下载文档原格式
![[2017年整理]详解FFT（快速傅里叶变换FFT](https://img.taocdn.com/s1/m/ecf1a510e97101f69e3143323968011ca300f79a.png)
knNW NN第四章 快速傅里叶变换有限长序列可以通过离散傅里叶变换(DFT)将其频域也离散化成有限长 序列.但其计算量太大,很难实时地处理问题,因此引出了快速傅里叶变换 (FFT). 1965 年，Cooley 和 Tukey 提出了计算离散傅里叶变换（DFT ）的快 速算法，将 DFT 的运算量减少了几个数量级。
从此，对快速傅里叶变换（FFT ） 算法的研究便不断深入，数字信号处理这门新兴学科也随 FFT 的出现和发 展而迅速发展。
根据对序列分解与选取方法的不同而产生了 FFT 的多种算 法，基本算法是基２DIT 和基２DIF 。
FFT 在离散傅里叶反变换、线性卷积 和线性相关等方面也有重要应用。
快速傅里叶变换（FFT ）是计算离散傅里叶变换（DFT ）的快速算法。
DFT 的定义式为N −1X (k ) = ∑ x (n )W NR N (k )n =0在所有复指数值 W kn 的值全部已算好的情况下，要计算一个 X (k ) 需要 N 次复数乘法和 N －1 次复数加法。
算出全部 N 点 X (k ) 共需 N 2次复数乘法和 N ( N − 1) 次复数加法。
即计算量是与 N 2 成正比的。
FFT 的基本思想：将大点数的 DFT 分解为若干个小点数 DFT 的组合， 从而减少运算量。
W N 因子具有以下两个特性，可使 DFT 运算量尽量分解为小点数的 DFT运算：（1） 周期性：( k + N ) nN= W kn= W ( n + N ) k（2） 对称性：W( k + N / 2 )= −WkN N利用这两个性质，可以使 DFT 运算中有些项合并，以减少乘法次数。
例子： 求当 N ＝4 时，X(2)的值4 N N N3∑44444X (2) = n =0x (n )W 2 n = x (0)W 0 + x (1)W 2 + x (2)W 4 + x (3)W 6= [ x (0) + x (2)]W 0 + [ x (1) + x (3)]W 2(周期性)4＝[ x (0) + x (2)]－[ x (1) + x (3)]W 04(对称性)通过合并，使乘法次数由 4 次减少到 1 次，运算量减少。
快速傅里叶变换FFT 及其应用摘要: FFT(Fast Fourier transform)技术是快速傅里叶变换,它是离散傅里叶的快速算法,随着大规模集成器件的问世以及计算机技术的迅速发展,FFT 技术已应用于现代科学技术的各个领域。
本文首先简单介绍了FFT 的原理，还介绍了FFT 在数字图像处理、机床噪声分析、数据采集、现代雷达、机车故障检测记录等领域的应用。
关键词:DFT ；FFT ；应用；1. 快速傅里叶变换FFT 简介1.1离散傅里叶变换(DFT)在信号处理中，DFT 的计算具有举足轻重的地位，信号的相关、滤波、谱估计等等都可通过DFT 来实现。
然而，由DFT 的定义式可以看出，求一个N 点的DFF 要N 2次复数乘法和N(N-1)次负数加法。
当N 很大时，其计算量是相当大。
傅立叶变换是信号分析和处理的重要工具。
离散时间信号*(n)的连续傅立叶变换定义为:式中()j X e ω是一个连续函数，不能直接在计算机上做数字运算。
为了在计算机上实现频谱分析，必须对x(n)的频谱作离散近似。
有限长离散信号x(n), n=0, 1, .......,N-1的离散傅立叶变换(DFT)定义为：式中()exp -2/N ,n=0,1,........N-1N W j π=。
其反变换定义为:将DFT 变换的定义式写成矩阵形式，得到X=Ax 。
其中DFT 的变换矩阵A 为1.2快速傅里叶变换(FFT)快速傅里叶变换(FFT)是1965年J. W. Cooley 和J. W Tukey 巧妙地利用造了DFT 的快速算法，即快速离散傅里叶变换(FFT)。
在以后的几十年中，FFT 算法有了进一步的发展，目前较常用的是基2算法和分裂基算法。
在讨论图像的数学变换时，我们把图像看成具有两个变量x, y 的函数。
