企业官网建设流程全解析

简介：傅立叶变换、拉普拉斯变换与小波变换是信号处理与数学建模的核心工具，这份手写公式推导笔记适合正在学习信号与系统、数学建模或准备相关考试的本科生与工程师。笔记从连续与离散两个层面完整梳理三大变换，涵盖连续/离散傅立叶变换、单边/双边拉普拉斯变换以及连续/离散小波变换的公式推导，并点明各变换的适用场景，帮助读者真正理解从时域到频域、复频域的分析逻辑。资源为1个PDF文件，压缩包大小为12.85MB，手写笔迹清晰，重点公式突出，便于在平板或电脑上随时查阅、反复揣摩。已有2250人学习下载，内容既有推演过程也有直观注释，可作为课堂补充材料或考前复习提纲，有助于快速搭建三大变换的知识框架。

1. 傅立叶变换、拉普拉斯变换与小波变换手写公式推导笔记：先厘清一条主线

任何做过信号处理项目的工程师都见过这类场景：稳态频谱分析用傅里叶，系统稳定性判断用拉普拉斯，遇到非平稳突变信号则换小波。三套公式常被当成独立工具分别记忆，但从手写推导的角度看，它们是同一条线索上三个分叉：傅里叶把信号分解成正弦基，拉普拉斯在正弦基上叠加衰减因子扩展为s平面，小波则干脆放弃固定频率窗口，改用缩放与平移构造基函数。这篇笔记就从这条主线出发，依次写清三段推导，并把每段推导对应的离散化参数、代码验证和典型踩坑点对齐。适合算法工程师、数据方向从业者，以及需要真正理解公式边界而非只调库的开发者。

2. 傅里叶变换手写推导：从级数到DFT的公式链条与参数边界

2.1 从傅里叶级数到连续傅里叶变换的推导

起点是周期信号的傅里叶级数。周期为T的信号x(t)可以展开为复指数叠加，基频ω₀ = 2π/T，级数系数由积分给出。把周期T推向无穷大时，相邻谱线间距ω₀趋于零，离散的系数序列变成连续谱密度，于是得到傅里叶变换对：

X(ω) = ∫x(t)e^{-jωt}dt，反变换x(t) = (1/2π)∫X(ω)e^{jωt}dω

推到这里必须强调一个手写时最容易丢的细节：1/(2π)放正变换还是反变换不是数学上必然的，写成对称形式也能自洽。工程库的规范不一样，Numpy的fft正变换不乘系数，ifft反变换乘1/N，和连续公式相比相当于把归一化因子换了位置。直接拿教科书公式对照库结果时，先确认归一化约定，否则比对结果会差一个常数。

傅里叶变换存在的前提是信号绝对可积，即∫|x(t)|dt有限。阶跃信号、指数增长信号都会越界，这是后文拉普拉斯变换要解决的问题。但在傅里叶域里先不急着跳，下一步把连续积分变成采样序列。

2.2 从连续采样到DFT的推导与频点含义

工程信号都是采样后的离散序列，采样周期T_s = 1/f_s。用冲激串表示采样过程x_s(t)=Σx[n]δ(t-nT_s)，代入连续傅里叶变换定义式，根据冲激函数的筛选性质，指数项里的积分变成求和：

X(Ω) = Σx[n]e^{-jΩn}

这就是离散时间傅里叶变换的表达式，Ω是归一化数字频率，范围[-π, π]。这一步推导在纸面上常见的错误是把Ω和物理角频率混用。记住关系Ω=ωT_s，也就同时记住了奈奎斯特频率f_s/2的来源：当物理角频率超过π/T_s时，数字频率落入折叠区间，采样信号频谱发生混叠。

实际计算只能处理有限长序列。对N点输入，在频域采样N个点，令Ω_k = 2πk/N，得到离散傅里叶变换：

X[k] = Σ_{n=0}^{N-1} x[n]e^{-j2πkn/N}

反变换为x[n] = (1/N)Σ_{k=0}^{N-1}X[k]e^{j2πkn/N}。DFT的直接计算复杂度是O(N²)，FFT利用旋转因子的周期性与对称性把复杂度降到O(N log N)。手推蝶形运算图时最容易误伤的是输入序列的位序翻转：时间抽取FFT需要先按二进制倒序重排输入，否则各级蝶形级联全部错位。

