【转载】复数矩阵和快速傅里叶变换

原文:http://blog.csdn.net/xdfyoga1/article/details/38294315


有时实矩阵会有复数的特征值,当特征值变成复数时,特征向量也会变成复数,傅里叶矩阵是复矩阵里最重要的例子。先来讨论一般的复向量和复矩阵,如果给定复向量 , 则其不再属于Rn,而属于n维复空间Cn,z中每个元素都是复数,此时在实数空间中定义的向量求模方法:zT乘z将不再适用,因为模长的平方应该始终是正数,在复数空间,z的模长平方应该等于z1的共轭乘以z1加上z2的共轭乘以z2一直加到zn的共轭乘以zn,即z的模长的平方应该是,这个式子说明在求复向量的模长时不仅要做转置,还要求共轭,用符号H表示这两个操作同时做,这个H代表Hermite,即   。除了模长,在实数中定义的向量内积同样不再适用,两个复向量的内积不再是   ,这是对实数而言的,对于复向量,不仅要转置,而且要取共轭,即两复向量的内积为   ,当然结果也不再是实数了,大部分情况下内积结果也是复数。除了模长和内积,对称矩阵在复数空间也需要重新定义,不再是AT=A,而是   ,这才是对复数矩阵适用的对称性,并且在复数空间中这些也不再称为对称阵,而是称为Hermitian矩阵,即   ,前面的博文推导过实数空间中对称阵的特征值为实数,且特征向量相互垂直,对于Hermitian矩阵这些结论同样成立,假设其有相互垂直的复向量q1,q2,…,qn,这些向量都是其标准正交基,垂直意味着qi和qj的内积,现构造矩阵,与实数空间中类比一下,则有 ,这里的Q也不再称为正交矩阵(orthogonal matrix),而是称为酉矩阵(unitary matrix),使用不一样的名称代表我们处理的是复矩阵,酉矩阵和正交矩阵很相似,它是n阶方阵,列向量正交。

接下来介绍最著名的复数矩阵---傅里叶矩阵,它也是酉矩阵,即有正交的列向量。n阶傅里叶矩阵的形式如下:  

 

傅里叶矩阵中的每个元素都是某个数W的幂,从上面的形式中可看出,W不是随便取,而是要满足,在复平面内,W落在单位圆上,因为   。W落在单位圆上,且其幅角就是一整圈的1/n,比如说n=6,则其幅角为pi/3,W2,W3…W5,W6也在单位圆上,对应的幅角相应每次增加60°,如下图所示。


W,W2,W3…W5,W6是1的6次方根,而W又称为原根;如果n=4,此时W的4次方等于1,则有原根   ,从而可写出1的所有四次方根: ,并可写出4阶傅里叶矩阵为:

 

正如前面已指出的那样,我们不难发现幂指数的规律:指数等于行序数乘以列序数,行、列序数都从0开始,通常这个4阶傅里叶矩阵可得到一个4维序列(有4个离散点)的傅里叶变换(离散的),矩阵F4左乘4维向量得到该向量的傅里叶变换,F4-1左乘4维向量的傅里叶变换则得该向量。F4是各列正交的,但不是标准正交向量,只要修正一下,列向量的长度等于2,除以该系数,则矩阵各列变成标准正交向量,则   ,这样就很容易求其逆。那么是什么导致了快速傅里叶变换FFT的问世呢?根据傅里叶矩阵的定义,容易看出F6和F3,F8和F4 ,F64和F32等等这些矩阵之间存在某种奇妙的联系,F64是一个64阶方阵,W是1的64次方根,F32是一个32阶方阵,W是1的32次方根,容易理解   ,如果直接用F64乘以一个列向量,则一般的情况下总共需要642次数值乘法,而如果将F64分解成如下的形式:   ,其中P是32维置换矩阵,用于将向量中的奇偶行分开,比如说4维的置换阵,将F64分解成上面的形式后,不再需要642的乘法,首先在上面的分解式中,无论乘以I还是乘以P都不需要大量开销,因为计算机可以在瞬间完成,因此主要的开销是耗在F32以及D上,2个F32只需要2*322次乘法,再加上由乘以对角阵D带来的32 次数值乘法(虽然有两个D,但是两次结果只有符号不同,因此开销只需一个D的数值乘法),最终计算开销由642变成2*322,如果将F32继续分解成F16甚至继续向下分解,则开销会变得越来越小,最终达到n/2*log2(n),即64/2*log2(64),这就是使用快速傅里叶变换带来的好处。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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