快速傅立叶变换算法 FFT

最新推荐文章于 2024-03-19 09:17:03 发布
最新推荐文章于 2024-03-19 09:17:03 发布
阅读量1.6k 收藏 1
点赞数
分类专栏： 算法 文章标签： 算法 fft
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/ALDRIDGE1/article/details/17636735
版权

       音频处理里面常用。 就是把波形（时域信号）变换到频域，使得用户更好的分析。频域就是类似于“千千静听”的频谱。这个过程叫“离散傅立叶变换”（DFT）。而FFT是DFT的一种高效快速算法。

代码见下：

#include <iostream>
#include <stdio.h>
#include <math.h>

//**************************************************************************************

#ifndef M_PI
    #define M_PI 3.14159265358979323846
#endif
#define DATA_LEN 64
#define SAMPLE_FREQ 1000 // Hz

unsigned char sin_data[64] = {0x7F,0x8B,0x98,0xA4,0xB0,0xBB,0xC6,0xD0,0xD9,0xE2,
    0xE9,0xEF,0xF5,0xF9,0xFC,0xFE,0xFE,0xFE,0xFC,0xF9,0xF5,0xEF,0xE9,0xE2,0xD9,0xD0,
    0xC6,0xBB,0xB0,0xA4,0x98,0x8B,0x7F,0x73,0x66,0x5A,0x4E,0x43,0x38,0x2E,0x25,0x1C,
    0x15,0x0F,0x09,0x05,0x02,0x00,0x00,0x00,0x02,0x05,0x09,0x0F,0x15,0x1C,0x25,0x2E,
    0x38,0x43,0x4E,0x5A,0x66,0x73};

typedef struct{
    double r;
    double i;
} cplx_t;


//**************************************************************************************

void cplx_exp(cplx_t *x, cplx_t *r)
{
    double expx = exp(x->r);
    r->r = expx*cos(x->i);
    r->i = expx*sin(x->i);
}

// 复数乘法
void cplx_mul(cplx_t *x, cplx_t *y, cplx_t *r)
{
    r->r = x->r*y->r-x->i*y->i;
    r->i = x->r*y->i+x->i*y->r;
}

// 比特反置
void bit_reverse(cplx_t *x, int N)
{
    unsigned int i = 0,j = 0,k = 0;
    
    cplx_t tmp;
    
    int bit_num = log(0.0+N)/log(2.0);  // 比特位数
    
    for (i=0; i<N; i++)
    {
        int t = bit_num;
        k=i;
        j=0;
        while (t--)
        {
            j <<= 1;
            j |= k&1;
            k >>= 1;
        }
        if (j>i)
        {
            tmp = x[i];
            x[i] = x[j];
            x[j] = tmp;
        }
    }
}


void fft(cplx_t *x, int N)
{
    cplx_t u,d,p,W,tmp;
    int i=0,j=0,k=0,l=0;
    
    double M = floor(log(0.0+N)/log(2.0));  // zhiqiu 换底公式
    if (log(0.0+N)/log(2.0)-M > 0)
    {
        printf("The length of x (N) must be a power of two!!!\n");
        return;
    }
    
    bit_reverse(x,N);
    
    for (i = 0; i < M; i++)
    {
        l = 1<<i;
        for (j = 0; j < N; j += 2*l)
        {
            for (k = 0; k < l; k++)
            {
                tmp.r = 0.0;
                tmp.i = -2*M_PI*k/2/l;
                cplx_exp(&tmp,&W);
                cplx_mul(&x[j+k+l],&W,&p);
                u.r = x[j+k].r+p.r;
                u.i = x[j+k].i+p.i;
                d.r = x[j+k].r-p.r;
                d.i = x[j+k].i-p.i;
                x[j+k] = u;
                x[j+k+l] = d;
            }
        }
    }
}

void ifft(cplx_t *x, int N)
{
    unsigned int i = 0;
    for (i = 0;i < N; i++)
        x[i].i = -x[i].i;
    fft(x,N);
    for (i = 0;i < N; i++)
    {
        x[i].r = x[i].r/(N+0.0);
        x[i].i = -x[i].i/(N+0.0);
    }
}



