信号与系统考研复习到了第二周很多同学已经开始出现“刷题没感觉”的状态。明明每天也做了题但是合上书之后脑海里能留下的公式和思路并不多。这一周我们不再追求题目数量而是用“每天两道核心题 专题归纳”的方式把傅里叶变换这条主线彻底吃透。这篇文章是这个30天计划系列的第二周内容。如果你是从零开始看到这篇建议先把第一周的基础部分补上因为第二周的很多题目会直接用到LTI系统、卷积和冲激响应的概念。接下来我们直接进入第二周规划。1. 为什么是“每日两题”而不是“题海战术”刷题这件事很多人有一个误区以为做得越多越稳。但实际上在信号与系统这门课里题目之间的重复度极高一道题如果只是改了个数字那它本质上仍然是同一道题。考研复习的时间是有限的真正值钱的不是“做过”而是“会做一类题”。每天两道题这背后的逻辑是第一道题用来巩固基础原理确保概念没有偏差。第二道题用来提升综合应用能力把多个章节的知识串起来。这种方式的优势在于每道题都有足够的时间去消化。做完之后你可以反问自己这道题考的是哪个知识点如果换一个信号波形我的解法还能不能复用如果条件从连续时间变成离散时间结论会有什么变化第二周的主题是傅里叶变换。它是信号与系统的分水岭也是几乎所有院校考研试卷中的必考内容。无论是选择题、填空题还是大题傅里叶变换都会出现。从这周开始你会明显感觉到题目从“算”转向了“理解”。2. 复习资料与工具准备正式进入第二周之前先确认一下手边的资料是否齐全。资料类型推荐内容用途主教材吴大正《信号与线性系统分析》或你目标院校指定教材概念定义、公式推导习题集目标院校历年真题 教材课后习题重点题号实战训练公式手册傅里叶变换性质对照表、常见变换对快速查阅、辅助记忆演算纸建议使用A4白纸不推荐用电子笔记代替手写推导训练计算规范Python环境Anaconda 或者任意带NumPy/SciPy的环境可选验证波形与频谱结论特别说明一下Python工具的作用。信号与系统考研复习并不强制要求编程但是对于“波形变换”这类抽象问题画图验证可以有效减少理解偏差。比如你计算出一个信号的傅里叶变换用Python画一下幅度谱看看形状是否和理论上一致。这种方式能够帮你快速定位公式记错或积分上下限写错的问题。安装好环境之后只需要确保能导入以下库即可import numpy as np from scipy import signal import matplotlib.pyplot as plt本文的Python代码主要用于验证题目结论不是考试内容但作为辅助学习手段是很有帮助的。3. 第一周知识点快速回顾第二周的题目会频繁使用第一周的内容先花十分钟快速过一遍。第一周的核心是信号描述与LTI系统信号分类连续/离散、周期/非周期、能量/功率信号。基本运算翻转、平移、尺度变换以及它们之间的先后顺序。冲激函数的抽样特性与筛选性质。卷积积分与卷积和的定义以及卷积的图解法。LTI系统的因果性、稳定性判断。其中与本周最直接相关的两个结论第一一个LTI系统完全由单位冲激响应 h(t) 决定输出等于输入与冲激响应的卷积y(t) x(t) * h(t)第二卷积的计算是傅里叶变换引入的“频域相乘”这一重要性质的桥梁。从第二周开始卷积不再需要在时域里死算很多问题可以转化到频域解决。如果你看到这两个式子和结论都还有清晰的印象那可以直接往下走。如果已经有点陌生说明第一周的原理解释部分有遗漏建议先回头补一下卷积计算的两个典型例题再开始本周计划。4. 第二周专题规划傅里叶变换七连击第二周一共七天每天围绕一个傅里叶变换的子专题展开。每天两道题但题型分配是精心设计过的。天数专题第一题第二题Day 8傅里叶级数周期矩形信号的频谱系数周期信号傅里叶级数与功率Day 9傅里叶变换定义用定义计算非周期信号变换常见信号的变换对推导Day 10典型信号变换对矩形脉冲、Sa函数冲激函数与常数信号的变换Day 11傅里叶变换性质时移与频移性质尺度变换与对偶性Day 12卷积定理时域卷积定理频域卷积定理Day 13采样定理采样信号频谱分析奈奎斯特频率计算Day 14周期信号的傅里叶变换周期信号的傅里叶变换计算傅里叶变换综合题这个顺序不是随便排的。它是按照“从特殊到一般、从定义到性质、从性质到应用”的逻辑展开的。第8天先用傅里叶级数建立周期信号的频率概念第9、10天把视角扩展到非周期信号第11天开始玩转性质第12天用卷积定理把时域和频域彻底打通第13天进入工程应用——采样第14天做一次综合复习。这个结构对应了考研大题最常见的出题路径。5. 第二周每日精讲下面进入本周的核心内容。每天两道题我会严格按照“题目重现 → 考点分析 → 解题过程 → 避坑提醒”的顺序展开。建议你先自己动笔做一遍再对照解析。5.1 Day 8傅里叶级数基础题目一周期矩形脉冲信号的傅里叶级数设周期矩形脉冲信号 f(t) 的周期为 T脉冲宽度为 τ幅度为 E在一个周期内表达式为f(t) E当 |t| τ/2 f(t) 0当 τ/2 |t| T/2求该信号的指数形式傅里叶级数系数 Fn。考点分析这道题是傅里叶级数最基础的题目主要考查指数形式傅里叶级数的定义和积分计算。解题过程指数形式傅里叶级数系数公式为Fn (1/T) ∫(-T/2T/2) f(t) e^(-jnω₀t) dt代入 f(t) 的表达式Fn (1/T) ∫(-τ/2τ/2) E e^(-jnω₀t) dt计算积分Fn (E/T) · [e^(-jnω₀t) / (-jnω₀)] | (-τ/2τ/2) (E/T) · [e^(-jnω₀τ/2) - e^(jnω₀τ/2)] / (-jnω₀) (2E)/(nω₀T) · sin(nω₀τ/2) (Eτ/T) · Sa(nω₀τ/2)其中 ω₀ 2π/TSa(x) sin(x)/x 为抽样函数。避坑提醒很多同学在这个计算中容易把 sin 项写成 sin(nω₀τ)实际上要注意积分上下限是 ±τ/2因此括号内是 ω₀τ/2不是 ω₀τ。另外当 n0 时公式依然成立但需要单独说明F₀ Eτ/T这个值是信号的直流分量物理含义是一个周期内的平均电平。题目二傅里叶级数与信号功率已知周期信号 f(t) 的指数形式傅里叶级数系数为 Fn证明帕塞瓦尔定理在周期信号下的形式并用它解释“信号功率在频域中的分布”。考点分析帕塞瓦尔定理是傅里叶级数的重要性质常出现在填空题或简答题中。它建立了时域功率与频域谐波功率之间的等价关系。解题过程周期信号的功率定义为P (1/T) ∫(T) |f(t)|² dt将 f(t) 展开为指数形式傅里叶级数f(t) Σ Fn e^(jnω₀t)那么|f(t)|² f(t) · f*(t) ΣΣ Fn Fm* e^(j(n-m)ω₀t)对时间积分并除以周期 T利用复指数信号在一个周期内的正交性(1/T) ∫(T) e^(j(n-m)ω₀t) dt 1当 nm (1/T) ∫(T) e^(j(n-m)ω₀t) dt 0当 n≠m得到P Σ |Fn|²这个结论说明周期信号的总功率等于各次谐波分量功率之和。每一个谐波分量对总功率的贡献是 |Fn|²与相位无关。避坑提醒有些同学容易把指数形式系数 Fn 和三角形式系数 an、bn 混淆。如果用三角形式展开功率计算式为P a₀² (1/2)Σ(an² bn²)由于指数形式系数与三角形式系数之间存在倍数关系计算结果数值会不同但物理含义一致。做题时先确认题意要求哪种展开形式。5.2 Day 9傅里叶变换定义与计算题目一用定义求单边指数衰减信号的傅里叶变换设信号 f(t) e^(-at)u(t)其中 a 0u(t) 为单位阶跃信号。求其傅里叶变换 F(jω)。考点分析这道题是傅里叶变换定义计算的入门必考题也是后续很多变换对推导的基础。考查的核心是广义积分的计算与收敛条件。