本课定位前面51~53课完整学习周期信号的傅里叶级数所有信号必须满足周期性才能拆分为离散倍频谐波叠加。但现实AI中绝大多数数据没有周期性单张图片像素分布无循环周期完整人声语音整段音频不存在重复循环波形扩散模型随机高斯噪声完全无周期随机信号传感器单次短时采集数据。针对无周期连续信号傅里叶级数彻底失效因此本节课完成关键过渡将周期信号的离散傅里叶级数通过周期T趋向无穷大的极限推导演化出连续傅里叶变换实现任意非周期信号的全局频域分解。本课紧密绑定AI核心场景图像频域滤波、扩散模型噪声频域分解、语音特征提取。前置知识回顾任意周期T三角/复数傅里叶级数52课奇偶函数、半周期延拓简化计算53课极限、定积分基础欧拉公式复指数转换关系。一、傅里叶级数到傅里叶变换的极限推导逻辑周期无穷大的物理意义周期信号信号在区间(-T/2,T/2)存在无限重复循环非周期信号信号仅在有限区间存在其余位置数值为0等价于周期T \to \infty 的极限周期信号。离散频率→连续频率周期T信号基波角频率\omega_0\frac{2\pi}{T}有限T频率点n\omega_0是离散、分隔的独立谐波T\to\infty\omega_0 \to 0离散频率点无限密集离散频率变为连续频率\omega。复数傅里叶系数极限演化周期T复数傅里叶系数c_n\frac{1}{T}\int_{-T/2}^{T/2} f(t) e^{-in\omega_0 t}dt令 F(\omega)\lim\limits_{T \to \infty} T\cdot c_n代入极限化简直接得到傅里叶正变换公式。二、连续傅里叶变换正反变换完整公式傅里叶正变换时域→频域输入时域原始非周期信号 f(t)输出频域复函数 F(\omega)称为f(t)的频谱F(\omega)\mathcal{F}[f(t)]\int_{-\infty}^{\infty} f(t) \cdot e^{-i\omega t} dt符号含义t时域自变量时间、图像一维像素坐标\omega连续角频率F(\omega) 复数模|F(\omega)|频谱振幅辐角\arg F(\omega)相位。傅里叶逆变换频域→时域还原原始信号通过全部连续频率分量叠加复原时域原始信号f(t)\mathcal{F}{-1}[F(\omega)]\frac{1}{2\pi}\int_{-\infty}{\infty} F(\omega) \cdot e^{i\omega t} d\omega傅里叶级数 vs 傅里叶变换核心区分项目 傅里叶级数 连续傅里叶变换适用信号 周期信号 非周期、有限时长信号频率特征 离散倍频 连续不间断频率分解形式 无穷离散求和 连续积分输出结果 离散复数系数 连续频谱函数AI适用场景 循环时序、周期性振动 图片、语音、随机噪声、扩散模型三、频谱F(\omega)核心几何与工程含义低频区间|\omega|极小对应信号整体轮廓、全局基础特征图像中代表大面积明暗、主体外形语音中代表人声基础音调。高频区间|\omega|极大对应信号细微波动、细节纹理、噪声图像中代表边缘、纹理、颗粒噪点语音中代表环境杂音、呼吸噪声。AI核心操作逻辑频域直接修改F(\omega)滤除高频分量图像模糊降噪、音频去杂音滤除低频分量提取图像边缘、分离语音细节音色缩放频谱幅度图像亮度对比度调整、音频音量均衡。四、基础函数傅里叶变换实战例题例题矩形窗函数图像、短时音频最常用时域矩形函数仅在[-a,a]有数值1其余区域为0f(t)\begin{cases}1,\quad |t|a \0,\quad |t|a\end{cases}步骤1代入傅里叶正变换积分F(\omega)\int_{-a}^{a} 1\cdot e^{-i\omega t}dt步骤2利用欧拉公式拆分积分并求解F(\omega)\frac{2\sin(a\omega)}{\omega}2a\cdot \text{sinc}(a\omega)AI工程解读所有短时截取信号20ms音频、局部图像块都是矩形窗截断信号频谱为sinc函数天然伴随高频旁瓣也是图像压缩、音频分帧产生细微失真的底层数学原因。五、傅里叶变换核心基础性质AI频域运算必备线性叠加性质\mathcal{F}[a\cdot f_1(t)b\cdot f_2(t)]aF_1(\omega)bF_2(\omega)意义信号叠加后的频谱各自频谱加权叠加。AI应用扩散模型噪声原图信号频域可分开处理两者分量。