期末一到很多同学卡在了《信号与系统》第三章。前两章还在做卷积、画波形到了连续时间傅里叶变换CTFT这里突然变成了一堆积分、频谱图、频响曲线公式一多就懵。但如果你把第三章的考点拆开看会发现期末考来考去就是那几类求变换、用性质、画频谱、判断系统频率特性。方向对了速成完全来得及。本文围绕《信号与系统》第三章“连续时间傅里叶变换”的核心内容展开适合期末冲刺、考研基础复习、以及想快速建立知识框架的同学。我会先把必须掌握的公式和变换对整理成表再用典型例题演示做题套路最后补充常见易错点和考前复习顺序。文章还会给出几个 Python 数值验证示例目的是帮你在不动笔算的时候也能直观看到频谱长什么样。本文内容以常见教材的第三章范围为准。不同教材章节划分可能有细微差异但“傅里叶变换 性质 周期信号 频响”这条主线基本一致可以放心对照复习。1. 第三章到底在考什么1.1 先把本章定位搞清楚很多同学学第三章觉得累是因为把注意力放在“推导傅里叶变换”上而不是放在“用傅里叶变换解决问题”上。考试不会让你证明一堆收敛条件只会考你能不能算、能不能画、能不能判断。第三章主要解决一个问题把时域信号拆成不同频率分量的叠加。有了这个拆解能力你就能做三件事求信号的频谱画出幅度谱和相位谱。利用傅里叶变换的性质快速求复杂信号的变换。分析线性时不变系统对信号的“加工”效果也就是频率响应与滤波。对应到期末试卷上一般就是填空选择里考几个变换对大题里考一个“求频谱并画图”再考一个“系统频响分析”。掌握了这几类90并不夸张。1.2 你需要的基础知识清单如果你真的接近零基础不要慌。第三章需要的数学工具其实很固定把下面几项补起来就够用。积分运算傅里叶正变换就是一个广义积分多数题目只涉及指数函数相乘运算量不大。欧拉公式$e^{j\theta} \cos\theta j\sin\theta$正余弦信号与指数信号之间的转换全靠它。冲激函数 $\delta(t)$ 的性质尤其是取样性质 $\int_{-\infty}^{\infty} f(t)\delta(t-t_0)dt f(t_0)$很多变换对的推导都依赖它。复数运算幅度谱要取模相位谱要取辐角。$\left|\frac{1}{aj\omega}\right| \frac{1}{\sqrt{a^2\omega^2}}$ 这类运算要熟练。卷积概念时域卷积对应频域乘积这是系统分析的核心桥梁。如果你的前两章基础比较薄弱至少把“冲激信号”“阶跃信号”“卷积定义”这三小节翻一下再回来学第三章会顺畅很多。2. 傅里叶变换的定义与物理意义2.1 正变换从时域到频域连续时间傅里叶变换的正变换定义为$$ X(j\omega) \int_{-\infty}^{\infty} x(t) e^{-j\omega t} dt $$这里的 $X(j\omega)$ 称为信号的频谱密度函数简称频谱。它的自变量是角频率 $\omega$单位是 rad/s和频率 $f$ 的关系是 $\omega 2\pi f$。怎么理解这个积分可以把它理解成在频率 $\omega$ 处信号 $x(t)$ 含有多少成分。$e^{-j\omega t}$ 是一个复指数旋转因子积分过程相当于让信号和这个频率的复指数做“匹配检测”匹配度越高$X(j\omega)$ 的幅值越大。初学时不需要过分追究严格的数学条件先把公式记住。考试中你只需要会用这个积分去算简单信号的变换以及会用性质去算复杂信号的变换。2.2 反变换从频域回到时域反变换公式$$ x(t) \frac{1}{2\pi} \int_{-\infty}^{\infty} X(j\omega) e^{j\omega t} d\omega $$这个公式说明任何信号都可以看成无穷多个复指数信号 $e^{j\omega t}$ 的加权叠加权重就是 $\frac{1}{2\pi}X(j\omega)d\omega$。正变换和反变换是一对“往返操作”。时域里做一件麻烦事可能换到频域就很简单频域里做完运算再变回时域得到结果。这就是傅里叶变换在信号与系统分析中最重要的价值。2.3 收敛条件怎么记期末考试一般不会考严格的狄利克雷条件证明但你要知道一条实用结论如果信号绝对可积则其傅里叶变换存在。即$$ \int_{-\infty}^{\infty} |x(t)| dt \infty $$不过要注意有些信号并不绝对可积比如直流信号、周期信号、阶跃信号它们的傅里叶变换依然存在只不过会包含冲激函数 $\delta(\omega)$。这类“带冲激”的变换恰恰是期末考试最常考的点后面第 4 节会专门梳理。3. 常用信号傅里叶变换对这一节是整章的基础也是填空题、选择题的主要来源。