理解这三者的区别，核心在于理解**"时间分辨率"和"频率分辨率"**之间的博弈。
在分析真实的物理信号（例如在硬件测试中捕捉到的波形，或者复杂系统中的驱动信号）时，我们不仅想知道信号里包含哪些频率成分，往往还必须确切地知道这些频率成分是什么时候发生的。
这三种变换代表了信号处理领域为了解决这个"时频定位"问题所经历的三个进化阶段。
1. 傅里叶变换 (Fourier Transform, FT)
核心思想：全局化分析。将信号分解为无数个无限长的正弦波和余弦波。
-
优点： 具有完美的频率分辨率。你能极其精确地知道信号中包含了哪些频率成分及其能量大小。
-
致命弱点： 完全丧失了时间信息。 因为正弦波在时间上是无限延伸的，当你把信号转换到频域后，你只能看到频率的统计结果，根本无法知道某个频率突变是发生在第 1 秒还是第 10 秒。
-
数学表达：
-
适用场景： 极其适合分析平稳信号（频率特征不随时间变化的信号）。例如，在评估电路板电源完整性时，分析电源纹波中的基础开关频率和稳态谐波。
2. 短时傅里叶变换 (Short-Time Fourier Transform, STFT)
核心思想：加窗的傅里叶变换。既然 FT 无法定位时间，那我就把长信号切成一段段短信号（加窗），对每一小段分别做 FT。
-
优点： 引入了时间维度，生成了时频图（Spectrogram）。你终于可以大致知道哪些频率出现在哪个时间段了。
-
致命弱点： 窗口大小是固定的，导致"海森堡测不准原理"。
-
如果你用宽窗口：包含的数据多，频率分辨率高，但时间分辨率极差（你只知道这个频率在这个宽窗口内出现过，不知道确切瞬间）。
-
如果你用窄窗口：时间定位准了，但由于数据量太少，频率分辨率会急剧下降，低频信号根本无法分辨。
-
-
数学表达： (w 为窗函数，τ 为时间平移量)
-
适用场景： 适合分析频率随时间缓慢变化的信号（如语音信号、缓慢扫频信号）。
3. 小波变换 (Wavelet Transform, WT)
核心思想：多分辨率分析。彻底抛弃无限长的正弦波，改用一个衰减迅速、长度有限的"小波"（Wavelet）作为基函数，并且让这个小波可以自由地"伸缩"和"平移"。
-
优点： 完美解决了 STFT 窗口固定的痛点，实现了动态自适应窗口：
-
对于高频信号 （通常是转瞬即逝的毛刺或突变），小波会自动"收缩"变得很窄，提供极高的时间分辨率，精准定位突变发生的时间点。
-
对于低频信号 （通常是缓慢的全局趋势），小波会自动"拉伸"变得很宽，提供极高的频率分辨率。
-
-
数学表达： (a 为缩放/尺度因子，对应频率的倒数；b 为平移因子，对应时间)
-
适用场景： 极其适合分析非平稳信号。在复杂的波形工程中，或者在调试多通道高速采集系统时，如果需要精确定位纳秒/微秒级的瞬态干扰（高频毛刺）同时又不丢失信号的低频包络特征，小波变换是最佳选择。
|-----------|----------------|--------------------|----------------|
| 特性 | 傅里叶变换 (FT) | 短时傅里叶变换 (STFT) | 小波变换 (WT) |
| 基函数 | 无限长的正弦/余弦波 | 加窗的正弦/余弦波 | 长度有限、可伸缩的小波 |
| 时间分辨率 | 无 (0) | 固定 (取决于窗口大小) | 动态 (高频时高，低频时低) |
| 频率分辨率 | 极高 (理想状态) | 固定 (与时间分辨率互斥) | 动态 (高频时低，低频时高) |
| 最擅长捕捉 | 稳态的全局频率特征 | 缓慢变化的频率 | 瞬态的突发信号、毛刺、边缘 |
[核心对比总结表]