解题过程傅里叶变换定义为F(jω) ∫(-∞∞) f(t) e^(-jωt) dt代入 f(t)F(jω) ∫(0∞) e^(-at) e^(-jωt) dt ∫(0∞) e^[-(ajω)t] dt 1/(ajω)由于 a 0积分收敛这是信号可傅里叶变换的充分条件之一。幅度谱与相位谱分别为|F(jω)| 1/√(a² ω²) φ(ω) -arctan(ω/a)避坑提醒计算时要注意积分下限。因为乘以 u(t)所以积分从 0 开始到正无穷而不是从负无穷开始。如果忘记了阶跃信号的存在就会得到完全不同的结果。另外要强调 a 0 这个条件如果 a 0信号会随着时间增长傅里叶变换不存在。题目二求双边指数信号的傅里叶变换设信号 f(t) e^(-a|t|)其中 a 0求其傅里叶变换 F(jω)并画出幅度谱的示意图。考点分析这道题比单边指数信号更进了一步——信号是偶对称的需要分段积分。它帮助理解信号对称性与频谱性质之间的关系。解题过程将 f(t) 分为两段F(jω) ∫(-∞0) e^(at) e^(-jωt) dt ∫(0∞) e^(-at) e^(-jωt) dt ∫(-∞0) e^[(a-jω)t] dt ∫(0∞) e^[-(ajω)t] dt 1/(a-jω) 1/(ajω) 2a/(a² ω²)幅度谱为|F(jω)| 2a/(a² ω² )这个结果是一个实偶函数。原因在于原信号 f(t) 是实偶函数傅里叶变换结果也应该是实偶函数。用Python可以直观地画出这个幅度谱import numpy as np import matplotlib.pyplot as plt a 1 w np.linspace(-10, 10, 500) F 2 * a / (a**2 w**2) plt.figure(figsize(8, 4)) plt.plot(w, F, linewidth2) plt.xlabel(ω) plt.ylabel(|F(jω)|) plt.title(双边指数信号的幅度谱 (a1)) plt.grid(True) plt.show()运行这段代码你能看到频谱在 ω0 处取得最大值然后随着频率增大逐渐衰减。这说明信号能量主要分布在低频段。避坑提醒双边指数信号与单边指数信号的频谱有本质区别。单边指数信号的频谱是复函数包含实部和虚部双边指数信号因为偶对称频谱退化为实函数。这个区别在后续学习Hilbert变换时还会再次遇到。5.3 Day 10典型信号的傅里叶变换对题目一矩形脉冲信号与抽样函数设矩形脉冲信号为g(t) 1当 |t| τ/2 g(t) 0当 |t| τ/2求它的傅里叶变换并说明矩形脉冲信号的频谱与脉冲宽度 τ 之间的关系。考点分析矩形脉冲和Sa函数是最经典的变换对每年考研几乎必考。这个题目直接考查定义计算但更重要的是理解频谱形状随参数变化的方向。解题过程计算傅里叶变换G(jω) ∫(-τ/2τ/2) 1 · e^(-jωt) dt [e^(-jωτ/2) - e^(jωτ/2)] / (-jω) 2 sin(ωτ/2) / ω τ · Sa(ωτ/2)脉冲宽度 τ 是关键参数。当 τ 增大时信号在时域变宽频谱的第一零点位置 2π/τ 向低频方向移动频谱变窄当 τ 减小时信号在时域变窄频谱展宽。这就是著名的“时域越宽、频域越窄时域越窄、频域越宽”的物理直觉。它直接对应傅里叶变换的尺度变换性质并且是通信原理中时间带宽积概念的雏形。避坑提醒请记住矩形脉冲频谱的第一个零点在 ω 2π/τ不是 ω π/τ。很多同学在画频谱图时把零点位置画错导致主瓣宽度出错。另外当 τ → ∞ 时矩形脉冲退化为直流信号频谱趋近于一个冲激函数。题目二冲激函数与常数信号的傅里叶变换求冲激函数 δ(t) 与常数信号 1 的傅里叶变换并解释它们的对偶关系。考点分析这道题的答案在信号与系统里属于背记内容但它背后的逻辑值得反复咀嚼。解题过程δ(t) 的傅里叶变换F(jω) ∫(-∞∞) δ(t) e^(-jωt) dt 1这说明冲激信号在时域是“无限窄”的它的频谱在频域是“无限宽”的常数。这个结论和矩形脉冲宽度减小的趋势一致。常数信号 1 的傅里叶变换不能直接通过定义积分计算因为积分不收敛。需要借助极限思想或者对偶性质。由对偶性若 f(t) ↔ F(jω)则 F(t) ↔ 2π f(-ω)对于 δ(t) ↔ 1将 δ(t) 看成一个时间的函数对偶关系给出1 ↔ 2π δ(ω)也就是说直流信号的频谱是位于 ω0 处的冲激强度为 2π。用Python的数值方法可以近似观察常数信号“能量集中在零频”的特点。下面生成一段含直流分量的时域信号并观察其频谱import numpy as np import matplotlib.pyplot as plt fs 1000 t np.linspace(-2, 2, fs) x np.ones_like(t) # 常数信号 X np.fft.fftshift(np.fft.fft(x)) freq np.fft.fftshift(np.fft.fftfreq(len(t), dt[1]-t[0])) plt.figure(figsize(10, 3)) plt.subplot(1, 2, 1) plt.plot(t, x) plt.title(时域常数信号) plt.subplot(1, 2, 2) plt.plot(freq, np.abs(X) / len(t)) plt.xlim([-5, 5]) plt.title(频谱集中在零频) plt.show()避坑提醒常数信号的傅里叶变换结果是 2πδ(ω)这里 2π 的因子不能漏。由于傅里叶变换定义式中存在 1/(2π) 或 1/√(2π) 的系数差异不同教材的结论可能相差常数倍。考试中要严格按照目标院校指定教材的变换定义来计算。5.4 Day 11傅里叶变换性质专题题目一时移性质与相位变化已知 f(t) 的傅里叶变换为 F(jω)求 f(t - t₀) 的傅里叶变换并用矩形脉冲信号验证该性质。考点分析时移性质是傅里叶变换性质中考查频率最高的一个掌握它的关键在于理解“幅度谱不变、相位谱发生线性变化”。解题过程由傅里叶变换定义∫(-∞∞) f(t - t₀) e^(-jωt) dt令 u t - t₀则 t u t₀dt du ∫(-∞∞) f(u) e^(-jω(u t₀)) du e^(-jωt₀) ∫(-∞∞) f(u) e^(-jωu) du e^(-jωt₀) F(jω)结论就是时移 t₀ 对应频域乘以相位因子 e^(-jωt₀)。验证矩形脉冲 g(t) 的中心在 t0 时频谱为 τ Sa(ωτ/2)是实函数。如果将矩形脉冲向右平移 τ/4得到 g(t - τ/4)则频谱变为G₁(jω) τ Sa(ωτ/2) · e^(-jωτ/4)幅度谱仍然是 |τ Sa(ωτ/2)|而相位谱叠加了一个线性相位 -ωτ/4。避坑提醒时移改变的是相位谱不会改变幅度谱。这个结论在滤波器设计、系统相位失真分析中很重要。如果题目中同时出现尺度变换和时移需要注意操作顺序f(at - b) 的变换需要先做时移再做尺度变换结果是f(at - b) ↔ (1/|a|) F(jω/a) e^(-jωb/a)这里 b/a 而不是 b是错误率非常高的点。题目二尺度变换与对偶性已知 f(t) ↔ F(jω)求 f(at) 的傅里叶变换并讨论 a 取不同值时的物理意义。再利用对偶性质求 Sa(t) 的傅里叶变换。考点分析本题考查尺度变换和对偶性两个高频性质。Sa(t) 的变换是“矩形脉冲 ↔ Sa函数”这一变换对的逆向使用。解题过程尺度变换公式若 a 0则 f(at) ↔ (1/a) F(jω/a) 若 a 0则 f(at) ↔ (1/|a|) F(jω/a)当 |a| 1 时信号在时域被压缩频谱在频域被展宽同时幅度变为原来的 1/|a|。当 0 |a| 1 时信号在时域被展宽频谱在频域被压缩。