的理论框架推广到更一般的数学结构中。其核心观察是:傅里叶变换的本质是群表示论 的一个实例。
对于一个局部紧阿贝尔群 (LCA 群)G GG ,可以定义:
对偶群 G ^ \hat{G}G ^ :G GG 上的所有特征标(群同态 G → T G \to \mathbb{T}G → T )构成的群
傅里叶变换 :f ^ ( χ ) = ∫ G f ( x ) χ ( x ) ‾ d μ ( x ) \hat{f}(\chi) = \int_G f(x) \overline{\chi(x)} d\mu(x)f ^ ( χ ) = ∫ G f ( x ) χ ( x ) d μ ( x )
Plancherel 定理 :保持 L 2 L^2L 2 范数
庞特里亚金对偶性 :G ^ ^ ≅ G \hat{\hat{G}} \cong GG ^ ^ ≅ G
经典情形的对应关系:
群 G GG
对偶群 G ^ \hat{G}G ^
展开类型
特征标形式
R \mathbb{R}R (实数加法群)
R \mathbb{R}R
傅里叶变换
e i ω t e^{i\omega t}e iω t
T = R / Z \mathbb{T} = \mathbb{R}/\mathbb{Z}T = R / Z (圆群)
Z \mathbb{Z}Z (整数加法群)
傅里叶级数
e i 2 π n t e^{i2\pi nt}e i 2 π n t
Z \mathbb{Z}Z (整数加法群)
T \mathbb{T}T
离散时间傅里叶变换
e i ω n e^{i\omega n}e iω n
Z N \mathbb{Z}_NZ N (有限循环群)
Z N \mathbb{Z}_NZ N
DFT
e i 2 π k n / N e^{i2\pi kn/N}e i 2 π k n / N
这正是调和分析优雅的对称性:时域离散等价于频域周期,时域周期等价于频域离散。
当 G GG 非阿贝尔时,特征标不够用,需要考察该群的不可约幺正表示 。非交换调和分析在量子力学(Pauli 矩阵、SU(2) 表示)、密码学和数论中有重要应用。SU(2) 群表示论直接对应于角动量量子化——这是量子力学中自旋的数学基础。
调和分析的起源本身就是由 PDE 驱动的:
热传导方程 ∂ u ∂ t = α ∂ 2 u ∂ x 2 \frac{\partial u}{\partial t} = \alpha \frac{\partial^2 u}{\partial x^2}∂ t ∂ u = α ∂ x 2 ∂ 2 u ——傅里叶最初的动机,通过分离变量法得到傅里叶级数解
波动方程 ∂ 2 u ∂ t 2 = c 2 ∂ 2 u ∂ x 2 \frac{\partial^2 u}{\partial t^2} = c^2 \frac{\partial^2 u}{\partial x^2}∂ t 2 ∂ 2 u = c 2 ∂ x 2 ∂ 2 u ——解可以用傅里叶变换简洁表示
拉普拉斯方程 Δ u = 0 \Delta u = 0Δ u = 0 ——调和函数(harmonic functions)的命名来源
以热传导方程为例:假设一根长度为 L LL 的金属棒,初始温度分布为 u ( x , 0 ) = f ( x ) u(x,0) = f(x)u ( x , 0 ) = f ( x ) ,两端固定在 0°C。将其写为傅里叶正弦级数 f ( x ) = ∑ b n sin ( n π x / L ) f(x) = \sum b_n \sin(n\pi x / L)f ( x ) = ∑ b n sin ( nπ x / L ) ,则解为:
u ( x , t ) = ∑ n = 1 ∞ b n e − α ( n π / L ) 2 t sin ( n π x L ) u(x,t) = \sum_{n=1}^{\infty} b_n e^{-\alpha (n\pi/L)^2 t} \sin\left(\frac{n\pi x}{L}\right)
u ( x , t ) = n = 1 ∑ ∞ b n e − α ( nπ / L ) 2 t sin ( L nπ x )
高频分量(大 n nn )的指数衰减系数与 n 2 n^2n 2 成正比,因此衰减极快。如果观察一根被加热过的铜棒(α ≈ 1.11 \alpha \approx 1.11α ≈ 1.11 cm²/s),长度为 10 cm,初始在中心 2 cm 处温度为 100°C、其余为 0°C:
0.1 秒后:基频(主模式)衰减到约 90%,3 次谐波衰减到约 40%
1.0 秒后:基频衰减到约 33%,5 次以上谐波几乎完全消失
10 秒后:仅基频保留(约 0.002%),温度分布接近半正弦波,各处温差不超过 1°C
调和分析与复数分析有着深刻的联系:
解析函数(全纯函数)的实部和虚部都是调和函数
柯西积分公式与傅里叶变换有相似的结构
希尔伯特变换建立了调和函数对与解析函数边缘值的关系
特征函数 :随机变量 X XX 的特征函数 φ X ( t ) = E [ e i t X ] \varphi_X(t) = E[e^{itX}]φ X ( t ) = E [ e i tX ] 本质上就是概率密度函数的傅里叶变换
平稳过程谱密度 :Wiener–Khinchin 定理表明,平稳随机过程的功率谱密度是其自相关函数的傅里叶变换
布朗运动的小波展开 :∑ j , k 2 − j / 2 ψ ( 2 j t − k ) \sum_{j,k} 2^{-j/2} \psi(2^j t - k)∑ j , k 2 − j /2 ψ ( 2 j t − k ) 系数服从独立标准正态分布
FFT 是数值线性代数中最核心的算法之一
谱方法 (Spectral Methods)使用傅里叶基求解 PDE:对于光滑解,误差随基函数数量呈指数衰减,远优于有限差分的代数收敛速度
快速多极子方法 (Fast Multipole Method)利用调和分析加速 N NN -体问题,将 O ( N 2 ) O(N^2)O ( N 2 ) 降至 O ( N ) O(N)O ( N )