下面的表建议至少背熟前 8 个后面 2 个作为补充记忆。时域信号 $x(t)$傅里叶变换 $X(j\omega)$说明$\delta(t)$$1$冲激信号的频谱是均匀谱$1$$2\pi\delta(\omega)$直流信号只含零频分量$u(t)$$\pi\delta(\omega) \frac{1}{j\omega}$阶跃信号含直流和所有频率$\text{sgn}(t)$$\frac{2}{j\omega}$符号函数无直流分量$e^{-at}u(t)$$a0$$\frac{1}{aj\omega}$单边指数衰减信号$g_\tau(t)$门函数$\tau Sa\left(\frac{\omega\tau}{2}\right)$矩形脉冲频谱为 Sa 形状$Sa(\omega_c t)$$\frac{\pi}{\omega_c} g_{2\omega_c}(\omega)$抽样函数对应门形频谱$\cos(\omega_0 t)$$\pi[\delta(\omega-\omega_0)\delta(\omega\omega_0)]$余弦信号频谱为两条谱线$\sin(\omega_0 t)$$j\pi[\delta(\omega\omega_0)-\delta(\omega-\omega_0)]$正弦信号频谱为两条反向谱线$\sum_{n-\infty}^{\infty}\delta(t-nT)$$\omega_0\sum_{n-\infty}^{\infty}\delta(\omega-n\omega_0)$周期冲激串仍是周期冲激串这里多提一句$Sa(x) \frac{\sin x}{x}$也叫抽样函数有些教材写作 $\text{sinc}(x)$。门函数的傅里叶变换是 $Sa$ 形这个结论非常高频请务必记住。3.1 最常考的变换对怎么记先说门函数$$ g_\tau(t) \begin{cases} 1, |t| \le \frac{\tau}{2} \ 0, \text{其他} \end{cases} $$它的傅里叶变换是 $\tau Sa(\frac{\omega\tau}{2})$。记忆技巧门函数宽度越宽频谱主瓣越窄门函数宽度越窄频谱主瓣越宽。这是傅里叶变换“时域压缩对应频域扩展”的直观体现。再看直流信号 $x(t) 1$$$ 1 \leftrightarrow 2\pi\delta(\omega) $$直流信号不随时间变化因此只包含零频率分量。频谱画出来就是在 $\omega 0$ 处的一根冲激强度为 $2\pi$。再看单边指数信号 $x(t)e^{-at}u(t)$$$ e^{-at}u(t) \leftrightarrow \frac{1}{aj\omega} $$这个变换对最大的作用是“练手”。用定义积分算它你就能熟悉 $e^{-(aj\omega)t}$ 的积分过程后面很多复杂信号的变换都可以由它通过性质推出来。3.2 用 Python 验证门函数频谱如果你手头有电脑可以用 Python 快速验证门函数的频谱形状。下面这段代码用数值 FFT 近似计算矩形脉冲的频谱能直观看到 $Sa$ 形状的主瓣和旁瓣。import numpy as np import matplotlib.pyplot as plt # 采样参数 fs 1000 # 采样率单位 Hz T 4 # 总时长单位 s N int(fs * T) # 采样点数 t np.linspace(-T/2, T/2, N, endpointFalse) # 门函数宽度 tao 1 秒 tao 1.0 x np.where(np.abs(t) tao/2, 1.0, 0.0) # 用 FFT 计算频谱fftshift 把零频移到中心 X np.fft.fftshift(np.fft.fft(x)) / fs freq np.fft.fftshift(np.fft.fftfreq(N, 1/fs)) # 绘制时域波形和幅度谱 plt.figure(figsize(12, 4)) plt.subplot(1, 2, 1) plt.plot(t, x) plt.title(时域矩形脉冲) plt.xlabel(t (s)) plt.grid(True) plt.subplot(1, 2, 2) plt.plot(freq, np.abs(X)) plt.title(幅度谱) plt.xlabel(f (Hz)) plt.xlim([-3, 3]) plt.grid(True) plt.tight_layout() plt.show()运行这段代码你会看到幅度谱在零频处最高两侧出现逐渐衰减的旁瓣这就是门函数频谱“主瓣 旁瓣”的结构。