傅里叶变换的卷积定理

1. 时域相乘对应频域卷积

定理：

$$x(t)\cdot w(t)\stackrel{\mathcal{F}}{\leftrightarrow }\frac{1}{2\pi }X(\omega )\ast W(\omega )$$
即两个信号在时域上的相乘，在频域中将变成它们各自傅里叶变换的卷积。

详细解释：

假设你有两个时域信号 $x(t)$ 和 $w(t)$，它们分别有傅里叶变换 $X(\omega )$ 和 $W(\omega )$。

当你在时域上将这两个信号相乘 $x(t)\cdot w(t)$，那么在频域中，它们不再是直接相乘，而是卷积：
$$X(\omega )\ast W(\omega )={\int }_{-\infty }^{\infty }X(\xi )W(\omega -\xi )d\xi$$
卷积的直观解释是：卷积将一个信号与另一个信号在频域上平滑地叠加，产生一个新的频谱。每个频率分量 $\omega$ 不再是简单的乘积，而是结合了所有可能的频率相互作用的结果。

为什么是卷积？

在时域上相乘意味着两个信号的值在每个时间点都被相乘。傅里叶变换通过频率的加权和分析信号的频率分量。当两个信号在时域相乘时，其频域表示将包含所有频率之间的交互。这个交互关系就是通过卷积来表示的，它考虑了所有可能的频率差异和叠加。

应用场景：

在信号处理中，时域相乘通常对应于对信号进行“窗口化”操作。这种情况下，窗口化的信号在频域上会变得更加复杂，呈现为两个信号频谱的卷积。

2. 时域卷积对应频域乘积

定理：

$$x(t)\ast w(t)\stackrel{\mathcal{F}}{\leftrightarrow }X(\omega )\cdot W(\omega )$$
即两个信号在时域上的卷积，在频域中将变成它们各自傅里叶变换的乘积。

详细解释：

假设你有两个时域信号 $x(t)$ 和 $w(t)$，如果这两个信号在时域上进行卷积：
$$(x\ast w)(t)={\int }_{-\infty }^{\infty }x(\tau )w(t-\tau )d\tau$$
那么在频域中，这个卷积会变成它们各自傅里叶变换的简单乘积：
$$X(\omega )\cdot W(\omega )$$

为什么时域卷积变成频域乘积？

卷积的本质是将一个信号平滑地“滑过”另一个信号并叠加起来。在时域上，卷积相当于“滤波”，即把一个信号与另一个信号结合在一起。而傅里叶变换将这种平滑的叠加在频域中表示为频谱的乘积，因为频域中的乘积更直观地反映了不同频率分量的组合。

因此，当两个信号在时域上进行卷积时，其结果可以看作是对频率分量的逐个相乘。每个信号在频域中代表它的频率分量，通过乘积可以直接看到不同信号的频率叠加效应。

应用场景：

在系统分析中，卷积是非常常见的操作。例如，线性时不变系统的输出是输入信号与系统的脉冲响应的卷积。通过傅里叶变换，时域中的卷积可以通过频域中的简单乘法来表示，从而简化计算。

总结：

• 时域相乘对应频域卷积：两个信号在时域相乘时，其频谱包含了所有频率的交互，因此在频域上表现为卷积。
• 时域卷积对应频域乘积：两个信号在时域卷积相当于在时间上平滑地组合它们。在频域上，卷积结果可以直接用频率分量的乘积表示。