时移性质信号时域平移\mathcal{F}[f(t-t_0)]F(\omega)\cdot e^{-i\omega t_0}意义信号左右移动频谱振幅不变仅相位发生偏移。AI应用图像平移、音频时间偏移不改变纹理/音色特征。频移性质频谱整体偏移\mathcal{F}[f(t)e^{i\omega_0 t}]F(\omega-\omega_0)AI应用语音变调、图像频域特征偏移增强。六、AI大模型全场景落地应用应用1二维图像频域处理计算机视觉基础单张图片无周期性二维傅里叶变换将像素矩阵转为二维频谱低频对应画面主体轮廓高频对应边缘噪点。降噪直接置零高频频谱分量图像压缩舍弃幅值极小的高频频谱大幅降低存储体积。应用2扩散生成模型噪声分解扩散模型的随机高斯噪声为非周期连续信号通过傅里叶变换拆分高低频噪声分量前向扩散不断叠加高频噪声反向生成逐步剔除多余高频噪声还原清晰图像。应用3语音大模型特征提取单段人声音频无固定周期傅里叶变换提取频谱特征分离人声低频基频与环境高频噪声用于语音识别、AI语音合成。应用4时序非周期数据预测单次设备故障短时采集数据、一次性流量数据无循环周期傅里叶变换提取隐藏波动特征辅助时序预测模型提升精度。七、本课核心总结傅里叶变换由周期信号傅里叶级数取周期T→∞极限推导而来专门处理无周期连续信号正变换实现时域信号转为连续频域频谱逆变换可通过频谱完整还原原始时域信号频谱F(\omega)的模代表各频率分量强弱低频对应整体轮廓高频对应细节与噪声线性、时移、频移三大基础性质是AI图像、语音、扩散模型频域运算的核心工具傅里叶级数处理周期循环数据傅里叶变换处理图像、语音、随机噪声等非周期AI数据二者形成完整频域数学工具链。本课金句周期无穷消解离散谐波极限演化诞生连续傅里叶变换时域信号转入连续频域高低频分离实现图像、扩散噪声的精细化处理。下节课预告第55课离散傅里叶变换DFT适配计算机数字像素、数字音频离散采样数据打通工程可代码实现的频域计算工具。
本课定位前面51~53课完整学习周期信号的傅里叶级数所有信号必须满足周期性才能拆分为离散倍频谐波叠加。但现实AI中绝大多数数据没有周期性单张图片像素分布无循环周期完整人声语音整段音频不存在重复循环波形扩散模型随机高斯噪声完全无周期随机信号传感器单次短时采集数据。针对无周期连续信号傅里叶级数彻底失效因此本节课完成关键过渡将周期信号的离散傅里叶级数通过周期T趋向无穷大的极限推导演化出连续傅里叶变换实现任意非周期信号的全局频域分解。本课紧密绑定AI核心场景图像频域滤波、扩散模型噪声频域分解、语音特征提取。前置知识回顾任意周期T三角/复数傅里叶级数52课奇偶函数、半周期延拓简化计算53课极限、定积分基础欧拉公式复指数转换关系。一、傅里叶级数到傅里叶变换的极限推导逻辑周期无穷大的物理意义周期信号信号在区间(-T/2,T/2)存在无限重复循环非周期信号信号仅在有限区间存在其余位置数值为0等价于周期T \to \infty 的极限周期信号。离散频率→连续频率周期T信号基波角频率\omega_0\frac{2\pi}{T}有限T频率点n\omega_0是离散、分隔的独立谐波T\to\infty\omega_0 \to 0离散频率点无限密集离散频率变为连续频率\omega。复数傅里叶系数极限演化周期T复数傅里叶系数c_n\frac{1}{T}\int_{-T/2}^{T/2} f(t) e^{-in\omega_0 t}dt令 F(\omega)\lim\limits_{T \to \infty} T\cdot c_n代入极限化简直接得到傅里叶正变换公式。二、连续傅里叶变换正反变换完整公式傅里叶正变换时域→频域输入时域原始非周期信号 f(t)输出频域复函数 F(\omega)称为f(t)的频谱F(\omega)\mathcal{F}[f(t)]\int_{-\infty}^{\infty} f(t) \cdot e^{-i\omega t} dt符号含义t时域自变量时间、图像一维像素坐标\omega连续角频率F(\omega) 复数模|F(\omega)|频谱振幅辐角\arg F(\omega)相位。