对于 Sa(t) 的傅里叶变换。已知矩形脉冲 g(t)宽度为 τ的傅里叶变换是 τ Sa(ωτ/2)。取 τ 2则g(t) 1当 |t| 1其变换为 2 Sa(ω)由对偶性若 f(t) ↔ F(jω)则 F(t) ↔ 2π f(-ω)令 F(t) 2 Sa(t)其对应的 f(ω) 应该是一个宽度为 1 的矩形脉冲。于是Sa(t) ↔ (1/2) · 2π · g(ω) π g(ω)其中 g(ω) 1当 |ω| 1否则为 0。所以 Sa(t) 的傅里叶变换是一个高度为 π、宽度为 2 的矩形频谱。避坑提醒Sa函数的傅里叶变换结果有两种常见写法。一种是上面得到的“高度为 π 的矩形”另一种写法是认为 G(jω) π[u(ω 1) - u(ω - 1)]。两者完全等价。这道题完美体现了对偶性的威力——不需要计算积分直接利用已知变换对得到结果。5.5 Day 12卷积定理题目一时域卷积定理的应用设 f₁(t) 和 f₂(t) 的傅里叶变换分别为 F₁(jω) 和 F₂(jω)证明时域卷积定理并说明它在LTI系统分析中的意义。考点分析时域卷积定理是连接信号与系统前半部分和后半部分的桥梁。如果没有这个定理LTI系统的频率响应分析法就不会存在。解题过程令 y(t) f₁(t) * f₂(t)则Y(jω) ∫(-∞∞) [∫(-∞∞) f₁(τ) f₂(t - τ) dτ] e^(-jωt) dt交换积分次序Y(jω) ∫(-∞∞) f₁(τ) [∫(-∞∞) f₂(t - τ) e^(-jωt) dt] dτ对内层积分令 u t - τ∫(-∞∞) f₂(t - τ) e^(-jωt) dt e^(-jωτ) F₂(jω)代入Y(jω) ∫(-∞∞) f₁(τ) e^(-jωτ) F₂(jω) dτ F₁(jω) · F₂(jω)这个结论直接说明在时域做卷积等价于在频域做乘法。对于一个LTI系统若输入为 x(t)单位冲激响应为 h(t)则输出 y(t) x(t) * h(t)。两边同时取傅里叶变换Y(jω) X(jω) · H(jω)这就是频率响应分析法的基础。H(jω) 被称为系统频率响应。避坑提醒时域卷积对应频域乘积不要和时域乘积对应频域卷积搞混。后者的结论是x(t)·h(t) ↔ (1/2π) X(jω) * H(jω)一个有无 1/2π 因子的差别是选择题的高频陷阱。题目二频域卷积定理的应用已知 f₁(t) cos(ω₀t)f₂(t) cos(ω₀t)求 f₁(t) · f₂(t) 的傅里叶变换并解释结果。考点分析这道题是通信系统中幅度调制和混频器的数学基础。用频域卷积定理可以避免直接做时域乘法积分。解题过程已知cos(ω₀t) ↔ π[δ(ω - ω₀) δ(ω ω₀)]频域卷积定理f₁(t)·f₂(t) ↔ (1/2π) [F₁(jω) * F₂(jω)]代入F[jω] (1/2π) · π[δ(ω - ω₀) δ(ω ω₀)] * π[δ(ω - ω₀) δ(ω ω₀)]冲激函数的卷积满足δ(ω - a) * δ(ω - b) δ(ω - (a b))因此F[jω] (π/2)[δ(ω - 2ω₀) 2δ(ω) δ(ω 2ω₀)]从时域直接验证cos²(ω₀t) (1/2) (1/2)cos(2ω₀t)它的傅里叶变换应该是πδ(ω) (π/2)[δ(ω - 2ω₀) δ(ω 2ω₀)]结果一致。避坑提醒频域卷积定理中的 1/(2π) 因子是必须项。如果漏掉最终系数会变成原来的 2π 倍。另外要辨析“时域相乘”的物理意义在通信系统中将两个信号相乘用于频谱搬移这是调幅AM技术的基础。本题的结论说明了为什么乘法运算可以产生新的频率分量。5.6 Day 13采样定理题目一理想采样的频谱分析设连续时间信号 x(t) 的频谱 X(jω) 最高频率为 ω_max采样间隔为 Ts。写出理想采样信号 xs(t) 的频谱表达式并说明采样定理的条件。考点分析理想采样是采样定理的基础知识点几乎所有院校都会考。核心是记住“频谱搬移”的概念以及无失真恢复的区间条件。解题过程理想采样信号为xs(t) Σ x(nTs) δ(t - nTs) x(t) · Σ δ(t - nTs)其中 Σ δ(t - nTs) 是周期为 Ts 的冲激串。它本身是周期信号其傅里叶级数系数为 1/Ts。因此采样信号的频谱为Xs(jω) (1/Ts) Σ X[j(ω - nωs)]其中 ωs 2π/Ts 是采样角频率。这个表达式表明采样信号的频谱是原信号频谱以 ωs 为周期进行重复搬移得到的幅度乘以 1/Ts。要无失真地从采样信号恢复原信号需要满足两个条件原信号带限即 X(jω) 0当 |ω| ω_max。采样频率 ωs ≥ 2ω_max即 fs ≥ 2f_max。这里的 f_max ω_max / (2π) 是信号最高频率奈奎斯特频率对应的是最小采样速率。避坑提醒采样定理中说的是“采样频率 fs 大于等于 2f_max”还是“严格大于”理论上临界状态在理想低通滤波器条件下可以恢复但工程上一般取远大于奈奎斯特速率。考研题目中如果条件是采样频率等于 2f_max一定要检查滤波器是否能完全滤除频谱重叠。通常结论是临界采样存在实际问题考试中建议按定义判断。题目二奈奎斯特频率计算设信号 f(t) Sa(1000πt)求该信号的最高频率 f_max 和奈奎斯特频率 fs_min。如果对该信号进行理想采样采样角频率需要满足什么条件考点分析这道题不是直接背公式而是需要先求信号的频谱范围再应用采样定理。它是“Sa函数变换对”与采样定理的综合运用。解题过程已知 Sa(1000πt) 的傅里叶变换是一个矩形脉冲幅度为F(jω) (π/1000) g(ω)其中g(ω) 1当 |ω| 1000π g(ω) 0当 |ω| 1000π所以信号是带限的最高角频率为 ω_max 1000π rad/s对应的最高频率为f_max ω_max / (2π) 1000π / (2π) 500 Hz奈奎斯特频率最小采样频率为fs_min 2f_max 1000 Hz采样角频率应满足ωs 2π fs ≥ 2π × 1000 2000π rad/s避坑提醒如果一个信号是多个带限信号的乘积它的最高频率是两个信号最高频率之和而不是取较大值。例如 f(t) Sa(1000πt) · cos(2000πt)频域卷积后最高频率是 500 1000 1500 Hz奈奎斯特频率是 3000 Hz。这种“乘积与卷积对应”的思想是采样定理综合题的常考点。用Python验证一下这个信号import numpy as np import matplotlib.pyplot as plt fs 5000 t np.linspace(-0.01, 0.01, 500) x np.sinc(1000 * t) # 注意这里归一化写法 plt.figure(figsize(8, 3)) plt.plot(t, x) plt.title(Sa(1000πt) 的时域波形) plt.xlabel(t (s)) plt.grid(True) plt.show()注意NumPy中 np.sinc(x) 的定义是 sin(πx)/(πx)所以这里传入 1000*t 表示 sin(1000πt)/(1000πt)与题目中的 Sa(1000πt) 一致。5.7 Day 14周期信号的傅里叶变换与综合复习题目一周期信号的傅里叶变换设周期信号 f(t) 的指数形式傅里叶级数系数为 Fn求 f(t) 的傅里叶变换。考点分析这一题打通傅里叶级数和傅里叶变换。核心结论是每个周期信号的频谱由一系列冲激组成冲激强度与傅里叶级数系数相关。解题过程周期信号展开为f(t) Σ Fn e^(jnω₀t)对等式两边同时取傅里叶变换。