# 傅里叶变换介绍傅里叶变换的基础知识。

### 从局部展开到频域分析

#### 泰勒展开 (Taylor Series)：局部的多项式逼近
*核心逻辑：用某一点的各阶导数信息，在局部“复刻”一个函数。*
1. **核心思想**：用幂级数（多项式）在某一点 $x=a$ 附近逼近光滑函数。
2. **基函数**：多项式 $(x-a)^n$（非正交基）。
3. **优势与局限**：
   - **优势**：计算简单，非常适合求极限、近似计算和局部性质分析。
   - **局限**：只依赖**局部信息**（单点导数），收敛半径有限；无法处理不光滑函数（如方波），也无法反映信号的全局频率特征。

#### 傅里叶级数 (Fourier Series)：周期信号的全局分解
*核心逻辑：放弃局部导数，改用全局的“正交投影”，把周期信号拆成基本波形的叠加。*
1. **核心思想**：任何满足狄利克雷条件的周期信号，都可以分解为一系列正交正弦/余弦波（或复指数）的叠加。
2. **基函数**：复指数 $e^{jn\omega_0 t}$（正交基，且是线性时不变系统的特征函数）。
3. **从泰勒到傅里叶的跨越**：
   - 从“局部泰勒多项式”跨越到“全局正交三角/指数级数”。
   - 物理意义：将时域的周期波形，转化为频域的**离散谱线**。

#### 傅里叶积分与傅里叶变换 (Fourier Transform)：非周期信号的连续频谱
*核心逻辑：让周期趋于无穷大，离散谱线融合成连续频谱，将分析范围扩展到所有能量有限信号。*
1. **核心思想**：非周期信号可以看作周期 $T \to \infty$ 的周期信号，离散求和变为连续积分。
2. **数学表达**：$F(\omega) = \int_{-\infty}^{+\infty} f(t) e^{-j\omega t} dt$
3. **存在条件（硬性门槛）**：
   - 信号必须满足**绝对可积**（$\int|f(t)|dt < \infty$）或平方可积。
   - 无法直接处理阶跃信号、常数或指数增长信号（需引入广义函数 $\delta$ 才能勉强处理）。
4. **数学上的不确定性原理（核心推论）**：
   - **本质**：傅里叶变换的纯数学性质，即“一个函数与其傅里叶变换不能同时被精确局部化”。
   - **公式**：$\Delta t \cdot \Delta\omega \geq \frac{1}{2}$（时域宽度与频域宽度的乘积有下限）。
   - **物理映射**：在量子力学中直接导出海森堡不确定性原理（$\Delta x \cdot \Delta p \geq \frac{\hbar}{2}$）。
   - **极值条件**：高斯函数是唯一能达到理论下限（等号成立）的函数。

#### 拉普拉斯变换 (Laplace Transform)：复频域的广义推广
*核心逻辑：傅里叶变换对信号衰减要求太苛刻，引入一个“衰减调节旋钮”，把纯虚数频率扩展到复平面。*
1. **核心思想**：在傅里叶变换的核函数上乘以衰减因子 $e^{-\sigma t}$，强制发散信号收敛。
2. **数学表达**：$F(s) = \int_{0}^{+\infty} f(t) e^{-st} dt$，其中复变量 $s = \sigma + j\omega$。
3. **与傅里叶变换的关系与区别**：
   - **关系**：傅里叶变换是拉普拉斯变换在虚轴（$s=j\omega$）上的特例；拉氏变换是傅氏变换在复平面的推广。
   - **区别**：傅氏只分析“纯频率”（稳态），拉氏同时分析“频率+衰减”（瞬态与稳定性）；傅氏要求信号自身收敛，拉氏通过 $\sigma$ 强制收敛。
4. **存在条件与收敛域 (ROC)**：
   - **充分条件**：函数分段连续 + 指数阶（$|f(t)| \leq Me^{\sigma_0 t}$）。
   - **收敛域 (ROC)**：使积分收敛的复平面区域（如右边信号的 ROC 为 $\text{Re}(s) > \sigma_0$）。
   - **核心法则**：同一个 $F(s)$ 表达式 + 不同的 ROC = 完全不同的时域信号。
5. **为什么拉氏有收敛域而傅氏没有？**
   - **傅里叶**：变量 $\omega$ 是纯实数，没有调节参数，积分要么收敛要么发散，“收敛域”退化为虚轴上的一条死线。
   - **拉普拉斯**：变量 $s$ 包含实部 $\sigma$，这是一个“衰减强度调节旋钮”，通过调节 $\sigma$ 可以找到一个让积分收敛的二维区域。

#### 运算微积 (Operational Calculus)：从积分到代数的降维打击
*核心逻辑：变换的最终目的不是为了看频谱，而是为了把难解的微积分方程变成简单的小学代数方程。*
1. **核心思想**：利用拉普拉斯变换的微分性质 $\mathcal{L}\{f'(t)\} = sF(s) - f(0)$，将时域的微分/积分运算，转化为复频域的乘除运算。
2. **工程应用闭环**：
   - 时域微分方程 $\xrightarrow{\text{拉氏变换}}$ 复频域代数方程 $\xrightarrow{\text{求解}}$ $F(s)$ $\xrightarrow{\text{部分分式展开+反变换}}$ 时域解 $f(t)$。
3. **系统分析的终极视角**：
   - 通过传递函数 $H(s)$ 的**零极点分布**和 **ROC**，无需解方程即可直接判断系统的稳定性、因果性和瞬态响应。


