快速傅里叶变换(FFT)

DGY_ChenYong

于 2024-09-11 21:30:48 发布

阅读量497

点赞数 16

分类专栏：傅里叶分析文章标签：算法傅里叶分析信号处理

本文链接：https://blog.csdn.net/DGY_ChenYong/article/details/142067102

版权

傅里叶分析专栏收录该内容

7 篇文章 0 订阅

订阅专栏

前言

建议先看以上文章

FFT是DFT的一种快速算法而不是一种新的变换,它可以在数量级的意义上提高运算速度。

直接计算DFT的问题

DFT的运算量

设有限长序列x(n)，非零值长度为N，若对x(n)进行次DFT运算，共需多大的运算工作量?

$X(k)=DFT[x(n)]=\sum_{n=0}^{N-1}x(n)W_{N}^{nk},k=0,1,\cdots N-1$

$x(n)=IDFT[x(n)]=\frac{1}{N}\sum_{n=0}^{N-1}x(n)W_{N}^{-nk},n=0,1,\cdots N-1$

x(n)为复数， $W_{N}^{nk}=e^{-jk\frac{2\pi}{N} n}$ 也为复数。
X(k)和x(n)的计算量基本相同，只差一个因子 $\frac{1}{N}$

复数乘法次数 $N^{2}$ ,复数加法次数N(N-1),若N远远大于1,则这两者都近似为 $N^{2}$ ，随N增大而急速增大。

改善DFT运算效率的基本途径

1、利用 $W_{N}^{nk}=e^{-jk\frac{2\pi}{N} n}$ 的性质

$W_{N}^{nk}$ （单位周期复指数序列、旋转因子）具有以下性质

周期性 $W_{N}^{nk}=W_{N}^{(n+rN)k}=W_{N}^{(k+rN)n}$ ，r为整数

$W_{N}^{(n+rN)k}= W_{N}^{nk}\cdot W_{N}^{rNk}=W_{N}^{nk}\cdot 1=W_{N}^{nk}$

同理可得 $W_{N}^{(k+rN)n}=W_{N}^{nk}$

共轭对称性 $\left ( W_{N}^{nk} \right ) ^{*}=W_{N}^{-nk}=W_{N}^{(rN-n)k}=W_{N}^{(rN-k)n}$ ，r为整数
可约性 $W_{N}^{nk}=W_{mN}^{mnk},W_{N}^{nk}=W_{\frac{N}{m}}^{\frac{nk}{m}}$ ，m为整数，N/m为整数

$W_{mN}^{mnk}=e^{-jk\frac{2\pi}{Nm} mn}=e^{-jk\frac{2\pi}{N} n}=W_{N}^{nk}$

同理可得 $W_{\frac{N}{m}}^{\frac{nk}{m}}=W_{N}^{nk}$

由以上性质，得出一些特殊点

$W_{N}^{0}=e^{0}=1$

$W_{N}^{N}=e^{-2\pi j}=1$

$W_{N}^{\frac{N}{2}}=e^{-j\pi}=-1$

$W_{N}^{k+\frac{N}{2}}= W_{N}^{\frac{N}{2}}\cdot W_{N}^{k}=-W_{N}^{k}$

FFT算法的基本思想与分类

基本思想

利用DFT系数的特性，合并DFT运算中的某些项；

把长序列DFT分解为短序列DFT，从而减少运算量。

FFT算法分类

时间抽选法(DIT)：Decimation-In-Time
频率抽选法(DIF)：Decimation-In-Frequency

按时间抽选(DIT)的基-2 FFT算法

算法原理

设输入序列长度为 $N=2^{M}$ (M为正整数)，将该序列按时间顺序的奇偶分解为越来越短的子序列，称为基2按时间抽取的FFT算法。也称为Coolkey-Tukey（库利-图基）算法。

其中基2表示： $N=2^{M}$ ，M为整数,若不满足这个条件，可以人为地加上若干零值(加零补长)使其达到 $N=2^{M}$ 。

将 $N=2^{M}$ 的序列x(n)，按奇偶分成两组：

$\left.\begin{matrix} x(2r) = x_{1}(r) \\ x(2r+1) = x_{2}(r) \end{matrix}\right\},r=0,1,\cdots ,\frac{N}{2}-1$ (1)

则其N点DFT为

$X(k)=DFT[x(n)]=\sum_{n=0}^{N-1}x(n)W_{N}^{nk}$

$=\sum_{r=0}^{\frac{N}{2}-1} x(2r)W_{N}^{2rk}+\sum_{r=0}^{\frac{N}{2}-1} x(2r+1)W_{N}^{(2r+1)k}$

