# 푸리에 변환 (Fourier Transform)

## 1. 개요
푸리에 변환은 시간 영역(Time Domain)에서 정의된 신호를 주파수 영역(Frequency Domain)으로 변환하여, 해당 신호가 어떤 주파수 성분들로 구성되어 있는지를 분석하는 수학적 기법이다.

우리가 듣는 음악이나 통신 신호는 여러 개의 서로 다른 주파수를 가진 사인파(Sine wave)들이 복합적으로 섞여 있는 형태이다. 푸리에 변환은 마치 **'완성된 요리(복합 신호)를 보고 그 안에 들어간 재료(개별 주파수 성분)와 그 양을 정확히 찾아내는 레시피 분석 과정'**과 같다. 이를 통해 복잡한 신호에서 특정 잡음을 제거하거나, 효율적으로 데이터를 압축하는 등 공학적으로 매우 중요한 역할을 수행한다.

> **[시각 자료: 영역 변환 개념]**
> - **시간 영역 (Time Domain):** 가로축(시간 $t$), 세로축(진폭 $f(t)$) $\rightarrow$ 파형의 변화가 보임
> - $\xrightarrow{\text{푸리에 변환}}$
> - **주파수 영역 (Frequency Domain):** 가로축(주파수 $f$ 또는 $\omega$), 세로축(강도 $|F(\omega)|$) $\rightarrow$ 어떤 주파수가 강한지 보임

## 2. 수학적 원리 및 정의

### 2.1. 복소수 평면과 회전 개념
푸리에 변환의 핵심은 신호를 복소수 평면 위에서 회전하는 원형 운동으로 해석하는 것이다. **오일러 공식($e^{ix} = \cos x + i \sin x$)**에 따라, 복소 지수 함수는 복소 평면에서 반지름이 1인 원을 따라 회전하는 벡터로 표현된다.

신호 $f(t)$에 특정 각주파수 $\omega$로 회전하는 복소 지수 함수를 곱해 적분한다는 것은, 원래 신호 속에 해당 주파수 $\omega$와 동일한 속도로 회전하는 성분이 얼마나 포함되어 있는지를 측정하는 과정이다. 만약 신호 내에 해당 주파수 성분이 존재한다면, 회전 방향이 일치하여 적분 값이 커지게 된다.

### 2.2. 수학적 정의
연속 시간 신호 $f(t)$에 대한 푸리에 변환 $F(\omega)$는 다음과 같이 정의된다. 여기서 $\omega$는 각주파수(Angular Frequency)이며, 일반적인 주파수 $f$와 $\omega = 2\pi f$의 관계를 갖는다.

**푸리에 변환 (Fourier Transform):**
$$F(\omega) = \int_{-\infty}^{\infty} f(t) e^{-i\omega t} dt$$

결과값 $F(\omega)$는 **복소수**로 나타나며, 실제 분석에서는 다음 두 가지 정보를 추출하여 사용한다.
*   **크기(Magnitude/Amplitude):** $|F(\omega)|$는 해당 주파수 성분이 신호에 얼마나 강하게 포함되어 있는지를 나타낸다.
*   **위상(Phase):** $\arg(F(\omega))$는 해당 주파수 성분이 시간축 상에서 어디서부터 시작되는지에 대한 위치 정보를 나타낸다.

반대로 주파수 영역의 정보를 다시 시간 영역으로 되돌리는 과정을 **역푸리에 변환(Inverse Fourier Transform)**이라고 한다.

**역푸리에 변환 (Inverse Fourier Transform):**
$$f(t) = \frac{1}{2\pi} \int_{-\infty}^{\infty} F(\omega) e^{i\omega t} d\omega$$

## 3. 푸리에 급수와의 차이점

푸리에 급수(Fourier Series)는 주기성을 가진 신호를 분석하는 도구이며, 푸리에 변환은 이를 비주기 신호까지 확장한 개념이다. 주기 $T$가 무한대로 발산한다고 가정하면, 이산적이었던 주파수 성분들이 촘촘해지며 연속적인 함수 형태의 푸리에 변환이 된다.

| 구분 | 푸리에 급수 (Fourier Series) | 푸리에 변환 (Fourier Transform) |
| :--- | :--- | :--- |
| **대상 신호** | 주기 신호 (Periodic Signal) | 비주기 신호 (Aperiodic Signal) |
| **결과 형태** | 이산적인 스펙트럼 (Discrete) | 연속적인 스펙트럼 (Continuous) |
| **표현 방식** | 주파수 성분의 합(Summation) | 주파수 성분의 적분(Integration) |
| **주요 용도** | 주기적 파형 분석, 고조파 분석 | 일반적인 신호 분석, 필터링, 통신 |