//**************************************************************************************

int main(int argc, const char * argv[])
{
    int i;
    cplx_t x[DATA_LEN];
    for (i=0;i<DATA_LEN;i++)
    {
        x[i].r = sin_data[i];
        x[i].i = 0;
    }
    
    printf("Before...\nReal\t\tImag\n");
    for (i=0; i<DATA_LEN; i++)
        printf("%f\t%f\n",x[i].r,x[i].i);
    
    fft(x, DATA_LEN);
    
    printf("\nAfter FFT...\nReal\t\tImag\n");
    for (i=0; i<DATA_LEN; i++)
        printf("%f\t%f\n",x[i].r,x[i].i);
    
    printf("\n频率\t\t幅度\t\t相位\n");
    for (i=0; i<DATA_LEN; i++)
    {
        double fudu = sqrt(x[i].r*x[i].r+x[i].i*x[i].i);
        double xiangwei = atan(x[i].i/x[i].r)*180.0/M_PI;
        if (i == 0)
            fudu /= DATA_LEN;
        else
            fudu /= DATA_LEN/2;
        printf("%f\t%f\t%f\n", (double)SAMPLE_FREQ/DATA_LEN*i, fudu, xiangwei);
    }
    
    ifft(x, DATA_LEN);
    
    printf("\nAfter IFFT...\nReal\t\tImag\n");
    for (i=0; i<DATA_LEN; i++)
        printf("%f\t%f\n",x[i].r,x[i].i);
    
    return 0;
}

运行结果： 

Before...
Real		Imag
127.000000	0.000000
139.000000	0.000000
152.000000	0.000000
164.000000	0.000000
176.000000	0.000000
187.000000	0.000000
198.000000	0.000000
208.000000	0.000000
217.000000	0.000000
226.000000	0.000000
233.000000	0.000000
239.000000	0.000000
245.000000	0.000000
249.000000	0.000000
252.000000	0.000000
254.000000	0.000000
254.000000	0.000000
254.000000	0.000000
252.000000	0.000000
249.000000	0.000000
245.000000	0.000000
239.000000	0.000000
233.000000	0.000000
226.000000	0.000000
217.000000	0.000000
208.000000	0.000000
198.000000	0.000000
187.000000	0.000000
176.000000	0.000000
164.000000	0.000000
152.000000	0.000000
139.000000	0.000000
127.000000	0.000000
115.000000	0.000000
102.000000	0.000000
90.000000	0.000000
78.000000	0.000000
67.000000	0.000000
56.000000	0.000000
46.000000	0.000000
37.000000	0.000000
28.000000	0.000000
21.000000	0.000000
15.000000	0.000000
9.000000	0.000000
5.000000	0.000000
2.000000	0.000000
0.000000	0.000000
0.000000	0.000000
0.000000	0.000000
2.000000	0.000000
5.000000	0.000000
9.000000	0.000000
15.000000	0.000000
21.000000	0.000000
28.000000	0.000000
37.000000	0.000000
46.000000	0.000000
56.000000	0.000000
67.000000	0.000000
78.000000	0.000000
90.000000	0.000000
102.000000	0.000000
115.000000	0.000000

After FFT...
Real		Imag
8128.000000	0.000000
0.000000	-4079.961454
0.000000	0.000000
0.000000	-2.073634
0.000000	0.000000
-0.000000	0.912016
0.000000	0.000000
-0.000000	1.409742
0.000000	0.000000
0.000000	1.173062
0.000000	0.000000
0.000000	0.039072
0.000000	0.000000
0.000000	4.791678
0.000000	0.000000
0.000000	0.161168
0.000000	0.000000
0.000000	1.343569
0.000000	0.000000
0.000000	4.934246
0.000000	0.000000
0.000000	1.217879
0.000000	0.000000
0.000000	-3.948687
0.000000	0.000000
-0.000000	6.362596
0.000000	0.000000
0.000000	1.672291
0.000000	0.000000
-0.000000	2.117931
0.000000	0.000000
0.000000	-0.236919
0.000000	0.000000
0.000000	0.236919
0.000000	0.000000
-0.000000	-2.117931
0.000000	0.000000
0.000000	-1.672291
0.000000	0.000000
-0.000000	-6.362596
0.000000	0.000000
-0.000000	3.948687
0.000000	0.000000
0.000000	-1.217879
0.000000	0.000000
-0.000000	-4.934246
0.000000	0.000000
0.000000	-1.343569
0.000000	0.000000
-0.000000	-0.161168
0.000000	0.000000
0.000000	-4.791678
0.000000	0.000000
-0.000000	-0.039072
0.000000	0.000000
0.000000	-1.173062
0.000000	0.000000
-0.000000	-1.409742
0.000000	0.000000
-0.000000	-0.912016
0.000000	0.000000
0.000000	2.073634
0.000000	0.000000
-0.000000	4079.961454

