参数设置
傅里叶级数
方波: $f(t) = \frac{4A}{\pi}\sum_{n=1,3,5,...}\frac{1}{n}\sin(n\omega t)$
结果 1
—
结果 2
—
计算结果
任意合成正弦波、方波、三角波和锯齿波，实时显示时域波形、频谱和RMS值。
方波: $f(t) = \frac{4A}{\pi}\sum_{n=1,3,5,...}\frac{1}{n}\sin(n\omega t)$
计算结果
波形合成的核心是傅里叶级数理论。它指出，任何周期波形都可以分解为一系列频率成整数倍关系的正弦波（谐波）之和。对于方波，其数学表达式如下：
$$f(t) = \frac{4A}{\pi}\sum_{n=1,3,5,...}^{\infty}\frac{1}{n}\sin(n\omega t)$$其中，$A$是方波的峰值振幅，$\omega = 2\pi f_1$是基波角频率，$n$是奇数的谐波次数。这个求和公式直观地解释了为什么方波只有奇次谐波，且振幅随$1/n$衰减。
另一个重要概念是均方根值，它衡量了波形的“有效”能量大小，对于交流电和音频信号功率计算至关重要。其公式为：
$$V_{rms}= \sqrt{\frac{1}{T}\int_0^T [f(t)]^2 dt}$$对于由多个正弦波合成的波形，其总RMS值可以通过各谐波分量的RMS值平方和再开方得到。模拟器中实时计算的RMS值就是基于这个原理。
音频合成与音乐制作：电子乐器（如合成器）通过波形合成来创造各种音色。通过调整基波频率（决定音高）和混合不同谐波（决定音色），可以模拟钢琴、管风琴甚至创造自然界不存在的声音。
电力电子与变频器：变频器输出用于控制电机速度的PWM（脉宽调制）波，其本质就是通过合成特定谐波成分的方波来逼近正弦波，以减少电机损耗和噪音。
通信信号调制：在数字通信中，方波是承载0和1数字信息的基本载体。理解其频谱特性有助于设计滤波器，确保信号准确传输并减少相邻信道干扰。
医学信号处理：心电图等生物电信号可以看作复杂的周期波形。通过傅里叶分析其谐波成分，可以帮助医生诊断心脏功能是否异常。
开始使用此工具时，有几个容易陷入的误区需要注意。首先是“振幅”的理解。正弦波中振幅A直接对应峰值，但方波或三角波则不同。例如，振幅1V的方波峰值为1V，但其有效值（RMS）约为1V（理想方波情况）。而振幅1V的正弦波有效值约为0.707V。相同的“振幅1V”设置会因波形类型导致有效值变化，因此在考虑功率或能量时需格外留意。
其次是忽略“相位”的影响。相位在0度与180度之间切换会导致波形上下翻转，这比较直观；但90度或270度的偏移会产生更微妙的影响。例如，合成基波与三次谐波时，仅改变相位就可能显著改变合成波形的形态（峰值尖锐度或对称性）。在声学中这会影响音色细微差异，在控制系统中则会改变瞬态响应。
最后是“频率谱解读”。FFT显示的频谱峰值有时会与设定成分的频率不完全吻合，这源于频率分辨率的限制。例如，当基频为1Hz且分析时长为1秒时，分辨率为1Hz，此时1.5Hz的成分会扩散显示在1Hz与2Hz之间。仿真中因理论值已知而难以察觉，但处理实测数据时需时刻牢记这种“频谱泄漏”现象。
这款波形合成模拟器背后的原理，实际上活跃于众多工程领域的核心。首推振动工程。复杂机械振动可理解为多个简单振动模式的合成。例如分析汽车发动机振动或桥梁风致振动时，本工具所学的频谱分解思路可直接应用。
图像处理也与之密切相关。将图像的灰度模式视为不同“空间频率”波形的叠加后，降噪（切除高频成分）与边缘增强（放大特定频率成分）本质上与本模拟器中的滤波操作相同。JPEG压缩正是将图像分解为频率成分并保留关键成分的技术。
此外在控制工程中，于频域评估系统响应的伯德图至关重要。它描绘了系统输入正弦波（基波）在不同频率下输出时的振幅变化与相位偏移。通过工具调整相位观察波形变化，有助于直观理解相位滞后对系统稳定性的影响。
掌握基础后，可尝试挑战“分解”视角。本工具虽以合成为主，但实际工程中更多需要从现有复杂波形中提取成分的“逆向操作”。第一步是剖析傅里叶级数展开式的含义。用工具生成方波时会出现奇次谐波，其原因何在？这源于傅里叶系数积分公式 $$a_n = \frac{2}{T}\int_{0}^{T} f(t) \cos(n\omega t) dt$$ 推导的必然结果。不必畏惧公式，尝试代入方波表达式可直观体会“余弦积分使偶次项归零”的特性。
建议的实践进阶方向是学习滤波概念。若对合成波形施加“仅切除高频成分的低通滤波器”会如何？方波的棱角会变得圆滑趋近三角波吗？这正是音频均衡器与通信带宽限制的本质。可刻意用工具生成含谐波的波形，在脑中模拟滤波结果，以此锻炼工程直觉。
最终应有意识地向数字信号处理（DSP）过渡。本模拟器的FFT处理的是连续理想波形，而实际微控制器只能处理离散采样点。此时产生的混叠失真与量化误差值得深入研究，理解仿真与实现的差距将带来更深刻认知。