科学・技術

フーリエ変換とは?仕組みや公式、周波数解析との関係を解説!

フーリエ変換の意味と基本的な仕組み
当サイトでは記事内に広告を含みます

フーリエ変換とは?仕組みや公式、周波数解析との関係を解説!

音声、画像、通信信号などを扱う場面では、時間とともに変化するデータを別の見方で理解したいことがあります。

そのときに役立つ数学的な手法がフーリエ変換です。

一見すると複雑な数式に見えますが、波を周波数ごとの成分に分けて捉える考え方を押さえると、仕組みが見えてきます。

この記事では、フーリエ変換の意味、公式、周波数解析との関係、実際に使う際の注意点を順に解説します。

フーリエ変換の意味と基本的な仕組み

フーリエ変換の意味と基本的な仕組み

それではまずフーリエ変換の意味と基本的な仕組みについて解説していきます。

波を周波数成分へ分解する考え方

フーリエ変換は、時間や位置に沿って変化する信号を、周波数成分の集まりとして表す変換です。

私たちが普段目にする波形は、横軸を時間、縦軸を音の大きさや電圧などにした時間領域のデータです。

しかし、時間領域の波形だけでは、どの高さの音やどの周期の揺れが含まれているかを直感的に読み取りにくい場合があります。

フーリエ変換を行うと、信号に含まれる周波数と、その強さや位相を取り出せます。複雑に見える信号も、単純な正弦波や余弦波の重なりとして理解できるようになります。

たとえば、ピアノで1つの鍵盤を押した音には、基本となる音程だけでなく、より高い周波数の倍音も含まれています。

その倍音の混ざり方が楽器ごとの音色を生み出しており、周波数成分を調べれば音色の違いを数値として扱えます。

波を細かな成分へ分けることは、光をプリズムで色ごとに分けるイメージに近いでしょう。

ただし、フーリエ変換が実際に色へ分離するわけではなく、数学的に周波数の寄与を計算する点が重要です。

フーリエ変換では、複雑な波形をそのまま眺めるのではなく、どの周波数がどれほど含まれるかという視点へ切り替えます。

この視点の切り替えが、音声処理、画像処理、振動診断、無線通信などで活用される理由です。

時間領域と周波数領域の違い

時間領域とは、信号がいつ、どの程度変化したかを表す見方です。

一方の周波数領域は、信号の中にどの周波数成分があり、それぞれがどの程度強いかを表す見方になります。

時間領域は変化の時刻を把握しやすく、周波数領域は繰り返し成分や周期的な乱れを見つけやすい特徴があります。

たとえば、機械の振動を時間領域で記録すると、振幅が大きくなった時刻は確認できます。

周波数領域へ変換すると、特定の回転数に対応した周波数だけが強く現れ、部品のゆるみや共振の手がかりを探しやすくなります。

同じデータでも、目的に応じて見方を変えることが大切です。

急な衝撃が起きた時刻を知りたいなら時間領域が有用であり、周期的な異常を調べたいなら周波数領域が向いています。

周波数領域の縦軸には振幅、パワー、スペクトル密度などが使われます。どの値を表示しているかでグラフの意味が変わるため、単に山の高さだけを比較しない注意も必要です。

特にパワースペクトルは振幅の二乗に関係する量であるため、振幅スペクトルと数値を直接比べることはできません。

正弦波と余弦波による表現

フーリエ変換の基礎には、正弦波と余弦波という規則正しく繰り返す波があります。

これらの波は周波数、振幅、位相を変えることで、さまざまな周期的変化を表現できます。

フーリエ変換は、対象の信号と各周波数の波がどれだけ似ているかを調べる計算と考えると理解しやすくなります。

ある周波数の正弦波に似た変化が信号に多く含まれていれば、その周波数の成分は大きく計算されます。

反対に、その周波数と関係の薄い変化であれば、正と負の寄与が打ち消し合い、結果は小さくなります。

位相は、波が周期のどの位置から始まるかを表す量です。振幅だけでは波形を元に戻せない場合があるため、実務では位相も重要な情報になります。

たとえば同じ周波数で同じ振幅の2つの音でも、開始するタイミングがずれると、重ね合わせた波形は変化します。

音を合成したり、通信信号を復元したりする処理では、周波数ごとの位相を失わないことが欠かせません。

複雑な波形を構成する成分は無数にあるように見えますが、一定の条件を満たす信号なら、正弦波と余弦波の組み合わせで近似または表現できます。

この考え方が、フーリエ級数とフーリエ変換をつなぐ土台です。

フーリエ変換の公式と記号の意味

続いてはフーリエ変換の公式と記号の意味を確認していきます。

連続時間フーリエ変換の基本式

連続的に変化する信号に対して使う代表的な式が、連続時間フーリエ変換です。

表記には流儀がありますが、工学でよく使われる形では時間の関数を周波数の関数へ変換します。

連続時間フーリエ変換の一例

X(f)=∫ x(t)exp(−j2πft)dt

x(t)は時刻tにおける信号です。

tの単位は秒です。

fは周波数であり、単位はHzです。

X(f)は周波数fにおける複素数の変換結果です。

jは虚数単位であり、jの二乗は−1です。

式に現れる指数関数は、正弦波と余弦波をまとめて扱うための表現です。

