3Blue1Brown
傅里叶变换的本质是通过复指数将时域信号缠绕在复平面上,只有当缠绕频率与固有频率匹配时质心才会偏离原点,从而通过未归一化的积分累加分离出混合频率。
AI-assisted summary of But what is the Fourier Transform? A visual introduction. — original source. Check the original for full context.
Source published:
Key ideas
- 傅里叶变换的核心物理与几何机制,可直观理解为将时域信号作为可变半径并以特定频率缠绕在复平面圆周上,通过追踪图形质心的位移来识别固有频率。 (2:40)
- 当缠绕频率与信号内部的实际频率精确匹配时,曲线的波峰波谷将在复平面一侧集中,使得质心大幅偏离原点并激发出显著尖峰。 (2:40)
- 真正的连续傅里叶变换公式为 $\hat{g}(f) = \int g(t) e^{-2\pi i f t} dt$,它在数学本质上等于质心坐标乘以持续时间,从而能够线性反映特定频率分量的能量累积。 (14:43)
- 基于线性叠加性,复杂混合信号在频域中表现为各个纯频分量尖峰的独立并存,这使得在音频中滤除特定噪声并借助逆变换重构波形变得极度直观且简便。 (6:44)
Detailed notes
## Background 本内容由知名数学科普频道 3Blue1Brown(Grant Sanderson)于 2018 年 1 月 26 日在 YouTube 平台发布。视频主要通过生动的动态动画与几何视角,直观拆解傅里叶变换(Fourier Transform)的核心数学直觉与应用机制。
## TL;DR 视频从声音信号的分解切入,将难以分离的复合波形类比为混合油漆,阐述了提取单一频率成分的核心问题。作者通过构建一台巧妙的“缠绕机器”,将时域信号动态缠绕在圆周上,并利用质心随缠绕频率变化的偏移规律精准定位各频率尖峰。随后,内容自然引入复平面与欧拉公式,将质心的几何概念严谨推导为定积分表达式,最终完整还原出标准傅里叶变换的数学定义及其物理意义。
## Atmosphere & style 整部视频散发着 3Blue1Brown 标志性的优雅、沉静与启发性美感。伴随着轻柔灵动的背景音乐与精雕细琢的几何动画,原本枯燥晦涩的微积分与复分析公式被拆解得层次分明、如丝般顺滑。讲解语气温和且循循善诱,既充满对数学对称与统一性的真诚赞叹,又在关键概念处带有轻松幽默的互动感,给观众带来一种智力上被点亮的愉悦体验。
## Bulletin - [02:40](https://www.youtube.com/watch?v=spUNpyF58BY&t=160s) 傅里叶变换的核心物理与几何机制,可直观理解为将时域信号作为可变半径并以特定频率缠绕在复平面圆周上,通过追踪图形质心的位移来识别固有频率。 - [02:40](https://www.youtube.com/watch?v=spUNpyF58BY&t=160s) 当缠绕频率与信号内部的实际频率精确匹配时,曲线的波峰波谷将在复平面一侧集中,使得质心大幅偏离原点并激发出显著尖峰。 - [14:43](https://www.youtube.com/watch?v=spUNpyF58BY&t=883s) 真正的连续傅里叶变换公式为 $\hat{g}(f) = \int g(t) e^{-2\pi i f t} dt$,它在数学本质上等于质心坐标乘以持续时间,从而能够线性反映特定频率分量的能量累积。 - [06:44](https://www.youtube.com/watch?v=spUNpyF58BY&t=404s) 基于线性叠加性,复杂混合信号在频域中表现为各个纯频分量尖峰的独立并存,这使得在音频中滤除特定噪声并借助逆变换重构波形变得极度直观且简便。
## Key takeaways - [00:04](https://www.youtube.com/watch?v=spUNpyF58BY&t=4s) 纯音(如 440 Hz 的 A 音符)在时域中表现为标准正弦波,不同音符同时发声时会在空气中线性叠加形成复杂的混合波形。 - [00:04](https://www.youtube.com/watch?v=spUNpyF58BY&t=4s) 麦克风仅能记录每个时刻的总气压或电压变化,傅里叶变换的初衷正是从这种混合信号中反向分离出纯频分量。 - [02:40](https://www.youtube.com/watch?v=spUNpyF58BY&t=160s) 构建用于提取频率的“缠绕机器”时,包含两个独立频率:信号本身的固有振动频率与将波形绕圆周展开的旋转频率。 - [02:40](https://www.youtube.com/watch?v=spUNpyF58BY&t=160s) 在不匹配的缠绕频率下,波峰与波谷均匀散落于圆周各处,图形质心在原点附近徘徊;一旦频率对齐,波峰聚集会导致质心显著偏向一侧。 - [06:44](https://www.youtube.com/watch?v=spUNpyF58BY&t=404s) 将缠绕频率与质心横坐标绘制成图即可得到“近傅里叶变换”,对于在零上下对称振荡的纯音,图像仅在目标频率处形成尖峰。 - [06:44](https://www.youtube.com/watch?v=spUNpyF58BY&t=404s) 根据积分与变换的线性叠加性,先叠加信号再缠绕求质心,与各自变换后再相加完全等价,这保证了多频率混合信号在频域能被清晰剥离。 - [10:55](https://www.youtube.com/watch?v=spUNpyF58BY&t=655s) 在音频编辑中,高频刺耳噪音在频域对应尖锐脉冲,直接平抑该尖峰并执行傅里叶逆变换即可无损消除噪声。 - [11:55](https://www.youtube.com/watch?v=spUNpyF58BY&t=715s) 复平面是描述二维平面旋转的最优数学工具,质心因此可以完备地表示为包含实部(振幅/水平位移)和虚部(相位/垂直位移)的复数。 - [11:55](https://www.youtube.com/watch?v=spUNpyF58BY&t=715s) 根据欧拉公式,逆时针单位旋转为 $e^{2\pi i f t}$,傅里叶变换依数学惯例采用顺时针旋转,因而指数引入负号写作 $e^{-2\pi i f t}$。 - [11:55](https://www.youtube.com/watch?v=spUNpyF58BY&t=715s) 将时域强度函数 $g(t)$ 与顺时针旋转单位向量相乘,其几何意义就是动态缩放旋转矢量的长度,在复平面上精准绘出缠绕轨迹。 - [14:43](https://www.youtube.com/watch?v=spUNpyF58BY&t=883s) 离散质心求和在采样趋于无限时对应定积分除以时间跨度 $\frac{1}{t_2 - t_1} \int_{t_1}^{t_2} g(t) e^{-2\pi i f t} dt$,消除微积分复值积分的神秘感。 - [14:43](https://www.youtube.com/watch?v=spUNpyF58BY&t=883s) 真正的傅里叶变换移除了分母上的时间跨度,使得结果反映质心乘以持续时间,从而让持续更久、更确定的频率分量在频谱中展现更强的峰值。 - [17:08](https://www.youtube.com/watch?v=spUNpyF58BY&t=1028s) 在理论数学中,积分上下限从负无穷延伸至正无穷,其实际物理含义是考察有限时间区间无限扩大时的极限行为。 - [17:08](https://www.youtube.com/watch?v=spUNpyF58BY&t=1028s) 傅里叶变换将时间自变量函数 $g(t)$ 转化为频率自变量函数 $\hat{g}(f)$,其思想深植于现代信号处理、高阶数学乃至量子力学的不确定性原理。
## Detailed walkthrough ### [00:04](https://www.youtube.com/watch?v=spUNpyF58BY&t=4s) 傅里叶变换的核心目标与声音的本质
本期内容旨在通过生动的动画形式,深入拆解数学中一个极其关键的概念——傅里叶变换(Fourier Transform)。对于初学者而言,这是一个直观的入门引导;而对于早已熟悉该概念的人来说,观察其所有组成部分的实际动态形态同样是一件极具启发性且富有趣味的事情。整个讲解从经典的声音频率分解入手,随后还会展现该思想如何跳出声音与频率的范畴,广泛延伸到看似毫不相干的数学乃至物理学各个分支。正如 3Blue1Brown 所感叹的那样:“Really, it's crazy just how ubiquitous this idea is.”(真的,这个概念的无处不在简直令人匪夷所思。)
以纯音 A 为例,它的振动频率为每秒 440 次(440 Hz)。如果测量耳机或扬声器旁边的气压随时间变化的关系,会发现气压在平衡位置上下振荡,形成每秒摆动 440 次的正弦波。像音符 D 这样更低沉的音符具有完全相同的结构,只是每秒振动次数较少。
当两个音符同时演奏时,气压与时间的图像会变成两者的叠加。在某些时刻,两列波的波峰重叠,导致极高的气压;在其他时刻,它们彼此抵消。最终得到的不是纯粹的正弦波,而是一条复杂得多的波形。若再加入更多音符,波形会越来越杂乱。然而,这种复杂性是表面上的,它本质上仅仅是几个纯频信号的组合。话筒在录制声音时只能捕捉每个时刻的总气压,即最终的叠加结果。因此,核心问题就在于:如何从这一复杂的混合信号中反向分解出构成它的纯频分量?这犹如要把已经彻底搅拌在一起的多色油漆重新分离开来。
