FFT

⽂中内容均为个⼈理解，如有错误请指出，不胜感激前⾔先解释⼏个⽐较容易混淆的缩写吧FMT 快速莫⽐乌斯变化—>感谢stump提供多项式复数在介绍复数之前，⾸先介绍⼀些可能会⽤到的东西(好像画的不是很标准。

)定义设a ,b 为实数，i 2=−1，形如a +bi 的数叫复数，其中i 被称为虚数单位，复数域是⽬前已知最⼤的域在复平⾯中，x 代表实数，y 轴（除原点外的点）代表虚数，从原点(0,0)到(a ,b )的向量表⽰复数a +bi模长：从原点(0,0)到点(a ,b )的距离，即√a 2+b 2幅⾓：假设以逆时针为正⽅向，从x 轴正半轴到已知向量的转⾓的有向⾓叫做幅⾓运算法则加法：因为在复平⾯中，复数可以被表⽰为向量，因此复数的加法与向量的加法相同，都满⾜平⾏四边形定则（就是上⾯那个）乘法：⼏何定义：复数相乘，模长相乘，幅⾓相加代数定义：(a +bi )∗(c +di )=ac +adi +bci +bdi 2=ac +adi +bci −bd=(ac −bd )+(bc +ad )i单位根下⽂中，默认n 为2的正整数次幂在复平⾯上，以原点为圆⼼，1为半径作圆，所得的圆叫单位圆。

以圆点为起点，圆的n 等分点为终点，做n 个向量，设幅⾓为正且最⼩的向量对应的复数为ωn ，称为n 次单位根。

根据复数乘法的运算法则，其余n −1个复数为ω2n ,ω3n ,…,ωn n 注意ω0n =ωn n =1（对应复平⾯上以x 轴为正⽅向的向量）那么如何计算它们的值呢？这个问题可以由欧拉公式解决ωk n =cos k ∗2πn +i sin k ∗2πn例如图中向量AB 表⽰的复数为8次单位根单位根的幅⾓为周⾓的1n在代数中，若z n =1，我们把z 称为n 次单位根单位根的性质ωk n =cos k2πn +i sin k 2πn （即上⾯的公式）ω2k 2n =ωk n证明：ω2k 2n =cos2k ∗2π2n +i sin2k ∗2π2n =ωk nωk +n2n =−ωk n ωn2n =cos n 2∗2πn +i sin n 2∗2πn =cos π+i sin π=−1ω0n =ωn n =1讲了这么多，貌似跟我们的正题没啥关系啊。

因为
，所以：
上式中X1(k)和X2(k)分别为x2(r)和x2(r)的N/2点DFT， 即
由于X1(k)和X2(k)均以N/2为周期，且 X(k)又可表示为：
，以
即将一个N点的DFT分解成为两个N/2点的DFT。 上述运算可用右下图来表示，称为蝶形运算符号。
从右图可知，要完成一 个蝶形运算需要进行一 次复数相乘和两次复数 相加运算。
对于象雷达、通信、声纳等需要实时处理的信号， 因为其运算量更大，所以无法满足信号处理的实时 性要求。迫切需要有新的算法。
二、DFT运算的特点
实际上，DFT运算中包含有大量的重复运算。在WN
矩阵中，虽然其中有N2个元素，但由于WN的周期
性，其中只有N个独立的值，即
，且
这N个值也有一些对称关系。总之，WN因子具有如 下所述周期性及对称性：
N 1
X (k) x(n)WNkn n0
x(n)
1 N
N 1
X (k)WNkn
k 0
k 0,1,2, , N 1 n 0,1,2, , N 1
计算X(k)的运算量：需要N2次复数乘法，N(N－1)
次复数加法。在N较大时计算量很大。
例如：N＝1024时, 需要1,048,576次复数乘法, 即 4,194,304次实数乘法
1.对称性
2.周期性 由上述特性还可得出：
利用上述对称特性，可使DFT运算中有些项可以合 并，这样，可使乘法次数减少大约一半；利用WN 矩阵的对称性及周期性，可以将长序列的DFT分解 为短序列的DFT，N越小，运算量能够减少。 例如，对于四点的DFT，直接计算需要16次复数乘 法，根据上述特性可以有以下形5年，J. W. Cooley和J. W. Tukey巧妙应用DFT中 W因子的周期性及对称性提出了最早的FFT，这是 基于时间抽取的FFT。具有里程碑式的贡献(运算量 缩短两个数量级)

