【八】快速傅里叶变换——2

最新推荐文章于 2023-09-05 08:36:36 发布

董十贝

最新推荐文章于 2023-09-05 08:36:36 发布

阅读量1.1k

点赞数

分类专栏：复变函数文章标签：数学复变函数

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/mrdonghe/article/details/90608353

版权

复变函数专栏收录该内容

15 篇文章 14 订阅

订阅专栏

一.快速傅里叶变换——时域抽取2FFT算法

基本出发点是利用旋转因子 $W_{n}^{k}$ 的对称性和周期性，将一个大的DFT分解成一些小的DFT来计算。

算法原理：设输入序列长为 $N=2^{M}$ （M为正整数）,将该序列按时间顺序的奇偶分解为越来越短的子序列，称为基2按时间抽取的2FFT算法。

如序列长度不满足条件 $N=2^{M}$ ，可以加零补长，使其达到 $N=2^{M}$ 。

输入序列长为 $N=2^{M}$ （M为正整数）， x(n)={x(0),x(1),x(2),...,x(N-2),x(N-1)} 。

第一步：分组和变量置换

$X(k)=\sum_{n=0}^{N-1}x(n)W_{N}^{nk}$ ， k=0,1,2,...,N-1 ，将 x(n) 按奇偶分成两组：

$\begin{Bmatrix} x(0),x(2),x(4),...,x(N-2)|x(1),x(3),x(5),...,x(N-1) \end{Bmatrix}$

第二步：带入DFT定义式

第三步：求子序列的DFT

（有的资料写 k=0,1,2,...,N-1 。）

其中， X1(k) 和 X2(k) 分别为 x1(r) 和 x2(r) 的 $\frac{N}{2}$ 点DFT，式中：

$X_{1}(k)=\sum_{r=0}^{\frac{N}{2}-1}x_{1}(r)\cdot W_{\frac{N}{2}}^{rk}=DFT[x_{1}(r)] =\sum_{r=0}^{\frac{N}{2}-1}x(2r)\cdot W_{\frac{N}{2}}^{rk}$

$X_{2}(k)=\sum_{r=0}^{\frac{N}{2}-1}x_{2}(r)\cdot W_{\frac{N}{2}}^{rk}=DFT[x_{1}(r)] =\sum_{r=0}^{\frac{N}{2}-1}x(2r+1)\cdot W_{\frac{N}{2}}^{rk}$

$k=0,1,2,...,\frac{N}{2}-1$ 。

因为 X1(k) 和 X2(k) 均以 $\frac{N}{2}$ 为周期，且 $W_{N}^{k+\frac{N}{2}}=-W_{N}^{k}$ ，

$X(k)=X_{1}(k)+W_{n}^{k}X_{1}(k)$ ， $k=0,1,2,...,\frac{N}{2}-1$

$X(k+\frac{N}{2})=X_{1}(k)-W_{n}^{k}X_{1}(k)$ ， $k=0,1,2,...,\frac{N}{2}-1$

至此，一次时域抽取法的理论推导就完成了，从上面的两个式子中，我们定义一种新的运算符，蝶形运算符：

用同样的方法，我们可以得到：

$X_{1}(k)=X_{3}(k)+W_{n/2}^{k}X_{4}(k)$ ， $k=0,1,2,...,\frac{N}{4}-1$

$X_{1}(k+\frac{N}{4})=X_{3}(k)- {W_{n/2}}^{k}X_{4}(k)$ ， $k=0,1,2,...,\frac{N}{4}-1$

$X_{2}(k)=X_{5}(k)+W_{n/2}^{k}X_{6}(k)$ ， $k=0,1,2,...,\frac{N}{4}-1$

$X_{2}(k+\frac{N}{4})=X_{7}(k)- {W_{n/2}}^{k}X_{8}(k)$ ， $k=0,1,2,...,\frac{N}{4}-1$

二.DIT-FFT与直接DFT运算量的比较

1.DIT-FFT

从上面的蝶形算法，当 $N=2^{M}$ 时，其运算应该有M级蝶形，每一级都由 $\frac{N}{2}$ 个蝶形运算构成。因此每一级运算都需要 $\frac{N}{2}$

次复数乘法和N次复数加法，所以M级蝶形运算的乘法次数为：

$C_{M}=\frac{N}{2}\cdot M=\frac{N}{2}\cdot log_{2}^{N}$

$C_{A}=N\cdot M=N\cdot log_{2}^{N}$

2.直接DFT运算

取定 X(k) 的一个值至少需要次复数乘法和 N-1 次复数加法，而K的取值有个，所以总的时间复杂度为 $N^{2}$ 次复数乘法和 N*(N-1) 次复数加法。

3.FFT算法与直接计算DFT所需乘法次数比郊曲线

注：本文整理网上资料，包括知乎、博客等，如有侵权立刻删除。

关注

0
点赞
踩
4

收藏

觉得还不错? 一键收藏
0
评论
【八】快速傅里叶变换——2

一.快速傅里叶变换——时域抽取2FFT算法基本出发点是利用旋转因子的对称性和周期性，将一个大的DFT分解成一些小的DFT来计算。算法原理：设输入序列长为（M为正整数）,将该序列按时间顺序的奇偶分解为越来越短的子序列，称为基2按时间抽取的2FFT算法。如序列长度不满足条件，可以加零补长，使其达到。输入序列长为（M为正整数），。第一步：分组和变量置换，，将按奇偶分成两组：...
复制链接

扫一扫

专栏目录

董十贝 CSDN认证博客专家 CSDN认证企业博客

码龄8年

24: 原创

23万+: 周排名

219万+: 总排名

40万+: 访问

: 等级

2960: 积分

134: 粉丝

365: 获赞

24: 评论

1546: 收藏

私信

关注

热门文章

分类专栏

最新评论

【十五】傅里叶变换，拉斯变换，z变换的关系
Daydream_realize: 如果令a = e^{sigma}，则 a^{-n} = e^{-\sigma n}。不是一样的么？为什么后面还有“关于这里为什么对x[n]乘以 a^{-n} 而不是像拉氏变换中乘以 e^{-\sigma n}”这一论述？没太看懂
10.Python——max()的用法
ambition0727: 这个key和lamabda有点没看懂
【五】离散傅里叶变换——1
weixin_50703481: 振动三个周期和四个周期的图好像错了喔
【七】CentOS 7.6 中安装JavaJDK和配置环境变量
qq_34373873: classpath 要配置lib路径下的dt.jar和tools.jar，jdk1.8都是这么配置的，今天配置了jdk11，突然发现lib路径下，没有这两个jar'包
互补松弛性质
逍遥我本人: 我去找了原文，这里p2*的值写错了，3.3不是0.33，否则约束条件D满足不了。

最新文章

目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

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。