X(f)は一般に複素数となり、絶対値から成分の大きさを、偏角から位相を読み取れます。

公式の積分は、信号全体にわたって各周波数との対応を集計する処理です。

現実の測定データは有限時間でしか得られないことが多いため、理論上の無限区間積分をそのまま実行する場面は多くありません。

その場合は、測定時間を区切った離散データに対して離散フーリエ変換を用います。

また、信号が十分に減衰しない場合や、周期信号の場合には、通常の関数としてではなく別の数学的な扱いが必要になることもあります。

公式だけを暗記するよりも、時間のデータを周波数の情報へ移す演算だと理解しておくほうが応用しやすいでしょう。

逆フーリエ変換と波形の復元

フーリエ変換で得た周波数成分から、元の時間波形へ戻す操作を逆フーリエ変換と呼びます。

変換と逆変換は対になっており、必要な情報が保たれていれば元の信号を復元できます。

逆フーリエ変換の一例

x(t)=∫ X(f)exp(j2πft)df

X(f)は周波数fにおけるスペクトルです。

fの単位はHzです。

tは時刻であり、単位は秒です。

x(t)は復元される時間領域の信号です。

積分の係数は、採用するフーリエ変換の定義によって異なる場合があります。

変換式と逆変換式では、指数の符号や係数の置き方が文献ごとに異なることがあります。

その違いは計算間違いではなく、正変換と逆変換の組み合わせとして整合しているかどうかで判断します。

周波数成分の大きさだけを保存し、位相を捨てると、一般には元の波形を正確に再現できません。

画像の処理でも同じことが起きます。

画像のスペクトルから振幅だけを使って逆変換すると、元の配置や輪郭に関する情報が失われ、見た目が大きく変わることがあります。

ノイズを除去するフィルター処理では、不要な周波数成分を弱めた後に逆フーリエ変換を行います。

この手順によって、周波数領域で編集した結果を、再び音声波形や画像として利用できる形に戻せます。

離散フーリエ変換と高速フーリエ変換

コンピューターで扱う音声やセンサー値は、一定間隔で並んだ離散データであることが一般的です。

このようなデータに使う基本的な計算が離散フーリエ変換です。

離散フーリエ変換の式

X[k]=Σ x[n]exp(−j2πkn/N)

nは時間方向の標本番号です。

kは周波数方向の番号です。

Nはデータ数であり、単位を持ちません。

x[n]はn番目の標本値です。

X[k]はk番目の周波数成分です。

離散フーリエ変換では、有限個の標本値から有限個の周波数成分を求めます。

サンプリング周波数をFs Hz、データ数をNとすると、隣り合う周波数点の間隔はFs/N Hzです。

たとえばFsが1000 HzでNが1000なら、周波数間隔は1 Hzになります。

ただし、周波数間隔が細かくなっても、短い時間しか観測していなければ信号の変化を十分に判別できるとは限りません。

高速フーリエ変換は、離散フーリエ変換を効率よく計算するアルゴリズム群の呼び方です。

FFTはフーリエ変換そのものの別名ではなく、離散フーリエ変換を高速に求める方法です。

データ数が多い音声解析、画像処理、リアルタイム計測では、FFTによる計算量削減が大きな意味を持ちます。

周波数解析との関係とスペクトルの読み方

続いては周波数解析との関係とスペクトルの読み方を確認していきます。

スペクトルによる周波数成分の確認

周波数解析とは、信号に含まれる周期的な成分を調べ、その強さや分布を評価する作業です。

フーリエ変換は、そのための代表的な手段として使われます。

スペクトルは、周波数ごとの成分の大きさを並べた結果であり、周波数解析の中心となる表示です。

たとえば、440 Hzの純音を十分な条件で解析すると、スペクトルでは440 Hz付近に大きなピークが現れます。

440 Hz以外にもピークが見える場合は、録音環境のノイズ、歪みによる高調波、窓処理の影響などを確認する必要があります。

複数の音を同時に鳴らした場合には、それぞれの周波数付近に複数のピークが現れます。

この性質を利用すると、音声に含まれる基本周波数や、設備振動の特徴的な回転成分を調べられます。

ただし、スペクトルのピークが見つかっただけで、原因を1つに断定することはできません。

測定位置、センサーの特性、回転速度、周辺機器の影響を照らし合わせて解釈する姿勢が必要です。

スペクトルの山は異常の確定診断ではなく、原因を絞り込むための手がかりです。

測定条件と対象の物理的な仕組みを組み合わせて読むことで、分析の精度が高まります。

振幅スペクトルとパワースペクトルの比較

スペクトルには複数の表し方があり、目的に合わせて使い分けます。

特に混同されやすいのが、振幅スペクトルとパワースペクトルです。

種類 主な値 読み取りやすい内容 利用例
振幅スペクトル 変換結果の絶対値 各周波数成分の大きさ 音の高さ、振動成分の確認
パワースペクトル 絶対値の二乗に関係する量 信号のエネルギー分布 雑音、振動エネルギーの評価
パワースペクトル密度 周波数幅あたりのパワー 帯域ごとの雑音の強さ ランダム信号、電子回路の雑音評価