2.3 DFT工程参数与Numpy验证代码

实际做频率分析时，有三个参数直接决定结果：采样率f_s决定分析频带上限，FFT点数N决定频率分辨率Δf=f_s/N，窗函数决定频谱泄漏的抑制程度。用下面这段代码验证手写DFT公式和Numpy内置fft是否一致：

import numpy as np N = 64 n = np.arange(N) # 构造刚好整数个周期的正弦，避免频谱泄漏干扰比对 fs = 64.0 f0 = 5.0 x = np.sin(2 * np.pi * f0 * n / fs) # 手写实现DFT，完全按推导公式来 X_manual = np.zeros(N, dtype=complex) for k in range(N): X_manual[k] = np.sum(x * np.exp(-2j * np.pi * k * n / N)) # numpy内置FFT X_fft = np.fft.fft(x) # 比对两个实现的最大绝对误差，应到1e-12量级 err = np.max(np.abs(X_manual - X_fft)) print(err)

手写实现里外层循环遍历频点k，内层用Numpy的向量乘法一次算出N项求和，与推导公式完全对应。np.fft.fft默认不做归一化，所以手写循环里也不乘任何系数。若在循环里误加1/N，误差会整体缩小N倍，一眼就能判断是归一化配平出了问题。

实际项目里我会先把参数定下来：采样率1000Hz时N取1024，频率分辨率约0.977Hz；查峰值用np.argmax(np.abs(X[:N//2]))再乘以fs/N换算成物理频率。如果信号首尾不连续，先加汉宁窗再变换，否则会在整个频谱上拖出旁瓣。

DFT最关键的三项参数对结果的影响见下表：

提示：DFT频点索引k对应频率fs×k/N，不要直接拿k当频率值。手写画频谱图时k=5并不等于5Hz，需要乘上频率分辨率，这是最容易被忽略的量纲问题。

3. 拉普拉斯变换手写推导：从傅里叶积分到s平面收敛域

3.1 傅里叶积分加了衰减因子，为什么变成拉普拉斯变换

傅里叶变换的绝对可积要求拦住了一大批工程信号：阶跃、斜坡、指数上升信号都会让积分发散。拉普拉斯变换的构造思路是给x(t)先乘一个衰减因子e^{-σt}，其中σ是实数。只要σ选得足够大，即使信号增长很快，乘积也能被压到收敛。然后再对这个乘积做傅里叶积分，两个指数项合并后得到：

X_L(s) = ∫₀^{∞} x(t)e^{-σt}e^{-jωt}dt = ∫₀^{∞} x(t)e^{-st}dt

这里积分下限写0，表示单边拉普拉斯变换，处理因果信号时最常用。s = σ + jω称为复频率，它把傅里叶的一条频率轴扩展成整个复平面：实部σ描述衰减或增长速率，虚部ω描述振荡频率。

从工程角度，单边拉普拉斯对t<0部分不敏感，天然适合带初始条件的常微分方程求解。把求导换成乘以s，积分换成除以s，初值作为附加项带进代数式，微分方程就变成多项式方程。这也是控制领域用传递函数H(s)做系统分析的原因：系统施加阶跃输入时，时域响应包含瞬态分量，直接做傅里叶积分不收敛。

3.2 收敛域、极点和系统稳定性的手写判据

拉普拉斯变换里收敛域的含义，是使积分收敛的s取值集合。以x(t)=e^{-at}u(t)为例完成完整推导：

X_L(s) = ∫₀^{∞} e^{-at}e^{-st}dt = [-e^{-(s+a)t}/(s+a)]₀^{∞}

要让上限处收敛，必须满足Re(s)+a > 0，于是：

X_L(s) = 1/(s+a)，收敛域Re(s) > -a

极点位于s = -a。收敛域是极点右侧的开半平面，它永远不穿过极点本身。工程上由此得到一个极其常用的稳定性判据：若传递函数所有极点都位于s平面左半平面，收敛域包含虚轴，系统是稳定的；若有极点跨过虚轴进入右半平面，收敛域不再覆盖虚轴，系统的自然响应会发散。

