FFT原理 & C++实现简单FFT代码

温逗死

已于 2022-04-11 15:30:49 修改

阅读量8.1k

点赞数 5

分类专栏： C/C++ 文章标签： FFT C++

于 2022-04-11 15:29:46 首次发布

本文链接：https://blog.csdn.net/qq_43142509/article/details/124099640

版权

本文详细介绍了傅立叶变换在信号分析中的重要性，以及为何使用正弦波来表示信号。傅立叶变换将时域信号转换为频域，便于分析信号特征。离散傅立叶变换（DFT）和快速傅立叶变换（FFT）在计算机处理中尤其关键，降低了计算复杂度。文中还提及了频谱泄露问题及解决办法，并给出了C++实现FFT的代码示例。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

傅里叶变换的意义

为什么我们要用正弦曲线来代替原来的曲线呢？

用正余弦来表示原信号会更加简单，因为正余弦拥有其他信号所不具备的性质：正弦曲线保真度。一个正弦曲线信号输入后，输出的仍是正弦曲线，只有幅度和相位可能发生变化，但是频率和波的形状仍是一样的，且只有正弦曲线才拥有这样的性质，正因如此我们才不用方波或三角波来表示。

傅立叶变换的物理意义在哪里？

傅立叶原理表明：任何连续测量的时序或信号，都可以表示为不同频率的正弦波信号的无限叠加。而根据该原理创立的傅立叶变换算法利用直接测量到的原始信号，以累加方式来计算该信号中不同正弦波信号的频率、振幅和相位。当然这是从数学的角度去看傅立叶变换。

在这里插入图片描述
所以，最前面的时域信号在经过傅立叶变换的分解之后，变为了不同正弦波信号的叠加，我们再去分析这些正弦波的频率，可以将一个信号变换到频域。有些信号在时域上是很难看出什么特征的，但是如果变换到频域之后，就很容易看出特征了。这就是很多信号分析采用FFT变换的原因。另外，FFT可以将一个信号的频谱提取出来，这在频谱分析方面也是经常用的。

傅立叶变换提供给我们这种换一个角度看问题的工具，看问题的角度不同了，问题也许就迎刃而解！

FFT原理

计算机只能处理离散的数值信号，我们的最终目的是运用计算机来处理信号的。所以对于离散信号的变换只有离散傅立叶变换（DFT）才能被适用，对于计算机来说只有离散的和有限长度的数据才能被处理，对于其它的变换类型只有在数学演算中才能用到，在计算机面前我们只能用DFT方法，我们要讨论的FFT也只不过是DFT的一种快速的算法。

DFT的运算过程是这样的：

在这里插入图片描述

可见，在计算机上进行的DFT，使用的输入值是数字示波器经过ADC后采集到的采样值，也就是时域的信号值，输入采样点的数量决定了转换的计算规模。变换后的频谱输出包含同样数量的采样点，但是其中有一半的值是冗余的，通常不会显示在频谱中，所以真正有用的信息是N/2+1个点。

FFT的过程大大简化了在计算机中进行DFT的过程，简单来说，如果原来计算DFT的复杂度是NN次运算（N代表输入采样点的数量），进行FFT的运算复杂度是Nlg10(N)，因此，计算一个1,000采样点的DFT，使用FFT算法只需要计算3,000次，而常规的DFT算法需要计算1,000,000次！

典型的时域2分裂算法图示如下：
在这里插入图片描述

具体原理可以找一本数字信号处理的书籍来看。

频谱泄露：

所谓频谱泄露，就是信号频谱中各谱线之间相互干扰，使测量的结果偏离实际值，同时在真实谱线的两侧的其它频率点上出现一些幅值较小的假谱。产生频谱泄露的主要原因是采样频率和原始信号频率不同步，造成周期的采样信号的相位在始端和终端不连续。简单来说就是因为计算机的FFT运算能力有限，只能处理有限点数的FFT，所以在截取时域的周期信号时，没有能够截取整数倍的周期。信号分析时不可能取无限大的样本。只要有截断不同步就会有泄露。

避免频谱泄露的方法除了尽量使采集速率与信号频率同步之外，还可以采用适当的窗函数。

C++代码实现

只是参考大佬封装的代码雏形，后期优化地方很多，仅供参考

My_FFT.h

#pragma once
#include <cmath>
#include <vector>


#define pi 3.1415926
using namespace std;

struct My_Complex {
   
	double real;
	double imag; //a:real b:Imagine
};


class My_FFT {
   

public:
	My_FFT();
	~My_FFT();

	
	vector<My_Complex> FFT(vector<double>& res);
	//返回对应频率和幅值
	vector<pair<double, double>> abs_FFT();

	//复数求和
	My_Complex comp_plus(My_Complex u, My_Complex v);

	//复数相乘
	My_Complex comp_times(My_Complex u, My_Complex v);
	//复数相减
	My_Complex comp_minus(My_Complex u, My_Complex v);
	//序数重排
	void rev();
	My_Complex Wn(double A, double B);
	void fft1(int l, int r, int len);
public:
	int N;						//Num of Sample Nodes
	double fs=512;					//Sample frequency
	vector<My_Complex> x, u, W;
	double f0;
};

My_FFT::My_FFT() {
   

}
<

最低0.47元/天解锁文章