看见声音的形状
傅里叶变换交互式动画
用动态分解理解任意信号如何拆成正弦波之和，打通时域与频域的认知桥梁。
一段声音里，藏着多少种波？
这条看似杂乱的曲线，真的是「随机」吗？
开场钩子：一段声音里藏着多少种波？
舞台中央正在播放一段合成音的复杂时域波形，它杂乱无章地抖动。先别急着下结论——
现场悬念
这条看似无规律的曲线，真的「随机」吗？请你先猜：它可能由几种简单波叠加而成？
顿悟点：再复杂的信号，也许都能被「拆开」。这正是傅里叶的惊人主张。
冲突问题：方波明明是直角，凭什么用圆滑的正弦拼出来？
叠加奇次谐波，逼近方波
拖动滑块增加谐波数量，观察棱角如何「浮现」。
谐波项数 K = 1
认知冲突：
左边是棱角分明的方波，右边是平滑正弦——它们看起来格格不入。
但叠加 1、3、5、7… 次谐波后，方波轮廓逐渐成形。每加一项，逼近就更精准一分。
顿悟：叠加足够多的正弦波，竟能拟合任意形状的周期信号。
建立模型：傅里叶的核心主张与公式含义
核心主张：任意周期信号都可表示为不同频率、不同振幅、不同相位的正弦波之和；非周期信号则用傅里叶积分。
F(ω) = ∫ f(t) e−iωt dt
要理解每个符号在「做什么」，而不是死记公式。
认知反转：换一副眼镜，去频域看世界
同一信号，两个舞台。时域里难以描述的「噪声」，在频域里只是几根孤立竖线。
时域舞台 · 波形
频域舞台 · 频谱
顿悟点：频域不是新信息，而是同一信息的另一种坐标。很多在时域很难的问题，换到频域一目了然。
视觉隐喻：旋转的转盘与频率的指针
探针转速 = 信号频率时 → 积分非零（共振）
否则旋转相互抵消 → 归零
把 e−iωt 想象成一枚以频率 ω 旋转的指针。傅里叶变换在问：
「在这个转速下，信号平均偏向哪一边？」
当探针转速与信号某个频率共振，积分累加出一个大值——这就是频谱峰值的来源；不匹配时，正负相消归零。
记忆锚点：傅里叶变换 = 一种「共振检测器」。
易错澄清：常见误区与边界条件
变换会丢失信息？
错。傅里叶变换是可逆的，反变换可完整还原原信号，信息一点不少。
只看幅度谱？
错。相位谱同样关键——同样的幅度、不同的相位，会重构出完全不同的波形。
采样不足无所谓？
错。欠采样导致频率混叠，高频折叠成假低频，结果完全失真。
混叠 vs 吉布斯现象
学会判断：采样率是否满足奈奎斯特条件？相位是否被忽略？这决定一次傅里叶分析能否被信任。
现场应用：从均衡器到图像压缩的迁移
关键迁移：处理信号往往不在原始波形上动手，而是到频域里「修改成分，再合成」。
🎚 音频均衡器
拖动各频段增益，改变频谱中对应竖线的高度，音色随之变化。
🖼 图像压缩
在频域去掉高频成分（细节），图像变模糊但体积大减——JPEG 的核心思想。
📡 信号滤波
精确删除特定噪声频率的竖线，再反变换还原，得到干净信号。
总结迁移：在频域里重新理解世界
这条主线——分解 → 分析 → 重构——不止用于信号：
用一句话复述傅里叶的精神：
「把难懂的整体，拆成看得懂的成分。」
开放延伸：思考离散傅里叶变换（DFT）与 FFT 为何让这一切「可计算」。
傅里叶变换的几何动画：用圆叠加出方波
拖动滑块增加旋转向量（谐波）数量，看一连串旋转的圆如何「画」出方波——这就是分解与合成的几何真相。
谐波数量：1
每增加一个圆，就是加上一个更高频率的正弦分量。圆越多，合成的方波越「方」。
观察：尖角处永远有小波动——这正是前面提到的吉布斯现象，再多谐波也无法完全消除。
这一页把整门课收束成一个画面：复杂 = 一堆简单旋转的叠加。