频率		幅度		相位
0.000000	127.000000	0.000000
15.625000	127.498795	-90.000000
31.250000	0.000000	nan
46.875000	0.064801	-90.000000
62.500000	0.000000	nan
78.125000	0.028501	-90.000000
93.750000	0.000000	nan
109.375000	0.044054	-90.000000
125.000000	0.000000	nan
140.625000	0.036658	90.000000
156.250000	0.000000	nan
171.875000	0.001221	90.000000
187.500000	0.000000	nan
203.125000	0.149740	90.000000
218.750000	0.000000	nan
234.375000	0.005036	90.000000
250.000000	0.000000	nan
265.625000	0.041987	90.000000
281.250000	0.000000	nan
296.875000	0.154195	90.000000
312.500000	0.000000	nan
328.125000	0.038059	90.000000
343.750000	0.000000	nan
359.375000	0.123396	-90.000000
375.000000	0.000000	nan
390.625000	0.198831	-90.000000
406.250000	0.000000	nan
421.875000	0.052259	90.000000
437.500000	0.000000	nan
453.125000	0.066185	-90.000000
468.750000	0.000000	nan
484.375000	0.007404	-90.000000
500.000000	0.000000	nan
515.625000	0.007404	90.000000
531.250000	0.000000	nan
546.875000	0.066185	90.000000
562.500000	0.000000	nan
578.125000	0.052259	-90.000000
593.750000	0.000000	nan
609.375000	0.198831	90.000000
625.000000	0.000000	nan
640.625000	0.123396	-90.000000
656.250000	0.000000	nan
671.875000	0.038059	-90.000000
687.500000	0.000000	nan
703.125000	0.154195	90.000000
718.750000	0.000000	nan
734.375000	0.041987	-90.000000
750.000000	0.000000	nan
765.625000	0.005036	90.000000
781.250000	0.000000	nan
796.875000	0.149740	-90.000000
812.500000	0.000000	nan
828.125000	0.001221	90.000000
843.750000	0.000000	nan
859.375000	0.036658	-90.000000
875.000000	0.000000	nan
890.625000	0.044054	90.000000
906.250000	0.000000	nan
921.875000	0.028501	90.000000
937.500000	0.000000	nan
953.125000	0.064801	90.000000
968.750000	0.000000	nan
984.375000	127.498795	-90.000000

After IFFT...
Real		Imag
127.000000	-0.000000
139.000000	-0.000000
152.000000	-0.000000
164.000000	-0.000000
176.000000	0.000000
187.000000	-0.000000
198.000000	0.000000
208.000000	-0.000000
217.000000	-0.000000
226.000000	-0.000000
233.000000	0.000000
239.000000	-0.000000
245.000000	-0.000000
249.000000	0.000000
252.000000	0.000000
254.000000	-0.000000
254.000000	-0.000000
254.000000	0.000000
252.000000	0.000000
249.000000	0.000000
245.000000	-0.000000
239.000000	0.000000
233.000000	-0.000000
226.000000	0.000000
217.000000	-0.000000
208.000000	0.000000
198.000000	0.000000
187.000000	0.000000
176.000000	-0.000000
164.000000	0.000000
152.000000	-0.000000
139.000000	0.000000
127.000000	0.000000
115.000000	0.000000
102.000000	0.000000
90.000000	0.000000
78.000000	-0.000000
67.000000	0.000000
56.000000	-0.000000
46.000000	0.000000
37.000000	0.000000
28.000000	0.000000
21.000000	-0.000000
15.000000	0.000000
9.000000	-0.000000
5.000000	-0.000000
2.000000	-0.000000
0.000000	0.000000
0.000000	-0.000000
-0.000000	-0.000000
2.000000	-0.000000
5.000000	-0.000000
9.000000	0.000000
15.000000	-0.000000
21.000000	0.000000
28.000000	-0.000000
37.000000	0.000000
46.000000	-0.000000
56.000000	-0.000000
67.000000	-0.000000
78.000000	0.000000
90.000000	-0.000000
102.000000	0.000000
115.000000	-0.000000