##### 总结：变换演进的哲学
- **泰勒展开**：用**多项式**在**局部**逼近函数（看导数）。
- **傅里叶变换**：用**纯虚指数**在**全局**分解函数（看频率），但受限于**不确定性原理**和**收敛条件**。
- **拉普拉斯变换**：用**复指数**在**复平面**统御函数（看频率+衰减），通过**收敛域**打破收敛限制，最终实现**微积分的代数化**。

---

### 傅里叶对偶性与广义函数

#### 傅里叶正逆变换是否可以"交换"

**结论：形式上可以，但有三个"代价"。**

傅里叶正逆变换的定义（角频率 $\omega$ 约定）：
$$F(\omega) = \int_{-\infty}^{+\infty} f(t)\, e^{-j\omega t}\, dt \quad \text{（正变换）}$$
$$f(t) = \frac{1}{2\pi}\int_{-\infty}^{+\infty} F(\omega)\, e^{+j\omega t}\, d\omega \quad \text{（逆变换）}$$

对比两式，差异仅在于：① 指数符号相反；② 逆变换多一个 $\frac{1}{2\pi}$ 系数。

**"交换"的具体含义：**

若 $f(t) \xrightarrow{\mathcal{F}} F(\omega)$，则把频域函数 $F$ 直接"搬到"时域自变量位置，其傅里叶变换为：
$$F(t) \xrightarrow{\mathcal{F}} 2\pi\, f(-\omega)$$

这就是**对偶性**。它说明：正逆变换在数学结构上本质相同，只是变量名和符号方向不同。

**三个"代价"：**

1. **变量翻转**：得到的是 $f(-\omega)$ 而非 $f(\omega)$，时域波形被镜像翻转。
2. **系数 $2\pi$**：多出一个 $2\pi$ 缩放因子，源于正逆变换系数不对称（正变换无系数，逆变换有 $\frac{1}{2\pi}$）。
3. **指数符号**：正变换用 $e^{-j\omega t}$，逆变换用 $e^{+j\omega t}$，交换后符号方向改变。

---

**δ函数通过“广义函数理论”将傅里叶变换从普通函数推广到分布范畴，使不满足绝对可积条件的信号（如常数、正弦、阶跃）获得合法频谱；其核心机制是“极限逼近”与“筛选性质”，将发散积分转化为冲激函数的代数运算。**

#### δ函数在傅里叶变换中的核心作用

**1. 拯救"不收敛"的经典信号**

经典傅里叶变换要求信号绝对可积（$\int|f(t)|dt < \infty$），但工程中大量基础信号（常数、正弦、余弦、阶跃）都不满足这一条件，经典积分直接发散。δ函数作为**广义函数（分布）**，将这些信号的傅里叶变换从"不存在"变成了"存在"：

| 时域信号 | 傅里叶变换 | 物理意义 |
|---------|-----------|---------|
| $\delta(t)$ | $1$ | 冲激包含所有频率，频谱均匀分布 |
| $1$（常数/直流） | $2\pi\delta(\omega)$ | 直流只有零频率成分，频谱集中在原点 |
| $\cos(\omega_0 t)$ | $\pi[\delta(\omega-\omega_0)+\delta(\omega+\omega_0)]$ | 纯余弦只有两个离散频率分量 |
| $u(t)$（阶跃） | $\frac{1}{j\omega}+\pi\delta(\omega)$ | 阶跃=直流分量+交流分量 |

**2. 对偶性的"锚点"**

δ函数与常数1构成最基础的傅里叶变换对：$\delta(t) \leftrightarrow 1$。 这个变换对是**对偶性**的起点——根据对偶性，若 $f(t) \leftrightarrow F(\omega)$，则 $F(t) \leftrightarrow 2\pi f(-\omega)$。将 $\delta(t) \leftrightarrow 1$ 代入，立即得到 $1 \leftrightarrow 2\pi\delta(-\omega) = 2\pi\delta(\omega)$（δ是偶函数）。 整个傅里叶变换的对称结构，正是从这个"锚点"生长出来的。

**3. 不确定性原理的极限案例**

$\delta(t)$ 时域无限窄（一个点），其频谱 $1$ 频域无限宽（所有频率均匀分布）。这直观体现了不确定性原理 $\Delta t \cdot \Delta\omega \geq \frac{1}{2}$ 的**极端情况**：$\Delta t \to 0$ 时，$\Delta\omega \to \infty$。

---

#### 问题的根源：经典傅里叶变换的“收敛门槛”
经典傅里叶变换要求信号**绝对可积**：
$$\int_{-\infty}^{+\infty} |f(t)| dt < \infty$$
这意味着信号在无穷远处必须衰减到零，总“能量”有限。 但工程中大量基础信号违反此条件：
- **常数 1**（直流信号）：$\int_{-\infty}^{+\infty} |1| dt = \infty$，积分发散；
- **$\cos(\omega_0 t)$**（纯正弦）：在无穷区间上不衰减，积分振荡无确定值；
- **$u(t)$**（单位阶跃）：从 0 到 $+\infty$ 恒为 1，积分发散。