## 4. 이산 푸리에 변환 (DFT) 및 고속 푸리에 변환 (FFT)

### 4.1. DFT (Discrete Fourier Transform)
실제 디지털 컴퓨터는 연속적인 적분을 계산할 수 없으므로, 샘플링된 이산 데이터(Discrete data)를 처리하는 **이산 푸리에 변환(DFT)**을 사용한다. DFT는 연속 푸리에 변환의 적분 과정을 유한한 샘플의 합산으로 대체한다.

**DFT 수학적 정의:**
$$X[k] = \sum_{n=0}^{N-1} x[n] e^{-i\frac{2\pi}{N}kn}$$
(여기서 $x[n]$은 시간 영역의 샘플, $X[k]$는 주파수 영역의 성분이다.)

### 4.2. FFT (Fast Fourier Transform)
DFT의 계산 복잡도는 $O(N^2)$으로, 데이터 양이 많아질수록 계산 시간이 기하급수적으로 증가한다. 이를 획기적으로 줄인 알고리즘이 **고속 푸리에 변환(FFT)**이다.

**FFT의 분할 정복(Divide and Conquer) 원리:**
> **[도식: Cooley-Tukey 알고리즘]**
> $N$개의 데이터를 가진 DFT $\rightarrow$ [짝수 번째 샘플 $N/2$개] + [홀수 번째 샘플 $N/2$개]로 분할 $\rightarrow$ 각각의 DFT를 재귀적으로 계산 $\rightarrow$ 계산된 결과를 결합(Butterfly structure)하여 최종 결과 도출
> $\Rightarrow$ 결과적으로 복잡도를 $O(N \log N)$으로 낮추어 실시간 신호 처리를 가능하게 함.

### 4.3. Python 구현 예시
`NumPy` 라이브러리를 사용하여 간단한 신호의 FFT를 구현하는 코드는 다음과 같다.

```python
import numpy as np
import matplotlib.pyplot as plt

# 1. 신호 생성 (10Hz와 20Hz 사인파의 합)
fs = 100  # 샘플링 주파수 (Hz)
t = np.arange(0, 1, 1/fs) # 1초 동안의 시간축
f1, f2 = 10, 20 # 신호 주파수
signal = np.sin(2 * np.pi * f1 * t) + 0.5 * np.sin(2 * np.pi * f2 * t)

# 2. FFT 수행
fft_result = np.fft.fft(signal)
frequencies = np.fft.fftfreq(len(t), 1/fs)

# 3. 결과 시각화 (양의 주파수 영역만 표시)
plt.plot(frequencies[:fs//2], np.abs(fft_result)[:fs//2])
plt.title("Frequency Response")
plt.xlabel("Frequency (Hz)")
plt.ylabel("Amplitude")
plt.grid()
plt.show()
```
**참고:** FFT 결과는 나이퀴스트 이론(Nyquist Theorem)에 의해 샘플링 주파수의 절반($f_s/2$)을 기준으로 대칭적으로 나타난다. 따라서 실제 물리적 의미를 갖는 양의 주파수 영역(`[:fs//2]`)만 시각화하여 분석한다.

## 5. 주요 응용 분야

푸리에 변환은 현대 디지털 문명의 거의 모든 신호 처리 분야에 적용된다.

*   **오디오 압축 (MP3):** 인간이 듣지 못하는 고주파 성분을 푸리에 변환으로 찾아내어 제거함으로써 파일 용량을 줄인다.
*   **이미지 처리 (JPEG):** 이미지를 2차원 푸리에 변환(또는 유사한 DCT)을 통해 주파수 성분으로 분해하고, 고주파 영역(세밀한 디테일)의 데이터를 일부 삭제하여 압축한다.
*   **통신 시스템 (LTE/5G):** **OFDM(직교 주파수 분할 다중화)** 기술의 핵심이다. 전송할 데이터를 수많은 작은 부반송파(Sub-carrier)에 나누어 싣기 위해 **IFFT(역고속 푸리에 변환)**를 사용하여 시간 영역 신호로 변환해 송신하고, 수신단에서는 다시 **FFT**를 통해 원래의 데이터 스트림을 복원한다. 이를 통해 주파수 효율을 극대화하고 다중 경로 페이딩(Multipath Fading) 문제를 해결한다.
*   **의료 영상 (MRI):** MRI 장비는 신체 내부에서 나오는 자기공명 신호를 수집한 뒤, 이를 역푸리에 변환하여 우리가 볼 수 있는 영상 이미지로 재구성한다.

