如何在Python中实现傅里叶变换的替代定义并匹配解析结果？

我之前也踩过自定义FT的坑，核心问题基本都出在数学定义对齐和离散采样的缩放/轴处理上，咱们一步步来解决：

第一步：先明确你的替代FT数学定义 #

首先必须把你要实现的替代FT公式写死，常见的替代定义有两种（也是最容易和默认FFT混淆的）：

• 类型1：正变换用正指数（和维基百科默认的负指数相反）

  ( G(\omega) = \int_{-\infty}^{\infty} g(t) e^{i\omega t} dt )
  逆变换：( g(t) = \frac{1}{2\pi} \int_{-\infty}^{\infty} G(\omega) e^{-i\omega t} d\omega )

• 类型2：缩放因子位置调换（比如把( 1/(2\pi) )放在正变换里）

  ( G(\omega) = \frac{1}{2\pi} \int_{-\infty}^{\infty} g(t) e^{-i\omega t} dt )
  逆变换：( g(t) = \int_{-\infty}^{\infty} G(\omega) e^{i\omega t} d\omega )

你遇到的横轴偏移、结果差异大，本质是没把这些定义和Python的numpy.fft离散变换对应上。

第二步：核心对应逻辑（以类型1为例，匹配你的场景） #

Python的numpy.fft.fft用的是负指数离散傅里叶变换（DFT）：

Y_k = sum_{n=0}^{N-1} x_n * e^{-i2πkn/N}

而你要的正指数FT，相当于把频率轴取反（因为( e^{i\omega t} = e^{-i(-\omega)t} )），再加上连续积分到离散求和的缩放转换。

具体代码实现（带解析验证） #

import numpy as np
import matplotlib.pyplot as plt

# ---------------------- 1. 准备对称采样的测试信号 ----------------------
N = 1024  # 采样点数，尽量取2的幂加速FFT
dt = 0.01  # 时间采样间隔
# 生成对称时间轴：从 -N*dt/2 到 N*dt/2 - dt，和连续FT的(-∞, +∞)对齐
t = np.linspace(-N*dt/2, N*dt/2 - dt, N)
# 用高斯函数测试（解析FT已知，方便验证）
g = np.exp(-t**2 / 2)

# ---------------------- 2. 实现自定义正FT（正指数版本） ----------------------
# 先做默认FFT（负指数）
g_fft = np.fft.fft(g)
# 反转FFT结果（除了第一个DC分量），对应频率轴取反，实现正指数转换
g_alt_ft = np.concatenate([g_fft[:1], g_fft[:0:-1]])
# 乘以时间间隔dt：离散求和 ≈ dt * 连续积分，得到和连续FT一致的缩放
g_alt_ft *= dt

# 生成对应的角频率轴ω，同样反转（除DC）和FT结果对齐
freq = np.fft.fftfreq(N, dt)  # 默认频率轴：0→正→负
omega = 2 * np.pi * freq
omega_alt = np.concatenate([omega[:1], omega[:0:-1]])  # 转为负→0→正，和连续FT一致

# 对比解析解（高斯函数的正指数FT是 sqrt(2π)*exp(-ω²/2)）
g_analytic_ft = np.sqrt(2*np.pi) * np.exp(-omega_alt**2 / 2)
plt.figure(figsize=(10,4))
plt.plot(omega_alt, np.abs(g_alt_ft), label='自定义FT数值结果')
plt.plot(omega_alt, np.abs(g_analytic_ft), label='解析解', linestyle='--', color='red')
plt.xlabel('角频率ω')
plt.ylabel('|G(ω)|')
plt.legend()
plt.show()

# ---------------------- 3. 实现自定义逆FT，还原g(t) ----------------------
# 先把自定义FT结果反转回默认FFT的顺序
g_alt_ft_reversed = np.concatenate([g_alt_ft[:1], g_alt_ft[:0:-1]])
# 逆变换的缩放：对应自定义逆FT的(1/(2π))积分，结合离散变换的缩放规则
g_recon = np.fft.ifft(g_alt_ft_reversed / dt) * N / (2*np.pi)
# 实信号取实部消除数值误差
g_recon = np.real(g_recon)

plt.figure(figsize=(10,4))
plt.plot(t, g, label='原始信号g(t)')
plt.plot(t, g_recon, label='逆FT还原信号', linestyle='--', color='red')
plt.xlabel('时间t')
plt.ylabel('g(t)')
plt.legend()
plt.show()

第三步：解决你遇到的关键问题 #

1. 横轴偏移：你之前的时间轴大概率是从0开始的，没有对称设置。连续FT的时间/频率轴都是对称的，所以采样时必须用-Ndt/2到Ndt/2 - dt的对称轴，才能和连续FT的轴对齐，避免偏移。
2. 结果差异大：核心是缩放因子没处理对。离散FFT的结果是求和，而连续FT是积分，必须乘以dt才能对应；逆变换则要结合2π和N的缩放，这部分是从连续积分到离散求和的严格推导来的。
3. g(-t)代入的问题：如果直接用g(-t)做默认FFT，其实相当于对正指数FT做了时间反转，这和你要的自定义FT不是一回事，正确的做法是反转FFT结果的频率轴，而不是反转时间信号。

通用适配方法（不管你的替代定义是什么） #

1. 把你的替代FT和逆FT的数学公式写下来，明确指数符号、缩放因子。
2. 推导连续积分和离散FFT求和的对应关系，确定需要乘/除的缩放系数（比如dt、2π、N）。
3. 根据指数符号的差异，决定是否需要反转FFT结果或频率轴。
4. 始终用对称的时间/频率轴采样，避免轴偏移问题。

内容的提问来源于stack exchange，提问作者Medulla Oblongata