1 快速傅里叶变换FFT
1.1 理论分析
1.1.1 离散傅里叶变换
有限长序列x(n)的N点DFT为
考虑为x(n)复数序列的一般情况,对某一个k值,直接按照式(1)计算X(k)的1个值需要N次复数乘法和(N-1)次复数加法。因此,计算X(k)的所有N个值,共需N^2次复数乘法和N(N-1)次复数加法。当N>>1时, N(N-1)约等于N^2。由上述可见,N点DFT的乘法和加法运算次数均为 N*N,也即DFT的时间复杂度为O(N^2)。
1.1.2 快速傅里叶变换
由于DFT时间复杂度较高,在处理较大计算量时花费时间较长,所以JWCooley和JohnTukey在1965年的文章中提出了Cooley-TukeyFFT算法,FFT算法就是不断把长序列的DFT分解成几个短序列的DFT,并利用旋转因子的周期性和对称性来减少DFT的运算次数。其周期性表现为:
其对称性表现为:
设序列 的长度为N,且满足N=2的M次方,M为自然数。经过第一级分解后N点DFT被分解为两个点DFT X1(k)和X2(k)以及式(4)和式(5)的运算。
经过上述一次分解后,使运算量减少将近一半,由于N=2的M次方,N/2仍然是偶数,故可以进行第二次分解,进一步将N/2 DFT分解为2个N/4点DFT。以此类推,经过M次分解,最后将N点DFT分解成N个1点DFT和M级蝶形运算。故FFT的运算流图应有M级蝶形,每一级都由N/2个蝶形运算构成。并且完成一个蝶形运算,需要一次复数乘法和两次复数加法运算。因此每一级运算都需要N/2次复数乘和N次复数加。所以,M级运算总的复数乘次数为 Cm=(N/2)M=(N/2)log2N,复数加次数为Ca=NM=Nlog2N ,也即FFT的时间复杂度为O(Nlog2N)。
1.2 编程实现
本次实验DFT算法和FFT算法实现是通过Java语言,然后通过Matlab进行验证。FFT本质上是采用分治算法来计算的DFT。一个初始长度为N的初始数据,最后被分治成很多长度为2的数据,分别对这些长度为2的数据做DFT,最终等价整个N长度的数据做傅里叶变换。分治是一种思想,具体实现其实就是使用递归。
1.2.1 算法思想
FFT运算过程中涉及到复数的运算,公式(4)和(5)包含了复数的加法和乘法。因此在Java程序中需要建立一个Complex复数类,除了real实部和imag虚部两个属性外,还需要给Complex类定义plus方法和multiple方法,为了复数类的完整性,本次实验将加减乘除四个方法全部定义。此时,Complex类不仅可以用作复数对象存储实部和虚部,还能实现复数的运算。
Complex类的定义如下:
public class Complex {
private double a, b;
public Complex(){
this.a = 0.0;
this.b = 0.0;
}
public Complex(double a, double b){
this.a = a;
this.b = b;
}
public Complex(Complex C){
this.a = C.a;
this.b = C.b;
}
// 获取实部
public double getRealPart(){
return a;
}
//获取虚部
public double getImaginaryPart(){
return b;
}
// 字符串表示复数
public String toString(){
if(b != 0) {
if (a == 0)
return b + "i";
else
return a + "+" + b + "i";
}
else
return a + "";
}
// 加法
public Complex plus(Complex C){
if (C == null){
System.out.println("对象为null");
return new Complex();
}
return new Complex(this.a + C.a, this.b + C.b);
}
// 减法
public Complex minus(Complex C){
if (C == null){
System.out.println("对象为null");
return new Complex();
}
return new Complex(this.a - C.a, this.b - C.b);
}
// 乘法
public Complex multiple(Complex C){
if (C == null){
System.out.println("对象为null");
return new Complex();
}
double newa = this.a * C.a - this.b * C.b;
double newb = this.a * C.b + this.b * C.a;
return new Complex(newa, newb);
}
// 除法
public Complex divide(Complex C){
if (C == null){
System.out.println("对象为null");
return new Complex();
}
if(C.a == 0 && b == 0){
System.out.println("除数不能为0!");
return new Complex();
}
double newa = (this.a * C.a + this.b * C.b) / (C.a * C.a + C.b * C.b);
double newb = (this.a * C.a - this.b * C.b) / (C.a * C.a + C.b * C.b);
return new Complex(newa, newb);
}
}
接下来,根据傅里叶变换的定义实现DFT算法。首先判断N是否为1,若为1直接递归到原点,否则按照公式(1)进行双重N次循环。因此其时间复杂度为O(N^2)。
DFT函数定义如下:
public static Complex[] dft(Complex[] x) {
int N = x.length;
// exp(-2i*n*k*PI)=cos(-2*n*k*PI)+i*sin(-2*n*k*PI)=1
if (N == 1)
return new Complex[]{x[0]};
Complex[] result = new Complex[N];
for (int k = 0; k < N; k++) {
result[k] = new Complex(0, 0);
for (int n = 0; n < N; n++) {
//使用欧拉公式e^(-i*2pi*k*n/N) = cos(-2pi*k*n/N) + i*sin(-2pi*k*n/N)
double p = -2 * k * n* Math.PI / N;
Complex m = new Complex(Math.cos(p), Math.sin(p));
result[k] = result[k].plus(x[n].multiple(m));
}
}
return result;
}
FFT函数与DFT类似,最开始也是先进行N值判断,若为1则返回原点x[0]的值。然后在判断信号数N是否为奇数,若为奇数,则无法使用FFT,转而使用DFT算法;若为偶信号数,则提取下标为偶数和下标为奇数的原始信号分别进行递归FFT计算,然后根据公式(4)和(5)进行N/2次蝶形计算。综合来看,在FFT函数中递归次数为log2N,循环次数为N/2,因此FFT算法时间复杂度为O(Nlog2N)。
FFT函数定义如下:
public static Complex[] fft(Complex[] x) {
int N = x.length;