振幅スペクトルは、どの周波数の波がどれくらいの大きさで含まれるかを確認したいときにわかりやすい表示です。

パワースペクトルは、信号の強さやエネルギーの分布を比較したいときに向いています。

縦軸の定義を確認せずにスペクトルを比較すると、数値の意味を取り違えるおそれがあります。

また、dBで表示されたスペクトルは、基準値との比を対数で表しています。

dBの基準が電圧なのか、音圧なのか、フルスケールなのかによって解釈が変わるため、単位や基準の記載を確認しましょう。

信号処理ソフトの初期設定では、片側スペクトルか両側スペクトルかも異なることがあります。

実数値の時間信号では負の周波数側にも対応する成分があるため、表示範囲の違いによる振幅の扱いにも注意が必要です。

実務での利用場面と解析時の注意点

続いては実務での利用場面と解析時の注意点を確認していきます。

音声と画像と通信における活用

フーリエ変換は、日常的に使うデジタル技術の内部でも幅広く利用されています。

音声では、ノイズ低減、音程の推定、音声認識、音楽の分析などに活用されます。

音声処理では、不要な周波数帯を抑え、必要な帯域を残すことで、聞き取りやすさを改善できます。

たとえば、会議録音に低い機械音が重なっている場合、その周波数帯を弱めるフィルターを設計する方法があります。

ただし、話し声に必要な低域まで過度に削ると、声が細く不自然に聞こえるため、処理量の調整が必要です。

画像処理では、急激な明るさの変化が高い周波数成分として現れ、なだらかな明るさの変化が低い周波数成分として現れます。

ぼかし処理は高周波成分を弱める処理として説明でき、輪郭を強調する処理は高周波成分を活用する処理として捉えられます。

通信では、信号を周波数帯域へ配置し、複数の情報を干渉しにくい形で送る技術に関わります。

無線、光通信、デジタル変調などでは、周波数ごとの信号の配置を理解することが、帯域の有効利用やノイズ対策につながります。

サンプリングと窓関数と漏れの対策

実測データをフーリエ変換するときは、計算式以外にも測定条件が結果を左右します。

代表的な注意点が、サンプリング周波数、観測時間、窓関数です。

項目 意味 不足や不適切な場合の影響 確認の目安
サンプリング周波数 1秒間に測る回数 高い周波数が正しく記録できない 対象周波数の上限より十分に高くする
データ数 解析に使う標本の個数 周波数の見分けが粗くなる 必要な周波数分解能から決める
観測時間 測定を続ける長さ 低い周波数を判別しにくい 現象の周期を複数回含める
窓関数 データ端をなめらかにする重み 周波数成分の漏れが増える 信号の性質に応じて選ぶ

サンプリング周波数の半分より高い周波数は、離散データ上で正しく区別できません。

この限界に関係する周波数をナイキスト周波数と呼び、測定前に対象の周波数帯を想定して設定します。

解析したい成分が記録できる条件を先に整えなければ、後からFFTを行っても正しい情報は取り戻せません。

また、有限時間で信号を切り出すと、成分が周波数の点にぴったり収まらず、周囲へ広がって見えることがあります。

これをスペクトル漏れと呼び、ハニング窓やハミング窓などの窓関数を使うことで影響を抑えられます。

フーリエ変換の結果は、入力データの測り方を反映します。

周波数の山だけを見るのではなく、サンプリング周波数、記録時間、窓関数、縦軸の定義をセットで確認しましょう。

フーリエ変換の意味と周波数解析のまとめ

フーリエ変換は、時間や位置に沿って変化する信号を、周波数成分として捉え直すための重要な手法です。

時間領域では見つけにくい周期性やノイズの特徴も、周波数領域のスペクトルとして見ることで把握しやすくなります。

連続時間の信号には積分を使った公式があり、コンピューター上の離散データには離散フーリエ変換やFFTが使われます。

変換結果には振幅だけでなく位相も含まれ、逆フーリエ変換によって波形を復元できる点も大切です。

音声、画像、通信、機械振動の分析では、目的に応じて振幅スペクトルやパワースペクトルを選びます。

解析結果を正しく読むには、サンプリング周波数、観測時間、窓関数、表示する値の定義を確認する必要があります。

フーリエ変換は数式を覚えるだけの技術ではなく、データを周波数という切り口で理解するための考え方です。

身近な音声や測定データをスペクトル表示して、時間領域との見え方の違いを確かめてみましょう。