__承_影__
关注
专栏目录
十分简明易懂的FFT（快速傅里叶变换）
路人黑的纸巾
08-07 60万+
FFT有什么用 快速傅里叶变换 (fast Fourier transform),即利用计算机计算离散傅里叶变换（DFT)的高效、快速计算方法的统称，简称FFT。快速傅里叶变换是1965年由J.W.库利和T.W.图基提出的。采用这种算法能使计算机计算离散傅里叶变换所需要的乘法次数大为减少，特别是被变换的抽样点数N越多，FFT算法计算量的节省就越显著。 FFT（Fast Fouri...
delphi傅里叶变换
01-22
delphi傅里叶变换的代码，转的，自己上传下，备用。. ..
FFT（快速傅里叶变换）
weixin_42638946的博客
10-17 1万+
FFT 1. FFT原理 原理 FFT（Fast Fourier Transformation），中文名快速傅里叶变换，用来加速多项式乘法。 朴素高精度乘法时间复杂度是O(n2)O(n ^ 2)O(n2)，n是数据位数；但FFT能在O(n×log(n))O(n \times log(n))O(n×log(n))的时间内解决。 假设给定一个多项式： A(x)=a0+a1x+a2x2+...an−1xn−1 A(x) = a_0 + a_1 x + a_2 x^2 + ... a_{n-1}
快速傅氏变换（Fast Fourier Transform，FFT）算法基本原理详细解析
最新发布
晨的博客
03-19 4376
快速傅里叶变换（FFT）是一种用于计算离散傅里叶变换（DFT）及其逆变换的高效算法。DFT是一种数学技术，用于将一个函数或信号分解成不同频率的成分。FFT广泛应用于信号处理、图像处理、通信系统等领域，因为它能够快速而有效地计算DFT，大大提高了处理速度。
快速傅里叶变换(FFT)c语言实现
Marc Pony
05-23 8634
  快速傅里叶变换(FFT)c语言实现：(参考:FFT多种编程语言实现)。 #include <stdio.h> #include <math.h> #include <stdlib.h> #define PI 3.14159265358979 typedef struct Complex { double real; double image; } CPLX; void _fft(CPLX buf[], CPLX out[], int n, int st
可计算任意序列长度的高效精炼快速傅里叶变换算法 FFT
07-23
快速傅立叶算法，采用时域抽取法FFT(Decimation-In-Time FFT, 简称 DIT - FFT)，完全采用标准C++语言编写，算法上采用了蝶形运算原理，数据结构采用 STL 模板库存储动态数组，采用 complex 类处理复数运算。...
快速傅里叶变换(FFT)算法C++实现代码.docx
10-25
快速傅里叶变换算法的实现需要定义一个函数 FFT，该函数将输入信号 data 转换为频域信号或者从频域信号转换回时域信号。函数 FFT 的参数包括信号 data、信号的长度 n 以及是否进行逆变换的标志 isInverse。 在函数 ...
分治法：快速傅里叶变换算法.pdf
09-30
快速傅里叶变换算法 快速傅里叶变换（Fast Fourier Transform，FFT）是一种快速算法，用于计算离散傅里叶变换（Discrete Fourier Transform，DFT）。 FFT 是一种分治法的实现，通过将原始问题分解成规模更小的子...
详解快速傅里叶变换FFT算法
06-25
快速傅里叶变换（Fast Fourier Transform，简称FFT）是一种高效的计算离散傅里叶变换（Discrete Fourier Transform，DFT）的方法，对于处理信号分析、图像处理、通信工程等领域的问题有着广泛的应用。本文将深入探讨...
arm fft 算法 库
07-18
http://www.lartmaker.nl/
FFT(快速傅立叶算法 for java)
我是谁的专栏
08-19 1万+
package com.test.test2; public class FFT {     public static final int FFT_N_LOG = 10; // FFT_N_LOG     public static final int FFT_N = 1     private static final float MINY = (float) ((FFT_N