```mermaid flowchart LR accTitle: 声音合成与傅里叶分解流程 accDescr: 展示纯音频信号叠加为混合波形,再通过傅里叶变换还原出原始频率成分的过程。
subgraph SoundMix["声音叠加(正向)"] A["纯音 A (440 Hz)"] --> C["混合气压信号<br/>(时间域)"] B["纯音 D (较低频率)"] --> C end
subgraph Decomposition["信号分解(逆向)"] C --> D["数学机器<br/>(傅里叶变换)"] D --> E["频率谱图<br/>(提取出 440 Hz 与 D 频率)"] end ```
---
[02:40](https://www.youtube.com/watch?v=spUNpyF58BY&t=160s) 缠绕机器与质心分析法
为了实现“分离油漆”的目标,需要构建一台能够对特定频率产生差异化响应的数学机器。首先考虑一个每秒仅振动 3 次的纯频信号,截取 0 秒到 4.5 秒的有限时间片段。核心思路在于:将该图像像绕线一样“缠绕”在一个圆周上。具体做法是引入一个旋转矢量,在每一个时间点,该矢量的长度等于信号在该时刻的函数值(高度)。波形的高点对应远离原点的位置,波形的低点则靠近原点。
缠绕过程中存在两个截然不同的频率: 1. 信号本身的固有频率(例如每秒上下振动 3 次)。 2. 将图像绕圆周缠绕的旋转频率(缠绕频率,例如设为每秒旋转半圈)。
随着缠绕频率的人为调节,缠绕图案的形态会发生剧烈变化。为了量化这种变化,可以将缠绕后的曲线想象成具有质量的金属丝,并追踪其“质心”(center of mass)。在绝大多数缠绕频率下,波峰与波谷均匀散布在圆周四周,导致质心基本停留在原点附近波动;然而,一旦缠绕频率与信号频率完全匹配(即每秒缠绕 3 圈),所有的波峰都会精准落在圆周的右侧,而所有的波谷则集中在左侧,使得整个物体的质心大幅向右偏移。
- 信号时间轴上的垂直标记线用来标示对应圆周完整旋转一周的时间跨度(例如间隔 1.5 秒代表缠绕一周耗时 1.5 秒)。 - 质心是一个二维点,需要两个坐标来确定;此处先简化记录其横坐标(x 坐标)。 - 缠绕频率为 0 时横坐标较高,因为所有点都挤在右侧;随着频率增加,质心回落到原点附近微幅颤动;当频率达到 3 Hz 时,x 坐标产生了一个极其显著的尖峰(spike)。
---
[06:44](https://www.youtube.com/watch?v=spUNpyF58BY&t=404s) “近傅里叶变换”与信号叠加分离
绘制出缠绕频率与质心横坐标的关系图像后,便得到了原始信号的“近傅里叶变换”(almost Fourier transform)。图像在零频率附近的隆起仅仅是因为原始余弦波被整体向上平移成了正值;如果信号本身是在零上下对称振荡并带有负值,那么整个图像将只在频率为 3 的位置出现唯一的尖峰。
这一机制的威力在于处理复合信号。当我们将一个 2 Hz 的波和一个 3 Hz 的波简单相加,送入缠绕机器中时,尽管轨迹在绝大多数频率下显得极其混沌混乱,但机器在旋转到 2 Hz 时会迅速规整化并产生一个尖峰,随后继续旋转回到混沌,在达到 3 Hz 时又再次精准对齐并激发出第二个尖峰。
这背后的根本数学原理在于线性叠加性:先将两个信号分别进行缠绕变换再将结果相加,与先将两个信号相加再进行缠绕变换,其结果完全一致。针对这一性质,3Blue1Brown 指出:“The attentive viewers among you might want to pause and ponder and convince yourself that what I just said is actually true.”(细心的观众不妨暂停思考一下,说服自己我刚才说的确实是真的。)由于单一纯频信号的变换结果除了目标频率处有尖峰外其余位置均接近于零,多个频率混合后的变换图像就清晰地在各个基频位置矗立起尖峰,从而完美实现了将混杂在一起的频率分离开来的目的。这种能力在实际应用中极其强大,例如在音频编辑中,工程师借此能够精准定位并滤除录音中恼人的高频噪音。
[10:55](https://www.youtube.com/watch?v=spUNpyF58BY&t=655s) 信号滤波与傅里叶逆变换的直观理解
当我们观察麦克风录制的音频信号时,原始数据仅仅体现为扬声器电压随着时间每一毫秒的起伏变化。然而,在处理声音时,我们更希望从“频率”的视角来审视它。对该信号执行傅里叶变换后,原本混杂在声音中刺耳的高频蜂鸣声,会清晰地展现为高频区域的一个尖锐脉冲。想要过滤掉这个噪音,只需在频域图中将这个尖峰直接抹平(压下去);此时所得到的图像,就是一段剥离了高频噪音、与原音频高度相似的声音信号的傅里叶变换结果。