已知e^(jnω₀t) ↔ 2π δ(ω - nω₀)因此F(jω) 2π Σ Fn δ(ω - nω₀)这个结果说明周期信号的傅里叶变换是一系列位于 nω₀ 处的冲激函数强度为 2πFn。冲激串的包络形状由傅里叶级数系数 Fn 决定。以周期为 T 的冲激串为例p(t) Σ δ(t - nT)它的傅里叶级数系数 Fn 1/T所以它的傅里叶变换为P(jω) (2π/T) Σ δ(ω - nω₀) ω₀ Σ δ(ω - nω₀)这是一个频域的冲激串周期为 ω₀ 2π/T。避坑提醒如果已知的是周期信号的三角形式傅里叶级数系数 an、bn需要注意它与指数形式的系数换算关系。直接代入指数形式公式时不要用错系数。题目二傅里叶变换综合题已知系统输入 x(t) e^(-2t)u(t)系统单位冲激响应 h(t) e^(-3t)u(t)。求系统输出 y(t)并求系统的频率响应 H(jω)。考点分析这道题是第二周内容的闭合测试题。它用到了傅里叶变换、卷积定理、系统频率响应以及部分分式展开等知识点。可以在15分钟内完成如果超时说明上述某个环节还需要巩固。解题过程直接对 x(t) 和 h(t) 求傅里叶变换X(jω) 1/(jω 2) H(jω) 1/(jω 3)由时域卷积定理Y(jω) X(jω)·H(jω) 1/[(jω 2)(jω 3)]对 Y(jω) 做部分分式展开Y(jω) 1/[(jω 2)(jω 3)] A/(jω 2) B/(jω 3)求解系数A 1/(jω 3) 在 jω -2 处的取值 1/( -2 3 ) 1 B 1/(jω 2) 在 jω -3 处的取值 1/( -3 2 ) -1因此Y(jω) 1/(jω 2) - 1/(jω 3)根据已知变换对 e^(-at)u(t) ↔ 1/(jω a)y(t) (e^(-2t) - e^(-3t))u(t)系统的频率响应为H(jω) 1/(jω 3)验证时域卷积直接计算得到相同结果y(t) ∫(0t) e^(-2τ) e^(-3(t-τ)) dτ e^(-3t) ∫(0t) e^(τ) dτ e^(-2t) - e^(-3t)t 0避坑提醒部分分式展开求解系数 A 时不要直接把 jω -2 代入含 jω 的整个分母中除以另一个因子后还要继续保留分母因子。习惯用“覆盖法”Heaviside覆盖法可以提高速度和准确率。另外这道题也可以用拉普拉斯变换求解结果一致。这为第三周引入拉普拉斯变换埋下了伏笔。6. 第二周常见错误与排查思路第二周的内容虽然概念并不复杂但做题时错误率非常高。下面把高频错误整理成一个表格方便快速自查。错误现象常见原因解决思路单边指数信号变换结果算成 2a/(a² ω²)符号函数与阶跃函数混淆积分下限写错明确 u(t) 的作用积分区间从 0 开始矩形脉冲频谱零点位置画错忘记零点在 ω 2π/τ 而不是 ω π/τ写出表达式 τ Sa(ωτ/2)令 sin 内为 π频域卷积定理漏掉 1/(2π) 系数对偶性理解不深入记住时域乘积 ↔ (1/2π) 频域卷积时移后相位因子写成 e^(-jωt₀) 还是 e^(jωt₀) 混淆对定义的推导不熟从定义出发令 u t - t₀重新推一遍采样频率计算错误f_max 和 ω_max 换算搞混先算 ω_max再除以 2π 得到 f_max周期信号傅里叶变换漏掉 2π 因子与傅里叶级数系数混淆记住结论F(jω) 2πΣ Fn δ(ω - nω₀)Sa函数与 sinc 函数定义混淆不同教材、不同库函数定义不同明确本课程采用 Sa(x) sin(x)/x 定义如果做题时发现错误频率较高不用急着做新题。建议把第二周涉及的核心变换对抄写一遍然后每个变换对至少完成一次从定义出发的推导。7. 刷题之外的工程化复习建议第二周做完整之后有一些比单纯刷题更重要的习惯需要养成。第一建立自己的傅里叶变换手册。不要直接贴教材的公式表而是自己默写一遍。先写常见信号的时域表达式然后写变换结果。默写完毕后再对照教材检查。这个过程暴露的记忆盲区比做十道题都有效。第二所有性质都尝试用“从定义推导”的方式证明一次。时移、频移、尺度、对偶、卷积定理这些性质如果你只是背结论考试中一旦题目包装得复杂一些就容易出错。而如果亲自推过一遍不仅记得牢还能在推导过程中发现自己的知识盲点。每天两道题做完了可以用剩余时间做一件事把当天那道“第二题”的条件稍作变化看看结论如何变化。比如把矩形脉冲宽度从 τ 改成 2τ幅度从 E 改为 2E重新求频谱。这种变式训练比做十道新题更高效。第三重视Python验证但不要过度依赖。Python适合验证波形和频谱形状但考试手算能力必须过关。建议先手算得出答案再用Python验证而不是先跑代码再抄结果。下面是第二周几个核心信号的可视化验证脚本可以一次运行观察时域波形和幅度谱的对应关系import numpy as np import matplotlib.pyplot as plt # 定义时间轴 fs 8000 t np.linspace(-1, 1, fs) # 1. 矩形脉冲 x1 np.where(np.abs(t) 0.5, 1, 0) X1 np.fft.fftshift(np.fft.fft(x1)) freq np.fft.fftshift(np.fft.fftfreq(len(t), 1/fs)) # 2. 双边指数信号 a 2 x2 np.exp(-a * np.abs(t)) X2 np.fft.fftshift(np.fft.fft(x2)) plt.figure(figsize(12, 8)) plt.subplot(2, 2, 1) plt.plot(t, x1) plt.title(矩形脉冲 时域) plt.xlim([-2, 2]) plt.subplot(2, 2, 2) plt.plot(freq, np.abs(X1)/fs) plt.title(矩形脉冲 幅度谱) plt.xlim([-5, 5]) plt.subplot(2, 2, 3) plt.plot(t, x2) plt.title(双边指数信号 时域) plt.subplot(2, 2, 4) plt.plot(freq, np.abs(X2)/fs) plt.title(双边指数信号 幅度谱) plt.xlim([-5, 5]) plt.tight_layout() plt.show()第四从“会做题”到“会讲题”。每天挑一道题尝试不看解析用三句话向别人讲清楚这道题在考什么、用什么方法、最终结论怎么理解。这个过程能快速暴露你的逻辑漏洞。这里可以结合每日复盘表每晚花3分钟简单记录三件事今天核心收获、今天卡壳原因、明天需要留意的知识点。8. 第三周内容预告与阶段性复盘第二周做完之后你应该已经做到可以直接写出矩形脉冲、冲激函数、常数信号、指数信号的傅里叶变换。能用至少三种方法解决卷积相关题目图解法、解析法、卷积定理法。一看到“信号最高频率”就能反应出它在采样定理中的位置。遇到周期信号的频谱能快速写出冲激串表达式。第三周将进入第三个核心板块——拉普拉斯变换与系统分析。这是信号与系统的后半程重点也是复试中经常追问的地方。拉普拉斯变换实际上把傅里叶变换从虚轴扩展到了整个复平面很多在傅里叶变换中“不收敛”的信号在拉普拉斯变换中反而能获得简洁的结果。你会看到系统函数的零极点图如何直观地决定系统的稳定性也会在第三周真正意识到“信号与系统”这门课的前半程和后半程是如何连成一体的。如果你第二周的内容消化得不错第三周的计划可以直接无缝衔接。如果还有模糊的地方建议在进入第三周之前把第二周Day8到Day14的14道题重新做一遍。这次不要看解析全部独立完成。完成之后再对照文中解析检查你会发现自己的进步非常明显。信号与系统的学习没有捷径但确实可以更聪明地努力。每天两道题不求贪多只求每道题都嚼碎了、吃透了30天后的效果一定好过盲目刷完三本题集。下一周见。