按经典定义，这些信号的傅里叶变换**不存在**。

---

#### δ函数的补救机制：从“函数”到“广义函数”
δ函数不是普通函数，而是一种**广义函数（分布）**。其严格定义不是“在某点的值”，而是“对测试函数的作用”：
$$\langle \delta, \phi \rangle = \int_{-\infty}^{+\infty} \delta(t)\phi(t) dt = \phi(0)$$
即δ函数作用于任意光滑测试函数 $\phi$ 时，结果为 $\phi$ 在原点的值。这一定义**完全避开了“无穷大”的数值问题**，只关心积分效果。

基于此，傅里叶变换被**推广到广义函数空间**：不再要求积分收敛，而是要求变换后的结果在“分布意义”下有意义。

---

#### 具体补救方式：三条路径
**1. 直接利用筛选性质（最简洁）**
以常数 1 为例，经典积分 $\int_{-\infty}^{+\infty} 1 \cdot e^{-j\omega t} dt$ 发散。但根据δ函数的**逆变换定义**：
$$\delta(t) = \frac{1}{2\pi}\int_{-\infty}^{+\infty} 1 \cdot e^{j\omega t} d\omega$$
两边乘以 $2\pi$ 并利用对偶性，立即得到：
$$\mathcal{F}\{1\} = 2\pi\delta(\omega)$$
这里没有做“发散积分的计算”，而是**直接定义**了常数 1 的傅里叶变换为 $2\pi\delta(\omega)$，因为只有这样，逆变换才能还原出 1。

**2. 极限逼近法（最直观）**
构造一个“听话”的函数序列，使其极限趋近于目标信号，再取频谱的极限。
以常数 1 为例，构造双边指数衰减函数：
$$f_\alpha(t) = e^{-\alpha|t|}, \quad \alpha > 0$$
其傅里叶变换为（经典意义下收敛）：
$$F_\alpha(\omega) = \frac{2\alpha}{\alpha^2 + \omega^2}$$
当 $\alpha \to 0$ 时，$f_\alpha(t) \to 1$（逐点收敛），而其频谱：
$$\lim_{\alpha \to 0} \frac{2\alpha}{\alpha^2 + \omega^2} = 2\pi\delta(\omega)$$
这是因为 $\frac{2\alpha}{\alpha^2 + \omega^2}$ 是δ函数的一个**经典表示**（洛伦兹型函数序列），当 $\alpha \to 0$ 时，它在 $\omega=0$ 处无限尖锐，且总积分恒为 $2\pi$。

**3. 对偶性推导（最优雅）**
已知 $\delta(t) \leftrightarrow 1$（δ函数的傅里叶变换为常数 1，这可以直接由筛选性质得出）。根据傅里叶变换的**对偶性**：
$$\text{若 } f(t) \leftrightarrow F(\omega), \text{ 则 } F(t) \leftrightarrow 2\pi f(-\omega)$$
将 $\delta(t) \leftrightarrow 1$ 代入，令 $f(t)=\delta(t)$、$F(\omega)=1$，则：
$$1 \leftrightarrow 2\pi\delta(-\omega) = 2\pi\delta(\omega)$$
（δ是偶函数，$\delta(-\omega)=\delta(\omega)$）

---

#### 典型信号的“补救”结果
| 时域信号 | 经典积分 | δ函数补救后的频谱 | 物理意义 |
|---------|---------|-----------------|---------|
| $\delta(t)$ | 收敛（筛选性质） | $1$ | 冲激包含所有频率，均匀分布 |
| $1$（常数） | 发散 | $2\pi\delta(\omega)$ | 直流只有零频成分 |
| $\cos(\omega_0 t)$ | 发散 | $\pi[\delta(\omega-\omega_0)+\delta(\omega+\omega_0)]$ | 纯余弦只有两个离散频率 |
| $u(t)$（阶跃） | 发散 | $\pi\delta(\omega)+\frac{1}{j\omega}$ | 阶跃=直流分量+交流分量 |
| $e^{j\omega_0 t}$ | 发散 | $2\pi\delta(\omega-\omega_0)$ | 复指数只有单一频率 |


---

#### 本质总结
> **δ函数的补救，本质上是将傅里叶变换的定义域从“绝对可积函数空间 $L^1$”推广到“缓增分布空间 $\mathcal{S}'$”。**
>
> 在这个更大的空间里：
> - **收敛性要求被放宽**：不再要求 $\int|f(t)|dt<\infty$，只要求 $f(t)$ 是“缓增”的（增长速度不超过多项式）；
> - **发散积分被赋予意义**：通过极限逼近或对偶性，将“无定义”的发散积分转化为δ函数的代数表达式；
> - **逆变换依然成立**：补救后的频谱做逆变换，仍能精确还原原信号，保证了理论的自洽性。

一句话概括：**δ函数不是“算出”了发散积分的值，而是“重新定义”了傅里叶变换的适用范围，让那些“不听话”的信号也能拥有合法的频谱表达。**

---

### 展开与变换的统一框架

#### 先把“类似”这件事说清楚

泰勒展开、傅里叶变换、拉普拉斯变换表面不同，内核却是同一件事：**把函数换一组“基底”重新表示**，让原本难算的操作（求导、卷积、解微分方程）在新表示下变成简单的乘法或代数运算。区别只在于三件事——**基底是什么、在什么区间上、用求和还是积分**。按这三条线梳理，同类工具远比想象中多。