从修改后的频域图像重构出声音,需要依赖“傅里叶逆变换”(Inverse Fourier Transform),它能反推出到底是哪种时域信号生成了当前的频谱。Grant Sanderson 强调:“Long story short, applying the Fourier transform to the Fourier transform gives you back something close to the original function.”(简而言之,对傅里叶变换的结果再施加一次傅里叶变换,就能得到接近原始函数的东西。)他随即笑着坦白,这种说法“Kind of, this is a little bit of a lie, but it's in the direction of truth”(在某种程度上算是一个小谎言,但它大致切中了本质真相)。之所以说是谎言,是因为到目前为止,视频所探讨的“缠绕图像质心 $x$ 坐标”还不是真正、完整的傅里叶变换。
[11:55](https://www.youtube.com/watch?v=spUNpyF58BY&t=715s) 复平面与欧拉公式:用数学语言描述“旋转缠绕”
将信号缠绕在原点周围后,只记录质心的 $x$ 坐标显然只讲了一半的故事,因为整个图形是在二维平面中展开的,它同样拥有 $y$ 坐标。在数学中,处理二维旋转最优雅的工具便是复平面(Complex Plane),此时图形的质心自然成为一个同时包含实部(Real part)与虚部(Imaginary part)的复数。之所以引入复数,是因为它能以极其简洁优美的形式描述旋转运动。
欧拉公式指出,表达式 $e^{it}$ 表示从复平面实轴上的 $(1, 0)$ 出发,沿着半径为 1 的单位圆按逆时针方向走过 $t$ 个单位弧长所对应的点。若要表示每秒旋转 1 圈(即 1 个周期),可以将指数写为 $e^{2\pi i t}$,因为单位圆的周长恰好是 $2\pi$。如果希望调节旋转的快慢,只需在指数中乘以频率 $f$: - 当 $f = \frac{1}{10}$ 时,表达式变为 $e^{2\pi i (\frac{1}{10}) t}$,这意味着时间 $t$ 必须增加到整整 10 秒,指数才会积累到完整的 $2\pi i$,即向量每 10 秒才转动一整圈。 - 在傅里叶变换的标准数学约定中,旋转方向通常设定为**顺时针**,因此指数部分需要额外添上一个负号,写作 $e^{-2\pi i f t}$。
假设输入信号的强度随时间变化的函数为 $g(t)$。若将 $g(t)$ 乘以这个单位旋转向量 $e^{-2\pi i f t}$,其几何含义就是让原本长度为 1 的旋转向量根据函数值的大小进行动态伸缩。这个长度不断变动的旋转小向量,在复平面上精准地画出了前面所说的“缠绕图形”。Sanderson 惊叹道:“So think about it, this is awesome, this really small expression is a super elegant way to encapsulate the whole idea of winding a graph around a circle with a variable frequency, $f$.”(想想看,这太棒了,如此短小的表达式以极其优雅的方式浓缩了以可变频率 $f$ 将函数图像缠绕在圆周上的全部构想。)
```mermaid flowchart LR accTitle: 傅里叶变换公式的几何构造机制 accDescr: 展示从输入信号与复指数相乘得到缠绕图形,再通过积分与时间缩放形成完整傅里叶变换的过程。
subgraph WindingMachine["缠绕机制 (Winding)"] direction TB Sig["时域信号 g(t)"] Rot["顺时针旋转向量 e^(-2πi f t)"] Wound["缠绕图像向量<br/>g(t) · e^(-2πi f t)"] Sig --> Wound Rot --> Wound end
subgraph Integration["质心与积分 (Center of Mass)"] direction TB Integ["积分累加<br/>∫ g(t) e^(-2πi f t) dt"] CoM["质心 (除以时间区间 Δt)"] Wound --> Integ Integ -.->|"除以时间区间"| CoM end
subgraph Output["频域输出 (Fourier Output)"] direction TB FT["傅里叶变换结果 ĝ(f)<br/>保留积分,保留时间尺度放大效应"] Integ --> FT end ```
[14:43](https://www.youtube.com/watch?v=spUNpyF58BY&t=883s) 从离散质心到连续积分:真正的傅里叶变换
