企业官网建设流程全解析

期末一到，很多同学卡在了《信号与系统》第三章。前两章还在做卷积、画波形，到了连续时间傅里叶变换（CTFT）这里，突然变成了一堆积分、频谱图、频响曲线，公式一多就懵。但如果你把第三章的考点拆开看，会发现期末考来考去就是那几类：求变换、用性质、画频谱、判断系统频率特性。方向对了，速成完全来得及。

本文围绕《信号与系统》第三章“连续时间傅里叶变换”的核心内容展开，适合期末冲刺、考研基础复习、以及想快速建立知识框架的同学。我会先把必须掌握的公式和变换对整理成表，再用典型例题演示做题套路，最后补充常见易错点和考前复习顺序。文章还会给出几个 Python 数值验证示例，目的是帮你在不动笔算的时候，也能直观看到频谱长什么样。

本文内容以常见教材的第三章范围为准。不同教材章节划分可能有细微差异，但“傅里叶变换 + 性质 + 周期信号 + 频响”这条主线基本一致，可以放心对照复习。

1. 第三章到底在考什么

1.1 先把本章定位搞清楚

很多同学学第三章觉得累，是因为把注意力放在“推导傅里叶变换”上，而不是放在“用傅里叶变换解决问题”上。考试不会让你证明一堆收敛条件，只会考你能不能算、能不能画、能不能判断。

第三章主要解决一个问题：把时域信号拆成不同频率分量的叠加。

有了这个拆解能力，你就能做三件事：

1. 求信号的频谱，画出幅度谱和相位谱。
2. 利用傅里叶变换的性质，快速求复杂信号的变换。
3. 分析线性时不变系统对信号的“加工”效果，也就是频率响应与滤波。

对应到期末试卷上，一般就是填空选择里考几个变换对，大题里考一个“求频谱并画图”，再考一个“系统频响分析”。掌握了这几类，90+并不夸张。

1.2 你需要的基础知识清单

如果你真的接近零基础，不要慌。第三章需要的数学工具其实很固定，把下面几项补起来就够用。

• 积分运算：傅里叶正变换就是一个广义积分，多数题目只涉及指数函数相乘，运算量不大。
• 欧拉公式：$e^{j\theta} = \cos\theta + j\sin\theta$，正余弦信号与指数信号之间的转换，全靠它。
• 冲激函数 $\delta(t)$ 的性质：尤其是取样性质 $\int_{-\infty}^{\infty} f(t)\delta(t-t_0)dt = f(t_0)$，很多变换对的推导都依赖它。
• 复数运算：幅度谱要取模，相位谱要取辐角。$\left|\frac{1}{a+j\omega}\right| = \frac{1}{\sqrt{a^2+\omega^2}}$ 这类运算要熟练。
• 卷积概念：时域卷积对应频域乘积，这是系统分析的核心桥梁。

如果你的前两章基础比较薄弱，至少把“冲激信号”“阶跃信号”“卷积定义”这三小节翻一下，再回来学第三章会顺畅很多。

2. 傅里叶变换的定义与物理意义

2.1 正变换：从时域到频域

连续时间傅里叶变换的正变换定义为：

$$ X(j\omega) = \int_{-\infty}^{\infty} x(t) e^{-j\omega t} dt $$

这里的 $X(j\omega)$ 称为信号的频谱密度函数，简称频谱。它的自变量是角频率 $\omega$，单位是 rad/s，和频率 $f$ 的关系是 $\omega = 2\pi f$。

怎么理解这个积分？可以把它理解成：在频率 $\omega$ 处，信号 $x(t)$ 含有多少成分。$e^{-j\omega t}$ 是一个复指数旋转因子，积分过程相当于让信号和这个频率的复指数做“匹配检测”，匹配度越高，$X(j\omega)$ 的幅值越大。

初学时不需要过分追究严格的数学条件，先把公式记住。考试中你只需要会用这个积分去算简单信号的变换，以及会用性质去算复杂信号的变换。

2.2 反变换：从频域回到时域

反变换公式：

$$ x(t) = \frac{1}{2\pi} \int_{-\infty}^{\infty} X(j\omega) e^{j\omega t} d\omega $$