---

#### 1. 级数展开的共同原理：正交投影

设函数空间上定义了内积 $\langle f,g\rangle=\int_a^b f(x)\overline{g(x)}w(x)\,dx$（$w$ 为权函数）。若有一组函数 $\{\phi_n\}$ 满足正交性 $\langle \phi_m,\phi_n\rangle = h_n\delta_{mn}$，且**完备**（空间里任何函数都能被它们任意精度逼近），那么

$$f(x)=\sum_{n=0}^{\infty} c_n\phi_n(x),\qquad c_n=\frac{1}{h_n}\int_a^b f(x)\overline{\phi_n(x)}w(x)\,dx .$$

这就是**广义傅里叶级数**。它的关键点在于：系数 $c_n$ 是 $f$ 在 $\phi_n$ 方向上的投影，与线性代数里“向量在一组正交基下的坐标”完全同构。Parseval 恒等式 $\|f\|^2=\sum h_n|c_n|^2$ 保证了能量守恒。

这套框架的来源绝大多数是 **Sturm–Liouville 理论**：形如
$$-\frac{d}{dx}\left[p(x)\frac{dy}{dx}\right]+q(x)y=\lambda w(x)y$$
的边值问题，其本征函数系自动构成带权 $w(x)$ 的正交完备系。勒让德、切比雪夫、埃尔米特、拉盖尔、贝塞尔全部由此而来——这也是它们天然适配特定边界条件的原因。

#### 2. 积分变换的共同原理：连续基底与算子对角化

把离散求和换成连续积分，就得到
$$F(s)=\int f(t)\,K(t,s)\,dt ,$$
$K(t,s)$ 称为**核**。它的深层含义是：核函数族 $\{K(\cdot,s)\}_s$ 是某个微分或积分算子的**本征函数族**。于是算子作用在 $f$ 上，在变换域里退化为**乘以本征值**。

以傅里叶变换为例，$\frac{d}{dt}e^{-i\omega t}=(-i\omega)e^{-i\omega t}$，所以导数运算变成乘 $i\omega$；进而常系数线性微分方程变成代数方程，卷积变成乘积。所有积分变换的威力都源于这一条：**选对核，就是选对能让问题退化的坐标系。**

---

### 级数展开与函数逼近

#### 常见展开方法对照

| 名称 | 基底 | 适用区间／权函数 | 典型用途 |
|---|---|---|---|
| 泰勒／麦克劳林 | $(x-a)^n$ | 局部，需解析 | 局部近似、误差估计 |
| 洛朗级数 | $(x-a)^n$（含负幂） | 环形区域 | 复变奇点分类、留数 |
| 傅里叶级数 | $\sin n x,\cos n x$ | 周期区间 | 周期信号、弦振动 |
| 勒让德展开 | $P_n(x)$ | $[-1,1]$，权 1 | 球对称问题、谱方法 |
| 切比雪夫展开 | $T_n(x)$ | $[-1,1]$，权 $(1-x^2)^{-1/2}$ | 数值逼近（极小化最大误差）、滤波器设计 |
| 埃尔米特／拉盖尔展开 | $H_n(x)$／$L_n(x)$ | 全实轴／$[0,\infty)$，高斯／指数权 | 量子谐振子、概率分布展开 |
| 球谐函数展开 | $Y_{\ell m}$ | 球面 | 引力场、电磁散射、球面信号处理 |
| 贝塞尔／傅里叶–贝塞尔级数 | $J_n(\alpha_{nk}r)$ | 圆盘、圆柱 | 圆膜振动、波导模式 |
| 沃尔什／哈尔展开 | 方波分段常数基 | $[0,1]$ | 数字电路、图像压缩、多分辨率 |
| 帕德近似、渐近展开 | 有理函数／发散级数 | — | 强耦合、边界层、重求和 |

**与泰勒的关键区别**：泰勒是**局部**的，离展开点稍远就失效；正交多项式展开是**全局**的，且天然适配边界条件，这也是谱方法解偏微分方程的基础。

#### 1. 泰勒级数（Taylor series）

**原理**：若 $f$ 在 $a$ 处无穷次可微且余项趋于零，则
$$f(x)=\sum_{n=0}^{\infty}\frac{f^{(n)}(a)}{n!}(x-a)^n .$$
基底 $\{(x-a)^n\}$ **不正交**，这是它与其他展开的根本区别。它不是投影，而是用“在某一点的所有阶导数信息”去重建函数。

**收敛半径**：复平面上，$R$ 等于 $a$ 到最近奇点的距离。这是泰勒展开最深刻的结论——实轴上的光滑性不足以决定收敛范围，必须看复平面。

**局限**：纯局部工具。即使收敛，靠近边界也可能极慢；对 $\frac{1}{1+x^2}$ 在 $0$ 处展开，半径仅为 $1$（因为奇点在 $\pm i$）；对 $e^{-1/x^2}$ 这类非解析光滑函数，泰勒级数恒为零，完全丢失信息。

#### 洛朗级数（Laurent series）

**原理**：若 $f(z)$ 在环形区域 $R_1 \lt |z-a| \lt R_2$ 内解析，则可唯一展开为包含正幂与负幂的级数：

$$f(z)=\sum_{k=-\infty}^{\infty}a_k(z-a)^k,\qquad a_k=\frac{1}{2\pi i}\oint_C\frac{f(\zeta)}{(\zeta-a)^{k+1}}\,d\zeta.$$

