使用FFT进行快速FIR滤波

摘自<Understanding Digital Signal Processing>第三版，13.10 Fast FIR Filtering Using the FFT一节

基于的理论：频域上的乘积等效于时域上的卷积。

基本的计算流程，如下图所示。

将输入信号$x(n)$和滤波器参数$h(k)$分别进行FFT，得到$X(m)$和$H(m)$，在频域上进行乘积，然后，进行IFFT。

对于$Q-tap$的FIR滤波器，其标准的卷积方程为
$$y(n)=\sum _{k=0}^{Q-1}h(k)x(n-k)=h(k)\ast x(n)$$
假设$h(k)$的长度为$Q$，$x(n)$的长度为$P$，则最终输出的$y(n)$的长度为$L=Q+P-1$.

为了使快速卷积技术能得到有效的结果，前向和逆FFT的尺寸必须等于或大于$L$，因此，$N-point$的FFT尺寸为$N\ge L$，并对$h(k)$和$x(n)$进行$zero-pad$，使其长度等于$N$。所需要的输出$y(n)$为逆FFT的前$L$个样本的实数部分。关于滤波器参数的FFT只需计算一次并存储下来即可。

当输出序列长度太大，必须进行分段处理时，有两种处理方法：$overlap-and-save$和$overlap-and-add$。

Overlap-and-save

具体流程，如下图所示。

对于给定的FIR滤波器的脉冲响应$h(k)$的长度为$Q$，输入序列$x(n)$的长度为$P$，具体步骤：

1. 选择FFT的尺寸为$N$，其中$N$为2的指数，约等于4倍$Q$；
2. 在$h(k)$的末端增加$(N-Q)$个零值样本，进行$N-point$的FFT，生成复序列$H(m)$;
3. 计算整数M，$M=N-(Q-1)$；
4. 在$x(n)$的前$M$样本之前插入$(Q-1)$个零值样本，创建$N-point$的FFT的输入序列$x_1(n)$；
5. 对$x_1(n)$进行$N-point$的FFT计算，并乘以$H(m)$，然后，对乘积进行$N-point$的逆FFT。去掉逆FFT结果的前$(Q-1)$个样本，生成$M-point$的输出$y_1(n)$；
6. 将$x_1(n)$的前$(Q-1)$个零值样本增加到第二个原始长度为M的$x(n)$的开头部分，创建第二个$N-point$的FFT输入序列$x_2(n)$；
7. 对$x_2(n)$进行$N-point$的FFT计算，并乘以$H(m)$，然后，进行逆FFT，去除前$(Q-1)$个样本，生成第二个M点的输出数据$y_2(n)$；
8. 重复步骤6-7，直至处理完整个输入序列。
9. 将生成的$y_1(n),y_2(n),y_3(n),....$进行串联合并，生成最终的线性卷积滤波器的输出序列$y(n)$。
10. 可以试验不同的$N$值，看是否存在一个最优的$N$使得你的硬件和软件实现的计算载荷最小。不过，在任何情况下，$N$必须不小于$(M+Q-1)$。

Overlap-and-add

具体流程，如下图所示。

对于这种方法，输入序列$x(n)$被分段成长度为$M$的数据片段，数据的overlap发生在逆FFT计算。对于给定的FIR滤波器的脉冲响应$h(k)$的长度为$Q$，输入序列$x(n)$的长度为$P$，具体步骤：

1. 选择FFT尺寸为$N$，其中$N$为2的指数，约等于2倍的Q；
2. 在$h(k)$的末端增加$(N-Q)$个零值样本，进行$N-point$的FFT，生成复序列$H(m)$;
3. 计算整数M，$M=N-(Q-1)$；
4. 在原始序列$x_1(n)$的前$M$样本末端增加$(Q-1)$个零值样本，创建$N-point$的FFT的输入序列$x_1(n)$；
5. 对$x_1(n)$进行$N-point$的FFT计算，并乘以$H(m)$，然后，对乘积进行$N-point$的逆FFT。并保留前$M$个样本，生成$M$样本的输出数据$y_1(n)$；
6. 在第二个原始序列$x_2(n)$的前$M$样本末端增加$(Q-1)$个零值样本，创建$N-point$的FFT的输入序列$x_2(n)$；
7. 对第二个$N-point$的输入序列进行FFT计算，并乘以$H(m)$，然后，对乘积进行$N-point$的逆FFT。将上一步的逆FFT的最后$Q-1$个样本增加到当前逆FFT序列的开头的$Q-1$个样本上。保留$Q-1$个样本相加过程的结果序列中的开头的$M$个样本作为输出数据$y_2(n)$;
8. 重复步骤6-7，直至处理完整个数据序列。
9. 将生成的$y_1(n),y_2(n),y_3(n),....$进行串联合并，生成最终的线性卷积滤波器的输出序列$y(n)$。
10. 可以试验不同的$N$值，看是否存在一个最优的$N$使得你的硬件和软件实现的计算载荷最小。不过，在任何情况下，$N$必须不小于$