## 6. 관련 개념 및 확장

### 6.1. 단시간 푸리에 변환 (STFT)
표준 푸리에 변환은 '언제' 특정 주파수가 나타났는지에 대한 시간 정보를 소실한다. 이를 해결하기 위해 신호를 짧은 시간 구간(Window)으로 나누어 각각 푸리에 변환을 수행하는 **단시간 푸리에 변환(Short-Time Fourier Transform)**이 사용된다. 이는 스펙트로그램(Spectrogram) 분석의 기초가 된다.

### 6.2. 푸리에 변환의 한계와 웨이블릿 변환 (Wavelet Transform)
STFT는 윈도우 크기가 고정되어 있어, 윈도우가 크면 주파수 해상도는 좋아지지만 시간 해상도가 낮아지고, 윈도우가 작으면 그 반대가 되는 트레이드오프(Trade-off) 문제가 발생한다.

**웨이블릿 변환**은 이러한 푸리에 변환의 한계를 극복하기 위한 대안적 접근이다. 고정된 사인파 대신 가변적인 크기와 위치를 가진 '웨이블릿' 함수를 사용하여, 저주파에서는 넓은 윈도우를, 고주파에서는 좁은 윈도우를 유연하게 적용함으로써 보다 정밀한 다해상도 분석을 가능하게 한다.

## 푸리에 변환의 물리적 의미와 직관적 해석

푸리에 변환의 수학적 정의를 넘어, 이를 물리적으로 이해하는 두 가지 핵심 관점은 다음과 같다.

**1. 회전하는 벡터의 합 (Phasor Summation)**
신호 $f(t)$에 $e^{-i\omega t}$를 곱하는 것은, 시간축의 신호를 복소 평면 위에서 각속도 $\omega$로 회전시키는 것과 같다. 만약 신호 내에 $\omega$와 동일한 주파수 성분이 있다면, 회전하는 벡터들이 한 방향으로 정렬되어 적분 값(벡터의 합)이 커지게 된다. 반면, 해당 성분이 없다면 벡터들이 원을 그리며 상쇄되어 적분 값은 0에 수렴한다.

**2. 상관관계(Correlation)를 통한 성분 추출**
푸리에 변환은 입력 신호 $f(t)$와 특정 주파수의 기준 신호(Basis function) 사이의 **상관관계**를 측정하는 과정이다. 즉, "이 신호가 $\omega$라는 주파수의 코사인/사인 파형과 얼마나 닮았는가?"를 수치화하는 것이다. 닮은 정도가 높을수록 해당 주파수 영역의 진폭 $|F(\omega)|$가 크게 나타난다.

## 주요 변환 쌍(Transform Pairs)과 성질

특정 형태의 시간 영역 함수는 주파수 영역에서 정형화된 형태로 변환된다. 이를 변환 쌍이라고 하며, 신호 분석의 기초가 된다.

**대표적인 푸리에 변환 쌍 비교 표**

| 시간 영역 $f(t)$ | 주파수 영역 $F(\omega)$ | 특징 |
| :--- | :--- | :--- |
| **델타 함수** $\delta(t)$ | $1$ | 모든 주파수 성분을 동일한 강도로 포함 (White Noise 특성) |
| **상수 함수** $1$ | $2\pi\delta(\omega)$ | 주파수가 0인 DC 성분만 존재 |
| **가우시안 함수** $e^{-at^2}$ | $\sqrt{\frac{\pi}{a}}e^{-\omega^2/4a}$ | 변환 후에도 가우시안 형태 유지 (자기 유사성) |
| **사각형 펄스** $\text{rect}(t)$ | $\text{sinc}(\omega/2)$ | 급격한 변화(에지)가 있을수록 고주파 성분이 넓게 분포 |
| **사인파** $\sin(\omega_0 t)$ | $i\pi[\delta(\omega+\omega_0) - \delta(\omega-\omega_0)]$ | 특정 주파수 지점에서만 날카로운 피크 발생 |

**핵심 수학적 성질**
*   **선형성 (Linearity):** $\mathcal{F}\{af(t) + bg(t)\} = aF(\omega) + bG(\omega)$
*   **시간 이동 (Time Shifting):** $f(t-t_0)$를 변환하면 크기는 같으나 위상이 변한다: $F(\omega)e^{-i\omega t_0}$
*   **미분 성질 (Differentiation):** 시간 영역의 미분은 주파수 영역에서 $\omega$를 곱하는 것과 같다: $\mathcal{F}\{f'(t)\} = i\omega F(\omega)$

## 복소수 결과값의 물리적 의미 보완

푸리에 변환의 결과 $F(\omega)$는 복소수 $A + Bi$ 형태로 나타나며, 이는 신호를 구성하는 두 가지 기본 직교 성분의 강도를 의미한다.