其中 $C$ 是环域内绕 $a$ 一周的正向简单闭曲线。非负幂项构成正则部分，负幂项构成主要部分；洛朗展开用于分析孤立奇点，并通过 $a_{-1}$ 得到留数。

**与泰勒展开的关系**：若函数在展开中心也解析，则负幂项全部为零，洛朗展开退化为泰勒展开。

---

### 拉普拉斯与其他积分变换

#### 常见变换的核与用途

| 名称 | 核函数 | 定义域 | 核心特性与应用场景 |
|---|---|---|---|
| 傅里叶 | $e^{-i\omega t}$ | $(-\infty,\infty)$ | 平移不变；导数→乘 $i\omega$；卷积→乘积。稳态信号、频域分析 |
| 拉普拉斯 | $e^{-st}$ | $[0,\infty)$ | 自带衰减因子，吃初值条件。控制系统、电路暂态、因果系统 |
| Z 变换 | $z^{-n}$ | 离散序列 | 拉普拉斯的离散版（$z=e^{sT}$）。差分方程、数字滤波器 |
| 梅林（Mellin） | $x^{s-1}$ | $(0,\infty)$ | **尺度不变**：$x\frac{d}{dx}$→乘法。数论、分形、渐近分析、算法复杂度 |
| 汉克尔（Hankel） | $J_n(kr)\,r$ | 径向 | 柱对称问题的“傅里叶”。光学衍射、声学、地下水流 |
| 希尔伯特 | $\frac{1}{\pi t}$（卷积） | 全实轴 | 不是换域而是相位旋转 $90^\circ$。解析信号、瞬时频率、Kramers–Kronig |
| 余弦／正弦变换（DCT/DST） | $\cos$、$\sin$ | 半轴／有限 | 实偶延拓；JPEG、MP3 压缩的核心 |
| 哈特莱（Hartley） | $\cos+\sin$ | 全实轴 | 全实运算，避免复数 |
| 拉东（Radon） | 沿直线积分 | 平面→直线族 | CT 成像、地震层析（傅里叶切片定理） |
| 阿贝尔（Abel） | $(t-x)^{-1/2}$ | 半轴 | 反演轴对称投影；等离子体诊断 |
| 斯蒂尔切斯／伯雷尔 | $e^{-xt}$ 变体 | — | 发散级数重求和、矩问题 |
| 小波变换 | $\psi\!\left(\frac{t-b}{a}\right)$ | 全实轴 | 伸缩+平移，**时频同时局域化**。去噪、压缩、瞬态检测 |
| 短时傅里叶／维格纳分布 | 加窗 $e^{-i\omega t}$ | — | 时频图；非平稳信号 |
| 分数阶傅里叶 | 旋转核 | — | 时频平面旋转任意角度；光学、 chirp 信号 |
| Kontorovich–Lebedev、Mehler–Fock 等 | 特殊函数核 | — | 楔形、双曲几何边值问题（工程少见但存在） |

工程上还有一堆“拉普拉斯的表亲”（Sumudu、Elzaki、Aboodh、Sawi 变换等），本质都是 $e^{-st}$ 型核的重新参数化，数学上不产生新能力，仅在特定初值问题里算起来顺手。

#### 拉普拉斯变换：收敛域与逆变换

**收敛域**：对于指数阶增长的右边信号，在满足 $\operatorname{Re}(s) \gt \sigma_0$ 的半平面内收敛，其中 $\sigma_0$ 为增长指数。收敛域（ROC）必须与变换表达式一起说明；同一有理表达式配以不同的收敛域，可能对应不同的时域信号。

**逆变换**：Bromwich 积分 $f(t)=\frac{1}{2\pi i}\int_{\gamma-i\infty}^{\gamma+i\infty}F(s)e^{st}ds$，$\gamma$ 在 ROC 内。实际计算靠留数定理：$F(s)$ 的极点位置决定时域行为（左半平面→衰减，虚轴→等幅振荡，右半平面→发散），极点的实部是衰减率、虚部是振荡频率。控制系统稳定性判据（Routh–Hurwitz、Nyquist）全部建立在这个对应上。

**为何只从 0 积分**：自动纳入初始条件。$\mathcal{L}[f']=sF(s)-f(0^+)$，初值作为代数项出现，无需事后确定常数。这是它比傅里叶解初值问题方便的根本原因。

#### 3. Z 变换（Z-transform）

$$X(z)=\sum_{n=-\infty}^{\infty}x[n]z^{-n},\quad z=re^{i\omega} .$$

**原理**：离散时间信号的拉普拉斯变换。抽样 $t=nT$ 后，$z=e^{sT}$，$s$ 平面的虚轴映射为 $z$ 平面的**单位圆**。差分方程 $y[n]-ay[n-1]=x[n]$ 变成 $Y(z)(1-az^{-1})=X(z)$，传递函数是有理函数。

**ROC 是圆环**：$r_1<|z|<r_2$。因果序列的 ROC 是最外层极点之外；稳定序列要求单位圆在 ROC 内——这就是数字滤波器稳定性判据：**所有极点必须在单位圆内**（对应 $s$ 平面极点在左半平面）。

**与 DFT 的关系**：在单位圆上等间隔取样 $z=e^{i2\pi k/N}$ 即得 DFT。Z 变换是连续的、解析的；DFT 是离散的、有限的、可快速计算的。

#### 4. 梅林变换（Mellin transform）

$$M(s)=\int_0^{\infty}f(x)x^{s-1}dx .$$

**核心洞察**：做代换 $x=e^t$，则 $M(s)=\int_{-\infty}^{\infty}f(e^t)e^{st}dt$，这正是 $f(e^t)$ 的**拉普拉斯/傅里叶变换**。因此梅林变换是“对数坐标下的傅里叶变换”，它对角化的对称性是**伸缩**而非平移：
$$\mathcal{M}\left[x\frac{d}{dx}f\right]=-s\,M(s),\qquad \mathcal{M}[f(ax)]=a^{-s}M(s) .$$

