（高维）离散傅里叶变换DFT 和 快速傅里叶变换FFT

DFT

令$p_1,p_2,...,p_b$是b个整数，令 ${\theta }_j=e^{-2\pi i/p_j}$ 是$p_j$阶单位根，其中 $i^2+1=0$

定义$G:=Z_{p_1}\times Z_{p_2}\times \cdots \times Z_{p_b}$，容易验证G是拥有$p_1{p}_2\dots p_b$个元素的群。

对于$x\in G$，我们简单记做：$(x_1,x_2,\dots ,x_b),x_j\in Z_{p_j}$

函数 $f:G\to C$ 离散傅里叶变换是 $F:G\to C$
$$F(\alpha )=\sum _{x\in G}(f(x)\prod _{j=1}^b{\theta }_j^{{\alpha }_j{x}_j})$$

IDFT

反离散傅里叶变换公式：
$$f(x)=\frac{1}{p_1{p}_2\dots p_b}\sum _{\alpha \in G}(F(\alpha )\prod _{j=1}^b{\theta }_j^{-{\alpha }_j{x}_j})$$
容易验证，上式是正确的。

由于${\theta }_j^0=1$，且${\theta }_j^0+{\theta }_j^1+\cdots +{\theta }_j^{p_j-1}=0$，因此：
$$\sum _{\alpha \in G}(\prod _{j=1}^b{\theta }_j^{{\alpha }_j(x_j-x_j^{\prime })})=\{\begin{array}{rlr}|G|& & x=x^{\prime }\\ 0& & x\ne x^{\prime }\end{array}$$
​ 其中$|G|=p_1{p}_2\dots p_b$

FFT

​ 将$f(x)$和$F(\alpha )$视作形状是$p_1\times p_2\times \cdots \times p_b$的阵列，阵列元素属于复数域$C$。而$x,\alpha$就是阵列的坐标。

​ 直接计算$F(\alpha )={\sum }_{x\in G}(f(x){\prod }_{j=1}^b{\theta }_{p_j}^{{\alpha }_j{x}_j})$的复杂度是：$O(p_1{p}_2...p_b\cdot p_1{p}_2...p_b)=O(p_1^2{p}_2^2...p_b^2)$

​ 假设$p_1,p_2,...,p_b$都是2的幂次 (若不是，那可以将$G$扩充，并对$f(x)$补零)，那么${\theta }_{p_j}^2$是$\frac{p_j}{2}$次单位根。使用分治算法：
$$\begin{array}{rlr}F(\alpha )=& & \sum _{x\in Gand{x}_1\equiv 0(\mathrm{m}\mathrm{o}\mathrm{d}2)}f(x)({\theta }_{p_1}^{2{\alpha }_1}{)}^{\frac{x_1}{2}}\prod _{j=2}^b{\theta }_{p_j}^{{\alpha }_j{x}_j}\\ +& & {\theta }_{p_1}\sum _{x\in Gand{x}_1\equiv 1(\mathrm{m}\mathrm{o}\mathrm{d}2)}f(x)({\theta }_{p_1}^{2{\alpha }_1}{)}^{\frac{x_1-1}{2}}\prod _{j=2}^b{\theta }_{p_j}^{{\alpha }_j{x}_j}\end{array}$$

​ 定义：
$$\begin{array}{r}{F}_0(\alpha )=\sum _{x\in Gand{x}_1\equiv 0(\mathrm{m}\mathrm{o}\mathrm{d}2)}f(x)({\theta }_{\frac{p_1}{2}}^{{\alpha }_1}{)}^{\frac{x_1}{2}}\prod _{j=2}^b{\theta }_{p_j}^{{\alpha }_j{x}_j}\\ F_1(\alpha )=\sum _{x\in Gand{x}_1\equiv 1(\mathrm{m}\mathrm{o}\mathrm{d}2)}f(x)({\theta }_{\frac{p_1}{2}}^{{\alpha }_1}{)}^{\frac{x_1-1}{2}}\prod _{j=2}^b{\theta }_{p_j}^{{\alpha }_j{x}_j}\end{array}$$
​ 其实，这里我们把阵列$f(x)$根据$x_1$的奇偶性，对半分到了两个子问题中，并希望分别求得两个阵列$F_0,F_1$