这个公式说明：任何信号都可以看成无穷多个复指数信号 $e^{j\omega t}$ 的加权叠加，权重就是 $\frac{1}{2\pi}X(j\omega)d\omega$。

正变换和反变换是一对“往返操作”。时域里做一件麻烦事，可能换到频域就很简单；频域里做完运算，再变回时域得到结果。这就是傅里叶变换在信号与系统分析中最重要的价值。

2.3 收敛条件怎么记

期末考试一般不会考严格的狄利克雷条件证明，但你要知道一条实用结论：

如果信号绝对可积，则其傅里叶变换存在。

即：

$$ \int_{-\infty}^{\infty} |x(t)| dt < \infty $$

不过要注意，有些信号并不绝对可积，比如直流信号、周期信号、阶跃信号，它们的傅里叶变换依然存在，只不过会包含冲激函数 $\delta(\omega)$。这类“带冲激”的变换，恰恰是期末考试最常考的点，后面第 4 节会专门梳理。

3. 常用信号傅里叶变换对

这一节是整章的基础，也是填空题、选择题的主要来源。下面的表建议至少背熟前 8 个，后面 2 个作为补充记忆。

这里多提一句：$Sa(x) = \frac{\sin x}{x}$，也叫抽样函数，有些教材写作 $\text{sinc}(x)$。门函数的傅里叶变换是 $Sa$ 形，这个结论非常高频，请务必记住。

3.1 最常考的变换对怎么记

先说门函数：

$$ g_\tau(t) = \begin{cases} 1, & |t| \le \frac{\tau}{2} \ 0, & \text{其他} \end{cases} $$

它的傅里叶变换是 $\tau Sa(\frac{\omega\tau}{2})$。

记忆技巧：门函数宽度越宽，频谱主瓣越窄；门函数宽度越窄，频谱主瓣越宽。这是傅里叶变换“时域压缩对应频域扩展”的直观体现。

再看直流信号 $x(t) = 1$：

$$ 1 \leftrightarrow 2\pi\delta(\omega) $$

直流信号不随时间变化，因此只包含零频率分量。频谱画出来就是在 $\omega = 0$ 处的一根冲激，强度为 $2\pi$。

再看单边指数信号 $x(t)=e^{-at}u(t)$：

$$ e^{-at}u(t) \leftrightarrow \frac{1}{a+j\omega} $$

这个变换对最大的作用是“练手”。用定义积分算它，你就能熟悉 $e^{-(a+j\omega)t}$ 的积分过程；后面很多复杂信号的变换，都可以由它通过性质推出来。

3.2 用 Python 验证门函数频谱

如果你手头有电脑，可以用 Python 快速验证门函数的频谱形状。下面这段代码用数值 FFT 近似计算矩形脉冲的频谱，能直观看到 $Sa$ 形状的主瓣和旁瓣。

import numpy as np import matplotlib.pyplot as plt # 采样参数 fs = 1000 # 采样率，单位 Hz T = 4 # 总时长，单位 s N = int(fs * T) # 采样点数 t = np.linspace(-T/2, T/2, N, endpoint=False) # 门函数：宽度 tao = 1 秒 tao = 1.0 x = np.where(np.abs(t) <= tao/2, 1.0, 0.0) # 用 FFT 计算频谱，fftshift 把零频移到中心 X = np.fft.fftshift(np.fft.fft(x)) / fs freq = np.fft.fftshift(np.fft.fftfreq(N, 1/fs)) # 绘制时域波形和幅度谱 plt.figure(figsize=(12, 4)) plt.subplot(1, 2, 1) plt.plot(t, x) plt.title("时域：矩形脉冲") plt.xlabel("t (s)") plt.grid(True) plt.subplot(1, 2, 2) plt.plot(freq, np.abs(X)) plt.title("幅度谱") plt.xlabel("f (Hz)") plt.xlim([-3, 3]) plt.grid(True) plt.tight_layout() plt.show()