乘法 $f(ax)$ 变成幂 $a^{-s}$，正如平移变成调制。凡涉及标度律、幂律、自相似的问题，梅林变换是自然工具：
- 渐近分析：Mellin 逆变换沿竖直线积分，移动 contour 拾取极点即得 $x\to0$ 和 $x\to\infty$ 的渐近展开（极点的实部决定幂次）。
- 数论：$\zeta(s)=\frac{1}{\Gamma(s)}\int_0^\infty \frac{x^{s-1}}{e^x-1}dx$，素数定理的证明走的就是这条路。
- 算法与分形：分形维数、多重分形谱、乘积的分布。
- 卷积：梅林卷积 $(f*g)(x)=\int_0^\infty f(t)g(x/t)\frac{dt}{t}$ 变乘法，对应概率论里**两个独立正随机变量之积**的分布（正如普通卷积对应和）。

#### 5. 汉克尔变换（Hankel transform）

$$F_\nu(k)=\int_0^{\infty}f(r)J_\nu(kr)\,r\,dr,\qquad f(r)=\int_0^{\infty}F_\nu(k)J_\nu(kr)\,k\,dk .$$

**原理**：二维傅里叶变换在**径向对称**情形下的约化。若 $f(\mathbf{x})=f(r)$，则
$$\hat f(\mathbf{k})=2\pi\int_0^\infty f(r)J_0(kr)r\,dr .$$
角度积分直接做出贝塞尔函数（积分表示 $J_0(kr)=\frac{1}{2\pi}\int_0^{2\pi}e^{ikr\cos\theta}d\theta$）。

**关键性质**：它有自己的卷积定理（加法定理形式的 Hankel 卷积），且是**对合**的（两次变换回到原函数，类似傅里叶变换四次回到自身）。最重要的应用：二维拉普拉斯/亥姆霍兹方程在柱坐标下，径向部分经汉克尔变换后，$\nabla^2$ 变成乘 $-k^2$，偏微分方程降维。光学中的圆孔衍射（Airy 斑）、声学辐射、地下水流、弹性力学轴对称接触问题，全靠它。

#### 6. 希尔伯特变换（Hilbert transform）

$$Hf(t)=\frac{1}{\pi}\,\text{p.v.}\int_{-\infty}^{\infty}\frac{f(\tau)}{t-\tau}d\tau .$$

**它不是换域，而是相位操作**：$\mathcal{F}[Hf](\omega)=-i\,\mathrm{sgn}(\omega)F(\omega)$。即正频率乘 $-i$（滞后 $90^\circ$），负频率乘 $+i$（超前 $90^\circ$），幅度谱完全不变。

**两个核心用途**：
1. **解析信号**：$z(t)=f(t)+iHf(t)$，其频谱只在正频率。于是瞬时振幅 $A(t)=|z(t)|$、瞬时相位 $\phi(t)=\arg z(t)$、瞬时频率 $\omega(t)=\phi'(t)$ 有了严格定义。包络检波、调制解调、地震信号分析的基础。
2. **因果性与 Kramers–Kronig 关系**：因果信号的实部与虚部互为希尔伯特变换对。因此介质的色散曲线可由吸收曲线推出，反之亦然。这是物理因果律在频域的精确表述，也是 Bode 增益-相位关系、响应函数实虚部约束的来源。

#### 7. 余弦/正弦变换与 DCT/DST

**原理**：把定义在 $[0,\infty)$ 或 $[0,L]$ 的函数**偶延拓**（得余弦变换）或**奇延拓**（得正弦变换）到全轴，再做傅里叶变换。延拓方式决定了边界条件：
- 余弦变换 ↔ 偶延拓 ↔ 端点处导数为零（Neumann 条件）；
- 正弦变换 ↔ 奇延拓 ↔ 端点处函数值为零（Dirichlet 条件）。

**DCT-II**（最常用）：$X_k=\sum_{n=0}^{N-1}x_n\cos\left[\frac{\pi}{N}k\left(n+\tfrac12\right)\right]$。它的基底接近切比雪夫节点分布，具有极强的**能量紧致性**：高度相关的信号（如图像相邻像素）的能量会集中在少数低频系数上。加上人眼对高频量化误差不敏感，DCT 成为 JPEG、MPEG、MP3 的核心。DCT 还是实数运算、无复数开销，且隐含的偶延拓避免了 DFT 在块边界的不连续（减少块效应）。

#### 8. 哈特莱变换（Hartley transform）

核为 $\mathrm{cas}(\omega t)=\cos(\omega t)+\sin(\omega t)$。由于 $\mathrm{cas}$ 是实函数且 $\mathrm{cas}^2=1+\sin 2\omega t$ 的结构使得正逆变换**形式完全相同**，实信号的哈特莱变换仍是实的，无需处理复数。它在早期硬件实现上有优势，但缺乏复指数那种“本征函数”性质（导数不产生纯本征值），理论地位不如傅里叶，现多用于实数 DSP 算法和某些加密方案。