构建出缠绕向量后,下一步就是计算该图形的质心位置。在离散近似下,人们可以在原始信号中密集采样若干时间点,计算对应复数向量的总和,再除以采样点数 $N$。随着采样点无限密集,这种离散求和平均在极限下就演变成了微积分中的**定积分除以时间区间长度**: $$\frac{1}{t_2 - t_1} \int_{t_1}^{t_2} g(t) e^{-2\pi i f t} \, dt$$ 尽管对复值函数积分听起来令初学者生畏,但其底层物理意义毫无玄虚之处,它纯粹就是缠绕图形在复平面上的质心坐标。
此时,距离真正的、货真价实的傅里叶变换(honest-to-goodness Fourier transform)只剩下最后一步细微区别:**不要除以时间区间的长度**。真正的傅里叶变换仅仅保留积分部分: $$\hat{g}(f) = \int_{t_1}^{t_2} g(t) e^{-2\pi i f t} \, dt$$ 不除以时间区间意味着该值不再单纯代表几何质心,而是将质心乘以了时间跨度。这种设计蕴含着重要的物理意义: - 如果一个频率在信号中持续了 3 秒,其傅里叶变换在该频率处的峰值大小会被缩放 3 倍;如果持续了 6 秒,峰值就会被放大 6 倍。持续时间越长,该频率分量的确定性与能量累积就越强。 - 对于纯正的 2 Hz 信号,当缠绕频率同样设为 2 圈/秒时,质心固定在偏离原点的同一位置,信号持续越久,积分累加出的傅里叶变换模长就越大。 - 对于非匹配频率,即便频率只偏差一点点,随着时间区间拉长,旋转向量在圆周各方向上的分布越来越均匀,正负彼此抵消,整体积分值依旧保持在接近零的微弱水平。
[17:08](https://www.youtube.com/watch?v=spUNpyF58BY&t=1028s) 总结与展望:公式拆解与拓展应用
Sanderson 对构建出的整套体系进行了全面梳理。傅里叶变换将一个以时间 $t$ 为自变量的强度函数 $g(t)$,转化为一个以“缠绕频率 $f$”为自变量的新函数,数学上通常记作带有折音符号的 $\hat{g}(f)$。该函数的输出是一个复数,代表原信号中特定频率分量的强度与相位。 - 视频中前面所画的频域波形图,仅仅提取了这个复数输出的实部(即 $x$ 坐标);如果需要更完备的信息,同样可以把虚部单独绘制出来。 - 脱离几何背景单看 $\int g(t)e^{-2\pi i f t} dt$ 这个公式会让人望而生畏,但只要明白指数项对应旋转、相乘对应缠绕图像、积分对应质心累积,公式背后的直观几何意义就会一目了然。
在实际的音频编辑等工程场景中,积分总是在有限的时间区间 $[t_1, t_2]$ 内进行;但在纯数学理论中,积分上下限通常被写作负无穷到正无穷($-\infty$ 到 $\infty$)。其实际含义是考察所有可能的有限时间区间,并求解该积分在区间无限扩大时的极限。Sanderson 最后感叹,傅里叶变换的用途远不止从声音信号中提取频率,它在现代数学和物理学中有极深的应用(例如引申至后续视频中的测不准原理)。他打趣地建议观众保持关注,或者干脆“多刷几部 3Blue1Brown 的视频,好让 YouTube 推荐算法更积极地为你推送后续更新”。
## Notable quotes > [10:55](https://www.youtube.com/watch?v=spUNpyF58BY&t=655s) Long story short, applying the Fourier transform to the Fourier transform gives you back something close to the original function. — Grant Sanderson
## Mentioned 3Blue1Brown, Grant Sanderson, YouTube, Vincent Rubinetti, Jane Street, Patreon, manim, Spotify, Bandcamp, Twitter, Facebook, Reddit
## Video description An animated introduction to the Fourier Transform. Help fund future projects: https://www.patreon.com/3blue1brown An equally valuable form of support is to simply share some of the videos. Special thanks to these supporters: http://3b1b.co/fourier-thanks Learn more about Janestreet: https://janestreet.com/3b1b
Follow-on video about the uncertainty principle: https://youtu.be/MBnnXbOM5S4
