现在，我们来谈谈傅里叶变换。
想象一下，你正在听一个复杂的和弦，比如钢琴同时弹奏C、E和G。你的耳朵听到的是一个混合的声音，但你的大脑却知道其中包含多个音符。傅里叶变换本质上就是用数学方法实现这一点，将一个复杂的信号分解成“它实际上是由这些纯频率组合而成的”。
最妙的是它的通用性。任何周期性模式：声波、无线电信号，甚至是图像，都可以分解成不同频率的简单正弦波和余弦波之和。这就像发现所有复杂的形状其实都是由一个个圆环嵌套着圆环，圆环又嵌套着圆环。
神奇之处在于：一旦你把数据转换到频域，某些操作就变得轻而易举。过滤噪声、压缩数据、寻找模式，这些在时域中难如登天的事情，在频域中却变得轻而易举。
连续傅里叶变换是这样的：
其中 f(t) 是你的原始信号，比如随时间变化的声波，F(ω) 是变换后的结果。它显示了每个频率 ω 的占比。
e^{-iωt} 部分是关键，它是欧拉公式的变种。还记得 \(e^{i\theta} = \cos(\theta) + i\sin(\theta)\) 吗？所以我们本质上是在用不同频率的复指数函数对信号进行乘法运算，然后对所有时间进行积分。
这样做的原理是：如果你的信号 f(t) 包含一个频率为 ω 的振荡分量，那么该分量会与 e^{-iωt} 发生“共振”，并在积分过程中保留下来。其他频率的分量则会相互抵消。
所以你实际上是在问：“嘿，信号，你有多少部分在这个特定频率上振动？” 针对所有可能的频率。
这绝对是欧拉公式的延伸，也体现了复平面在现实世界中的重要意义。欧拉公式告诉我们 \(e^{i\theta} = \cos(\theta) + i\sin(\theta)\)，这看起来抽象又神奇。但傅里叶变换向我们展示了它为什么如此重要：这些旋转的复指数函数是分解信号的天然基础。复平面不仅仅是数学上的优雅，它也是理解振荡的理想空间。
至于 f(t) 可以是什么？问得好！理论上，函数 f(t) 需要“足够好”，积分才能收敛。实际上：
- 平方可积函数有效（有限能量信号）
- 周期函数效果极佳
- 即使是某些分布，例如狄拉克δ函数，只要足够谨慎也能适用
但存在一些病态函数，使得变换不存在。大致要求是：\(\int_{-\infty}^{\infty} |f(t)|^2 , dt < \infty\)