运行这段代码，你会看到幅度谱在零频处最高，两侧出现逐渐衰减的旁瓣，这就是门函数频谱“主瓣 + 旁瓣”的结构。这个图形本身也是很多简答题的考点。

4. 傅里叶变换性质：快速解题的钥匙

背完变换对之后，下一步就是掌握性质。考试中直接让用定义积分的题目不多，更多是让你利用性质从已知变换推导未知变换。性质掌握熟练，很多题可以做到“口算”。

4.1 性质速查表

上表中最常考的性质是：线性、时移、频移、尺度变换、时域卷积、对偶性。其中对偶性容易被忽略，但一旦考到，就是拉开差距的题。

4.2 用性质求变换的通用套路

拿到一道求傅里叶变换的题，第一步不要急着积分，先观察信号结构，按下面顺序尝试：

1. 信号能拆成已知变换对的和吗？能，就用线性。
2. 信号是已知信号的时移吗？是，就乘 $e^{-j\omega t_0}$。
3. 信号是已知信号调制到高频吗？比如乘以 $\cos$、$\sin$、$e^{j\omega_0 t}$，就用频移。
4. 信号是已知信号的尺度变换吗？比如 $x(2t)$、$x(t/2)$，就用尺度变换。
5. 信号能写成两个信号的卷积吗？能，就用时域卷积定理。
6. 实在不满足上述情况，再用定义积分。

这个顺序本身就是在帮你建立解题条件反射。

4.3 性质组合拳示例

来看一道典型题：

求 $x(t) = e^{-a(t-t_0)}u(t-t_0)$ 的傅里叶变换，其中 $a>0$。

先拆解信号结构。$e^{-at}u(t)$ 是已知变换对：

$$ e^{-at}u(t) \leftrightarrow \frac{1}{a+j\omega} $$

而 $x(t)$ 相当于把 $e^{-at}u(t)$ 整体向右平移 $t_0$。根据时移性质：

$$ x(t-t_0) \leftrightarrow X(j\omega)e^{-j\omega t_0} $$

所以：

$$ x(t) = e^{-a(t-t_0)}u(t-t_0) \leftrightarrow \frac{e^{-j\omega t_0}}{a+j\omega} $$

注意，这里的关键是换个变量看整体：令 $y(t) = e^{-at}u(t)$，则 $x(t) = y(t-t_0)$。时移只改变相位谱，不改变幅度谱。因此直接写出结果，不需要再做积分。

再看一道综合了线性和频移的题：

求 $x(t) = e^{-at}u(t)\cos(\omega_0 t)$ 的傅里叶变换。

利用欧拉公式把余弦展开：

$$ \cos(\omega_0 t) = \frac{e^{j\omega_0 t} + e^{-j\omega_0 t}}{2} $$

所以：

$$ x(t) = \frac{1}{2} e^{-at}u(t)e^{j\omega_0 t} + \frac{1}{2} e^{-at}u(t)e^{-j\omega_0 t} $$

对第一项使用频移性质，相当于在频域把 $\frac{1}{a+j\omega}$ 右移 $\omega_0$：

$$ e^{-at}u(t)e^{j\omega_0 t} \leftrightarrow \frac{1}{a+j(\omega-\omega_0)} $$

对第二项同理，频域左移 $\omega_0$：

$$ e^{-at}u(t)e^{-j\omega_0 t} \leftrightarrow \frac{1}{a+j(\omega+\omega_0)} $$

最后合并：

$$ X(j\omega) = \frac{1}{2}\left[\frac{1}{a+j(\omega-\omega_0)} + \frac{1}{a+j(\omega+\omega_0)}\right] $$

