FFT算法介绍及OAI中FFT的实现

OAI中FFT的实现

FFT介绍

FFT是DFT（离散傅立叶变换）的一种快速算法。
DFT是一种常用的信号处理方式，可以将时域信号转换到频域。它的原理在《信号与系统》课程中有详细阐述。
但是因为DFT的运算复杂度太高，在实际应用中都是采用FFT的快速算法。
快速傅立叶变换算法(FFT)最开始是由库利（T.W.Cooley）和图基（J.W.Tukey）于1965年提出。其基本思想就是分治。从时域或者频域序列中抽取出不同的子序列从而降低计算复杂度。
根据抽取对象的不同又细分为不同的算法：基于时域的数据做抽取的称为DIT(Decimation in Time), 基于频域的抽取就称为DIF(Decimation in Frequency)。
另外一个区分不同FFT算法的标准称为基(radix)。嗯，基无处不在。
基决定FFT算法的最小组成单位，这个最小组成单位一般是用被称为蝶形图的方式来表示的。

图1
图中，(a)表示一个基-2的基本蝶形图，(b)的左半部分表示一个基-4的基本蝶形图。
可以看到，基数决定来基本蝶形图的输入数据数。除了2和4之外，当然也有可能是其他的基数，或者混合使用几种不同的基数。
库利和图基当时提出的就是时域的基-2算法，因此这个算法又被称为库利-图基算法。
下面我们举几个FFT的例子，来形象的理解一下这个伟大的算法。

DIT radix-2 FFT（时域抽取基-2 FFT）

先给出离散傅立叶变换的一般形式：
$$X[k]=\sum _{n=0}^{N-1}x[n]W_N^{kn},0\le k\le N-1\text{\hspace{1em}(1)}$$
其中，$N$是时域离散序列$x[n]$的长度，并且是2的指数倍。$W_N=e^{-j2\pi /N}$称为旋转因子，有如下性质：
1)周期性
$$W_N^{(k+N)n}=W_N^{kn}=W_N^{k(n+N)}$$
2)对称性
$$W_N^{nk+N/2}=-W_N^{nk}$$
3)可约性
$$W_{mN}^{nmk}=W_N^{nk}$$
所谓radix-2 DIT就是把时域的序列按照奇偶抽取为2个子序列，这2个子序列的长度都是原序列的一半长度，使得计算复杂度减小到原序列的一半。把这个分治过程递归应用到这两个子序列，直到最后剩下2点的DFT。（其实2点DFT还可以继续递归这个过程到1点）
用公式表示，就是把时域序列按照奇偶划分为两个子序列，如下：
$$\begin{gathered} X[k]=\sum _{n=0}^{N-1}x[n]W_N^{kn},k=0,1,...,N-1 \\ =\sum _{neven}x[n]W_N^{kn}+\sum _{nodd}x[n]W_N^{kn} \\ =\sum _{m=0}^{N/2-1}x[2m]W_N^{2mk}+\sum _{m=0}^{N/2-1}x[2m+1]W_N^{k(2m+1)}\text{\hspace{1em}(2)} \end{gathered}$$
(公式没有对齐，LaTex的对齐语法老是提示错误。)
上式中等号右边第一部分是偶数部分，第二部分是奇数部分，两者合起来正好是原时域离散数列。
如果我们令：
$$\begin{gathered} f_1[m]=x[2m] \\ {f}_2[m]=x[2m+1] \end{gathered}$$
再令：
$$\begin{gathered} F_1[k]=DFT(f_1[m]) \\ {F}_2[k]=DFT(f_2[m]) \end{gathered}$$
那么利用前面提到的旋转因子的性质，$(2)$式就可以表示为：
$$X[k]=\sum _{m=0}^{N/2-1}{f}^{}$$