快速傅立叶变换算法详解（小白也能看懂的FFT教程）

最新推荐文章于 2024-07-26 10:04:26 发布

LZJ209

最新推荐文章于 2024-07-26 10:04:26 发布

阅读量3.3k

点赞数 9

分类专栏： FFT 文章标签：算法卷积 fft

本文链接：https://blog.csdn.net/lzj209/article/details/104681194

版权

本文旨在以易于理解的方式解释快速傅立叶变换（FFT）算法，避免复杂的信号处理背景。首先介绍了卷积的概念，然后通过解析复平面单位根来探讨如何加速计算卷积。通过离散傅立叶变换（DFT）和逆离散傅立叶变换（IDFT）的原理，详细阐述了FFT如何将计算时间复杂度降低到O(n log n)。最后，提供了一个简单的FFT代码模板，用于大整数乘法。

摘要由CSDN通过智能技术生成

写在前面

我为什么要写这篇博客？

$\quad$ 如果你随便拉几个OI党，问他们最难理解的几个算法，FFT一定榜上有名。我从开始尝试理解FFT算法到真正理解FFT算法之间间隔了一年之久，但是当我真正理解了这个算法之后，我发现在之前无法理解这个算法，是因为只要我一去搜索FFT，铺天盖地的都是信号处理相关的知识，然而很多信号处理领域的名词（时域、频域之类）事实上和FFT算法本身毫无关系，FFT其实只要简单地从数学层面上去理解就可以。

$\quad$ 我一直都希望有一天把自己理解的FFT过程写成一篇blog，让后来的初学者可以不因为网上形形色色的FFT解释而迷茫。但是由于懒（毕竟要写好多的嘛），我一直没有尝试写这篇blog。由于我碰巧需要讲一下FFT算法，因此在准备完课件之后我决定把这篇早就该写的blog补上，希望更多的人可以更快的学会FFT算法。

正文

$\quad$ FFT其实并不是一个特别难的算法，现在我们就来一起看看它的本质。
在这里插入图片描述

卷积

$\quad$ FFT是一个用来加速卷积计算的方法，那我们就先来看看，什么是卷积。

$\quad$ 考虑两个多项式相乘，其中 $3x^2 +4x^3 + 5x^5 \quad g(x) = 1+2x+3x^2$

$\quad$ ps：这里发现了一个小疏漏，我本来想写的是 $5x^4$ ，但是由于图都做好了，就不改了，这里的小笔误不会对后面的过程有任何影响。

$\quad$ 我们的目标是计算 $h (x) = f (x) g (x)$ 每一项的系数

$\quad$ 它们乘积的过程是怎样的呢？
在这里插入图片描述
$\quad$ 首先，乘积多项式的常数项应该由两个常数1相乘得到

在这里插入图片描述
$\quad$ 然后，我们把连线系数的乘积加和，得到了乘积多项式的一次项

在这里插入图片描述
$\quad$ 得到二次项

在这里插入图片描述
$\quad$ 得到三次项，后面的同理

$\quad$ 我们发现这个乘积的关系连成线是扭在一起的，所以我们管这种运算叫做卷积

$\quad$ 多项式乘积的形式可以很自然的类比到整数乘法

$\quad$ 比如：

$\quad 12345 = 5+4*10+3*10^2+2*10^3 +1*10^4$
$\quad 123 = 3+ 2*10+1*100$

$\quad$ 我们只需要把x换成10就会很容易发现多项式乘法和整数乘法之间的关系，最后算出来的结果处理一下进位问题，就是最终整数乘法的结果。

$\quad$ 如果我们把第二个多项式倒过来会发生什么？
在这里插入图片描述
$\quad$ 两个1相乘，得到常数项

$\quad$ 得到一次项

在这里插入图片描述
$\quad$ 得到二次项

在这里插入图片描述
$\quad$ 三次项，后面的同理

$\quad$ 我们发现这样的话就是对应位置相乘然后加和，是不是好看了很多？当然，这对我们求解FFT没有任何帮助，但是这可以帮助你理解在实际应用中为什么很多完全不“卷”东西被称作是卷积。 比如说信号平滑和神经网络中的卷积层，其实你只需要把它“扭一下”，它就是卷积了。

如何加速计算卷积？

$\quad$ 朴素计算卷积的时间复杂度是 $O(n^2)$ 的（枚举两个多项式的每一项相乘）

$\quad$ 如果停留在这样的形式，我们几乎不可能找到一个加速卷积计算的方法。

$\quad$ 换一个思路，我们知道，对于一个（n-1）次多项式，我们只需要n个点的取值，就可以列出n个方程从而解出n个系数。

$\quad$ 学过高斯消元的小伙伴这个时候可能会说，解方程是 $O(n^3)$ 的啊，这不是把问题变复杂了吗？这也正是FFT的优雅之处，后面会说明是如何通过奇怪的技巧把反解多项式的时间复杂度降为 $O (n l o g n)$

$\quad$ 假定 $h (x) = f (x) g (x)$ 是一个n-1次多项式

$\quad$ 如上所述，我们只需要知道多项式n个点的取值就可以反解出多项式的系数

$\quad$ 注意到 $h (a) = f (a) g (a)$

$\quad$ 因此我们可以通过 $f (x)$ 和 $g (x)$ 在n个点的取值来算得 $h (x)$ 在n个点的取值，从而反解出 $h (x)$

$\quad$ 那么同样是带入n个点，我们带哪n个点会好算呢？

复平面单位根

在这里插入图片描述
$\quad$ 这里我们定义 $\omega_{2n}^i$ 是 $x^{2n}=1$ ，在复平面上2n个解中的第i个。

$\quad$ 这个公式是很多人噩梦的起点，首先我给大家普及一下，第二个等式成立是因为这个是 $e^{i \pi}$ 的定义，所以看到这个式子不要懵，他就是这样的，无需证明。其次，最后的cos+sin看起来很复杂，这样也不好理解它为什么是 $x^{2n}=1$ 的解，但是其实我们换一个形式就可以看的很清楚。

在这里插入图片描述
$\quad$ [hints] 这个图里面数按照我之前所说的表示方法实际上应该写为 $\omega_8^i$ ，这里是简写的写法

$\quad$ 这是复平面上的单位圆，学过高中复数知识的同学应该多少都听说过，复平面就类似于一个二维坐标轴，坐标(m,n)就代表m+ni这个复数。在复平面上做乘法的规律是，两个复数的模长相乘，极角相加。由于是单位圆，所以圆上每个复数的模长都是1，所谓极角就是复平面上一点与圆心的连线逆时针转到x轴正半轴需要转的度数。就比如说上图中的 $\omega_1$ 的极角就是45度,也