这种题目考的就是“调制性质”，也就是频移性质的正用和反用。只要看到时域里乘以正余弦，就要想到频谱搬移。

4.4 用 Python 验证时移性质

时移性质说“时域延迟，幅度谱不变，只改变相位”。我们可以用一小段代码验证这一点。

import numpy as np import matplotlib.pyplot as plt fs = 1000 T = 4 N = int(fs * T) t = np.linspace(-T/2, T/2, N, endpoint=False) # 原始指数衰减信号 a = 2.0 x1 = np.exp(-a * t) * (t >= 0) # 时移 0.3 秒 t0 = 0.3 x2 = np.exp(-a * (t - t0)) * (t - t0 >= 0) # 计算频谱幅度 X1 = np.abs(np.fft.fftshift(np.fft.fft(x1))) / fs X2 = np.abs(np.fft.fftshift(np.fft.fft(x2))) / fs freq = np.fft.fftshift(np.fft.fftfreq(N, 1/fs)) plt.figure(figsize=(10, 3)) plt.plot(freq, X1, label="原始信号") plt.plot(freq, X2, '--', label=f"时移 {t0}s") plt.xlabel("f (Hz)") plt.ylabel("幅度谱") plt.title("时移不改变幅度谱") plt.xlim([0, 3]) plt.legend() plt.grid(True) plt.show()

运行后可以看到两条幅度谱曲线几乎完全重合，这正是时移性质的直观体现。

5. 周期信号的傅里叶变换

5.1 从傅里叶级数到冲激串

周期信号不满足绝对可积条件，但如果允许变换中出现冲激函数，周期信号也存在傅里叶变换。

回顾傅里叶级数的指数形式：

$$ x(t) = \sum_{n=-\infty}^{\infty} F_n e^{jn\omega_0 t} $$

其中 $\omega_0 = \frac{2\pi}{T}$ 是基波角频率，$F_n$ 是傅里叶级数系数。

对两边同时取傅里叶变换，并利用“$e^{jn\omega_0 t}$ 的变换是 $2\pi\delta(\omega-n\omega_0)$”，可得：

$$ X(j\omega) = 2\pi \sum_{n=-\infty}^{\infty} F_n \delta(\omega-n\omega_0) $$

这个公式不需要死记，记住结论就行：周期信号的傅里叶变换，是频域里一排等间隔的冲激串，冲激强度由傅里叶系数决定。

5.2 周期信号的频谱特点

周期信号的频谱有三个特点，经常作为简答题出现：

1. 离散性：只存在于基波频率 $\omega_0$ 的整数倍处。
2. 谐波性：谱线间隔固定，都是 $\omega_0$。
3. 收敛性：高频分量的幅度总体呈衰减趋势，实际信号的能量主要集中在低频部分。

比如周期矩形脉冲信号，它的谱线包络是 $Sa$ 形状。这个结论结合前面门函数的变换对一起记，效果最好。

如果考试要求画周期信号的频谱图，记得把谱线画成“一根一根”的竖线，而不是连续曲线。连续频谱对应非周期信号，离散谱线对应周期信号，这个区别不要搞混。

6. 系统的频率响应与滤波

6.1 频率响应怎么求

一个线性时不变系统，如果输入为 $e^{j\omega t}$，输出仍然是与输入同频率的复指数信号，只是幅度和相位发生了变化。这个“变化规律”就是频率响应：

$$ H(j\omega) = \frac{Y(j\omega)}{X(j\omega)} $$

在电路系统里，常见的求解方式是对微分方程两边取傅里叶变换，解出 $Y(j\omega)$ 与 $X(j\omega)$ 的比值。例如系统微分方程为：

$$ \frac{dy(t)}{dt} + a y(t) = x(t) $$

两边取傅里叶变换，用时域微分性质：

$$ j\omega Y(j\omega) + a Y(j\omega) = X(j\omega) $$

于是：

$$ H(j\omega) = \frac{Y(j\omega)}{X(j\omega)} = \frac{1}{a + j\omega} $$

这个结果和 $e^{-at}u(t)$ 的变换形式一样，是巧合吗？不是。系统单位冲激响应 $h(t)$ 的傅里叶变换就是频率响应，即 $H(j\omega) = \mathcal{F}[h(t)]$。所以 $h(t) = e^{-at}u(t)$ 对应 $H(j\omega)=\frac{1}{a+j\omega}$，两者是一一对应的关系。