信号与系统考研复习：傅里叶变换专题30天突破计划
信号与系统考研复习到了第二周很多同学已经开始出现“刷题没感觉”的状态。明明每天也做了题但是合上书之后脑海里能留下的公式和思路并不多。这一周我们不再追求题目数量而是用“每天两道核心题 专题归纳”的方式把傅里叶变换这条主线彻底吃透。这篇文章是这个30天计划系列的第二周内容。如果你是从零开始看到这篇建议先把第一周的基础部分补上因为第二周的很多题目会直接用到LTI系统、卷积和冲激响应的概念。接下来我们直接进入第二周规划。1. 为什么是“每日两题”而不是“题海战术”刷题这件事很多人有一个误区以为做得越多越稳。但实际上在信号与系统这门课里题目之间的重复度极高一道题如果只是改了个数字那它本质上仍然是同一道题。考研复习的时间是有限的真正值钱的不是“做过”而是“会做一类题”。每天两道题这背后的逻辑是第一道题用来巩固基础原理确保概念没有偏差。第二道题用来提升综合应用能力把多个章节的知识串起来。这种方式的优势在于每道题都有足够的时间去消化。做完之后你可以反问自己这道题考的是哪个知识点如果换一个信号波形我的解法还能不能复用如果条件从连续时间变成离散时间结论会有什么变化第二周的主题是傅里叶变换。它是信号与系统的分水岭也是几乎所有院校考研试卷中的必考内容。无论是选择题、填空题还是大题傅里叶变换都会出现。从这周开始你会明显感觉到题目从“算”转向了“理解”。2. 复习资料与工具准备正式进入第二周之前先确认一下手边的资料是否齐全。资料类型推荐内容用途主教材吴大正《信号与线性系统分析》或你目标院校指定教材概念定义、公式推导习题集目标院校历年真题 教材课后习题重点题号实战训练公式手册傅里叶变换性质对照表、常见变换对快速查阅、辅助记忆演算纸建议使用A4白纸不推荐用电子笔记代替手写推导训练计算规范Python环境Anaconda 或者任意带NumPy/SciPy的环境可选验证波形与频谱结论特别说明一下Python工具的作用。信号与系统考研复习并不强制要求编程但是对于“波形变换”这类抽象问题画图验证可以有效减少理解偏差。比如你计算出一个信号的傅里叶变换用Python画一下幅度谱看看形状是否和理论上一致。这种方式能够帮你快速定位公式记错或积分上下限写错的问题。安装好环境之后只需要确保能导入以下库即可import numpy as np from scipy import signal import matplotlib.pyplot as plt本文的Python代码主要用于验证题目结论不是考试内容但作为辅助学习手段是很有帮助的。3. 第一周知识点快速回顾第二周的题目会频繁使用第一周的内容先花十分钟快速过一遍。第一周的核心是信号描述与LTI系统信号分类连续/离散、周期/非周期、能量/功率信号。基本运算翻转、平移、尺度变换以及它们之间的先后顺序。冲激函数的抽样特性与筛选性质。卷积积分与卷积和的定义以及卷积的图解法。LTI系统的因果性、稳定性判断。其中与本周最直接相关的两个结论第一一个LTI系统完全由单位冲激响应 h(t) 决定输出等于输入与冲激响应的卷积y(t) x(t) * h(t)第二卷积的计算是傅里叶变换引入的“频域相乘”这一重要性质的桥梁。从第二周开始卷积不再需要在时域里死算很多问题可以转化到频域解决。如果你看到这两个式子和结论都还有清晰的印象那可以直接往下走。如果已经有点陌生说明第一周的原理解释部分有遗漏建议先回头补一下卷积计算的两个典型例题再开始本周计划。4. 第二周专题规划傅里叶变换七连击第二周一共七天每天围绕一个傅里叶变换的子专题展开。每天两道题但题型分配是精心设计过的。天数专题第一题第二题Day 8傅里叶级数周期矩形信号的频谱系数周期信号傅里叶级数与功率Day 9傅里叶变换定义用定义计算非周期信号变换常见信号的变换对推导Day 10典型信号变换对矩形脉冲、Sa函数冲激函数与常数信号的变换Day 11傅里叶变换性质时移与频移性质尺度变换与对偶性Day 12卷积定理时域卷积定理频域卷积定理Day 13采样定理采样信号频谱分析奈奎斯特频率计算Day 14周期信号的傅里叶变换周期信号的傅里叶变换计算傅里叶变换综合题这个顺序不是随便排的。它是按照“从特殊到一般、从定义到性质、从性质到应用”的逻辑展开的。第8天先用傅里叶级数建立周期信号的频率概念第9、10天把视角扩展到非周期信号第11天开始玩转性质第12天用卷积定理把时域和频域彻底打通第13天进入工程应用——采样第14天做一次综合复习。这个结构对应了考研大题最常见的出题路径。5. 第二周每日精讲下面进入本周的核心内容。每天两道题我会严格按照“题目重现 → 考点分析 → 解题过程 → 避坑提醒”的顺序展开。建议你先自己动笔做一遍再对照解析。5.1 Day 8傅里叶级数基础题目一周期矩形脉冲信号的傅里叶级数设周期矩形脉冲信号 f(t) 的周期为 T脉冲宽度为 τ幅度为 E在一个周期内表达式为f(t) E当 |t| τ/2 f(t) 0当 τ/2 |t| T/2求该信号的指数形式傅里叶级数系数 Fn。考点分析这道题是傅里叶级数最基础的题目主要考查指数形式傅里叶级数的定义和积分计算。解题过程指数形式傅里叶级数系数公式为Fn (1/T) ∫(-T/2T/2) f(t) e^(-jnω₀t) dt代入 f(t) 的表达式Fn (1/T) ∫(-τ/2τ/2) E e^(-jnω₀t) dt计算积分Fn (E/T) · [e^(-jnω₀t) / (-jnω₀)] | (-τ/2τ/2) (E/T) · [e^(-jnω₀τ/2) - e^(jnω₀τ/2)] / (-jnω₀) (2E)/(nω₀T) · sin(nω₀τ/2) (Eτ/T) · Sa(nω₀τ/2)其中 ω₀ 2π/TSa(x) sin(x)/x 为抽样函数。避坑提醒很多同学在这个计算中容易把 sin 项写成 sin(nω₀τ)实际上要注意积分上下限是 ±τ/2因此括号内是 ω₀τ/2不是 ω₀τ。另外当 n0 时公式依然成立但需要单独说明F₀ Eτ/T这个值是信号的直流分量物理含义是一个周期内的平均电平。题目二傅里叶级数与信号功率已知周期信号 f(t) 的指数形式傅里叶级数系数为 Fn证明帕塞瓦尔定理在周期信号下的形式并用它解释“信号功率在频域中的分布”。考点分析帕塞瓦尔定理是傅里叶级数的重要性质常出现在填空题或简答题中。它建立了时域功率与频域谐波功率之间的等价关系。解题过程周期信号的功率定义为P (1/T) ∫(T) |f(t)|² dt将 f(t) 展开为指数形式傅里叶级数f(t) Σ Fn e^(jnω₀t)那么|f(t)|² f(t) · f*(t) ΣΣ Fn Fm* e^(j(n-m)ω₀t)对时间积分并除以周期 T利用复指数信号在一个周期内的正交性(1/T) ∫(T) e^(j(n-m)ω₀t) dt 1当 nm (1/T) ∫(T) e^(j(n-m)ω₀t) dt 0当 n≠m得到P Σ |Fn|²这个结论说明周期信号的总功率等于各次谐波分量功率之和。每一个谐波分量对总功率的贡献是 |Fn|²与相位无关。避坑提醒有些同学容易把指数形式系数 Fn 和三角形式系数 an、bn 混淆。如果用三角形式展开功率计算式为P a₀² (1/2)Σ(an² bn²)由于指数形式系数与三角形式系数之间存在倍数关系计算结果数值会不同但物理含义一致。做题时先确认题意要求哪种展开形式。5.2 Day 9傅里叶变换定义与计算题目一用定义求单边指数衰减信号的傅里叶变换设信号 f(t) e^(-at)u(t)其中 a 0u(t) 为单位阶跃信号。求其傅里叶变换 F(jω)。考点分析这道题是傅里叶变换定义计算的入门必考题也是后续很多变换对推导的基础。考查的核心是广义积分的计算与收敛条件。