现代数字信号处理几乎完全建立在傅里叶分析和小波分析之上:
技术/标准
核心数学工具
频域处理要点
MP3/AAC 音频编解码
MDCT(修正离散余弦变换)
48-64 个频带,心理声学模型分配比特
JPEG 图像压缩
DCT(离散余弦变换)
8×8 分块 DCT,量化舍弃高频
JPEG 2000
CDF 9/7 小波变换
无分块,渐进式传输
OFDM 调制 (4G/5G/WiFi)
IFFT 基带调制
将高速串行流分为多个低速并行子载波
降噪耳机
FFT + 自适应滤波
实时分析环境噪声,生成反相声波
利用谱分析检测周期性模式:
服务器日志中的周期流量(日周期 86400 秒、周周期 604800 秒)
传感器数据中的故障特征频率
金融数据的交易周期
核心洞察:许多自然信号在小波域中是稀疏 的(大多数系数接近于零)。这意味着可以在远低于奈奎斯特采样率的条件下重建信号。
方法
所需采样点(对 N=1000 的信号)
前提条件
奈奎斯特采样
2000 个(2倍)
无前提
压缩感知
200-400 个(0.2-0.4倍)
信号在小波域稀疏且与测量矩阵不相关
现实应用 :
MRI 加速 :传统 MRI 需完整采集 k 空间数据(10-30分钟)。压缩感知 MRI 仅采样 20-30%,重建质量仍满足诊断要求,将扫描时间缩短到 2-5 分钟
单像素相机 :Rice 大学提出的单像素相机使用数字微镜阵列(DMD)+ 单个光电探测器,替代传统 CCD 阵列,在红外和不可见光波段有独特优势
卡尔松于 1966 年证明了:对于 L 2 L^2L 2 函数,其傅里叶级数几乎处处收敛。这一结果解决了一个长期悬而未决的难题,被认为是 20 世纪调和分析最重要的成就。
研究奇异积分算子(如希尔伯特变换、Riesz 变换)在 L p L^pL p 空间上的有界性。核心工具:
考尔德伦-齐格蒙德分解 :将可测函数分解为"好"部分和"坏"部分
奇异积分的有界性 :希尔伯特变换在 1 < p < ∞ 1 < p < \infty1 < p < ∞ 上有界
极大函数 :Hardy–Littlewood 极大函数控制着奇异积分的点态估计
研究方向
核心问题
应用领域
时频分析
最优时间-频率联合表示
信号处理、非平稳分析
拟周期调和分析
拟晶体的衍射谱
材料科学
p进调和分析
p进数域上的傅里叶变换
数论、量子信息
非交换调和分析
Lie 群表示论
粒子物理、量子力学
量子调和分析
非交换概率论频域分析
量子计算、量子通信
import numpy as np
from scipy.fft import fft, ifft
from scipy.signal import spectrogram
import matplotlib.pyplot as plt
import pywt
# === FFT 频谱分析 ===
fs = 1000 # 采样率 1kHz
t = np.arange(0, 1, 1/fs)
x = np.sin(2*np.pi * 50 * t) + 0.5 * np.sin(2*np.pi * 120 * t)
X = fft(x)
freqs = np.fft.fftfreq(len(x), 1/fs)
# X[50] 和 X[120] 处会有明显峰值
# === 小波去噪 ===
x_noisy = x + 0.3 * np.random.randn(len(x))
coeffs = pywt.wavedec(x_noisy, 'db4', level=4)
threshold = np.std(coeffs[-1]) * np.sqrt(2 * np.log(len(x)))
coeffs_denoised = [pywt.threshold(c, threshold, 'soft') for c in coeffs]
x_clean = pywt.waverec(coeffs_denoised, 'db4')
库
语言
核心功能
特出优势
NumPy/SciPy
Python
FFT、STFT、滤波器
生态完善,学习曲线平缓
PyWavelets (pywt)
Python
DWT、CWT、小波包
支持 100+ 种小波
FFTW
C/Fortran
最快 FFT(支持多线程)
性能极致,MATLAB 和 NumPy 底层使用
KFR
C++
跨平台 DSP 工具包
头文件仅依赖,SIMD 加速
MATLAB DSP Toolbox
MATLAB
全套信号处理
交互式 Filter Designer
Wavelets.jl
Julia
小波变换
Julia 生态,高性能集成
中文
English
简要说明
调和分析
Harmonic Analysis
研究函数的频域分解
傅里叶级数
Fourier Series
周期函数的谐波展开
傅里叶变换
Fourier Transform
非周期函数的频域转换
小波变换
Wavelet Transform
时频联合分析方法
频谱
Frequency Spectrum
频率分量分布
快速傅里叶变换
Fast Fourier Transform (FFT)
DFT 的高效 O ( N log N ) O(N \log N)O ( N log N ) 算法
母小波
Mother Wavelet
小波变换的基函数
多分辨率分析
Multi-Resolution Analysis (MRA)
小波分析的理论框架
卷积
Convolution
两个函数的整合运算
谱分析
Spectral Analysis
从频域分析信号
不确定性原理
Uncertainty Principle
时频分辨率的基本限制
正交基
Orthogonal Basis
函数空间中的正交坐标系
吉布斯现象
Gibbs Phenomenon
间断点附近傅里叶级数的过冲
压缩感知
Compressed Sensing
亚奈奎斯特采样重建
时频分析
Time-Frequency Analysis
同时获取时间和频率信息
窗函数
Window Function
抑制频谱泄漏的加权函数
滤波器组
Filter Bank
用小波实现多尺度分解
本文为数学知识库 调和分析 的完整文档。更多相关知识请参见 数学知识库索引 。