6.2 幅频特性和相频特性

频率响应是复数，可以写成：

$$ H(j\omega) = |H(j\omega)| e^{j\varphi(\omega)} $$

其中 $|H(j\omega)|$ 是幅频特性，$\varphi(\omega)$ 是相频特性。

以上面的 $H(j\omega)=\frac{1}{a+j\omega}$ 为例：

$$ |H(j\omega)| = \frac{1}{\sqrt{a^2+\omega^2}} $$

$$ \varphi(\omega) = -\arctan\frac{\omega}{a} $$

当 $\omega=0$ 时，$|H(j\omega)|=\frac{1}{a}$，是最大值；随着 $\omega$ 增大，幅度逐渐减小。这说明该系统是一个低通滤波器——低频信号容易通过，高频信号被衰减。

6.3 无失真传输条件

信号通过系统，最理想的情况是“无失真”，即输出只是输入的放大和延迟，形状不变：

$$ y(t) = K x(t-t_0) $$

两边取傅里叶变换：

$$ Y(j\omega) = K e^{-j\omega t_0} X(j\omega) $$

所以无失真传输系统的频率响应必须满足：

$$ H(j\omega) = K e^{-j\omega t_0} $$

也就是说，幅频特性在整个频率范围内是常数 $K$，相频特性是一条过原点的直线，斜率为 $-t_0$。这是简答题的高频考点，表述时建议直接写：

1. 幅频特性为常数。
2. 相频特性是 $\omega$ 的线性函数。

6.4 滤波器类型判断技巧

期末常见的滤波器判断问题，会给你 $H(j\omega)$ 的表达式或幅频特性曲线，让你判断是低通、高通、带通还是带阻。

• 低通：低频幅度大，高频幅度小。
• 高通：低频幅度小，高频幅度大。
• 带通：中间频段幅度大，两端幅度小。
• 带阻：中间频段幅度小，两端幅度大。

如果 $H(j\omega)$ 是单个一阶因子 $\frac{1}{a+j\omega}$，通常对应低通；如果分子带 $j\omega$ 项，比如 $\frac{j\omega}{a+j\omega}$，通常对应高通。具体判断还是要看 $\omega=0$ 和 $\omega\to\infty$ 两个极限值，以及频谱曲线的整体形状。

6.5 用 Python 演示 RC 低通滤波器

下面用 Python 画一个一阶 RC 低通滤波器的幅频特性。这个例子和你期末电路题里的频响分析是同一个模型。

import numpy as np import matplotlib.pyplot as plt # 参数：RC 时间常数 RC = 0.5 # 频率范围，单位 rad/s w = np.linspace(0, 20, 500) # 一阶 RC 低通滤波器的频率响应 H = 1 / (1 + 1j * w * RC) amp = np.abs(H) phase = np.angle(H) plt.figure(figsize=(10, 4)) plt.subplot(1, 2, 1) plt.plot(w, amp) plt.title("幅频特性") plt.xlabel("ω (rad/s)") plt.ylabel("|H(jω)|") plt.grid(True) plt.subplot(1, 2, 2) plt.plot(w, phase) plt.title("相频特性") plt.xlabel("ω (rad/s)") plt.ylabel("φ(ω) (rad)") plt.grid(True) plt.tight_layout() plt.show()

从图中可以看到，频率越高，幅度越小，相位滞后越大。这说明系统让低频信号通过、让高频信号衰减，是典型的低通特性。

7. 期末典型题型实战

7.1 题型一：用定义或性质求傅里叶变换

题目：求 $x(t) = e^{-2|t|}$ 的傅里叶变换。

这种双边指数信号，最稳妥的方法是用定义直接积分。注意绝对值要分段：

$$ x(t) = \begin{cases} e^{2t}, & t<0 \ e^{-2t}, & t\ge 0 \end{cases} $$

代入正变换公式：

$$ X(j\omega) = \int_{-\infty}^{0} e^{2t} e^{-j\omega t} dt + \int_{0}^{\infty} e^{-2t} e^{-j\omega t} dt $$

分别计算两个积分。先看右半部分：

$$ \int_{0}^{\infty} e^{-(2+j\omega)t} dt = \frac{1}{2+j\omega} $$

左半部分同理：

$$ \int_{-\infty}^{0} e^{(2-j\omega)t} dt = \frac{1}{2-j\omega} $$

合并：

$$ X(j\omega) = \frac{1}{2+j\omega} + \frac{1}{2-j\omega} = \frac{4}{4+\omega^2} $$

