离散傅里叶的计算
从我的学习经验来看,如果不是对DFT非常熟悉的,可能会在理解FFT算法的时候有点懵逼。
首先搞清楚,DFT计算的是什么及其公式。
其中
展开后得:
…………
上面多项式可转化为下面的矩阵:
![2adcb03d78ea486bb0764c22bebe1fa5.png](https://i-blog.csdnimg.cn/blog_migrate/11c0bcc8fe21c0ad906582237defcb20.jpeg)
最后看到离散傅里叶就是一个复数的矩阵乘法计算。
复指数的周期说明
从上面看到矩阵里的元素全是复指数的幂,根据复指数W的周期性,可以推导出矩阵中相同值的元素。
再有:
DFT计算的拆分
把DFT计算公式按偶数和奇数拆分成两个。
![c4e973766094fd53c4ed3640d24bfb15.png](https://i-blog.csdnimg.cn/blog_migrate/397aa9060ad85cd05b5f3206d3d53556.jpeg)
此处省略了几条公式,本人懒得写了。
总结下来得到下面公式。
G(k)是偶数部分,H(k)是基数部分,并且是以周期为N/2的周期函数。
由(1)(2)(3)(4)得:
以N=4为例,
![99e26ed2153a267fd193c619b4fc0eff.png](https://i-blog.csdnimg.cn/blog_migrate/5be734f68b5f825cc676d2b251db9252.jpeg)
从上面可以看出,x(0)和x(2)的“输入参数”是一模一样的。
个人觉得蝶形运算单元不需要说的特别明白,只需要知道她到底是做了什么运算就可以了。
这里拿X(0)和X(2)做说明。
![d53215b8c0a42b92422932d4865a1689.png](https://i-blog.csdnimg.cn/blog_migrate/bfb33ff7f54b73d727fe95940ee5487b.jpeg)
看出这里的优化就是多用了一个临时寄存器C来减少一次乘法运算。
下面是FFT比较关键的一部分内容。
![c210860ffb26f93bd7f8aeeeedf50d34.png](https://i-blog.csdnimg.cn/blog_migrate/94ecf73493fb8489195042f2b026637f.jpeg)
文字写的太草,大概意思是,X(k),G(k),H(k)的运算时一样的,只是参数不一样,那么我以函数形式来说明一下:
XGK(x数组[长度是N], W[周期是N])
{
//对数组x加权(权是W)求和
}
所以快速傅里叶变换是一个递归运算。
FFT算法实现
下面是重点中的重点了。书本有个叫位码倒读的优化概念,不知道是不是本人的理解力有问题,书本里说的内容我觉得从编程的角度去理解不太好弄。
我尝试用N=8的数组来解释。
从图中可以看到,输入的小写x[n]已经通过倒位码排了序,输出的大写X[k]是按顺序输出。
![450d4ab2329deea78439fa0e1063d810.png](https://i-blog.csdnimg.cn/blog_migrate/72bb84834f4c49041502f35a03c24587.jpeg)
当N=8时,log2(8)=3,共3级,每级记做M。从图里看第一级(M=0)中有4组碟形,每组只有一个蝶形运算。
把组记做J,一个蝶形记做k,一个蝶形运算的数组间隔是L。
那么对应的规律是:
L = 1<<M;
J = N / (2 * L);
K=L;
还有一个很重要的规律,每一组的下标间隔是l*2,即j += L*2;
更重要的来了,每一个蝶形运算的下标怎么取?
从图中可以看出:蝶形的上级是J + K,下级是上级+L。
下面上一下伪代码。
//假设X = X1 * W*X2
for (M = 0; M < log2(N); ++M) //第M级
{
int l = 1<<M;
for (j = 0; j < N; j += 2*l) //第j组
{
for (k = 0; k < l; ++k) //第k个蝶形运算
{
//X1起始下标:
int index1 = j + k;
//X2起始下标:
int index2 = index1 + l;
rightUp = x[index1] + W*x[index2];
rightDown = x[index1] - W*x[index2];
}
}
}
再看上图,输出的结果的下标和输入的下标完全对应,即书本里说的“即位运算”!
完整快速傅里叶变换代码(参考:https://blog.csdn.net/tuwenqi2013/article/details/71772841)
void fft(complex x[], int N, complex* W)
{
complex up, down, product;
change(x, N); //调用变址函数
int size = log(N) / log(2);
for (int M = 0; M < size; M++) //第M级
{
int l = 1 << M;
for (int j = 0; j < N; j += 2 * l) //第j组
{
for (int k = 0; k < l; k++) //第k个蝶形运算
{
int wIndex = N * k / 2 / l;
int index1 = j + k;
int index2 = index1 + l;
product = x[index2] * W[wIndex];
up = x[index1] + product;
down = x[index2] - product;
x[index1] = up; //即位运算
x[index2] = down;
}
}
}
}