手写这个判断时最容易犯的错是把收敛域和极点的左右关系记反。可以这样记忆：因果信号的收敛域从最大极点实部开始向右延伸，它始终在极点的右侧，且绝不经过极点。

3.3 拉普拉斯传递函数验证与参数表

把上面的推导落到一个具体RC低通滤波器上。传递函数为H(s) = 1/(1+sRC)，极点位于s = -1/(RC)，是一阶惯性环节的标准形式。用Scipy验证极点位置和频率响应：

import numpy as np from scipy import signal R = 1e3 C = 1e-6 # 分子为常数1，分母为RC·s + 1，按s降幂排列 b = [1.0] a = [R * C, 1.0] # 从1Hz扫到100kHz，考察频率响应 f = np.logspace(0, 5, 500) w = 2 * np.pi * f _, H = signal.freqs(b, a, worN=w) poles = np.roots(a) print(f"极点位置: {poles}") print(f"直流增益: {abs(H[0]):.4f}") # 找-3dB截止频率 idx = np.argmin(np.abs(20 * np.log10(abs(H)) + 3)) print(f"-3dB 截止频率: {f[idx]:.1f} Hz")

scipy.signal.freqs接收s域多项式系数，b和a都从最高次项开始排列。用np.roots(a)求分母根得到极点，RC低通的极点应约等于-1000，对应时间常数τ=RC=1ms。直流增益应为1，-3dB截止频率f_c=1/(2πRC)约159Hz，代码会输出一个接近的值。这个验证完全对应手写推导中的极点位置，说明公式展开正确。

拉普拉斯推导中的关键参数对照表：

注意：单边拉普拉斯逆变换的公式里包含围线积分，工程实现通常不直接算积分，而是对X_L(s)做部分分式展开后查变换表。手写推导遇到重根和共轭复根时，分别对应时域tⁿe^{-at}与e^{-at}cos(ωt)等项，可以用Scipy的signal.residue验证展开系数是否正确。

4. 小波变换手写推导：从固定窗口到缩放平移的灵活基函数

4.1 短时傅里叶变换窗口困境与连续小波变换定义

短时傅里叶变换通过加窗把信号切成短段，再对每个窗内做傅里叶变换。窗口长度固定，时间分辨率和频率分辨率之间就存在死结：窗口短则时间定位准确但频率模糊，窗口长则频率清晰但时间模糊。海森堡不确定性原理给出Δf·Δt ≥ 1/2，所有固定窗口方案都卡在这条线内。

小波变换的思路是放弃固定窗，改用母小波的伸缩和平移。给定一个均值为零、能量有限的母函数ψ(t)，做尺度伸缩a和平移b，得到一族基函数：

ψ_{a,b}(t) = (1/√a)ψ((t-b)/a)

前面的1/√a是能量归一化因子，保证不管a怎么变，基函数的能量保持不变。连续小波变换定义为：

W_x(a,b) = (1/√a)∫x(t)ψ*((t-b)/a)dt

这里参数a和傅里叶里的频率ω正好相反：a小，小波在时间轴被压缩，对应分析高频；a大，小波被拉伸，对应分析低频。高频段时间分辨率好，低频段频率分辨率好，这就是它被称为数学显微镜的原因。

4.2 二进离散化与多分辨率分析的推导

CWT输出是二维函数W_x(a,b)，本身冗余度较高。离散化最常用二进采样，令a = 2^j，b = k·2^j，其中j、k为整数，基函数变为：

ψ_{j,k}(t) = 2^{-j/2}ψ(2^{-j}t - k)

2^{-j/2}同样承担能量归一化，j每增加1，尺度翻一倍，对应一个倍频程。要让这族基构成正交基，小波必须满足允许条件，即∫|Ψ(ω)|²/|ω|dω有限。实际等价于∫ψ(t)dt = 0，也就是小波函数自身必须正负振荡且均值为零。

多分辨率分析的推导可以从尺度函数φ(t)的双尺度方程展开：

φ(t) = √2Σh[n]φ(2t-n)