$=\sum_{r=0}^{\frac{N}{2}-1} x_{1}(r)W_{N}^{2rk}+W_{N}^{k}\sum_{r=0}^{\frac{N}{2}-1} x_{2}(r)W_{N}^{2rk}$

利用 $W_{N}^{nk}$ 的可约性

$X(k)=\sum_{r=0}^{\frac{N}{2}-1} x_{1}(r)W_{\frac{N}{2}}^{rk}+W_{N}^{k} \sum_{r=0}^{\frac{N}{2}-1} x_{2}(r)W_{\frac{N}{2}}^{rk}=X_{1}(k) + W_{N}^{k} X_{2}(k)$ (2)

式中 $X_{1}(k)$ 和 $X_{2}(k)$ 分别是 $x_{1}(r)$ 和 $x_{2}(r)$ 的 $\frac{N}{2}$ 点DFT

$X_{1}(k)=\sum_{r=0}^{\frac{N}{2}-1} x_{1}(r)W_{\frac{N}{2}}^{rk}=\sum_{r=0}^{\frac{N}{2}-1} x(2r)W_{\frac{N}{2}}^{rk}$ (3)

$X_{2}(k)=\sum_{r=0}^{\frac{N}{2}-1} x_{2}(r)W_{\frac{N}{2}}^{rk}=\sum_{r=0}^{\frac{N}{2}-1} x(2r+1)W_{\frac{N}{2}}^{rk}$ (4)

由(2)式可看出，一个N点DFT已分解成两个 $\frac{N}{2}$ 点DFT，但是 $x_{1}(r)$ 、 $x_{2}(r)$ 以及 $X_{1}(k)$ 、 $X_{2}(k)$ 都是 $\frac{N}{2}$ 点序列,即r,k 满足 $r,k=0,1,\cdots ,\frac{N}{2}-1$ 。而X(k)却有 N点，用(2)式计算得到的只是 X(k)的前一半项数的结果，要用 $X_{1}(k)$ 、 $X_{2}(k)$ 表达全部的X(k)值,还必须应用 $W_{N}^{nk}$ 的周期性,即

$W_{\frac{N}{2}}^{rk}= W_{\frac{N}{2}}^{r(k+\frac{N}{2})}$

这样可得到

$X_{1}(k+\frac{N}{2})=\sum_{r=0}^{\frac{N}{2}-1} x_{1}(r)W_{\frac{N}{2}}^{r(k+\frac{N}{2})}=\sum_{r=0}^{\frac{N}{2}-1} x_{1}(r)W_{\frac{N}{2}}^{rk}=X_{1}(k)$ (5)

同理可得

$X_{2}(k+\frac{N}{2})=X_{2}(k)$ (6)

(5)式、(6)式说明了后半部分k值 $\left ( \frac{N}{2}\leqslant k\leq N-1 \right )$ 所对应的 $X_{1}(k)$ 、 $X_{2}(k)$ 等于前半部分k值 $\left ( 0\leqslant k\leq \frac{N}{2}-1 \right )$ 所对应的 $X_{1}(k)$ 、 $X_{2}(k)$ 。

再利用特殊点

$W_{N}^{k+\frac{N}{2}}= W_{N}^{\frac{N}{2}}\cdot W_{N}^{k}=-W_{N}^{k}$ (7)

整理得

前半部分 $X(k) \left ( k=0,1\cdots ,\frac{N}{2}-1 \right )$ 可表示为

$X(k)=X_{1}(k) + W_{N}^{k} X_{2}(k),$ $k=0,1,\cdots ,\frac{N}{2}-1$ (8)

后半部分 $X(k) \left ( k=\frac{N}{2},\cdots ,N-1 \right )$ 可表示为

$X(k+\frac{N}{2})=X_{1}(k) - W_{N}^{k} X_{2}(k),$ $k=0,1,\cdots ,\frac{N}{2}-1$ (9)

这样，只要求出 $0\sim \left ( \frac{N}{2} -1\right )$ 区间的所有 $X_{1}(k)$ 和 $X_{2}(k)$ 值,即可求出0~(N-1)区间内的所有 X(k)值,大大节省了运算。

(8)式和(9)式的运算可以用下图所示的蝶形运算流图符号表示。

以 $N=2^{3}=8$ 为例子

继续分解，把 $\frac{N}{2}$ 点DFT，分解成 $\frac{N}{4}$ 点DFT

先将 $x_{1}(r)$ 进行分解：

$\left.\begin{matrix} x_{1}(2l) = x_{3}(l) \\ x_{1}(2l+1) = x_{4}() \end{matrix}\right\},l=0,1,\cdots ,\frac{N}{4}-1$ (10)

同样可得

$X_{1}(k)=\sum_{l=0}^{\frac{N}{4}-1} x_{1}(2l)W_{\frac{N}{2}}^{2lk}+\sum_{l=0}^{\frac{N}{4}-1} x_{1}(2l+1)W_{\frac{N}{2}}^{(2l+1)k}$