​ 由于${\theta }_{\frac{p_1}{2}}^{\frac{p_1}{2}}=1,{\theta }_{p_1}^{\frac{p_1}{2}}=-1$因此：
$$\begin{array}{r}F(\alpha )=F_0(\alpha )+{\theta }_{p_1}{F}_1(\alpha ),\\ F(\alpha +(\frac{p_1}{2},0,...,0))=F_0(\alpha )-{\theta }_{p_1}{F}_1(\alpha ).\end{array}$$
​ 也就是说，只需要求解一半的坐标$\alpha$上的两个小阵列$F_0,F_1$，那么就可以得到全部的坐标$\alpha$上的阵列$F$的值。

​ 那么原本需要对$p_1{p}_2...p_b$个$\alpha \in G$，计算1个关于$x\in G$的含$p_1{p}_2...p_b$个单项的和函数$F(\alpha )$，复杂度$O(p_1^2{p}_2^2...p_b^2)$

​ 转换后，需要对$\frac{p_1{p}_2...p_b}{2}$个$\alpha \in G$，计算2个关于$x\in G$的含$\frac{p_1{p}_2...p_b}{2}$个单项的和函数$F_0(\alpha ),F_1(\alpha )$，复杂度$O(\frac{p_1^2{p}_2^2...p_b^2}{2})$

​ 由于$p_1,p_2,...,p_b$都是2的幂次，可反复运用上述方法分而治之，将阵列$f(x)$对半分到两个子问题中，求解一半的$\alpha$的阵列值。最终的极小子问题有$p_1{p}_2...p_b$个，也就是关于$x\in G$的$F_{0or1}(\alpha )=f(x){\theta }_1^s=f(x)$，然后相邻的子问题两两归并，得到$F(\alpha )$的值。

​ 最终的复杂度为：$O(p_1{p}_2...p_b\log p_1\log p_2\cdots \log p_b)=O({\prod }_{j=1}^b{p}_j\log p_j)$

理解

傅里叶变换思路：将随时间变化的周期函数f，分解到若干两两正交的函数(如：某频率的不同倍数的三角函数)上，记录它们各自的振幅。这样我们就把随时间变化的函数，变成了不随时间变化的各频率的振幅。如果函数f不是周期的，就视作它的周期为无穷大。

例如，观察b=1时的IDFT公式，$f(x)=\frac{1}{p}{\sum }_{\alpha \in Z_p}F(\alpha )({\theta }_p^{-\alpha }{)}^x$，关于$\alpha \in Z_p$的p个函数$({\theta }_p^{-\alpha }{)}^x$两两正交(在一个周期上两函数的卷积为0)：
$$\sum _{x=0}^{p-1}({\theta }^{-{\alpha }_1}{)}^x({\theta }^{-{\alpha }_2}{)}^{p-x}=\sum _{x=0}^{p-1}{\theta }^{({\alpha }_2-{\alpha }_1)x}=0,{\alpha }_1\ne {\alpha }_2$$

在离散傅里叶变换中，将时域函数 $f:G\to C$ 和频域函数 $F:G\to C$ 都看做b维数组，将 $x,\alpha$ 看做坐标点。那么DFT和IDFT就只是两个b维数组之间的双射。

应用

• 图像处理：二维图像，设置b=2，用于滤波：可以很方便的找到高频分量(包含图像精细结构的信息)和低频分量(只包含平缓结构信息，但占据绝大多数能量)；另外，可以对复数计算"谱"(包含灰度信息)和"相角"(包含形状信息)

• 波形分析：可以从频谱图中清晰地看到波形特征。比如，声纹识别

• 多项式计算：将多项式乘法(其实就是卷积)复杂度降低到 $O(n)$，利用FFT变换的复杂度是$O(nlogn)$

将两个n-1度多项式 $g(x),h(x)$ 的系数取出来，视作一维数组$v_g,v_h\in C^n$ ，分别做DFT得到n长的一维数组$V_g,V_h\in C^n$。

假如多项式系数不属于 $C$ 而是属于有限域 $GF(q)$，将系数取出来视作一维数组$v_g,v_h\in GF(q{)}^n$ 。 假如$\exists m,n|q^m-1$，取 $ord(\theta )=n$ 的单位根 $\theta \in GF(q^m)$。分别做DFT得到n长的一维数组$V_g,V_h\in GF(q^m{)}^n$。

容易发现，计算乘积$V_a[j]=V_g[j]\cdot V_h[j]$，做IDFT后得到以数组$v_a$为系数的多项式$a(x)$；由于$v_a$等于循环卷积$v_g\ast v_h$，因此：$a(x)=g(x)h(x)mod{x}^n-1$。如果想在 $C[x]$ 或者 $GF(q)[x]$ 上计算 $g(x)h(x)$，只需要略作修改使得 $deg(g)+deg(h)\le n-1$ 即可。

​