首先引入二维连续函数的傅里叶变换，设f(x,y)是两个独立变量x ，y 的函数，且满足()++--,<0f x y dxdy ∞∞∞∞⎰⎰, 则定义:()++-2(ux+vy)--(u,v) = ,j F f x y e dxdy π∞∞∞∞⎰⎰为f(x,Y)的傅立叶变换。
FFT 快速傅里叶变换(Fast Fourier Transform) 是一种用于快速计算傅里叶变换的算法，是在傅里叶变换的基础上发展而来的。
FFT 算法被广泛应用于数字信号处理、图像处理、声音处理、卷积操作、解析几何等领域，它的高效性和实时性使得它成为了当今计算机科学领域不可或缺的一部分。
一、傅里叶变换简介傅里叶变换是将一个时域信号转换为频域信号的过程，其公式如下：$F(\omega)=\int_{-\infty}^{\infty}f(t)e^{-i\omega t}dt$其中，$f(t)$ 表示时域信号，$F(\omega)$ 表示频域信号，$\omega$ 表示角频率。
傅里叶变换可以分为连续傅里叶变换和离散傅里叶变换两种。
连续傅里叶变换仅适用于连续信号，而离散傅里叶变换适用于离散信号。
二、离散傅里叶变换离散傅里叶变换是一种将离散信号变换为频域信号的方法，其公式如下：$X_k=\sum_{n=0}^{N-1}x_n e^{-\frac{2\pi i}{N}kn},k=0,1,...,N-1$其中，$x_n(n=0,1,...,N-1)$ 表示原始离散信号，$X_k(k=0,1,...,N-1)$ 表示变换后的频域信号。
但是，使用该公式直接计算离散傅里叶变换的时间复杂度为$O(N^2)$，计算效率低下。
三、FFT 快速傅里叶变换FFT 快速傅里叶变换是一种基于DFT 离散傅里叶变换的高效算法，它的时间复杂度可以达到$O(NlogN)$，较之直接计算DFT 的时间复杂度要低得多。
FFT 算法的基本思想是将 DFT 分治成多个较小的 DFT，并利用其重复性降低运算次数。
1.蝴蝶运算蝴蝶运算是 FFT 算法的基本运算，通过它可以将 DFT 的计算复杂度降低为 $O(N)$。
蝴蝶运算的实质是将两个相邻点之间的信号进行乘法和加法运算，其公式如下：$X_k=X_{k1}+W_{N}^kX_{k2},X_{k+N/2}=X_{k1}-W_{N}^kX_{k2}$其中，$X_{k1}$ 表示 $X_k$ 中偶数项，$X_{k2}$ 表示 $X_k$ 中奇数项，$W_N$ 是DFT 的核函数。
【知识总结】快速傅⾥叶变换（FFT ）这可能是我第五次学FFT 了……菜哭qwq 先给出⼀些个⼈认为⾮常优秀的参考资料：快速傅⾥叶变换（FFT ）⽤于计算两个n 次多项式相乘，能把复杂度从朴素的O (n 2)优化到O (nlog 2n )。
⼀个常见的应⽤是计算⼤整数相乘。
本⽂中所有多项式默认x 为变量，其他字母均为常数。
所有⾓均为弧度制。
⼀、多项式的两种表⽰⽅法我们平时常⽤的表⽰⽅法称为“系数表⽰法”，即A (x )=n∑i =0a i x i上⾯那个式⼦也可以看作⼀个以x 为⾃变量的n 次函数。
⽤n +1个点可以确定⼀个n 次函数（⾃⾏脑补初中学习的⼆次函数）。
所以，给定n +1组x 和对应的A (x )，就可以求出原多项式。
⽤n +1个点表⽰⼀个n 次多项式的⽅式称为“点值表⽰法”。
在“点值表⽰法”中，两个多项式相乘是O (n )的。
因为对于同⼀个x ，把它代⼊A 和B 求值的结果之积就是把它带⼊多项式A ×B 求值的结果（这是多项式乘法的意义）。
所以把点值表⽰法下的两个多项式的n +1个点的值相乘即可求出两多项式之积的点值表⽰。
线性复杂度点值表⽰好哇好但是，把系数表⽰法转换成点值表⽰法需要对n +1个点求值，⽽每次求值是O (n )的，所以复杂度是O (n 2)。
把点值表⽰法转换成系数表⽰法据说也是O (n 2)的（然⽽我只会O (n 3)的⾼斯消元qwq ）。
所以暴⼒取点然后算还不如直接朴素算法相乘……但是有⼀种神奇的算法，通过取⼀些具有特殊性质的点可以把复杂度降到O (nlog 2n )。
⼆、单位根从现在开始，所有n 都默认是2的⾮负整数次幂，多项式次数为n −1。
应⽤时如果多项式次数不是2的⾮负整数次幂减1，可以加系数为0的项补齐。
先看⼀些预备知识：复数a +bi 可以看作平⾯直⾓坐标系上的点(a ,b )。
这个点到原点的距离称为模长，即√a 2+b 2；原点与(a ,b )所连的直线与实轴正半轴的夹⾓称为辐⾓，即sin −1ba 。