// 因为exp(-2i*n*k*PI)=1,N=1时递归原点
if (N == 1){
return new Complex[]{x[0]};
}
// 如果信号数为奇数,使用dft计算
if (N % 2 != 0) {
return dft(x);
}
// 提取下标为偶数的原始信号值进行递归fft计算
Complex[] even = new Complex[N / 2];
for (int k = 0; k < N / 2; k++) {
even[k] = x[2 * k];
}
Complex[] evenValue = fft(even);
// 提取下标为奇数的原始信号值进行fft计算
// 节约内存
Complex[] odd = even;
for (int k = 0; k < N / 2; k++) {
odd[k] = x[2 * k + 1];
}
Complex[] oddValue = fft(odd);
// 偶数+奇数
Complex[] result = new Complex[N];
for (int k = 0; k < N / 2; k++) {
//使用欧拉公式e^(-i*2pi*k/N) = cos(-2pi*k/N) + i*sin(-2pi*k/N)
double p = -2 * k * Math.PI / N;
Complex m = new Complex(Math.cos(p), Math.sin(p));
result[k] = evenValue[k].plus(m.multiple(oddValue[k]));
//exp(-2*(k+n/2)*PI/n) 相当于 -exp(-2*k*PI/n),其中exp(-n*PI)=-1(欧拉公式);
result[k + N / 2] = evenValue[k].minus(m.multiple(oddValue[k]));
}
return result;
}
1.2.2 实验结果
为了更好地对比DFT和FFT算法的时间复杂度,本次实验将产生幅值为0.7的100 Hz正弦量和幅值为1的220 Hz正弦量(一共1500个信号量),同时获取DFT和FFT运算时间。另外为了方便后续使用Matlab验证算法的正确性,本次实验将产生的FFT数据写入到文件中,然后在Matlab中调用FFT函数并画出频谱图进行对比。
产生信号函数如下:
public static void CreateSignal(int length, Complex[] x){
double Fs = 1000; // 采样频率
double T = 1 / Fs; // 采样周期
System.out.println("产生幅值为 0.7 的 100 Hz正弦量和幅值为 1 的 220 Hz正弦量(一共"+length+"个)");
for (int i = 0; i < length; i++) {
// 产生幅值为0.7的100Hz正弦量和幅值为1的220Hz正弦量。
double S = 0.7 * Math.sin(2 * Math.PI * 100 * i * T) + Math.sin(2 * Math.PI * 220 * i * T);
x[i] = new Complex(S, 0);
}
}
生成txt文件的函数如下:
public static void writeText(String filename,Complex[]result) {
try {
File writeName = new File(filename); // 相对路径,如果没有则要建立一个新文件
writeName.createNewFile(); // 创建新文件,有同名的文件的话直接覆盖
try (FileWriter writer = new FileWriter(writeName);
BufferedWriter out = new BufferedWriter(writer)
) {
for (int i = 0; i < result.length; i++) {
out.write(result[i].toString()+"\r\n"); // 即为换行
}
}
} catch (IOException e) {
e.printStackTrace();
}
System.out.println("数据写入成功!");
}
主函数如下:
public static void main(String[] args) {
int length = 1500;
Complex[] x = new Complex[length];
Complex[] result;
CreateSignal(length, x);
long start1 = System.currentTimeMillis();
result = dft(x);
long end1 = System.currentTimeMillis();
long start2 = System.currentTimeMillis();
result = fft(x);
long end2 = System.currentTimeMillis();
System.out.println("FFT结果:");
for (int i = 0; i < length; i++) {
System.out.println("第"+(i+1)+"个数据:"+result[i].toString());
}
System.out.println("-----------------------------------------");
System.out.println("DFT运行时间: " + (end1 - start1) + "ms");
System.out.println("FFT运行时间: " + (end2 - start2) + "ms");
String filename = "D:\\研一课程\\数据结构\\FFT.txt";
writeText(filename, result);
}
Matlab程序如下:
clc
clear
close all;
Fs = 1000;
T = 1/Fs;
L = 1500;
t = (0:L-1)*T;
S = 0.7*sin(2*pi*100*t) + sin(2*pi*220*t);
%matlab fft函数
Y = fft(S);
%导入java产生的数据
file = fopen('FFT.txt');
p = textscan(file,'%s');
pp =[str2double(p{:})]';
P2 = abs(Y/L);
P1 = P2(1:L/2+1);
P1(2:end-1) = 2*P1(2:end-1);
f = Fs*(0:(L/2))/L;
subplot(1,2,1)
plot(f,P1)
hold on;
title('FFT of Matlab')
xlabel('f (Hz)')
ylabel('|P1(f)|')
X2 = abs(pp/L);
X1 = X2(1:L/2+1);
X1(2:end-1) = 2*X1(2:end-1);
f1 = Fs*(0:(L/2))/L;
subplot(1,2,2);
plot(f1,X1)
title('FFT of Java')
xlabel('f (Hz)')
ylabel('|X1(f)|')
hold off;
将1500个信号量为幅值为0.7的100 Hz正弦量和幅值为1的220 Hz正弦量FFT后的结果如图1所示。
FFT运行时间相较于DFT提升了5倍左右,如图2所示。
同样的,与Matlab中自带的FFT算法进行对比,得到的频谱图完全一致!算法验证成功!如图3所示。