Introduction to "FFT"
首先,我构思了一会儿,希望通过比较好的方式,阐述FFT. 开源,分享.
... ...
回答,什么FFT?
FFT,Fast Fourier Transform. 它是一种快速的DFT(Discret Fourier Transform),由于人们在利用DFT的时候,算法速度很慢,计算时间长,(长的你根本受不了,等的天都黑了~它还没计算出结果),于是牛人就想办法在算法上改进传统的DFT. 改进的结果就是FFT。它不是一种新的变换,而是对DFT的改进,而由于快速的特性,得到广泛的应用~
DFT:
对于复数序列,离散傅里叶变换公式为:
实现DFT也是要花点时间的
我之前做DFT的笔记在这里,要搞懂FFT,必须先明白DFT
http://blog.csdn.net/cinmyheart/article/details/21050119
Get start with "FFT" (基于时间抽选的基-2 FFT 算法)
算法原理:
按照输入的信号顺序的奇偶数来把原来一个部分的DFT分成两个部分的DFT
最后原来的DFT[x(n)] 被恒等的化做两个部分相加.
注意事项:
一. W2N = exp(-2*pi*j*2/N) == exp(-2*pi*j/(N/2));这是极其重要的恒等变形!累加的范围从原来的0~N-1, 降低到了0~N/2 -1 !!!
二. exp(-2*pi*j* (r*k)/(N/2)) == exp(-2*pi*j *( r*(k+N/2)) / (N/2) ) 这里利用了 exp(-2*pi*j * X)的周期性
利用这个周期性,可以推理得到,
这是很重要的性质,利用这种周期性,我知道前面一般,就可以算出后面的一半数据了,因为相同的!
X1(N/2 + k) = X1(k)
三.
k = 0,1,2,3 ... (N/2 -1)
利用
W_(N/2 + k)_N == exp(-2*pi*j*(N/2 + k)/N )
== W_(N/2)_N* W_(k)_N == exp(-2*pi*j*(N/2 )/N ) * exp(-2*pi*j*(k)/N )
== - W_(k)_N == - exp(-2*pi*j *(k/N))
于是!W_(N/2 + k)_N == -W_(k)_N
上面等式的左边+N/2 得到的是后半部分的X1(k) [注意k的取值范围已经不是0 ~N-1咯]
最后我们完成了一件很漂亮的事情,简直“算命先生”哈哈利用“一半的数据,我们可以获得全部的数据”
为什么这么说呢?
看这个图
X1 和X2是输入数据
X(k)是输出,
X(k) ==前半部分 = X1(k) + W_k_N * X2(k);
X(k+N/2) ==后半部分 = X1(k) - W_k_N * X2(k);
k是0~N/2,此时我们利用N/2的输入数据,能够得到N的输出数据.
正是基于以上的几点原因,才会有速度的提升!!!
想法虽好,怎么实现呢?
Butter fly
看这里,
X(k) ==前半部分 = X1(k) + W_k_N * X2(k);
X(k+N/2) ==后半部分 = X1(k) - W_k_N * X2(k);
有没有很像一只蝴蝶~
这里是基于N/2 点的DFT,于是只有一次奇偶重排序,
前面四个点是奇数顺序点,后面四个是偶数顺序点(注意计数从0开始,而不是1,所以0是奇数顺序点)
上图得到的其实是4对 蝶形,: )
这里N == 8,可以在N/2 中有4个点,还可以进行奇偶重排序,直到只有两个点,不需要再进行奇偶重排序
程序实现的注意事项
1. 奇偶重排序——实现方式 Bits reversal,在之后的link中会以C语言代码demo的方式给出
2. 在第一层,W_0_N 第二层 W_0_N,W_2_N, 第三层W_0_N W_1_N W_2_N W_3_N
这个W_r_N的系数r和层数的关系,用C 语言的形式表述为
tmp = k << (bits - m);
然后取低的m个有效位,即可以得到r
r = tmp & ((1<<m) - 1);
3. It‘s time to implement yourown FFT !
http://blog.csdn.net/cinmyheart/article/details/39042623