这个图形本身也是很多简答题的考点。4. 傅里叶变换性质快速解题的钥匙背完变换对之后下一步就是掌握性质。考试中直接让用定义积分的题目不多更多是让你利用性质从已知变换推导未知变换。性质掌握熟练很多题可以做到“口算”。4.1 性质速查表性质时域频域线性$a x_1(t) b x_2(t)$$a X_1(j\omega) b X_2(j\omega)$时移$x(t-t_0)$$X(j\omega)e^{-j\omega t_0}$频移$x(t)e^{j\omega_0 t}$$X[j(\omega-\omega_0)]$尺度变换$x(at)$$\frac{1}{对偶性$X(t)$$2\pi x(-\omega)$时域卷积$x_1(t)*x_2(t)$$X_1(j\omega) \cdot X_2(j\omega)$频域卷积$x_1(t)\cdot x_2(t)$$\frac{1}{2\pi}X_1(j\omega) * X_2(j\omega)$时域微分$\frac{dx(t)}{dt}$$j\omega X(j\omega)$时域积分$\int_{-\infty}^{t}x(\tau)d\tau$$\pi X(0)\delta(\omega) \frac{X(j\omega)}{j\omega}$帕塞瓦尔定理$\int_{-\infty}^{\infty}|x(t)|^2 dt$$\frac{1}{2\pi}\int_{-\infty}^{\infty}|X(j\omega)|^2 d\omega$上表中最常考的性质是线性、时移、频移、尺度变换、时域卷积、对偶性。其中对偶性容易被忽略但一旦考到就是拉开差距的题。4.2 用性质求变换的通用套路拿到一道求傅里叶变换的题第一步不要急着积分先观察信号结构按下面顺序尝试信号能拆成已知变换对的和吗能就用线性。信号是已知信号的时移吗是就乘 $e^{-j\omega t_0}$。信号是已知信号调制到高频吗比如乘以 $\cos$、$\sin$、$e^{j\omega_0 t}$就用频移。信号是已知信号的尺度变换吗比如 $x(2t)$、$x(t/2)$就用尺度变换。信号能写成两个信号的卷积吗能就用时域卷积定理。实在不满足上述情况再用定义积分。这个顺序本身就是在帮你建立解题条件反射。4.3 性质组合拳示例来看一道典型题求 $x(t) e^{-a(t-t_0)}u(t-t_0)$ 的傅里叶变换其中 $a0$。先拆解信号结构。$e^{-at}u(t)$ 是已知变换对$$ e^{-at}u(t) \leftrightarrow \frac{1}{aj\omega} $$而 $x(t)$ 相当于把 $e^{-at}u(t)$ 整体向右平移 $t_0$。根据时移性质$$ x(t-t_0) \leftrightarrow X(j\omega)e^{-j\omega t_0} $$所以$$ x(t) e^{-a(t-t_0)}u(t-t_0) \leftrightarrow \frac{e^{-j\omega t_0}}{aj\omega} $$注意这里的关键是换个变量看整体令 $y(t) e^{-at}u(t)$则 $x(t) y(t-t_0)$。时移只改变相位谱不改变幅度谱。因此直接写出结果不需要再做积分。再看一道综合了线性和频移的题求 $x(t) e^{-at}u(t)\cos(\omega_0 t)$ 的傅里叶变换。利用欧拉公式把余弦展开$$ \cos(\omega_0 t) \frac{e^{j\omega_0 t} e^{-j\omega_0 t}}{2} $$所以$$ x(t) \frac{1}{2} e^{-at}u(t)e^{j\omega_0 t} \frac{1}{2} e^{-at}u(t)e^{-j\omega_0 t} $$对第一项使用频移性质相当于在频域把 $\frac{1}{aj\omega}$ 右移 $\omega_0$$$ e^{-at}u(t)e^{j\omega_0 t} \leftrightarrow \frac{1}{aj(\omega-\omega_0)} $$对第二项同理频域左移 $\omega_0$$$ e^{-at}u(t)e^{-j\omega_0 t} \leftrightarrow \frac{1}{aj(\omega\omega_0)} $$最后合并$$ X(j\omega) \frac{1}{2}\left[\frac{1}{aj(\omega-\omega_0)} \frac{1}{aj(\omega\omega_0)}\right] $$这种题目考的就是“调制性质”也就是频移性质的正用和反用。