*   **실수부 (Real Part, $\text{Re}\{F(\omega)\}$):** 입력 신호가 $\cos(\omega t)$ 성분과 얼마나 일치하는지를 나타낸다. (In-phase 성분)
*   **허수부 (Imaginary Part, $\text{Im}\{F(\omega)\}$):** 입력 신호가 $\sin(\omega t)$ 성분과 얼마나 일치하는지를 나타낸다. (Quadrature 성분)

결국 복소수 표현은 코사인과 사인이라는 두 축을 통해, 해당 주파수 성분의 **진폭(크기)**과 **시작 지점(위상)**을 동시에 저장하기 위한 효율적인 수학적 장치이다.

## 샘플링 이론과 에일리어싱 (Aliasing)

이산 푸리에 변환(DFT)을 수행할 때, 연속 신호를 디지털로 샘플링하는 과정에서 **에일리어싱(Aliasing)** 현상이 발생할 수 있다.

**에일리어싱 현상**
샘플링 주파수 $f_s$가 신호의 최대 주파수 $f_{max}$의 2배보다 낮을 때, 고주파 성분이 저주파 성분으로 오인되어 나타나는 현상이다. 이는 주파수 영역에서 스펙트럼이 $f_s$ 간격으로 주기적으로 복제되어 서로 겹치기(Overlap) 때문에 발생한다.

> **[시각적 도표: 에일리어싱 메커니즘]**
> 1. **정상 샘플링 ($f_s > 2f_{max}$):** [스펙트럼 $\text{S}_1$] $\dots$ [스펙트럼 $\text{S}_2$] $\dots$ $\rightarrow$ 각 스펙트럼 사이 간격이 충분하여 분리 가능
> 2. **과소 샘플링 ($f_s < 2f_{max}$):** [스펙트럼 $\text{S}_1$] $\cap$ [스펙트럼 $\text{S}_2$] $\rightarrow$ 스펙트럼이 겹치며 원래 주파수 정보가 왜곡됨 $\rightarrow$ **에일리어싱 발생**

이를 방지하기 위해 **나이퀴스트-섀넌 샘플링 정리(Nyquist-Shannon Sampling Theorem)**에 따라, 반드시 신호의 최대 주파수보다 최소 2배 이상 빠른 속도로 샘플링해야 한다.

## 양자역학적 확장: 불확정성 원리

푸리에 변환의 수학적 성질은 양자역학의 핵심 원리인 **하이젠베르크의 불확정성 원리**와 동일한 구조를 갖는다.

시간 영역에서 신호의 폭($\Delta t$)이 좁아질수록(즉, 매우 짧은 펄스일수록), 주파수 영역에서의 폭($\Delta \omega$)은 넓어진다. 반대로 특정 주파수를 정확히 정의하려면 신호가 시간축 상에서 매우 길게 유지되어야 한다. 이러한 **시간-주파수 트레이드오프**는 다음 가우시안 함수 관계에서 극명하게 드러난다.

**가우시안 함수와 불확정성**
시간 영역의 가우시안 함수 $f(t) = e^{-at^2}$의 표준편차를 $\sigma_t$라 하고, 그 푸리에 변환인 $F(\omega) \propto e^{-\omega^2/4a}$의 표준편차를 $\sigma_\omega$라고 할 때, 두 값의 곱은 항상 일정 값 이상을 유지한다.
$$\sigma_t \cdot \sigma_\omega \geq \frac{1}{2}$$

이 수학적 관계는 양자역학에서 입자의 **위치($x$)**와 **운동량($p$)**의 관계($\Delta x \Delta p \geq \hbar/2$)로 그대로 전이된다. 위치 공간의 파동함수를 푸리에 변환하면 운동량 공간의 파동함수가 되기 때문에, 위치를 정확히 알수록(폭이 좁을수록) 운동량의 분포는 넓어지게 되는 것이다.