$=\sum_{l=0}^{\frac{N}{4}-1} x_{3}(l)W_{\frac{N}{2}}^{2lk}+W_{\frac{N}{2}}^{k}\sum_{l=0}^{\frac{N}{4}-1} x_{4}(l)W_{\frac{N}{2}}^{2lk}$

$=\sum_{l=0}^{\frac{N}{4}-1} x_{3}(l)W_{\frac{N}{4}}^{lk}+W_{\frac{N}{2}}^{k}\sum_{l=0}^{\frac{N}{4}-1} x_{4}(l)W_{\frac{N}{4}}^{lk}$

$=X_{3}(k) + W_{\frac{N}{2}}^{k} X_{4}(k),$ $k=0,1,\cdots ,\frac{N}{4}-1$

且

$X_{1}(k+\frac{N}{4})=X_{3}(k) - W_{\frac{N}{2}}^{k} X_{4}(k),$ $k=0,1,\cdots ,\frac{N}{4}-1$

其中

$X_{3}(k)=\sum_{l=0}^{\frac{N}{4}-1} x_{1}(2l)W_{\frac{N}{4}}^{lk}=\sum_{l=0}^{\frac{N}{4}-1} x_{3}(l)W_{\frac{N}{4}}^{lk}$ (11)

$X_{4}(k)=\sum_{l=0}^{\frac{N}{4}-1} x_{1}(2l+1)W_{\frac{N}{4}}^{lk}=\sum_{l=0}^{\frac{N}{4}-1} x_{4}(l)W_{\frac{N}{4}}^{lk}$ (12)

同理 $x_{2}(r)$ 也可以分解得到

$\left.\begin{matrix} X_{2}(k+)=X_{5}(k) + W_{\frac{N}{2}}^{k} X_{6}(k) \\ X_{2}(k+\frac{N}{4})=X_{5}(k) - W_{\frac{N}{2}}^{k} X_{6}(k)\end{matrix}\right\},k=0,1,\cdots ,\frac{N}{4}-1$

其中

$X_{5}(k)=\sum_{l=0}^{\frac{N}{4}-1} x_{2}(2l)W_{\frac{N}{4}}^{lk}=\sum_{l=0}^{\frac{N}{4}-1} x_{5}(l)W_{\frac{N}{4}}^{lk}$ (13)

$X_{6}(k)=\sum_{l=0}^{\frac{N}{4}-1} x_{2}(2l+1)W_{\frac{N}{4}}^{lk}=\sum_{l=0}^{\frac{N}{4}-1} x_{6}(l)W_{\frac{N}{4}}^{lk}$ (14)

通常会把 $W_{\frac{N}{2}}^{k}$ 写成 $W_{N}^{2k}$ ，这样，一个N点DFT就可以分解成4个 $\frac{N}{4}$ 点DFT

以 $N=2^{3}=8$ 为例子，进行两次时域抽取分解

如果上图的2点DFT也能化成蝶形运算，就很完美了

$X_{3}(k)=\sum_{l=0}^{\frac{N}{4}-1} x_{1}(2l)W_{\frac{N}{4}}^{lk}=\sum_{l=0}^{\frac{N}{4}-1} x_{3}(l)W_{\frac{N}{4}}^{lk},$ $k=0,1$

展开 $X_{3}(k)$ 有：

$X_{3}(0)=x_{3}(0)+W_{2}^{0}x_{3}(1)=x(0)+W_{2}^{0}x(4)=x(0)+W_{8}^{0}x(4)$

$X_{3}(1)=x_{3}(0)+W_{2}^{1}x_{3}(1)=x(0)+W_{2}^{1}x(4)=x(0)-x(4)$

因为 $W_{8}^{0}=1$ ，所以 $X_{3}(1)=x(0)-W_{8}^{0}x(4)$

由此可以看出2点DFT原本就可以看成一个蝶形运算

对比直接DFT和FFT的运算耗时

编程方法

未完待续。。。

编程实例

未完待续。。。

参考资料

《数字信号处理华东理工大学万永菁》课件、视频

《数字信号处理教程》（第5版）程佩青

DGY_ChenYong

关注

16
点赞
踩
15

收藏

觉得还不错? 一键收藏
0
评论
快速傅里叶变换(FFT)

傅里叶级数(FS)傅里叶变换(FT)离散时间傅里叶级数(DFS)离散时间傅里叶变换(DTFT)离散傅里叶变换(DFT)建议先看以上文章FFT是DFT的一种快速算法而不是一种新的变换,它可以在数量级的意义上提高运算速度。
复制链接

扫一扫