FFT是离散傅立叶变换的快速算法，可以将一个信号变换到频域。

有些信号在时域上是很难看出什么特征的，但是如果变换到频域之后，就很容易看出特征了。

这就是很多信号分析采用FFT变换的原因。

另外，FFT可以将一个信号的频谱提取出来，这在频谱分析方面也是经常用的。

虽然很多人都知道FFT是什么，可以用来做什么，怎么去做，但是却不知道FFT之后的结果是什意思、如何决定要使用多少点来做FFT。

现在我就根据实际经验来说说FFT结果的具体物理意义。

一个模拟信号，经过ADC采样之后，就变成了数字信号。

采样定理告诉我们，采样频率要大于信号最高频率的两倍，这些我就不在此罗嗦了。

采样得到的数字信号，就可以做FFT变换了。

N个采样点，经过FFT之后，就可以得到N 个点的FFT结果。

为了方便进行FFT运算，通常N取2的整数次方（参见FFT原理）。

FFT 运算量：Nlog2N（2为对数的底）。

假设采样频率为Fs，信号频率F，采样点数为N。

那么FFT之后结果就是一个为N点的复数。

每一个点就对应着一个频率点。

这个点的模值，就是该频率值下的幅度特性。

具体跟原始信号的幅度有什么关系呢？假设原始信号的峰值为A，那么FFT的结果的每个点（除了第一个点直流分量之外）的模值就是A的N/2倍。

而第一个点就是直流分量，它的模值就是直流分量的N倍。

而每个点的相位呢，就是在该频率下的信号的相位。

第一个点表示直流分量（即0Hz），而最后一个点N的再下一个点（实际上这个点是不存在的，这里是假设的第N+1个点，也可以看做是将第一个点分做两半分，另一半移到最后）则表示采样频率Fs，这中间被N-1个点平均分成N等份，每个点的频率依次增加。

例如某点n所表示的频率为：Fn=(n-1)*Fs/N。

由上面的公式可以看出，Fn所能分辨到频率F0=Fs/N。

假设频率分辨率F0=Fs/N限定,采样频率Fs也给定，也已知信号最高频率Fh，那么由采样定理：Fs》=2Fh得到：N=Fs/F0>=2Fh/F0,即采样点必须满足这样一个关系式。

fft函数
FFT（快速傅里叶变换）是一种实现DFT（离散傅里叶变换）的快速算法，是利用复数形式的离散傅里叶变换来计算实数形式的离散傅里叶变换，matlab中的fft()函数是实现该算法的实现。

MATLAB它将数值分析、矩阵计算、科学数据可视化以及非线性动态系统的建模和仿真等诸多强大功能集成在一个易于使用的视窗环境中，为科学研究、工程设计以及必须进行有效数值计算的众多科学领域提供了一种全面的解决方案，并在很大程度上摆脱了传统非交互式程序设计语言（如C、Fortran）的编辑模式，代表了当今国际科学计算软件的先进水平。

快速傅里叶变换, 即利用计算机计算离散傅里叶变换（DFT)的高效、快速计算方法的统称，简称FFT。

快速傅里叶变换是1965年由J.W.库利和T.W.图基提出的。

采用这种算法能使计算机计算离散傅里叶变换所需要的乘法次数大为减少，特别是被变换的抽样点数N越多，FFT算法计算量的节省就越显著。