Математика · Обробка сигналів
Червень 2026 · 14 хв читання · Спектральний аналіз · DFT · FFT · Застосування · Останнє оновлення: 22 червня 2026 р.

Перетворення Фур'є — від сигналів до спектрів

Автор: Команда MySimulator · Редакційна перевірка: Редакція MySimulator

У 1822 році Жозеф Фур'є показав, що будь-яку періодичну функцію можна представити як нескінченну суму синусів і косинусів. Поширене на неперіодичні функції, це прозріння стало перетворенням Фур'є — мабуть, найуніверсальнішим математичним інструментом у прикладних науках. Воно розкладає будь-який сигнал на його частотні компоненти, дозволяючи інженерам і науковцям фільтрувати шум, стискати зображення, сканувати людський мозок, виявляти гравітаційні хвилі й будувати сучасний інтернет. Ця стаття розвиває теорію з перших принципів і простежує перетворення через його найважливіші застосування.

1. Ряд Фур'є: розкладання періодичних функцій

Для функції f(t), яка є періодичною з періодом T (тобто f(t+T) = f(t) для всіх t), представлення рядом Фур'є має вигляд:

f(t) = a₀/2 + Σ[n=1 до ∞] ( aₙcos(2πnt/T) + bₙsin(2πnt/T) ) Коефіцієнти (ортогональність sin/cos за один період): a₀ = (2/T) · ∫[-T/2 до T/2] f(t) dt aₙ = (2/T) · ∫[-T/2 до T/2] f(t)cos(2πnt/T) dt bₙ = (2/T) · ∫[-T/2 до T/2] f(t)sin(2πnt/T) dt

У комплексній експоненційній формі (компактніше й загальніше):

f(t) = Σ[n=−∞ до ∞] cₙ · e^(i2πnt/T) cₙ = (1/T) · ∫[-T/2 до T/2] f(t) · e^(−i2πnt/T) dt де: cₙ = (aₙ − ibₙ)/2 для n > 0 c₀ = a₀/2 c₋ₙ = cₙ* (комплексно спряжене, для дійсного f)

Присутні частоти є дискретними кратними фундаментальної частоти f₀ = 1/T: {0, f₀, 2f₀, 3f₀, ...}. Прямокутна хвиля з періодом T та амплітудою A має лише непарні гармоніки:

Прямокутна хвиля: f(t) = (4A/π) · Σ[n=1,3,5,...] sin(2πnt/T) / n = (4A/π) · [sin(2πt/T) + sin(6πt/T)/3 + sin(10πt/T)/5 + ...]

Це розкладання пояснює, чому прямокутна хвиля синтезатора звучить різкіше за синусоїду — вона містить енергію на багатьох гармоніках, що стимулюють кілька резонансів у людському вусі.

2. Неперервне перетворення Фур'є

Ряд Фур'є працює для періодичних функцій. Для неперіодичного сигналу f(t), що існує для всього часу, ми беремо границю T → ∞. Дискретні частоти зливаються в континуум, а сума ряду Фур'є стає інтегралом — перетворенням Фур'є:

Пряме перетворення: F(ω) = ∫[-∞ до ∞] f(t) · e^(−iωt) dt Обернене перетворення: f(t) = (1/2π) · ∫[-∞ до ∞] F(ω) · e^(iωt) dω де ω = 2πf — кутова частота (радіани за секунду). Альтернативна конвенція зі звичайною частотою ν (Гц): F(ν) = ∫[-∞ до ∞] f(t) · e^(−i2πνt) dt f(t) = ∫[-∞ до ∞] F(ν) · e^(i2πνt) dν (симетрична — без множника 1/2π)

F(ω) — загалом комплекснозначна функція частоти. Її модуль |F(ω)| — це спектр амплітуд, тобто скільки присутньо кожної частоти. Аргумент arg(F(ω)) — це спектр фаз, відносний час кожної частотної компоненти.

