1. 소개: 파동 더하기의 마법
우리 주변은 소리, 빛, 전자기파 등 다양한 “파동” 으로 가득 차 있습니다. 얼핏 보면 매우 복잡하고 불규칙해 보이는 파형이 사실은 단순한 파동들의 조합으로 이루어져 있다면 어떨까요? 이 놀라운 사실을 수학적으로 표현한 것이 바로 조제프 푸리에가 제안한 “푸리에 급수” 와 이를 더욱 발전시킨 “푸리에 변환” 입니다.
본 기사에서는 이 매력적인 수학적 기법에 대해 기초부터 직관적인 이해, 그리고 현대 기술에서의 응용까지 깊이 있게 파헤쳐 보겠습니다.
2. 푸리에 급수: 주기적인 파동 분해하기
푸리에 급수의 기본 아이디어는 “어떠한 주기 함수라도 서로 다른 주파수를 가진 사인파(정현파)와 코사인파(여현파)의 무한한 합으로 표현할 수 있다"는 것입니다.
2.1 실수 형태의 푸리에 급수
주기가 $2\pi$ 인 함수 $f(x)$ 는 다음과 같이 전개할 수 있습니다.
$$ f(x) = \frac{a_0}{2} + \sum_{n=1}^{\infty} \left( a_n \cos(nx) + b_n \sin(nx) \right) $$여기서 $a_0$, $a_n$, $b_n$ 을 “푸리에 계수” 라고 부르며, 이들은 각각의 파동이 어느 정도의 세기로 포함되어 있는지를 나타냅니다. 이 계수들은 다음의 적분으로 계산됩니다.
$$ a_0 = \frac{1}{\pi} \int_{-\pi}^{\pi} f(x) dx \quad (\text{직류 성분}) $$$$ a_n = \frac{1}{\pi} \int_{-\pi}^{\pi} f(x) \cos(nx) dx \quad (\text{코사인 성분의 가중치}) $$$$ b_n = \frac{1}{\pi} \int_{-\pi}^{\pi} f(x) \sin(nx) dx \quad (\text{사인 성분의 가중치}) $$2.2 복소 푸리에 급수
오일러의 공식 $e^{i\theta} = \cos\theta + i\sin\theta$ 를 사용하면, 푸리에 급수는 복소 지수 함수 형태로 더욱 우아하게 쓸 수 있습니다.
$$ f(x) = \sum_{n=-\infty}^{\infty} c_n e^{inx} $$$$ c_n = \frac{1}{2\pi} \int_{-\pi}^{\pi} f(x) e^{-inx} dx \quad (\text{복소 푸리에 계수}) $$복소 형태는 나중에 설명할 푸리에 변환으로 이어지는 다리로서 매우 중요한 역할을 합니다.
3. 푸리에 변환: 비주기 함수로의 확장
푸리에 급수는 주기 함수에만 적용될 수 있습니다. 그러나 현실 세계의 많은 신호(예: 짧은 음성 발화나 단발성 펄스 신호)는 비주기적입니다. 따라서 주기가 무한대($T \to \infty$)로 가는 극한을 생각함으로써 “푸리에 변환” 이 도출됩니다.
3.1 푸리에 변환의 정의
함수 $f(t)$ 에 대한 푸리에 변환 $\mathcal{F}\{f(t)\}$ 및 역푸리에 변환은 다음과 같이 정의됩니다.
$$ F(\omega) = \int_{-\infty}^{\infty} f(t) e^{-i\omega t} dt \quad (\text{시간 영역에서 주파수 영역으로의 변환}) $$$$ f(t) = \frac{1}{2\pi} \int_{-\infty}^{\infty} F(\omega) e^{i\omega t} d\omega \quad (\text{주파수 영역에서 시간 영역으로의 역변환}) $$여기서 $t$ 는 시간을, $\omega$ 는 각주파수를 나타냅니다. $F(\omega)$ 는 원래의 신호 $f(t)$ 안에 주파수 $\omega$ 의 성분(진폭과 위상)이 얼마나 포함되어 있는지를 나타내는 함수가 됩니다.
3.2 신호 처리의 흐름
아래 다이어그램은 입력 신호가 푸리에 변환을 사용하여 어떻게 처리되는지를 보여줍니다.
flowchart LR
A["입력 신호의 시간 파형"] -->|"푸리에 변환"| B["주파수 스펙트럼"]
B -->|"필터링 처리"| C["가공된 스펙트럼"]
C -->|"역푸리에 변환"| D["출력 신호의 시간 파형"]
%% 노드 스타일링
style A fill:#f9f,stroke:#333,stroke-width:2px
style B fill:#bbf,stroke:#333,stroke-width:2px
style C fill:#bbf,stroke:#333,stroke-width:2px
style D fill:#f9f,stroke:#333,stroke-width:2px
4. 이산 푸리에 변환 (DFT) 및 고속 푸리에 변환 (FFT)
컴퓨터로 신호를 처리하기 위해서는 연속적인 시간과 무한한 길이를 가진 적분을 유한한 개수의 이산적인 데이터 포인트들의 합으로 대체해야 합니다. 이것이 이산 푸리에 변환 (DFT) 입니다.
$$ X_k = \sum_{n=0}^{N-1} x_n e^{-i \frac{2\pi}{N} k n} \quad \text{for } k = 0, 1, \dots, N-1 $$게다가, 이 DFT의 계산 복잡도를 $O(N^2)$ 에서 $O(N \log N)$ 으로 획기적으로 줄여주는 알고리즘이 고속 푸리에 변환 (FFT) 입니다. FFT의 등장으로 디지털 신호 처리(DSP) 분야는 폭발적인 발전을 이룩했습니다. 스마트폰의 음성 인식이나 JPEG 이미지 압축과 같이 우리에게 친숙한 기술들 중 다수가 FFT의 혜택을 받고 있습니다.
| |
5. 결론
푸리에 급수와 푸리에 변환은 복잡한 현상을 단순한 요소로 분해하는, 과학과 공학에서 가장 강력한 도구 중 하나입니다. 시간을 주파수로 변환하는 이 수학적인 “렌즈"를 통해 세상을 바라봄으로써 우리는 숨겨진 패턴을 발견하고 정보를 효율적으로 처리할 수 있습니다.
파동을 더하는 마법은 오늘날에도 여전히 현대 기술의 기반으로서 활약하고 있습니다.