快速傅立叶变换(fft)快速傅里叶变换(FFT)是一种广泛应用于信号处理、图像处理、音频处理、科学数据处理等领域的数学算法。
它可以将时域信号（即时序信号）转换成频域信号，便于对信号进行分析和处理，以便更好地理解和应用信号的特征。
FFT算法的提出的历史非常悠久。
早在1809年，法国数学家Poisson和Laplace就提出了一些有关傅里叶级数的理论。
1965年，J.W. Cooley和J.W. Tukey等人发布了经典的Cooley-Tukey FFT算法，从而大幅提升了FFT的效率，使其利于实际应用。
FFT的原理是将一个离散的、周期性的时域信号，通过离散傅里叶变换（DFT，或称为“离散频谱分析”）、快速卷积公式等方法，转换成一个频域的信息序列，包含了原信号在复平面上的所有幅度、相位信息。
通过FFT转换后的频域信息，可以较容易地对信号进行频谱分析、滤波、变换和还原等处理过程。
FFT算法具有众多的优势。
首先，FFT算法可以将时间复杂度从O(N*N)大幅降低为O(N log N)，大大提高了数据处理的速度。
其次，FFT算法在数字信号处理领域中拥有广泛的应用，如用于信号重构、信号滤波、降噪、音频处理等等。
此外，由于FFT所得到的频域信号表达了各个频率波形的信息，因此可以在多个领域中运用，例如图像的快速变换、高质量视频文件传输等等。
不过，FFT算法也存在不少的局限性，其中最常见的就是其对时间步骤的依赖，并且对于非周期信号的处理效果可能不够理想。
此外，FFT算法对于像素点的数量是有要求的，不能过少或过多，过少的话会导致数据量太少，过多的话会导致计算机内存爆炸，计算时间也会变得非常长。
综上所述，虽然FFT算法存在着一定的局限性，但是其作为一种广泛应用于信号处理、图像处理、音频处理、科学数据处理等领域的数学算法，其高速、准确、可靠等优点，还是使其得到了广泛的应用。
如果在使用FFT算法时能充分了解其原理和应用场景，遵循其设计规范，就可以更好地发挥出其优势，提高数据处理的效率，为人们生产生活带来更多便利。
第四章 快速傅里叶变换（FFT ）快速傅里叶变换并不是一种新的变换，而是离散傅里叶变换的一种快速算法。
DFT 的计算在数字信号处理中非常有用，但是由于DFT 的计算量较大，即使采用计算机也很难对问题进行实时处理，通过引入其快速算法FFT ，使DFT 的计算大大简化，运算时间一般可缩短一、二个数量级。
4.1 FFT 算法的基本思想一、直接计算DFT 的问题设)(n x 为N 点有限长序列，其DFT 为：10)()]([)(10-≤≤==∑-=N k W n x n x DFT k X N n knNIDFT 为：10)(1)]([)(10-≤≤==∑-=-N n W k X N k X IDFT n x N k knN二式的差别仅在于N W 的指数符号不同，以及相差一个常数因子N /1，所以，我们只对DFT 正变换的算法进行讨论。
将)(k X 可以展开如下：)1()2()1()0()1()1()2()1()0()2()1()2()1()0()1()1()2()1()0()0()1)(1()2)(1()1)(1()0)(1()1(2)2(2)1(2)0(2)1(1)2(1)1(1)0(1)1(0)2(0)1(0)0(0-++++=--++++=-++++=-++++=--------N x W x W x W x W N X N x W x W x W x W X N x W x W x W x W X N x W x W x W x W X N N NN N N NN NN NNNNN NNNN N N N N N一般来说，)(n x 和knN W 都是复数，因此，完成每一个频率分量的计算需要作N 次复数乘法和1-N 次复数加法，完成)(k X 的N 个频率分量的计算需要作2N 次复数乘法和)1(-N N 次复数加法。
我们知道，复数运算实际上是由实数运算来完成的。
一次复数乘法包括四次实数乘法和二次实数加法，即：)()())((ad bc j bd ac jd c jb a ++-=++一次复数加法包括二次实数加法，即：)()()()(d b j c a jd c jb a +++=+++因此，完成一个)(k X 需要N 4次实数乘法和)12(2)1(22-=-+N N N 次实数加法，整个DFT （N 点)(k X ）运算需要24N 次实数乘法和)12(2-N N 次实数加法。