Поширені пари перетворень

f(t) = e^(−a|t|) ↔ F(ω) = 2a/(a² + ω²) (лоренцівський спектр) f(t) = rect(t/T) ↔ F(ω) = T · sinc(ωT/2π) (спектр sinc, де sinc(x)=sin(πx)/(πx)) f(t) = e^(−πt²) ↔ F(ν) = e^(−πν²) (гаусіан — власне перетворення!) f(t) = δ(t) ↔ F(ω) = 1 (імпульс → плаский спектр) f(t) = 1 ↔ F(ω) = 2πδ(ω) (постійний сигнал → одиничний пік при ω=0) f(t) = cos(ω₀t) ↔ F(ω) = π[δ(ω−ω₀) + δ(ω+ω₀)]

3. Ключові властивості: лінійність, зсув, масштаб

Перетворення Фур'є задовольняє кілька фундаментальних властивостей, що роблять його потужним:

Лінійність: ℱ{af(t) + bg(t)} = aF(ω) + bG(ω) Часовий зсув: ℱ{f(t − t₀)} = e^(−iωt₀) · F(ω) (зсув у часі → обертання фази в частоті; модулі незмінні) Частотний зсув: ℱ{e^(iω₀t) f(t)} = F(ω − ω₀) (множення на комплексну експоненту → зсув частотного спектра) Це основа радіомодуляції (AM, FM, SSB). Масштабування в часі: ℱ{f(at)} = (1/|a|) · F(ω/a) Стиснення в часі (a > 1) → розтягнення в частоті, менша амплітуда. Це принцип невизначеності час-смуга пропускання в дії. Дуальність: якщо f(t) ↔ F(ω), то F(t) ↔ 2π f(−ω) Диференціювання: ℱ{f'(t)} = iω · F(ω) Похідні в часі → множення на iω у частоті. Це перетворює диференціальні рівняння на алгебраїчні — основа Лапласової/s-області.

Принцип невизначеності

Сигнал не може бути як завгодно локалізованим одночасно і в часі, і в частоті. Принцип невизначеності Гейзенберга-Габора для сигналів стверджує:

Δt · Δω ≥ 1/2 де Δt = середньоквадратична тривалість у часі, Δω = середньоквадратична смуга. Рівність виконується для гаусового сигналу (пакет мінімальної невизначеності). Це математично ідентично квантово-механічному принципу невизначеності Δx · Δp ≥ ℏ/2, оскільки хвильова функція пов'язана з положенням через перетворення Фур'є.

4. Теорема про згортку

Згортка двох функцій f і g визначається як:

(f * g)(t) = ∫[-∞ до ∞] f(τ) · g(t − τ) dτ

Згортка з'являється всюди: вихід лінійної інваріантної в часі (LTI) системи для входу f(t) — це згортка f з імпульсною характеристикою системи h(t). Акустична луна приміщення — це згортка сухого сигналу з імпульсною характеристикою приміщення. Розмиття зображення — це двовимірна згортка з ядром розмиття.

Теорема про згортку — один із найкорисніших результатів у всій обробці сигналів:

ℱ{f * g} = F(ω) · G(ω) (згортка в часі ↔ множення в частоті) ℱ{f · g} = (1/2π) F * G (множення в часі ↔ згортка в частоті)

Це трансформаційно: замість прямого обчислення згортки за O(N²), можна виконати FFT обох сигналів (O(N log N)), перемножити їх поточково (O(N)) і виконати обернене FFT (O(N log N)). Разом: O(N log N) — драматичне прискорення для великих сигналів.

Фільтрація у частотній області

Фільтр низьких частот H(ω) = 1 для |ω| ≤ ω_c, 0 інакше (ідеальний фільтр «цегляна стіна») видаляє весь частотний вміст вище частоти зрізу ω_c. Його часова імпульсна характеристика — функція sinc:

h(t) = ℱ⁻¹{H(ω)} = (ω_c/π) · sinc(ω_c t/π)

Реальні фільтри використовують sinc-функції з віконними функціями (вікна Ханна, Хеммінга, Кайзера), щоб уникнути явища Гіббса — артефактів дзвону, спричинених різким зрізом в ідеальному фільтрі.