解题过程傅里叶变换定义为F(jω) ∫(-∞∞) f(t) e^(-jωt) dt代入 f(t)F(jω) ∫(0∞) e^(-at) e^(-jωt) dt ∫(0∞) e^[-(ajω)t] dt 1/(ajω)由于 a 0积分收敛这是信号可傅里叶变换的充分条件之一。幅度谱与相位谱分别为|F(jω)| 1/√(a² ω²) φ(ω) -arctan(ω/a)避坑提醒计算时要注意积分下限。因为乘以 u(t)所以积分从 0 开始到正无穷而不是从负无穷开始。如果忘记了阶跃信号的存在就会得到完全不同的结果。另外要强调 a 0 这个条件如果 a 0信号会随着时间增长傅里叶变换不存在。题目二求双边指数信号的傅里叶变换设信号 f(t) e^(-a|t|)其中 a 0求其傅里叶变换 F(jω)并画出幅度谱的示意图。考点分析这道题比单边指数信号更进了一步——信号是偶对称的需要分段积分。它帮助理解信号对称性与频谱性质之间的关系。解题过程将 f(t) 分为两段F(jω) ∫(-∞0) e^(at) e^(-jωt) dt ∫(0∞) e^(-at) e^(-jωt) dt ∫(-∞0) e^[(a-jω)t] dt ∫(0∞) e^[-(ajω)t] dt 1/(a-jω) 1/(ajω) 2a/(a² ω²)幅度谱为|F(jω)| 2a/(a² ω² )这个结果是一个实偶函数。原因在于原信号 f(t) 是实偶函数傅里叶变换结果也应该是实偶函数。用Python可以直观地画出这个幅度谱import numpy as np import matplotlib.pyplot as plt a 1 w np.linspace(-10, 10, 500) F 2 * a / (a**2 w**2) plt.figure(figsize(8, 4)) plt.plot(w, F, linewidth2) plt.xlabel(ω) plt.ylabel(|F(jω)|) plt.title(双边指数信号的幅度谱 (a1)) plt.grid(True) plt.show()运行这段代码你能看到频谱在 ω0 处取得最大值然后随着频率增大逐渐衰减。这说明信号能量主要分布在低频段。避坑提醒双边指数信号与单边指数信号的频谱有本质区别。单边指数信号的频谱是复函数包含实部和虚部双边指数信号因为偶对称频谱退化为实函数。这个区别在后续学习Hilbert变换时还会再次遇到。5.3 Day 10典型信号的傅里叶变换对题目一矩形脉冲信号与抽样函数设矩形脉冲信号为g(t) 1当 |t| τ/2 g(t) 0当 |t| τ/2求它的傅里叶变换并说明矩形脉冲信号的频谱与脉冲宽度 τ 之间的关系。考点分析矩形脉冲和Sa函数是最经典的变换对每年考研几乎必考。这个题目直接考查定义计算但更重要的是理解频谱形状随参数变化的方向。解题过程计算傅里叶变换G(jω) ∫(-τ/2τ/2) 1 · e^(-jωt) dt [e^(-jωτ/2) - e^(jωτ/2)] / (-jω) 2 sin(ωτ/2) / ω τ · Sa(ωτ/2)脉冲宽度 τ 是关键参数。当 τ 增大时信号在时域变宽频谱的第一零点位置 2π/τ 向低频方向移动频谱变窄当 τ 减小时信号在时域变窄频谱展宽。这就是著名的“时域越宽、频域越窄时域越窄、频域越宽”的物理直觉。它直接对应傅里叶变换的尺度变换性质并且是通信原理中时间带宽积概念的雏形。避坑提醒请记住矩形脉冲频谱的第一个零点在 ω 2π/τ不是 ω π/τ。很多同学在画频谱图时把零点位置画错导致主瓣宽度出错。另外当 τ → ∞ 时矩形脉冲退化为直流信号频谱趋近于一个冲激函数。题目二冲激函数与常数信号的傅里叶变换求冲激函数 δ(t) 与常数信号 1 的傅里叶变换并解释它们的对偶关系。考点分析这道题的答案在信号与系统里属于背记内容但它背后的逻辑值得反复咀嚼。解题过程δ(t) 的傅里叶变换F(jω) ∫(-∞∞) δ(t) e^(-jωt) dt 1这说明冲激信号在时域是“无限窄”的它的频谱在频域是“无限宽”的常数。这个结论和矩形脉冲宽度减小的趋势一致。常数信号 1 的傅里叶变换不能直接通过定义积分计算因为积分不收敛。需要借助极限思想或者对偶性质。由对偶性若 f(t) ↔ F(jω)则 F(t) ↔ 2π f(-ω)对于 δ(t) ↔ 1将 δ(t) 看成一个时间的函数对偶关系给出1 ↔ 2π δ(ω)也就是说直流信号的频谱是位于 ω0 处的冲激强度为 2π。用Python的数值方法可以近似观察常数信号“能量集中在零频”的特点。下面生成一段含直流分量的时域信号并观察其频谱import numpy as np import matplotlib.pyplot as plt fs 1000 t np.linspace(-2, 2, fs) x np.ones_like(t) # 常数信号 X np.fft.fftshift(np.fft.fft(x)) freq np.fft.fftshift(np.fft.fftfreq(len(t), dt[1]-t[0])) plt.figure(figsize(10, 3)) plt.subplot(1, 2, 1) plt.plot(t, x) plt.title(时域常数信号) plt.subplot(1, 2, 2) plt.plot(freq, np.abs(X) / len(t)) plt.xlim([-5, 5]) plt.title(频谱集中在零频) plt.show()避坑提醒常数信号的傅里叶变换结果是 2πδ(ω)这里 2π 的因子不能漏。由于傅里叶变换定义式中存在 1/(2π) 或 1/√(2π) 的系数差异不同教材的结论可能相差常数倍。考试中要严格按照目标院校指定教材的变换定义来计算。5.4 Day 11傅里叶变换性质专题题目一时移性质与相位变化已知 f(t) 的傅里叶变换为 F(jω)求 f(t - t₀) 的傅里叶变换并用矩形脉冲信号验证该性质。考点分析时移性质是傅里叶变换性质中考查频率最高的一个掌握它的关键在于理解“幅度谱不变、相位谱发生线性变化”。解题过程由傅里叶变换定义∫(-∞∞) f(t - t₀) e^(-jωt) dt令 u t - t₀则 t u t₀dt du ∫(-∞∞) f(u) e^(-jω(u t₀)) du e^(-jωt₀) ∫(-∞∞) f(u) e^(-jωu) du e^(-jωt₀) F(jω)结论就是时移 t₀ 对应频域乘以相位因子 e^(-jωt₀)。验证矩形脉冲 g(t) 的中心在 t0 时频谱为 τ Sa(ωτ/2)是实函数。如果将矩形脉冲向右平移 τ/4得到 g(t - τ/4)则频谱变为G₁(jω) τ Sa(ωτ/2) · e^(-jωτ/4)幅度谱仍然是 |τ Sa(ωτ/2)|而相位谱叠加了一个线性相位 -ωτ/4。避坑提醒时移改变的是相位谱不会改变幅度谱。这个结论在滤波器设计、系统相位失真分析中很重要。如果题目中同时出现尺度变换和时移需要注意操作顺序f(at - b) 的变换需要先做时移再做尺度变换结果是f(at - b) ↔ (1/|a|) F(jω/a) e^(-jωb/a)这里 b/a 而不是 b是错误率非常高的点。题目二尺度变换与对偶性已知 f(t) ↔ F(jω)求 f(at) 的傅里叶变换并讨论 a 取不同值时的物理意义。再利用对偶性质求 Sa(t) 的傅里叶变换。考点分析本题考查尺度变换和对偶性两个高频性质。Sa(t) 的变换是“矩形脉冲 ↔ Sa函数”这一变换对的逆向使用。解题过程尺度变换公式若 a 0则 f(at) ↔ (1/a) F(jω/a) 若 a 0则 f(at) ↔ (1/|a|) F(jω/a)当 |a| 1 时信号在时域被压缩频谱在频域被展宽同时幅度变为原来的 1/|a|。当 0 |a| 1 时信号在时域被展宽频谱在频域被压缩。