ψ(t) = √2Σg[n]φ(2t-n)

第一个式子说明低一层尺度函数可以由高一层缩放的线性组合表达，第二个式子用小波函数承接低频近似中丢失的细节。滤波器h[n]和g[n]之间满足镜像滤波关系g[n]=(-1)^{1-n}h[1-n]，这个正交条件保证分解后信息不冗余。逐级递推时，每多分解一层，频率带宽减半，时间分辨率也减半，手画二叉树图可以直观看出子带的二分结构。

4.3 小波基选择与PyWavelets验证代码

选择小波基时，我先看消失矩阶数。消失矩m的定义是∫t^kψ(t)dt = 0，对k=0,...,m-1成立。消失矩越高，小波对平滑信号的低阶多项式成分抑制越强，越能凸显奇异点，但滤波器长度也越长，边界效应更明显。

PyWavelets库中用db4小波做四层分解并验证冲击定位：

import numpy as np import pywt n = 2048 t = np.linspace(0, 1, n, endpoint=False) x = np.sin(2 * np.pi * 30 * t) x[1000] += 2.0 # 在1000号采样点处加入单点冲击 coeffs = pywt.wavedec(x, 'db4', level=4) # coeffs排列顺序: [cA4, cD4, cD3, cD2, cD1] # 只保留cD1层细节，观察冲击方向上的定位 coeffs_keep = [] for i, c in enumerate(coeffs): if i == 4: coeffs_keep.append(c) else: coeffs_keep.append(np.zeros_like(c)) x_rec = pywt.waverec(coeffs_keep, 'db4') print(np.argmax(np.abs(x_rec))) # 应接近1000

wavedec返回第4层近似系数加上第4到第1层细节系数。重构时把不需要的层清零，waverec自动按各层长度插值对齐，不需要手工裁剪形状。冲击点在小波域能精确定位到原始采样点附近，这在傅里叶域做不到——定点冲击会铺散到全部频带，只剩冲激噪声无法判断时间位置。

小波基选型参数表：

提示：db4在信号长度短于64个点时会出现明显边界效应。手写推导后做验证时先给信号两端几十个采样点打上标记，不要直接把整个序列的重建误差纳入指标计算，两端误差会拉高整体误判。

5. 三种变换的主要推导与校验技巧

5.1 用帕萨瓦尔定理验证傅里叶与小波变换的系数

帕萨瓦尔定理是验证傅里叶系数最廉价的手段。在Numpy约定下，DFT的能量关系为：时域能量等于频域能量除以N，即Σ|x[n]|² = (1/N)Σ|X[k]|²。用一段随机信号做数值验证：

rng = np.random.default_rng(42) x = rng.standard_normal(2048) X = np.fft.fft(x) energy_time = np.sum(x ** 2) energy_freq = np.sum(np.abs(X) ** 2) / len(x) print(np.max(np.abs(energy_time - energy_freq)))

两条路径算出的能量差在1e-12量级。如果手写推导时把归一化因子位置写反，这里的差值就不是数值误差，而是N倍量级的常数偏离，立刻暴露系数配平问题。小波变换同样有能量守恒的对应关系，各层系数平方和应该等于原始信号能量，验证时逐层累加即可。

5.2 用初值与终值定理校验拉普拉斯变换

拉普拉斯推导完成后，用初值定理和终值定理做快速验算，不需要做逆变换：

x(0+) = lim_{s→∞} sX(s)，x(∞) = lim_{s→∞} sX(s) 当s→0时即为终值

以H(s) = 1/(s+1)为例，sX(s) = s/(s+1)，初值极限为1，终值极限为0，与时域h(t)=e^{-t}u(t)完全吻合。若推导时把分子误写成a/(s+a)，初值会从1变成a，几秒笔算就能发现增益系数错位。这两个定理是写完拉普拉斯公式后的第一道自检，跑代码前值得先做这一步。

三种变换的验证方法与高频错误对照：

无论做哪种变换，先在自己手写推导内部形成验证机制，再让代码当第二道防线。公式写得再熟悉，也不如一个可复算的数值边界来得可靠。

本文还有配套的精品资源，点击获取