只要看到时域里乘以正余弦就要想到频谱搬移。4.4 用 Python 验证时移性质时移性质说“时域延迟幅度谱不变只改变相位”。我们可以用一小段代码验证这一点。import numpy as np import matplotlib.pyplot as plt fs 1000 T 4 N int(fs * T) t np.linspace(-T/2, T/2, N, endpointFalse) # 原始指数衰减信号 a 2.0 x1 np.exp(-a * t) * (t 0) # 时移 0.3 秒 t0 0.3 x2 np.exp(-a * (t - t0)) * (t - t0 0) # 计算频谱幅度 X1 np.abs(np.fft.fftshift(np.fft.fft(x1))) / fs X2 np.abs(np.fft.fftshift(np.fft.fft(x2))) / fs freq np.fft.fftshift(np.fft.fftfreq(N, 1/fs)) plt.figure(figsize(10, 3)) plt.plot(freq, X1, label原始信号) plt.plot(freq, X2, --, labelf时移 {t0}s) plt.xlabel(f (Hz)) plt.ylabel(幅度谱) plt.title(时移不改变幅度谱) plt.xlim([0, 3]) plt.legend() plt.grid(True) plt.show()运行后可以看到两条幅度谱曲线几乎完全重合这正是时移性质的直观体现。5. 周期信号的傅里叶变换5.1 从傅里叶级数到冲激串周期信号不满足绝对可积条件但如果允许变换中出现冲激函数周期信号也存在傅里叶变换。回顾傅里叶级数的指数形式$$ x(t) \sum_{n-\infty}^{\infty} F_n e^{jn\omega_0 t} $$其中 $\omega_0 \frac{2\pi}{T}$ 是基波角频率$F_n$ 是傅里叶级数系数。对两边同时取傅里叶变换并利用“$e^{jn\omega_0 t}$ 的变换是 $2\pi\delta(\omega-n\omega_0)$”可得$$ X(j\omega) 2\pi \sum_{n-\infty}^{\infty} F_n \delta(\omega-n\omega_0) $$这个公式不需要死记记住结论就行周期信号的傅里叶变换是频域里一排等间隔的冲激串冲激强度由傅里叶系数决定。5.2 周期信号的频谱特点周期信号的频谱有三个特点经常作为简答题出现离散性只存在于基波频率 $\omega_0$ 的整数倍处。谐波性谱线间隔固定都是 $\omega_0$。收敛性高频分量的幅度总体呈衰减趋势实际信号的能量主要集中在低频部分。比如周期矩形脉冲信号它的谱线包络是 $Sa$ 形状。这个结论结合前面门函数的变换对一起记效果最好。如果考试要求画周期信号的频谱图记得把谱线画成“一根一根”的竖线而不是连续曲线。连续频谱对应非周期信号离散谱线对应周期信号这个区别不要搞混。6. 系统的频率响应与滤波6.1 频率响应怎么求一个线性时不变系统如果输入为 $e^{j\omega t}$输出仍然是与输入同频率的复指数信号只是幅度和相位发生了变化。这个“变化规律”就是频率响应$$ H(j\omega) \frac{Y(j\omega)}{X(j\omega)} $$在电路系统里常见的求解方式是对微分方程两边取傅里叶变换解出 $Y(j\omega)$ 与 $X(j\omega)$ 的比值。例如系统微分方程为$$ \frac{dy(t)}{dt} a y(t) x(t) $$两边取傅里叶变换用时域微分性质$$ j\omega Y(j\omega) a Y(j\omega) X(j\omega) $$于是$$ H(j\omega) \frac{Y(j\omega)}{X(j\omega)} \frac{1}{a j\omega} $$这个结果和 $e^{-at}u(t)$ 的变换形式一样是巧合吗不是。系统单位冲激响应 $h(t)$ 的傅里叶变换就是频率响应即 $H(j\omega) \mathcal{F}[h(t)]$。所以 $h(t) e^{-at}u(t)$ 对应 $H(j\omega)\frac{1}{aj\omega}$两者是一一对应的关系。