对于 Sa(t) 的傅里叶变换。已知矩形脉冲 g(t)宽度为 τ的傅里叶变换是 τ Sa(ωτ/2)。取 τ 2则g(t) 1当 |t| 1其变换为 2 Sa(ω)由对偶性若 f(t) ↔ F(jω)则 F(t) ↔ 2π f(-ω)令 F(t) 2 Sa(t)其对应的 f(ω) 应该是一个宽度为 1 的矩形脉冲。于是Sa(t) ↔ (1/2) · 2π · g(ω) π g(ω)其中 g(ω) 1当 |ω| 1否则为 0。所以 Sa(t) 的傅里叶变换是一个高度为 π、宽度为 2 的矩形频谱。避坑提醒Sa函数的傅里叶变换结果有两种常见写法。一种是上面得到的“高度为 π 的矩形”另一种写法是认为 G(jω) π[u(ω 1) - u(ω - 1)]。两者完全等价。这道题完美体现了对偶性的威力——不需要计算积分直接利用已知变换对得到结果。5.5 Day 12卷积定理题目一时域卷积定理的应用设 f₁(t) 和 f₂(t) 的傅里叶变换分别为 F₁(jω) 和 F₂(jω)证明时域卷积定理并说明它在LTI系统分析中的意义。考点分析时域卷积定理是连接信号与系统前半部分和后半部分的桥梁。如果没有这个定理LTI系统的频率响应分析法就不会存在。解题过程令 y(t) f₁(t) * f₂(t)则Y(jω) ∫(-∞∞) [∫(-∞∞) f₁(τ) f₂(t - τ) dτ] e^(-jωt) dt交换积分次序Y(jω) ∫(-∞∞) f₁(τ) [∫(-∞∞) f₂(t - τ) e^(-jωt) dt] dτ对内层积分令 u t - τ∫(-∞∞) f₂(t - τ) e^(-jωt) dt e^(-jωτ) F₂(jω)代入Y(jω) ∫(-∞∞) f₁(τ) e^(-jωτ) F₂(jω) dτ F₁(jω) · F₂(jω)这个结论直接说明在时域做卷积等价于在频域做乘法。对于一个LTI系统若输入为 x(t)单位冲激响应为 h(t)则输出 y(t) x(t) * h(t)。两边同时取傅里叶变换Y(jω) X(jω) · H(jω)这就是频率响应分析法的基础。H(jω) 被称为系统频率响应。避坑提醒时域卷积对应频域乘积不要和时域乘积对应频域卷积搞混。后者的结论是x(t)·h(t) ↔ (1/2π) X(jω) * H(jω)一个有无 1/2π 因子的差别是选择题的高频陷阱。题目二频域卷积定理的应用已知 f₁(t) cos(ω₀t)f₂(t) cos(ω₀t)求 f₁(t) · f₂(t) 的傅里叶变换并解释结果。考点分析这道题是通信系统中幅度调制和混频器的数学基础。用频域卷积定理可以避免直接做时域乘法积分。解题过程已知cos(ω₀t) ↔ π[δ(ω - ω₀) δ(ω ω₀)]频域卷积定理f₁(t)·f₂(t) ↔ (1/2π) [F₁(jω) * F₂(jω)]代入F[jω] (1/2π) · π[δ(ω - ω₀) δ(ω ω₀)] * π[δ(ω - ω₀) δ(ω ω₀)]冲激函数的卷积满足δ(ω - a) * δ(ω - b) δ(ω - (a b))因此F[jω] (π/2)[δ(ω - 2ω₀) 2δ(ω) δ(ω 2ω₀)]从时域直接验证cos²(ω₀t) (1/2) (1/2)cos(2ω₀t)它的傅里叶变换应该是πδ(ω) (π/2)[δ(ω - 2ω₀) δ(ω 2ω₀)]结果一致。避坑提醒频域卷积定理中的 1/(2π) 因子是必须项。如果漏掉最终系数会变成原来的 2π 倍。另外要辨析“时域相乘”的物理意义在通信系统中将两个信号相乘用于频谱搬移这是调幅AM技术的基础。本题的结论说明了为什么乘法运算可以产生新的频率分量。5.6 Day 13采样定理题目一理想采样的频谱分析设连续时间信号 x(t) 的频谱 X(jω) 最高频率为 ω_max采样间隔为 Ts。写出理想采样信号 xs(t) 的频谱表达式并说明采样定理的条件。考点分析理想采样是采样定理的基础知识点几乎所有院校都会考。核心是记住“频谱搬移”的概念以及无失真恢复的区间条件。解题过程理想采样信号为xs(t) Σ x(nTs) δ(t - nTs) x(t) · Σ δ(t - nTs)其中 Σ δ(t - nTs) 是周期为 Ts 的冲激串。它本身是周期信号其傅里叶级数系数为 1/Ts。因此采样信号的频谱为Xs(jω) (1/Ts) Σ X[j(ω - nωs)]其中 ωs 2π/Ts 是采样角频率。这个表达式表明采样信号的频谱是原信号频谱以 ωs 为周期进行重复搬移得到的幅度乘以 1/Ts。要无失真地从采样信号恢复原信号需要满足两个条件原信号带限即 X(jω) 0当 |ω| ω_max。采样频率 ωs ≥ 2ω_max即 fs ≥ 2f_max。这里的 f_max ω_max / (2π) 是信号最高频率奈奎斯特频率对应的是最小采样速率。避坑提醒采样定理中说的是“采样频率 fs 大于等于 2f_max”还是“严格大于”理论上临界状态在理想低通滤波器条件下可以恢复但工程上一般取远大于奈奎斯特速率。考研题目中如果条件是采样频率等于 2f_max一定要检查滤波器是否能完全滤除频谱重叠。通常结论是临界采样存在实际问题考试中建议按定义判断。题目二奈奎斯特频率计算设信号 f(t) Sa(1000πt)求该信号的最高频率 f_max 和奈奎斯特频率 fs_min。如果对该信号进行理想采样采样角频率需要满足什么条件考点分析这道题不是直接背公式而是需要先求信号的频谱范围再应用采样定理。它是“Sa函数变换对”与采样定理的综合运用。解题过程已知 Sa(1000πt) 的傅里叶变换是一个矩形脉冲幅度为F(jω) (π/1000) g(ω)其中g(ω) 1当 |ω| 1000π g(ω) 0当 |ω| 1000π所以信号是带限的最高角频率为 ω_max 1000π rad/s对应的最高频率为f_max ω_max / (2π) 1000π / (2π) 500 Hz奈奎斯特频率最小采样频率为fs_min 2f_max 1000 Hz采样角频率应满足ωs 2π fs ≥ 2π × 1000 2000π rad/s避坑提醒如果一个信号是多个带限信号的乘积它的最高频率是两个信号最高频率之和而不是取较大值。例如 f(t) Sa(1000πt) · cos(2000πt)频域卷积后最高频率是 500 1000 1500 Hz奈奎斯特频率是 3000 Hz。这种“乘积与卷积对应”的思想是采样定理综合题的常考点。用Python验证一下这个信号import numpy as np import matplotlib.pyplot as plt fs 5000 t np.linspace(-0.01, 0.01, 500) x np.sinc(1000 * t) # 注意这里归一化写法 plt.figure(figsize(8, 3)) plt.plot(t, x) plt.title(Sa(1000πt) 的时域波形) plt.xlabel(t (s)) plt.grid(True) plt.show()注意NumPy中 np.sinc(x) 的定义是 sin(πx)/(πx)所以这里传入 1000*t 表示 sin(1000πt)/(1000πt)与题目中的 Sa(1000πt) 一致。5.7 Day 14周期信号的傅里叶变换与综合复习题目一周期信号的傅里叶变换设周期信号 f(t) 的指数形式傅里叶级数系数为 Fn求 f(t) 的傅里叶变换。考点分析这一题打通傅里叶级数和傅里叶变换。核心结论是每个周期信号的频谱由一系列冲激组成冲激强度与傅里叶级数系数相关。解题过程周期信号展开为f(t) Σ Fn e^(jnω₀t)对等式两边同时取傅里叶变换。