这里得到的 $X(j\omega)$ 是实函数，说明信号的分量在频域中没有相位偏移，因为 $x(t)$ 是偶对称信号，幅度谱本身就是偶函数。这类“定义法”题目虽然计算量不大，但分段积分、合并化简很考验基本功，考前至少要完整练上三遍。

7.2 题型二：画出信号的频谱图

题目：已知门函数 $g_\tau(t)$ 的傅里叶变换为 $\tau Sa(\frac{\omega\tau}{2})$，画出其幅度谱和相位谱。

这是最经典的频谱图题。先画幅度谱：

$$ |X(j\omega)| = \left|\tau Sa\left(\frac{\omega\tau}{2}\right)\right| $$

$Sa$ 函数的主瓣在 $\omega=0$ 处，高度为 $\tau$，第一零点出现在 $\frac{\omega\tau}{2} = \pi$，即 $\omega = \frac{2\pi}{\tau}$。之后旁瓣交替正负，幅度逐渐减小。

再画相位谱。$Sa$ 函数在 $\tau Sa(\frac{\omega\tau}{2})$ 为正的区间，相位为 0；为负的区间，相位为 $\pi$（或 $-\pi$）。所以相位谱是一个在零点处发生跳变的方波状图形。

考试画图时注意三点：标出坐标轴、标出关键点值、标注正负区间。很多同学算对了表达式，却因为图上没标第一零点位置被扣分，很可惜。

7.3 题型三：系统频率特性分析与输出求解

题目：某系统的频率响应 $H(j\omega) = \frac{1}{1+j\omega}$，输入 $x(t) = \cos(t)$，求系统的稳态输出。

这类题的套路非常固定：输入为单频余弦时，输出仍然是同频率的余弦，幅度变为原来的 $|H(j\omega_0)|$，相位增加 $\angle H(j\omega_0)$。

代入 $\omega_0 = 1$：

$$ H(j1) = \frac{1}{1+j} = \frac{1}{\sqrt{2}} e^{-j\frac{\pi}{4}} $$

所以：

$$ y(t) = \frac{1}{\sqrt{2}} \cos\left(t - \frac{\pi}{4}\right) $$

如果输入包含多个频率分量，比如 $x(t) = \cos(t) + \cos(3t)$，那就分别计算每个频率对应的幅度和相位变化，再叠加。这就是系统分析的“单频响应叠加法”，本质是线性时不变系统性质的直接应用。

8. 常见错误与避坑清单

9. 考前冲刺策略与复习建议

如果你距离考试只剩一周，建议按下面的顺序安排复习，效率更高。

1. 第 1 天：背熟常用变换对表和性质表，每天早起默写一遍。
2. 第 2 天：重点练“用性质求变换”的题目，每天 10 道题起步。
3. 第 3 天：专攻周期信号与频谱图，会画脉冲序列的频谱。
4. 第 4 天：研究系统的频率响应，做 5 道滤波器判断和 5 道输出求解题。
5. 第 5 天：做两套完整试卷，重点看大题的解题步骤是否规范。
6. 第 6 天：整理错题，把易错点表格再过一遍。
7. 第 7 天：回归公式，快速翻阅本章笔记，保持手感和状态。

考试做题时也建议固定顺序：先做变换对和填空题，这类题拿分快；再做频谱图题，这类题套路固定；最后做大题里的系统分析。遇到不会的题，先标记跳过，不要在一道题上死磕超过 10 分钟。

如果你还有更充裕的时间，可以尝试把本章内容和后续的拉普拉斯变换对比学习。傅里叶变换是拉普拉斯变换在 $s=j\omega$ 时的特例，理解这一点后，你对为什么有些信号需要拉普拉斯变换、为什么收敛域如此重要，会有更深的理解。

傅里叶变换没有想象中那么可怕。变换对背熟、性质用熟、题型练熟，把常见套路形成条件反射，期末拿到 90+ 是完全可行的。希望这份保姆级教程能帮你跳过自己摸索的弯路，在考场上稳一点，再稳一点。