5. Теорема Парсеваля та спектри енергії

Теорема Парсеваля стверджує, що повна енергія сигналу однакова незалежно від того, обчислена вона в часовій чи частотній області:

∫[-∞ до ∞] |f(t)|² dt = (1/2π) · ∫[-∞ до ∞] |F(ω)|² dω У симетричній конвенції (частота в Гц): ∫[-∞ до ∞] |f(t)|² dt = ∫[-∞ до ∞] |F(ν)|² dν

Функція |F(ω)|² — це спектральна густина потужності (PSD) — вона показує, як потужність сигналу розподілена по частотах. Теорема Парсеваля фізично означає, що перетворення Фур'є є унітарним оператором — воно зберігає скалярні добутки (а отже, норми, а отже, енергію).

Спектральна густина потужності на практиці

Для випадкового стаціонарного процесу x(t) PSD S_xx(f) визначається як перетворення Фур'є автокореляційної функції R_xx(τ) — теорема Вінера-Хінчина:

S_xx(f) = ℱ{R_xx(τ)} де R_xx(τ) = E[x(t)·x(t+τ)] (математичне сподівання кореляції) Білий шум: R_xx(τ) = σ²δ(τ) → S_xx(f) = σ² (плаский спектр) Рожевий шум (1/f): S_xx(f) ∝ 1/f (зустрічається в електроніці, фінансах, музиці)

6. Дискретне перетворення Фур'є та алгоритм FFT

Цифрові комп'ютери працюють із дискретними, скінченними послідовностями. Дискретне перетворення Фур'є (DFT) оперує N відліками x[0], x[1], ..., x[N−1]:

Пряме DFT: X[k] = Σ[n=0 до N−1] x[n] · e^(−i2πkn/N) k = 0, 1, ..., N−1 Обернене DFT: x[n] = (1/N) · Σ[k=0 до N−1] X[k] · e^(i2πkn/N) X[k] представляє амплітуду й фазу частоти f_k = k·f_s/N де f_s = частота дискретизації. Межа Найквіста: лише частоти 0 ≤ f < f_s/2 представлені однозначно. (Накладання спектрів виникає, якщо сигнал містить f > f_s/2 — теорема Шеннона.)

Швидке перетворення Фур'є (FFT)

Наївне обчислення DFT вимагає O(N²) комплексних множень. Для N = 10⁶ відліків це 10¹² операцій — нездійсненно. Алгоритм FFT Кулі-Тьюкі (1965) зменшує це до O(N log₂ N), рекурсивно розділяючи DFT:

Децимація за часом Кулі-Тьюкі (основа 2, N = 2^m): X[k] = Σ[n парне] x[n]·e^(−i2πkn/N) + Σ[n непарне] x[n]·e^(−i2πkn/N) = E[k] + e^(−i2πk/N) · O[k] де E[k] = DFT парно-індексованих відліків (DFT розміру N/2) O[k] = DFT непарно-індексованих відліків (DFT розміру N/2) Рекурсивне розділення зменшує кількість операцій з O(N²) до O(N log₂ N). Для N = 10⁶: 10¹² → ~2×10⁷ операцій — прискорення у 50 000×!

FFT часто називають одним із найважливіших алгоритмів 20 століття. Він уможливив цифрову обробку сигналів у реальному часі, цифрові аудіоробочі станції, програмне радіо та сучасний телекомунікаційний зв'язок.

Віконні функції: Пряме DFT скінченного відліку припускає, що сигнал повторюється періодично за межами вікна, спричиняючи спектральний витік для частот, не розташованих точно на сітці DFT. Застосування віконної функції (Ханна, Хеммінга, Блекмана, Кайзера) плавно зводить сигнал до нуля на краях, значно зменшуючи витік ціною трохи зниженої частотної роздільної здатності.

7. Реальні застосування

Аудіоеквалізація та музичне продюсування

Параметричний еквалайзер розкладає аудіосигнал на частотні смуги (за допомогою FFT або банку фільтрів), регулює підсилення на кожній частоті й відновлює сигнал. Теорема про згортку уможливлює сучасну згорткову реверберацію: запишіть імпульсну характеристику концертної зали (пострілом зі стартового пістолета), потім згорніть будь-який сухий запис із нею — розмістивши цей запис акустично всередині концертної зали. Це вимагає FFT-згортки, що виконується в реальному часі на ноутбуці.