#### 9. 拉东变换（Radon transform）

$$Rf(\theta,s)=\int_{-\infty}^{\infty}f(s\cos\theta-t\sin\theta,\;s\sin\theta+t\cos\theta)\,dt .$$

**原理**：把函数沿直线积分，参数为法向角 $\theta$ 和到原点距离 $s$。它不是频域分解，而是**投影**。

**反演的枢纽是傅里叶切片定理**：$Rf(\theta,\cdot)$ 的一维傅里叶变换等于 $\hat f$ 沿过原点、方向为 $\theta$ 的那条直线的取值。因此：采集各角度投影 → 各自做一维 FFT → 填满二维频域 → 逆 FFT → 重建图像。这就是 CT、PET、地震层析成像的数学骨架。由于低频采样密、高频采样疏，实际需加斜坡滤波器 $|\omega|$ 补偿（滤波反投影算法）。

#### 10. 阿贝尔变换（Abel transform）

$$F(y)=2\int_y^{\infty}\frac{f(r)\,r}{\sqrt{r^2-y^2}}dr .$$

**几何含义**：轴对称三维分布 $f(r)$ 沿视线投影到二维所得的径向剖面。核 $(r^2-y^2)^{-1/2}$ 纯粹来自弦长的几何 Jacobian。

**逆变换**（Abel 反演）：$f(r)=-\frac{1}{\pi}\int_r^{\infty}\frac{F'(y)}{\sqrt{y^2-r^2}}dy$。等离子体诊断（从干涉测得的线平均电子密度反推径向密度）、火焰温度场、星系光度分布去投影（从表面亮度反推三维密度），都是同一公式。数值上它是**病态的**（先求导再积分，噪声被放大），需要正则化。

#### 11. 斯蒂尔切斯与伯雷尔变换（Stieltjes / Borel）

**Stieltjes 变换**：$S(z)=\int_a^b\frac{f(t)}{z-t}dt$。它是 resolvent $(zI-A)^{-1}$ 的核，与矩问题紧密相连：给定序列 $\mu_n=\int t^n d\mu$，能否恢复测度？答案是研究 $S(z)$ 在无穷远的渐近展开（其系数正是矩）。随机矩阵理论中，特征值经验分布的 Stieltjes 变换是基本工具（Marchenko–Pastur 定律的推导即由此入手）。

**Borel 变换**：对发散级数 $\sum a_n x^n$（$a_n\sim n!$ 型增长），定义 $\mathcal{B}(t)=\sum \frac{a_n}{n!}t^n$ 使其收敛，再取拉普拉斯型积分 $\int_0^\infty e^{-t} \mathcal{B}(xt)dt$ 恢复原函数。这是**从发散微扰级数提取物理答案**的标准手段（量子力学、量子场论的可求和性）。它与渐近展开、Stokes 现象、 resurgence 理论构成一整套体系。

---

### 时频分析与其他变换

#### 12. 小波变换（Wavelet transform）

$$W_f(a,b)=\frac{1}{\sqrt{|a|}}\int_{-\infty}^{\infty}f(t)\,\overline{\psi\!\left(\frac{t-b}{a}\right)}dt .$$

**原理突破**：傅里叶用一个基（固定频率、无限支撑）；小波用一个**母小波 $\psi$ 经伸缩 $a$ 和平移 $b$ 生成的整族基**。$\psi$ 需满足零均值 $\int\psi=0$（振荡、像小波）和容许条件 $C_\psi=\int\frac{|\hat\psi(\omega)|^2}{|\omega|}d\omega<\infty$。

**由此得到三条决定性优势**：
1. **时频同时局域化**：窗口宽度随尺度自适应——高频时时间窗窄（定位突变），低频时时间窗宽（分辨精细频率）。这绕开了 STFT 固定窗的限制。
2. **多分辨率**：嵌套子空间 $V_j\subset V_{j+1}$，细节空间 $W_j$ 由 $\psi_{j,k}$ 张成。Mallat 算法用一对共轭镜像滤波器组实现快速分解与重构，复杂度 $O(N)$。
3. **稀疏性**：分段光滑函数的 Besov 范数可由小波系数刻画，少数大系数即可高精度表示。去噪（阈值小系数）、压缩（JPEG2000）、奇点检测（模极大值）均由此而来。

代价：一般不再正交（连续小波是**框架**，存在冗余），且没有完美的“频率”解释（对数频率坐标）。

#### 13. 短时傅里叶变换与维格纳分布

**STFT**：$V_g f(\tau,\omega)=\int f(t)\overline{g(t-\tau)}e^{-i\omega t}dt$。加窗傅里叶，得到时频图（spectrogram）。局限是 Heisenberg 框定的固定分辨率：窗宽一旦选定，全图不变。

**维格纳–维尔分布**：$W_f(t,\omega)=\int f(t+\tfrac{\tau}{2})\overline{f(t-\tfrac{\tau}{2})}e^{-i\omega\tau}d\tau$。它是二阶双线性分布，时间-频率边缘分别给出瞬时功率和功率谱，分辨率理论上优于 STFT。但交叉项干扰严重（多分量信号会产生虚假的“鬼”成分），且可能出现负值。它是量子力学相空间 Wigner 函数在信号领域的翻版。

