FFT实验报告
- 格式:docx
- 大小:18.34 KB
- 文档页数:5
快速傅里叶变换算法
实验报告
专业: 计算机科学与技术
班级: 2008211309
姓名: 潘婉琼
学号: 08211407
1.算法原理
●快速傅氏变换,是离散傅氏变换的快速算法,它是根据离散傅氏变
换的奇、偶、虚、实等特性,对离散傅立叶变换的算法进行改进获得的。
它对傅氏变换的理论并没有新的发现,但是对于在计算机系统或者说数
字系统中应用离散傅立叶变换,可以说是进了一大步。
●设x(n)为N项的复数序列,由DFT变换,任一X(m)的计算都需
要N次复数乘法和N-1次复数加法,而一次复数乘法等于四次实数乘法
和两次实数加法,一次复数加法等于两次实数加法,即使把一次复数乘
法和一次复数加法定义成一次“运算”(四次实数乘法和四次实数加法),那么求出N项复数序列的X(m),即N点DFT变换大约就需要N^2
次运算。当N=1024点甚至更多的时候,需要N2=1048576次运算.
●在FFT中,利用WN的周期性和对称性,把一个N项序列(设N=2k,k
为正整数),分为两个N/2项的子序列,每个N/2点DFT变换需要(N/2)
^2次运算,再用N次运算把两个N/2点的DFT变换组合成一个N点
的DFT变换。这样变换以后,总的运算次数就变成N+2(N/2)
^2=N+N^2/2。继续上面的例子,N=1024时,总的运算次数就变成
了525312次,节省了大约50%的运算量。
●如果我们将这种“一分为二”的思想不断进行下去,直到分成两两
一组的DFT运算单元,那么N点的DFT变换就只需要Nlog(2)(N)次的
运算,N在1024点时,运算量仅有10240次,是先前的直接算法的1%,
点数越多,运算量的节约就越大,这就是FFT的优越性。
2.问题描述
●乘法如果直接像手工算一样做,复杂度是O(n*n)的.FFT乘法是将
数看成多项式:P1(x)=a0+a1x+a2x^2+...+anx^n,如果取ak在0到9之间,且x取10,那它就表示一个十进制数,如果再用另外一个多项式P2(x)与它相乘,那结果和它所表示的数相乘是一样的数值。
●多项式乘法其实质是做两个系数序列的卷积,而FFT正是对这样的
卷积,做时域到频域的变化,FFT的本质也是DFT,离散傅里叶变换,因为有卷积定理:如果h(t)=x(t)*(y(t),且H(s)=DFT[h(t)],
X(s)=DFT[x(t)],Y(s)=DFT[y(t)],那么有,H(s)=X(s)Y(s)
3.算法及其复杂度分析
h(t)=IFFT[ FFT[x(t)] *FFT[y(t)] ]
IFFT是快速傅里叶反变换,可以转换成FFT,所以一个乘法的时间是3个FFT 加一个线性乘积运算,因此也是O(nlogn)。
4.算法实现
void FFT(Complex x[], int n)
//对x数组进行快速傅里叶变换,返回的结果仍存在x中
{
static Complex res[Maxn<<1];
double alpha = -2 * PI;
ButterflyChange(x, n, res);
int i,j,k,kk,p,m;
i=1,m=0;
while(i i<<=1; m++; }//m为n的二进制位数 for(i=0,k=2;i Complex temp=Complex(cos(alpha / k), sin(alpha / k)); for(j=0;j Complex w=1,u,t; kk=k>>1; for(p=0;p t=w*res[j+p+kk]; u=res[j+p]; res[j+p]=u+t; res[j+p+kk]=u-t; w*=temp; } } } memcpy(x,res,sizeof(Complex)* n); } 5.实验总结 虽然之前信号与系统课上听说过快速傅里叶转换算法,但是一直没有深入研究.通过在网上查资料,看书等各种途径,我逐步了解了FFT算法的原理,特别是将FFT 算法用于求大数乘法后,对FFT的算法有了更加深入的理解. 虽然算法的研究偏理论,但是作为计算机专业的学生,将算法用代码实现,也是非常必要的.不但提升了动手能力,更对算法本身的理解更加深刻.