已知e^(jnω₀t) ↔ 2π δ(ω - nω₀)因此F(jω) 2π Σ Fn δ(ω - nω₀)这个结果说明周期信号的傅里叶变换是一系列位于 nω₀ 处的冲激函数强度为 2πFn。冲激串的包络形状由傅里叶级数系数 Fn 决定。以周期为 T 的冲激串为例p(t) Σ δ(t - nT)它的傅里叶级数系数 Fn 1/T所以它的傅里叶变换为P(jω) (2π/T) Σ δ(ω - nω₀) ω₀ Σ δ(ω - nω₀)这是一个频域的冲激串周期为 ω₀ 2π/T。避坑提醒如果已知的是周期信号的三角形式傅里叶级数系数 an、bn需要注意它与指数形式的系数换算关系。直接代入指数形式公式时不要用错系数。题目二傅里叶变换综合题已知系统输入 x(t) e^(-2t)u(t)系统单位冲激响应 h(t) e^(-3t)u(t)。求系统输出 y(t)并求系统的频率响应 H(jω)。考点分析这道题是第二周内容的闭合测试题。它用到了傅里叶变换、卷积定理、系统频率响应以及部分分式展开等知识点。可以在15分钟内完成如果超时说明上述某个环节还需要巩固。解题过程直接对 x(t) 和 h(t) 求傅里叶变换X(jω) 1/(jω 2) H(jω) 1/(jω 3)由时域卷积定理Y(jω) X(jω)·H(jω) 1/[(jω 2)(jω 3)]对 Y(jω) 做部分分式展开Y(jω) 1/[(jω 2)(jω 3)] A/(jω 2) B/(jω 3)求解系数A 1/(jω 3) 在 jω -2 处的取值 1/( -2 3 ) 1 B 1/(jω 2) 在 jω -3 处的取值 1/( -3 2 ) -1因此Y(jω) 1/(jω 2) - 1/(jω 3)根据已知变换对 e^(-at)u(t) ↔ 1/(jω a)y(t) (e^(-2t) - e^(-3t))u(t)系统的频率响应为H(jω) 1/(jω 3)验证时域卷积直接计算得到相同结果y(t) ∫(0t) e^(-2τ) e^(-3(t-τ)) dτ e^(-3t) ∫(0t) e^(τ) dτ e^(-2t) - e^(-3t)t 0避坑提醒部分分式展开求解系数 A 时不要直接把 jω -2 代入含 jω 的整个分母中除以另一个因子后还要继续保留分母因子。习惯用“覆盖法”Heaviside覆盖法可以提高速度和准确率。另外这道题也可以用拉普拉斯变换求解结果一致。这为第三周引入拉普拉斯变换埋下了伏笔。6. 第二周常见错误与排查思路第二周的内容虽然概念并不复杂但做题时错误率非常高。下面把高频错误整理成一个表格方便快速自查。错误现象常见原因解决思路单边指数信号变换结果算成 2a/(a² ω²)符号函数与阶跃函数混淆积分下限写错明确 u(t) 的作用积分区间从 0 开始矩形脉冲频谱零点位置画错忘记零点在 ω 2π/τ 而不是 ω π/τ写出表达式 τ Sa(ωτ/2)令 sin 内为 π频域卷积定理漏掉 1/(2π) 系数对偶性理解不深入记住时域乘积 ↔ (1/2π) 频域卷积时移后相位因子写成 e^(-jωt₀) 还是 e^(jωt₀) 混淆对定义的推导不熟从定义出发令 u t - t₀重新推一遍采样频率计算错误f_max 和 ω_max 换算搞混先算 ω_max再除以 2π 得到 f_max周期信号傅里叶变换漏掉 2π 因子与傅里叶级数系数混淆记住结论F(jω) 2πΣ Fn δ(ω - nω₀)Sa函数与 sinc 函数定义混淆不同教材、不同库函数定义不同明确本课程采用 Sa(x) sin(x)/x 定义如果做题时发现错误频率较高不用急着做新题。建议把第二周涉及的核心变换对抄写一遍然后每个变换对至少完成一次从定义出发的推导。7. 刷题之外的工程化复习建议第二周做完整之后有一些比单纯刷题更重要的习惯需要养成。第一建立自己的傅里叶变换手册。不要直接贴教材的公式表而是自己默写一遍。先写常见信号的时域表达式然后写变换结果。默写完毕后再对照教材检查。这个过程暴露的记忆盲区比做十道题都有效。第二所有性质都尝试用“从定义推导”的方式证明一次。时移、频移、尺度、对偶、卷积定理这些性质如果你只是背结论考试中一旦题目包装得复杂一些就容易出错。而如果亲自推过一遍不仅记得牢还能在推导过程中发现自己的知识盲点。每天两道题做完了可以用剩余时间做一件事把当天那道“第二题”的条件稍作变化看看结论如何变化。比如把矩形脉冲宽度从 τ 改成 2τ幅度从 E 改为 2E重新求频谱。这种变式训练比做十道新题更高效。第三重视Python验证但不要过度依赖。Python适合验证波形和频谱形状但考试手算能力必须过关。建议先手算得出答案再用Python验证而不是先跑代码再抄结果。下面是第二周几个核心信号的可视化验证脚本可以一次运行观察时域波形和幅度谱的对应关系import numpy as np import matplotlib.pyplot as plt # 定义时间轴 fs 8000 t np.linspace(-1, 1, fs) # 1. 矩形脉冲 x1 np.where(np.abs(t) 0.5, 1, 0) X1 np.fft.fftshift(np.fft.fft(x1)) freq np.fft.fftshift(np.fft.fftfreq(len(t), 1/fs)) # 2. 双边指数信号 a 2 x2 np.exp(-a * np.abs(t)) X2 np.fft.fftshift(np.fft.fft(x2)) plt.figure(figsize(12, 8)) plt.subplot(2, 2, 1) plt.plot(t, x1) plt.title(矩形脉冲 时域) plt.xlim([-2, 2]) plt.subplot(2, 2, 2) plt.plot(freq, np.abs(X1)/fs) plt.title(矩形脉冲 幅度谱) plt.xlim([-5, 5]) plt.subplot(2, 2, 3) plt.plot(t, x2) plt.title(双边指数信号 时域) plt.subplot(2, 2, 4) plt.plot(freq, np.abs(X2)/fs) plt.title(双边指数信号 幅度谱) plt.xlim([-5, 5]) plt.tight_layout() plt.show()第四从“会做题”到“会讲题”。每天挑一道题尝试不看解析用三句话向别人讲清楚这道题在考什么、用什么方法、最终结论怎么理解。这个过程能快速暴露你的逻辑漏洞。这里可以结合每日复盘表每晚花3分钟简单记录三件事今天核心收获、今天卡壳原因、明天需要留意的知识点。8. 第三周内容预告与阶段性复盘第二周做完之后你应该已经做到可以直接写出矩形脉冲、冲激函数、常数信号、指数信号的傅里叶变换。能用至少三种方法解决卷积相关题目图解法、解析法、卷积定理法。一看到“信号最高频率”就能反应出它在采样定理中的位置。遇到周期信号的频谱能快速写出冲激串表达式。第三周将进入第三个核心板块——拉普拉斯变换与系统分析。这是信号与系统的后半程重点也是复试中经常追问的地方。拉普拉斯变换实际上把傅里叶变换从虚轴扩展到了整个复平面很多在傅里叶变换中“不收敛”的信号在拉普拉斯变换中反而能获得简洁的结果。你会看到系统函数的零极点图如何直观地决定系统的稳定性也会在第三周真正意识到“信号与系统”这门课的前半程和后半程是如何连成一体的。如果你第二周的内容消化得不错第三周的计划可以直接无缝衔接。如果还有模糊的地方建议在进入第三周之前把第二周Day8到Day14的14道题重新做一遍。这次不要看解析全部独立完成。完成之后再对照文中解析检查你会发现自己的进步非常明显。信号与系统的学习没有捷径但确实可以更聪明地努力。每天两道题不求贪多只求每道题都嚼碎了、吃透了30天后的效果一定好过盲目刷完三本题集。下一周见。