17、信号处理基础：傅里叶变换的直观理解、滤波器的概念（低通/高通/带通）、采样定理
好，咱们今天聊点硬核的——信号处理。别被名字吓到，其实这东西特别接地气。你手机里放音乐、摄像头拍照片、甚至心电图机测心跳，背后全是这些原理在跑。
我个人习惯，讲技术之前先搭框架。先看一张图，把今天要聊的三个核心概念串起来：
一、傅里叶变换：换个角度看世界
先问个问题：你面前有一杯混合果汁，你能一眼看出里面加了哪几种水果吗？不能吧。但如果你用滤网把果肉分离出来，就能知道——哦，有橙子、有芒果、有草莓。
傅里叶变换干的就是这个事。它把一个复杂的信号（比如一段音乐、一个心跳波形），拆解成不同频率的简单正弦波。时域里看着乱糟糟的东西，到了频域里就清清楚楚。
核心公式（理解即可，不用背）：
F(ω) = ∫ f(t) · e^(-jωt) dt说白了，就是把信号 f(t) 和不同频率的正弦波做内积。匹配上了，那个频率的系数就大。
我在项目中遇到过一件事。有次做音频降噪，时域波形看着就是一团乱麻，根本不知道噪声在哪。后来把信号做了一次FFT（快速傅里叶变换），好家伙——50Hz的工频干扰、3kHz的刺耳啸叫，一目了然。直接滤掉对应频段，干净了。
我的小技巧：刚开始学的时候，别纠结公式推导。去下载一个音频频谱分析软件，对着说话、拍手、吹口哨，看频谱怎么变。玩半小时，比看书一星期都管用。
二、滤波器：信号界的门卫
滤波器，说白了就是让某些频率通过，把另一些频率拦住。你想想看，收音机调台、手机拒接骚扰电话，本质都是滤波——只留下你想要的。
常见的三种滤波器：
| 类型 | 作用 | 生活类比 |
|---|---|---|
| 低通滤波器 | 让低频通过，衰减高频 | 毛玻璃——细节（高频）模糊了，轮廓（低频）还在 |
| 高通滤波器 | 让高频通过，衰减低频 | 高通滤镜——只保留边缘和纹理 |
| 带通滤波器 | 只让某个频段通过 | 收音机选台——只收一个频率 |
嗯，这里要注意：滤波器不是一刀切的。实际工程里，从通带到阻带有个过渡区，叫「滚降」。滚降越陡，滤波器性能越好，但相位失真也越大。这是个trade-off，我吃过亏。
我曾经踩过的坑：做心电信号处理时，为了滤掉工频干扰，我设计了一个很陡的50Hz陷波器。结果滤波后的QRS波群变形了，医生直接说没法诊断。后来才知道，陡峭的滤波器会引入振铃效应，把有用的波形给扭曲了。所以，滤波器的设计要兼顾幅度响应和相位响应，不能只看幅频特性。
举个代码例子，用Python实现一个简单的低通滤波器：
import numpy as np
from scipy import signal
# 设计一个4阶巴特沃斯低通滤波器
# 截止频率 100Hz，采样率 1000Hz
b, a = signal.butter(4, 100, btype='low', fs=1000)
# 应用到信号上
filtered_signal = signal.filtfilt(b, a, original_signal)
# 注意：filtfilt是零相位滤波，不会引入延迟三、采样定理：数字世界的入场券
为什么要有采样定理？因为计算机只能处理离散的数字，而现实世界的信号是连续的。把连续信号变成离散点，这个过程叫采样。
奈奎斯特-香农采样定理说：采样频率必须大于信号最高频率的两倍，才能无失真地重建原始信号。
公式： fs > 2 · fmax
其中 fs 是采样频率，fmax 是信号中的最高频率成分。
为什么会这样？你想想看，如果采样点太少，两个点之间连出来的波形，跟原始信号完全不是一回事。这就是「混叠」——高频信号伪装成了低频信号，一旦混进来，神仙也分不开。
我记得刚入行时，有个同事采集振动信号，采样率设了100Hz。结果机器有个80Hz的振动分量，采样后变成了20Hz。他分析了好几天，以为是轴承坏了，差点让产线停机。后来我一问采样率，就知道问题出在哪了。
实战建议：
- 采样率一般取信号最高频率的5~10倍，留足余量
- 采样前一定要加抗混叠滤波器（低通），把高于 fs/2 的成分滤掉
- 如果信号频率未知，先用高采样率扫一遍，看看频谱分布
最后说一句，这三个概念是信号处理的基石。傅里叶变换让你看清信号的成分，滤波器让你按需提取，采样定理保证你数字化后不丢信息。三者环环相扣，缺一不可。
好了，今天就到这。下次你听音乐、看照片、测心跳的时候，可以想想——背后这些数学原理，其实一直在默默工作。