6.2 幅频特性和相频特性频率响应是复数可以写成$$ H(j\omega) |H(j\omega)| e^{j\varphi(\omega)} $$其中 $|H(j\omega)|$ 是幅频特性$\varphi(\omega)$ 是相频特性。以上面的 $H(j\omega)\frac{1}{aj\omega}$ 为例$$ |H(j\omega)| \frac{1}{\sqrt{a^2\omega^2}} $$$$ \varphi(\omega) -\arctan\frac{\omega}{a} $$当 $\omega0$ 时$|H(j\omega)|\frac{1}{a}$是最大值随着 $\omega$ 增大幅度逐渐减小。这说明该系统是一个低通滤波器——低频信号容易通过高频信号被衰减。6.3 无失真传输条件信号通过系统最理想的情况是“无失真”即输出只是输入的放大和延迟形状不变$$ y(t) K x(t-t_0) $$两边取傅里叶变换$$ Y(j\omega) K e^{-j\omega t_0} X(j\omega) $$所以无失真传输系统的频率响应必须满足$$ H(j\omega) K e^{-j\omega t_0} $$也就是说幅频特性在整个频率范围内是常数 $K$相频特性是一条过原点的直线斜率为 $-t_0$。这是简答题的高频考点表述时建议直接写幅频特性为常数。相频特性是 $\omega$ 的线性函数。6.4 滤波器类型判断技巧期末常见的滤波器判断问题会给你 $H(j\omega)$ 的表达式或幅频特性曲线让你判断是低通、高通、带通还是带阻。低通低频幅度大高频幅度小。高通低频幅度小高频幅度大。带通中间频段幅度大两端幅度小。带阻中间频段幅度小两端幅度大。如果 $H(j\omega)$ 是单个一阶因子 $\frac{1}{aj\omega}$通常对应低通如果分子带 $j\omega$ 项比如 $\frac{j\omega}{aj\omega}$通常对应高通。具体判断还是要看 $\omega0$ 和 $\omega\to\infty$ 两个极限值以及频谱曲线的整体形状。6.5 用 Python 演示 RC 低通滤波器下面用 Python 画一个一阶 RC 低通滤波器的幅频特性。这个例子和你期末电路题里的频响分析是同一个模型。import numpy as np import matplotlib.pyplot as plt # 参数RC 时间常数 RC 0.5 # 频率范围单位 rad/s w np.linspace(0, 20, 500) # 一阶 RC 低通滤波器的频率响应 H 1 / (1 1j * w * RC) amp np.abs(H) phase np.angle(H) plt.figure(figsize(10, 4)) plt.subplot(1, 2, 1) plt.plot(w, amp) plt.title(幅频特性) plt.xlabel(ω (rad/s)) plt.ylabel(|H(jω)|) plt.grid(True) plt.subplot(1, 2, 2) plt.plot(w, phase) plt.title(相频特性) plt.xlabel(ω (rad/s)) plt.ylabel(φ(ω) (rad)) plt.grid(True) plt.tight_layout() plt.show()从图中可以看到频率越高幅度越小相位滞后越大。这说明系统让低频信号通过、让高频信号衰减是典型的低通特性。7. 期末典型题型实战7.1 题型一用定义或性质求傅里叶变换题目求 $x(t) e^{-2|t|}$ 的傅里叶变换。这种双边指数信号最稳妥的方法是用定义直接积分。注意绝对值要分段$$ x(t) \begin{cases} e^{2t}, t0 \ e^{-2t}, t\ge 0 \end{cases} $$代入正变换公式$$ X(j\omega) \int_{-\infty}^{0} e^{2t} e^{-j\omega t} dt \int_{0}^{\infty} e^{-2t} e^{-j\omega t} dt $$分别计算两个积分。先看右半部分$$ \int_{0}^{\infty} e^{-(2j\omega)t} dt \frac{1}{2j\omega} $$左半部分同理$$ \int_{-\infty}^{0} e^{(2-j\omega)t} dt \frac{1}{2-j\omega} $$合并$$ X(j\omega) \frac{1}{2j\omega} \frac{1}{2-j\omega} \frac{4}{4\omega^2} $$这里得到的 $X(j\omega)$ 是实函数说明信号的分量在频域中没有相位偏移因为 $x(t)$ 是偶对称信号幅度谱本身就是偶函数。