Interactive made by a viewer inspired by this video: https://prajwalsouza.github.io/Experiments/Fourier-Transform-Visualization.html
Also, take a look at this Jupyter notebook implementing this idea in a way you can play with: https://github.com/thatSaneKid/fourier/blob/master/Fourier%20Transform%20-%20A%20Visual%20Introduction.ipynb
Thanks to these viewers for their contributions to translations Hebrew: Omer Tuchfeld Russian: xX-Masik-Xx Vietnamese: @ngvutuan2811
------------------ Animations largely made using manim, a scrappy open-source python library. https://github.com/3b1b/manim
If you want to check it out, I feel compelled to warn you that it's not the most well-documented tool, and has many other quirks you might expect in a library someone wrote with only their own use in mind.
Music by Vincent Rubinetti. Download the music on Bandcamp: https://vincerubinetti.bandcamp.com/album/the-music-of-3blue1brown
Stream the music on Spotify: https://open.spotify.com/album/1dVyjwS8FBqXhRunaG5W5u
If you want to contribute translated subtitles or to help review those that have already been made by others and need approval, you can click the gear icon in the video and go to subtitles/cc, then "add subtitles/cc". I really appreciate those who do this, as it helps make the lessons accessible to more people. ------------------
3blue1brown is a channel about animating math, in all senses of the word animate. And you know the drill with YouTube, if you want to stay posted on new videos, subscribe, and click the bell to receive notifications (if you're into that).
If you are new to this channel and want to see more, a good place to start is this playlist: http://3b1b.co/recommended
Various social media stuffs: Website: https://www.3blue1brown.com Twitter: https://twitter.com/3Blue1Brown Patreon: https://patreon.com/3blue1brown Facebook: https://www.facebook.com/3blue1brown Reddit: https://www.reddit.com/r/3Blue1Brown
[Source](https://www.youtube.com/watch?v=spUNpyF58BY)