利用FFT成功实现拓扑识别（十）--对FFT算法的理解3

信号的相关性

在二维或三维的欧几里得空间中，两个向量正交即它们成90°角。

数学定义中，正交的矢量的内积为零：

将矢量空间正交分解的概念可推广到信号空间，即：

但是正交有什么用呢？

它可以用于检测信号中是否含有某个频率的信号波：把一个待检测信号波乘以另一个信号波，生成个新的信号波，再把这个新的信号波所有的点进行相加，从相加的结果就可以判断出这两个信号的相似程度，比如下图：

上图中先看左侧的example 1，上图是待检测信号，中图为采样冲激信号，下图为两者的乘积，将下图的各点相加，很显然值是正的，这就说明a图含中图频率的正弦波，或者说上图、中图两个信号是相关的。

再看右侧的example 2，上图、中图相乘后，下图中各点相加结果约等于0了，说明上图不含有中图的正弦波。

一次计算后，我们实现了对一个频率的识别，通过改变中图中信号的频率，就可以逐个识别出上图的原始信号中是否包含中图对应的频率成分，这就是dft也就是离散傅里叶变换最底层的原理。

聪明的同学可能已经想到了，为什么中图中要用sin信号昵，其他函数行不行啊？这就引出了正交函数集合的概念，在信号空间找到若干个相互正交的信号作为基本信号（称为正交函数集），使得信号空间中任意信号均可表示成它们的线性组合。

可以证明：

就是一个完备的正交函数集，利用上述正交函数集合，现在f（t）就是：

dft就是将待检测信号和很多不同频率的正弦波和余弦波相乘，也就是进行了信号相关性检测，从而可以计算出信号中含有的正弦波的幅度，若含有此频率的正弦波，那么幅值不为0，若不含有此正弦波，那么幅值为0，这就是傅里叶变换的由来。

DFT的代码实现

先给出DFT的公式：

其中X(k)表示DFT变换后的数据，x(n)为采样的模拟信号,公式中的x(n)为复信号，但是在实际当中，x(n)都是实信号，即虚部为0,利用我们前面介绍的欧拉公式，可以展开为：

从这个公式可以看出，变换后的数据就是原信号对cos和sin的相关操作，即进行相乘求和（连续信号即为积分），再来看看DFT的c语言代码：

其中Input_Squence保存采样数据，N为采样点数，Sum_Point.real和Sum_Point.imag 分别对应复数的实部和虚部，真个DFT是不是一目了然了

呵呵，会者不难难者不会，高大上的DFT也不过如此。