键盘码值表
东风小火的博客
06-13 4916
这是标准键盘码值表，十六进制数。用于程序开发中，获取键盘按下的键，并为其绑定事件。码值含义备注0x08Backspace键0x09Tab键0x0CClear键Num Lock关闭时的数字键盘50x0DEnter键0x10Shift键0x11Ctrl键0x12Alt键0x13Pause键0x14Caps Lock键0x1BEsc键0x20Spacebar键0x21Page Up键...
快速傅里叶变换（FFT）算法学习
W_Oilpicture的博客
07-04 8336
算法的世界多么广大，我们可以将算法大致分为两类：第一类是较为有用的算法：比如一些经典的图算法，像 DFS 和 BFS（深度 / 广度优先算法），这些算法应用在很多方面，他们非常高效， 第二类算法是那些极具美感的算法：例如当我们第一次看到汉诺塔的递归实现算法时的状态，你肯定会觉得这个算法贼牛逼，甚至会被它的美感所震撼到，但这些算法或许并没有那么有用或者高效，不过我们还是会研究它，就像没事干了我们还是会看小说； 这些伟大而精妙的算法会激发我们的灵感，促使我们发散性思考，下面介绍一种同时属于以上两类的算法：快速傅
FFT（快速傅里叶变换）算法
ixRic
02-19 3865
文章目录功能前置技能多项式的系数表达式多项式的点值表达式复数复数的基本单位复数的运算复平面复根定义几个性质 功能 O(nlog⁡n)O(n\log n)O(nlogn)的时间求两个多项式的乘积。 一个nnn项的整式多项式一定可以表示成：f(x)=∑i=0n−1(aixi)f(x)=\sum\limits_{i=0}^{n-1}(a_ix^i)f(x)=i=0∑n−1​(ai​xi) （有些aia_...
java jtransforms使用_Java
weixin_39991935的博客
03-04 538
Java主要用于企业级Web和安卓开发。教程方面，我们可以参考Java教程-菜鸟教程、Java极客学院、Java全栈工程师、阿里巴巴Java开发手册等。下面介绍Java 8和Java 11的安装。对于Java 8，windows环境下，下载Java SE Development Kit 8，接着配置环境变量。鼠标点击此电脑-属性-高级系统设置-环境变量-系统变量，在JAVA_HOME中新建，C:\...
快速傅里叶变换FFT进行频谱分析（matlab）
weixin_40215443的博客
07-04 4万+
本章摘要：FFT是离散傅立叶变换的快速算法，可以将一个信号变换到频域。有些信号在时域上是很难看出什么特征的，但是如果变换到频域之后，就很容易看出特征了。这就是很多信号分析采用FFT变换的原因。本章主要讲解如何采用matlab进行傅里叶变换，以及需要注意的事项。
超详细易懂FFT（快速傅里叶变换）及代码实现
热门推荐
Flag_z的博客
08-11 16万+
前言 昨天学了一晚上，终于搞懂了FFT。希望能写一篇清楚易懂的题解分享给大家，也进一步加深自己的理解。 FFT算是数论中比较重要的东西，听起来就很高深的亚子。但其实学会了（哪怕并不能完全理解)，会实现代码，并知道怎么灵活运用 （背板子） 就行。接下来进入正题。 定义 FFT（Fast Fourier Transformation），中文名快速傅里叶变换，是离散傅氏变换的快速算法，它是根据离散傅氏变...
【算法】快速傅里叶变换(FFT)——有史以来最巧妙的算法？
Carol0630的博客
04-13 5680
参考：快速傅里叶变换(FFT)——有史以来最巧妙的算法？ 参考：快速傅里叶变换（FFT）超详解 快速傅里叶变换 (Fast Fourier Transform)，即利用计算机计算离散傅里叶变换（DFT）的高效、快速计算方法的统称，简称FFT，于1965年由J.W.库利和T.W.图基提出。 总结：FFT极大的加快了算法的计算速度，时间复杂度降低一个数量级别。 1、多项式的系数与点值表示 ...
C语言实现快速傅里叶变换FFT算法解析
资源摘要信息:"快速傅里叶变换算法（Fast Fourier Transform，FFT）是一种高效计算离散傅里叶变换（Discrete Fourier Transform，DFT）及其逆变换的算法。FFT算法将原本需要O(N^2)时间复杂度的DFT计算过程优化到了O...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值