**分数阶傅里叶变换**：核为 $K_\alpha(t,u)$，相当于在时频平面上旋转角度 $\alpha$。$\alpha=\pi/2$ 即普通傅里叶变换。它最适合分析 chirp（线性调频）信号，因为 chirp 在某个旋转角度下会变成冲激状集中。光学中的菲涅耳衍射、透镜传播本质上就是分数阶傅里叶变换。

---

#### 不是“换频域”但结构同构的变换

- **勒让德（Legendre–Fenchel）变换**：$f(x)\mapsto \sup_x(px-f(x))$。不做频域分解，做的是**凸对偶**。拉格朗日↔哈密顿力学、热力学势互换、凸优化的对偶问题全靠它。
- **生成函数／矩母函数／特征函数**：概率里的同一套东西。特征函数＝分布的傅里叶变换，矩母函数＝拉普拉斯变换，累积量生成函数＝其对数。中心极限定理的证明就是在此完成的。
- **莫比乌斯反演、狄利克雷级数、朗伯级数**：数论里的“变换对”，梅林变换把它们和解析数论串起来。
- **Wigner 变换、Zak 变换、S 变换／T 变换**：分别用于相空间量子化、Gabor 框架、白噪声分析。
- **傅里叶–穆凯（Fourier–Mukai）、彭罗斯（Penrose）变换**：代数几何与扭子理论里的深层类比，属于“变换”思想在纯数学的延伸。

---

### 如何选择合适的展开或变换

#### 它们到底差在哪：五条判据

**1. 对称性（最重要的一条）**
每种变换都在对角化某类算子：傅里叶对角化**平移**不变算子，梅林对角化**伸缩**不变算子，汉克尔对角化**径向**拉普拉斯算子，勒让德／球谐对角化球面上的拉普拉斯–贝尔特拉米算子，小波则提供**伸缩+平移**的稀疏表示。**看问题具备何种对称性，就能直接锁定对应变换。**

**2. 定义域与边界**
全实轴用傅里叶，半轴且含初值用拉普拉斯，$(0,\infty)$ 且关注尺度行为用梅林，圆盘或圆柱用贝塞尔基，球面用球谐，离散序列用 Z 或 DFT。

**3. 局部还是全局**
泰勒只在收敛半径内有效；正交展开和积分变换是全局的，但傅里叶缺乏时间定位，小波和 STFT 恰好弥补了这一短板。

**4. 收敛门槛**
泰勒要求解析；傅里叶要求可积或 $L^2$（广义函数意义下可放宽到冲激）；拉普拉斯要求指数阶增长且通常假设 $t<0$ 时为零；梅林要求 $x\to0$ 和 $x\to\infty$ 两端都衰减得足够快。

**5. 逆变换与能量守恒**
傅里叶、小波、DCT 有 Plancherel 定理（能量不变），适合做压缩和滤波；拉普拉斯逆变换是 Bromwich 围道积分，数值上不稳定；梅林逆同样是围道积分。这决定了哪些变换能进算法、哪些只适合手算推导。

---

#### 一张速查表

> 平移／周期 → 傅里叶（级数或变换）
> 初值＋因果＋微分方程 → 拉普拉斯
> 差分方程／离散时间 → Z 变换、DFT
> 尺度律／幂律／数论 → 梅林
> 圆柱或球对称 → 汉克尔、贝塞尔级数、球谐
> 有限区间高精度数值解 → 切比雪夫、勒让德（谱方法）
> 瞬态、突变、多尺度 → 小波、STFT
> 成像重建 → 拉东
> 解析信号、因果性约束 → 希尔伯特
> 实数据压缩 → DCT
> 力学／热力学／优化对偶 → 勒让德–Fenchel
> 概率极限定理 → 特征函数（傅里叶）

---

#### 一个统一的视角

这些变换本质上都在做同一件事：**找一个线性算子的本征函数系当基底**。傅里叶是 $d/dx$ 的本征函数，贝塞尔是径向拉普拉斯的本征函数，切比雪夫是 Sturm–Liouville 型算子的本征函数，小波则是通过仿射群表示构造的框架（不再正交但更灵活）。所谓“换变换”，就是在给问题挑选最贴合其对称性和边界条件的本征基——选对了，偏微分方程就退化成代数方程，卷积就退化成乘法，这就是所有变换存在的共同理由。

---

不必死记硬背表格，只需问四个问题：

1. **问题的对称性是什么？** 平移不变 → 傅里叶；伸缩/幂律 → 梅林；径向对称 → 汉克尔/贝塞尔；球面对称 → 球谐；离散平移 → Z/DFT。对称性决定核。
2. **定义域和边界条件是什么？** 全轴、半轴（含初值）、有限区间、周期、圆柱、球面，各自对应唯一的自然基底。边界条件决定了延拓方式（DCT vs DST）和权函数。
3. **要局域信息还是全局信息？** 全局频谱 → 傅里叶；瞬态/突变 → 小波、STFT；成像投影 → 拉东、阿贝尔。
4. **要手算推导还是要数值算法？** 拉普拉斯、梅林靠留数和 contour 移动，适合解析推导；DCT、FFT、小波 Mallat 算法适合计算机。拉普拉斯逆变换数值不稳定，工程中通常改用状态空间或直接数值积分。

最后一条贯穿始终的原则：**所有这些变换都不是在“改变函数”，而是在更换描述函数的坐标系。** 函数本身没变，变的是哪个算子在这个坐标系下是对角的。选对了坐标系，复杂问题自动退化成乘法——这就是全部变换存在的理由。