【信号与系统第四章】11、离散傅里叶级数（快速傅里叶变换）

模拟IC和AI的Learner

于 2024-10-04 16:22:51 发布

阅读量412

点赞数 9

分类专栏：信号与系统文章标签：学习 dsp开发

本文链接：https://blog.csdn.net/m0_56997192/article/details/142703121

版权

信号与系统专栏收录该内容

13 篇文章 0 订阅

订阅专栏

一、引入：离散傅里叶级数

对于离散傅里叶变换【离散（无穷多项） $\rightarrow$ 连续】：

正变换：
$X(e^{j\omega })=\sum_{n=-\infty }^{+\infty }x[n]e^{-j\omega n}$

逆变换：

$x[n]=\frac{1}{2\pi }\int_{2\pi }^{}X(e^{j\omega })e^{j\omega n}d\omega$

其中 $X(e^{j\omega })$ 以 $2\pi$ 为周期。

要在计算机中实现离散傅里叶变换，正变换的实现要无穷多项加和，在计算机中不易实现，逆变换的连续积分更是不易实现。但如果 $x[n]$ 是有限项，N项。那么离散傅里叶变换公式（非最终版）将会变为：

正变换：

$X(e^{j\omega })=\sum_{n=0 }^{N-1 }x[n]e^{-j\omega n}$

反变换：

$x[n]=\frac{1}{2\pi }\int_{2\pi }^{}X(e^{j\omega })e^{j\omega n}d\omega$

对于正变换：有限的 $x[n]$ 可以变换成一个连续的 $X(e^{j\omega })$ 吗？显然不能，所以 $X(e^{j\omega })$ 是一个虚假的连续信号。即，只需知道 $X(e^{j\omega })$ 在一个周期内的N个值，那么就可以知道 $X(e^{j\omega })$ 在整个周期内的所有值。

证明：

写成矩阵的形式：

所以只需知道N个 $X(e^{j\omega })$ 的值，就可以反解出N个 $x[n]$ 的值，那么再带入公式 $X(e^{j\omega })=\sum_{n=0 }^{N-1 }x[n]e^{-j\omega n}$ 就可以得到所有的 $X(e^{j\omega })$ 的值。图中矩阵为范德蒙德矩阵，其行列式不为0，所以矩阵一定是可逆的。

该过程（由N个 $X(e^{j\omega })$ 的值反解N个 $x[n]$ 的值）的计算复杂度为 $o(n^{3})$ ，

如果选取一组特殊的 $\omega$ ，那么计算 $x[n]$ 的复杂度可以降为 $o(n^{2})$ ，即在 $[0,2\pi )$ 上均匀选取N个点，即选取的 $\omega$ 为 $\omega _{k}=\frac{2\pi }{N}k$ ， $k=0,1,...N-1$ ，离散傅里叶变换公式（最终版）将变为：

正变换：

$a_{k}=X(e^{j\omega })=\sum_{n=0 }^{N-1 }x[n]e^{-j\frac{2\pi }{N}k n}$

反变换：

$x[n]=\frac{1}{N}\sum_{k=0 }^{N-1 }a_{k}e^{j\frac{2\pi }{N}k n}$

证明反变换公式：

由N个 $a_{k}$ 反解N个 $x[n]$ 的值的复杂度变为 $o(n^{2})$ 。

二、快速计算离散傅里叶级数算法（FFT）

FFT算法，将上面计算离散傅里叶级数的计算复杂度由 $o(n^{2})$ 变为 $o(nlogn)$ 。

1、N=8时，FFT算法

以N=8为例，

显然，将8点离散傅里叶级数变成了两个4点离散傅里叶级数，

流程图为：

下面是4点FFT流程图：

综合后的流程图：

2、N≠8时，FFT算法

（1）N=9时，可以将9点离散傅里叶级数变为三个3点离散傅里叶级数。

（2）N=17时，在计算正变换离散傅里叶级数前，可以在 $x[n]$ 后补0，将其补为 $2^{k}$ 长度的序列。

补0法可以增大频域的分辨率。

具体方法是：

举例：

将17点序列补0至128点序列，FFT后得到的 $a_{k}$ 也将是一个128点序列，如何获取 $a_{k}$ 的17点序列呢？128/17=7.5294，则17点的 $a_{k}$ 中的第一个点在128点 $a_{k}$ 的第七个点和第八个点中间，第七个点和第八个点两点确定一条直线，在带入直线求得17点 $a_{k}$ 的第一个点，同意的方法求17点 $a_{k}$ 的其他点。