要计算一个N点的离散傅立叶变换需要同一个N * N点的W矩阵(关于W矩阵请参阅信号与系统方面的书籍)相运算,随着N值的增大,运算次数显著上升,当点数达到1024时,需要进行复数乘法运算1, 048 ,576次,显然这种算法在实际运用中无法保证当点数较大时的运算速度,无法满足对信号的实时处理。 根据W矩阵中W元素的周期性和对称性我们可以将一个N点的DFT运算分解为两组N / 2点的DFT运算,然后取和即可,为进一步提高效率,将上述两个矩阵按奇偶顺序逐级分解下去。当采样点数为2的指数次方M时,可分解为M级子矩阵运算,全部工作量仅为: 复数乘法:M * N / 2次 复数加法:N * M次 而直接DFT需要的运算量为: 复数乘法:N * N次 复数加法:N * (N - 1 )次 当点数N为几十个点时FFT的优势还不明显,而一旦达到几千、几百个点时优势是十分明显的: N = 1024时:DFT需1048576次运算,FFT仅需5120次运算,改善比204. 8 。 N = 2048时:DFT需4194304次运算,FFT仅需11264次运算,改善比达到372. 4 。 " 时间抽选奇偶分解快速离散傅立叶变换 " 的程序实现 当采样点数较多时,如变换前和变换后的序列都按自然顺序排列,则中间运算过程会占用大量的中间存储单元,造成效率的低下和存储单元的浪费。根据FFT的实现原理我们可以对采样序列进行逐次奇偶抽选,打乱以前的次序重新排序,然后按此顺序参加运算,可以实现 " 即位运算 " 提高存储单元的利用率。 (一) 复数的描述方法 进行傅立叶变换时不可避免的要用到复数,而在VC中并没有现成的可用于表示复数的数据类型,可以自己定义一个含有两个成员变量的数据结构来表示复数,这两个成员变量可分别用于表示复数的实部与虚部:typedef struct tagComplex