МРТ — магнітно-резонансна томографія

У МРТ радіочастотні сигнали, зафіксовані приймальною котушкою, насправді є перетворенням Фур'є просторової густини спінів тканини. Сканер систематично вибирає цей фур'є-простір (званий k-простором), а потім виконує двовимірне обернене FFT для відтворення просторового зображення:

k-простір: S(k_x, k_y) = ∫∫ ρ(x,y) · e^(−i2π(k_x·x + k_y·y)) dx dy Реконструкція зображення: ρ(x,y) = ∫∫ S(k_x,k_y) · e^(i2π(k_x·x + k_y·y)) dk_x dk_y

Неповна вибірка k-простору (МРТ зі стисненим зондуванням) використовує розрідженість зображень у вейвлет-домені для відтворення повнорозмірних зображень із набагато меншої кількості вимірювань, драматично скорочуючи час сканування.

Стиснення зображень JPEG

JPEG ділить зображення на блоки пікселів 8×8 і застосовує дискретне косинусне перетворення (DCT) — варіант перетворення Фур'є, що використовує лише косинуси:

DCT-II (стандартний JPEG): X[k] = Σ[n=0 до N−1] x[n] · cos( π(2n+1)k / 2N ) k = 0, ..., N−1 Властивості: - Дійснозначний вихід (без комплексних чисел) - Компактування енергії: природні зображення концентрують більшість енергії в низькочастотних коефіцієнтах DCT - Квантування: високочастотні коефіцієнти діляться на більші кроки квантування (крок втрат) - Кодування довжин серій + кодування Хаффмана квантованих коефіцієнтів

Ключове прозріння: людський зоровий апарат набагато чутливіший до низькочастотної інформації (загальна яскравість і градієнти кольору), ніж до високочастотних деталей. JPEG використовує це, агресивно квантуючи високочастотні коефіцієнти DCT, досягаючи коефіцієнтів стиснення 10:1 і більше з мінімальною помітною втратою якості.

Радіо: модуляція та програмно-визначене радіо

Кожна радіопередача передбачає перетворення Фур'є. Амплітудна модуляція (AM) множить базовий аудіосигнал m(t) на несучу cos(ω_c t) — за властивістю частотного зсуву це переносить аудіоспектр у центр біля ω_c. Приймач програмно-визначеного радіо дискретизує широку смугу радіочастот, а потім використовує FFT-фільтрацію для вибору будь-якого каналу цифровим способом — замінюючи аналогове обладнання математикою.

OFDM (ортогональне частотне мультиплексування), схема модуляції за WiFi, 4G/5G та цифровим ТБ, передає дані на сотнях ортогональних піднесучих одночасно. Модулятор — це єдине обернене FFT; демодулятор — єдине FFT. Весь сучасний бездротовий інтернет працює на перетворенні Фур'є.

Детекція гравітаційних хвиль (LIGO)

Коли LIGO виявив перший сигнал гравітаційної хвилі GW150914 у 2015 році — 0,2-секундний «чирп» від злиття двох чорних дір — сигнал мав амплітуду деформації 10⁻²¹ (детектор змінив довжину на 1/1000 діаметра протона на відстані 4 км). Виділення цього із шуму детектора вимагало:

Відношення сигнал/шум для узгодженого фільтра: SNR² = 4 · Re ∫[0 до ∞] |h̃(f)|² / S_n(f) df де h̃(f) = FFT шаблонної хвильової форми S_n(f) = одностороння PSD шуму детектора Це оптимальний лінійний фільтр для виявлення відомого сигналу в гаусовому шумі (фільтр Вінера), і його реалізація повністю базується на FFT.
〰️
Симулятор ряду Фур'є
Будуйте хвильові форми з гармонік і спостерігайте за спектром інтерактивно
 🖼️
Дослідник FFT зображень
Візуалізуйте 2D-перетворення Фур'є зображень і досліджуйте фільтрацію в k-просторі

Джерела