这类“定义法”题目虽然计算量不大但分段积分、合并化简很考验基本功考前至少要完整练上三遍。7.2 题型二画出信号的频谱图题目已知门函数 $g_\tau(t)$ 的傅里叶变换为 $\tau Sa(\frac{\omega\tau}{2})$画出其幅度谱和相位谱。这是最经典的频谱图题。先画幅度谱$$ |X(j\omega)| \left|\tau Sa\left(\frac{\omega\tau}{2}\right)\right| $$$Sa$ 函数的主瓣在 $\omega0$ 处高度为 $\tau$第一零点出现在 $\frac{\omega\tau}{2} \pi$即 $\omega \frac{2\pi}{\tau}$。之后旁瓣交替正负幅度逐渐减小。再画相位谱。$Sa$ 函数在 $\tau Sa(\frac{\omega\tau}{2})$ 为正的区间相位为 0为负的区间相位为 $\pi$或 $-\pi$。所以相位谱是一个在零点处发生跳变的方波状图形。考试画图时注意三点标出坐标轴、标出关键点值、标注正负区间。很多同学算对了表达式却因为图上没标第一零点位置被扣分很可惜。7.3 题型三系统频率特性分析与输出求解题目某系统的频率响应 $H(j\omega) \frac{1}{1j\omega}$输入 $x(t) \cos(t)$求系统的稳态输出。这类题的套路非常固定输入为单频余弦时输出仍然是同频率的余弦幅度变为原来的 $|H(j\omega_0)|$相位增加 $\angle H(j\omega_0)$。代入 $\omega_0 1$$$ H(j1) \frac{1}{1j} \frac{1}{\sqrt{2}} e^{-j\frac{\pi}{4}} $$所以$$ y(t) \frac{1}{\sqrt{2}} \cos\left(t - \frac{\pi}{4}\right) $$如果输入包含多个频率分量比如 $x(t) \cos(t) \cos(3t)$那就分别计算每个频率对应的幅度和相位变化再叠加。这就是系统分析的“单频响应叠加法”本质是线性时不变系统性质的直接应用。8. 常见错误与避坑清单易错点错误原因避坑方法忘记乘 $\frac{1}{2\pi}$反变换公式记漏系数正变换没有系数反变换有 $\frac{1}{2\pi}$成对记忆时移性质只移信号忘记相位因子只记得 $x(t-t_0)$忘记 $e^{-j\omega t_0}$写答案前检查“时域有没有平移”有平移就有相位因子尺度变换忘记 $\frac{1}{a}$周期信号频谱画成连续曲线和非周期信号混淆周期信号频谱是离散谱线非周期信号频谱才是连续曲线判断滤波器类型只看分子忽略分母和整体频率特性取 $\omega0$ 和 $\omega\to\infty$ 两个极限判断用频移性质时符号写反$\omega-\omega_0$ 还是 $\omega\omega_0$ 混淆时域乘 $e^{j\omega_0 t}$频域向右搬移 $\omega_0$忽略 $u(t)$ 的存在非因果信号当成因果信号计算看到 $u(t)$ 先确定积分下限为 0卷积定理使用条件记错时域卷积、频域相乘和时域相乘、频域卷积混用强化记忆卷积一个在时域、一个在频域二者对应9. 考前冲刺策略与复习建议如果你距离考试只剩一周建议按下面的顺序安排复习效率更高。第 1 天背熟常用变换对表和性质表每天早起默写一遍。第 2 天重点练“用性质求变换”的题目每天 10 道题起步。第 3 天专攻周期信号与频谱图会画脉冲序列的频谱。第 4 天研究系统的频率响应做 5 道滤波器判断和 5 道输出求解题。第 5 天做两套完整试卷重点看大题的解题步骤是否规范。第 6 天整理错题把易错点表格再过一遍。第 7 天回归公式快速翻阅本章笔记保持手感和状态。考试做题时也建议固定顺序先做变换对和填空题这类题拿分快再做频谱图题这类题套路固定最后做大题里的系统分析。遇到不会的题先标记跳过不要在一道题上死磕超过 10 分钟。如果你还有更充裕的时间可以尝试把本章内容和后续的拉普拉斯变换对比学习。傅里叶变换是拉普拉斯变换在 $sj\omega$ 时的特例理解这一点后你对为什么有些信号需要拉普拉斯变换、为什么收敛域如此重要会有更深的理解。傅里叶变换没有想象中那么可怕。变换对背熟、性质用熟、题型练熟把常见套路形成条件反射期末拿到 90 是完全可行的。希望这份保姆级教程能帮你跳过自己摸索的弯路在考场上稳一点再稳一点。