傅里叶逆变换频域→时域还原原始信号通过全部连续频率分量叠加复原时域原始信号f(t)\mathcal{F}{-1}[F(\omega)]\frac{1}{2\pi}\int_{-\infty}{\infty} F(\omega) \cdot e^{i\omega t} d\omega傅里叶级数 vs 傅里叶变换核心区分项目 傅里叶级数 连续傅里叶变换适用信号 周期信号 非周期、有限时长信号频率特征 离散倍频 连续不间断频率分解形式 无穷离散求和 连续积分输出结果 离散复数系数 连续频谱函数AI适用场景 循环时序、周期性振动 图片、语音、随机噪声、扩散模型三、频谱F(\omega)核心几何与工程含义低频区间|\omega|极小对应信号整体轮廓、全局基础特征图像中代表大面积明暗、主体外形语音中代表人声基础音调。高频区间|\omega|极大对应信号细微波动、细节纹理、噪声图像中代表边缘、纹理、颗粒噪点语音中代表环境杂音、呼吸噪声。AI核心操作逻辑频域直接修改F(\omega)滤除高频分量图像模糊降噪、音频去杂音滤除低频分量提取图像边缘、分离语音细节音色缩放频谱幅度图像亮度对比度调整、音频音量均衡。四、基础函数傅里叶变换实战例题例题矩形窗函数图像、短时音频最常用时域矩形函数仅在[-a,a]有数值1其余区域为0f(t)\begin{cases}1,\quad |t|a \0,\quad |t|a\end{cases}步骤1代入傅里叶正变换积分F(\omega)\int_{-a}^{a} 1\cdot e^{-i\omega t}dt步骤2利用欧拉公式拆分积分并求解F(\omega)\frac{2\sin(a\omega)}{\omega}2a\cdot \text{sinc}(a\omega)AI工程解读所有短时截取信号20ms音频、局部图像块都是矩形窗截断信号频谱为sinc函数天然伴随高频旁瓣也是图像压缩、音频分帧产生细微失真的底层数学原因。五、傅里叶变换核心基础性质AI频域运算必备线性叠加性质\mathcal{F}[a\cdot f_1(t)b\cdot f_2(t)]aF_1(\omega)bF_2(\omega)意义信号叠加后的频谱各自频谱加权叠加。AI应用扩散模型噪声原图信号频域可分开处理两者分量。时移性质信号时域平移\mathcal{F}[f(t-t_0)]F(\omega)\cdot e^{-i\omega t_0}意义信号左右移动频谱振幅不变仅相位发生偏移。AI应用图像平移、音频时间偏移不改变纹理/音色特征。频移性质频谱整体偏移\mathcal{F}[f(t)e^{i\omega_0 t}]F(\omega-\omega_0)AI应用语音变调、图像频域特征偏移增强。六、AI大模型全场景落地应用应用1二维图像频域处理计算机视觉基础单张图片无周期性二维傅里叶变换将像素矩阵转为二维频谱低频对应画面主体轮廓高频对应边缘噪点。降噪直接置零高频频谱分量图像压缩舍弃幅值极小的高频频谱大幅降低存储体积。应用2扩散生成模型噪声分解扩散模型的随机高斯噪声为非周期连续信号通过傅里叶变换拆分高低频噪声分量前向扩散不断叠加高频噪声反向生成逐步剔除多余高频噪声还原清晰图像。应用3语音大模型特征提取单段人声音频无固定周期傅里叶变换提取频谱特征分离人声低频基频与环境高频噪声用于语音识别、AI语音合成。应用4时序非周期数据预测单次设备故障短时采集数据、一次性流量数据无循环周期傅里叶变换提取隐藏波动特征辅助时序预测模型提升精度。七、本课核心总结傅里叶变换由周期信号傅里叶级数取周期T→∞极限推导而来专门处理无周期连续信号正变换实现时域信号转为连续频域频谱逆变换可通过频谱完整还原原始时域信号频谱F(\omega)的模代表各频率分量强弱低频对应整体轮廓高频对应细节与噪声线性、时移、频移三大基础性质是AI图像、语音、扩散模型频域运算的核心工具傅里叶级数处理周期循环数据傅里叶变换处理图像、语音、随机噪声等非周期AI数据二者形成完整频域数学工具链。本课金句周期无穷消解离散谐波极限演化诞生连续傅里叶变换时域信号转入连续频域高低频分离实现图像、扩散噪声的精细化处理。下节课预告第55课离散傅里叶变换DFT适配计算机数字像素、数字音频离散采样数据打通工程可代码实现的频域计算工具。
![[FreeRTOS]创建第一个任务（CubeMX详细配置+报错解决办法）](http://pic.xiahunao.cn/yaotu/[FreeRTOS]创建第一个任务（CubeMX详细配置+报错解决办法）)
![[光学原理与应用-521]：对光的错误理解与纠偏](http://pic.xiahunao.cn/yaotu/[光学原理与应用-521]：对光的错误理解与纠偏)
