快速傅立叶变换FFT学习笔记

这篇具有很好参考价值的文章主要介绍了快速傅立叶变换FFT学习笔记。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

什么是FFT?

FFT(Fast Fourier Transformation) 是离散傅氏变换(DFT)的快速算法,即快速傅氏变换。FFT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。FFT可以将多项式乘法的复杂度从 O ( n 2 ) O(n^2) O(n2)降到 O ( n l o g n ) O(nlogn) O(nlogn)

下图是FFT的整体计算流程,FFT变换的复杂度为 O ( n l o g n ) O(nlogn) O(nlogn),FFT域上的pointwise乘法的复杂度为 O ( n ) O(n) O(n),逆FFT变换的复杂度为 O ( n l o g n ) O(nlogn) O(nlogn),总体复杂度为 O ( n l o g n ) O(nlogn) O(nlogn)

快速傅立叶变换FFT学习笔记,隐私计算及密码学基础,傅立叶分析,信号处理

多项式的表示方法

方法1:系数表示

从多项式函数的定义,将所有系数视为系数向量,而由全部系数组成的向量 a a a叫做该多项式的系数表达:

f ( x ) = ∑ i = 0 n − 1 a i x i f(x)=\sum_{i=0}^{n-1}a_ix^i f(x)=i=0n1aixi

a = ( a 0 , a 2 , … , a n − 1 ) a=(a_0 ,a_2, \dots, a_{n-1}) a=(a0,a2,,an1)

举个简单的例子: f ( x ) = 5 x 0 + 6 x 1 + 7 x 2 f(x)=5x^0+6x^1+7x^2 f(x)=5x0+6x1+7x2的系数表示为 { 5 , 6 , 7 } \{5, 6, 7\} {5,6,7}。反之, { 5 , 6 , 7 } \{5, 6, 7\} {5,6,7}的系数编码结果为 f ( x ) = 5 x 0 + 6 x 1 + 7 x 2 f(x)=5x^0+6x^1+7x^2 f(x)=5x0+6x1+7x2

系数表示特点是对多项式加法友好,时间复杂度是 O ( n ) O(n) O(n)。但是对多项式乘法不友好,采用多项式逐项相乘,时间复杂度仍为 O ( n 2 ) O(n^2) O(n2)
注:系数表示的乘法表示卷积操作。

方法2:点值表示

任意选取 n n n个不同的自变量 x x x带入多项式函数 f ( x ) f(x) f(x)进行求值运算,将得到 n n n个不同的结果。于是,多项式的点值表达就是由这 n n n个数值点组成的集合:

{ ( x 0 , f ( x 0 ) ) , ( x 1 , f ( x 1 ) ) , … , ( x n − 1 , f ( x n − 1 ) ) } \{(x_0, f(x_0)), (x_1, f(x_1)), \dots, (x_{n-1}, f(x_{n-1}))\} {(x0,f(x0)),(x1,f(x1)),,(xn1,f(xn1))}

举个简单的例子: f ( x ) = 5 x 0 + 6 x 1 + 7 x 2 f(x)=5x^0+6x^1+7x^2 f(x)=5x0+6x1+7x2的点值表示为 { ( 0 , f ( 0 ) ) , ( 1 , f ( 1 ) ) , ( 2 , f ( 2 ) ) } \{(0, f(0)), (1, f(1)), (2, f(2))\} {(0,f(0)),(1,f(1)),(2,f(2))}。反之, { 5 , 6 , 7 } \{5, 6, 7\} {5,6,7}的点值编码应该满足 f ( 0 ) = 5 , f ( 1 ) = 6 , f ( 2 ) = 7 f(0)=5, f(1)=6, f(2)=7 f(0)=5,f(1)=6,f(2)=7

点值表示的特点是对多项式乘法友好,时间复杂度是 O ( n ) O(n) O(n)【因为可以做element-wise乘法(EWMM)】,但是多项式加法不友好。

复数

复数的定义:设 a , b a, b a,b为实数,则 z = a + b i z = a + bi z=a+bi的数称为复数,其中 a a a称为实部, b b b称为虚部。
复数的模为: ∣ z ∣ = a 2 + b 2 |z|=\sqrt{a^2+b^2} z=a2+b2 。一个复数的共轭复数为: z ‾ = a − b i \overline{z}=a-bi z=abi,即改变虚部的符号。

单位复数根
对于任意一个复数 ω \omega ω,其 n n n次幂的结果为1,就称复数 ω \omega ω n n n次单位复数根,即
ω n = 1 \omega^n=1 ωn=1

可以看到, n n n次单位复数根有 n n n个,其几何意义为: n n n个单位复数根均匀地分布在以复平面原点为圆心的单位圆上。

快速傅立叶变换FFT学习笔记,隐私计算及密码学基础,傅立叶分析,信号处理

在几何意义的单位圆中,我们将圆周角 2 π 2\pi 2π均分成 n n n份,则 2 π n \frac{2\pi}{n} n2π叫做单位根的幅角。
由欧拉公式:
e i 2 π n = c o s 2 π n + i s i n 2 π n e^{i\frac{2\pi}{n}} = cos \frac{2\pi}{n} + i sin \frac{2\pi}{n} ein2π=cosn2π+isinn2π

定义 ω n \omega_n ωn表示一个 n n n次单位根:
ω n = e i 2 π n \omega_n = e^{i\frac{2\pi}{n}} ωn=ein2π

ω n \omega_n ωn也是主 n n n次单位根,其余 w n 1 、 w n 2 w_{n}^{1}、w_{n}^{2} wn1wn2等叫做 n n n次单位根的幂次,记为:
ω n k = e i 2 k π n , k = 0 , 1 , … , n − 1 \omega_{n}^{k} = e^{i\frac{2k\pi}{n}}, k=0,1,\dots,n-1 ωnk=ein2,k=0,1,,n1

于是,很容易知道:
ω n 0 = ω n n = 1 , ω n n 2 = − 1 \omega_n^0=\omega_n^n=1, \omega_n^{\frac{n}{2}}=-1 ωn0=ωnn=1,ωn2n=1

单位复数根的性质1:消去引理
ω d n d k = e i 2 d k π d n = e i 2 k π n = w n k \omega_{dn}^{dk} = e^{i\frac{2dk\pi}{dn}}=e^{i\frac{2k\pi}{n}}=w_{n}^{k} ωdndk=eidn2d=ein2=wnk

单位复数根的性质1:折半引理
ω n k + n 2 = ω n k ω n n 2 = − ω n k \omega_{n}^{k+\frac{n}{2}} = \omega_{n}^{k}\omega_{n}^{\frac{n}{2}}=-\omega_{n}^{k} ωnk+2n=ωnkωn2n=ωnk
于是也可以得到:
( ω n k + n 2 ) 2 = ( − ω n k ) 2 = ( ω n k ) 2 = ω n 2 k = ω n 2 k (\omega_{n}^{k+\frac{n}{2}})^2=(-\omega_{n}^{k})^2=(\omega_{n}^{k})^2=\omega_{n}^{2k}=\omega_{\frac{n}{2}}^{k} (ωnk+2n)2=(ωnk)2=(ωnk)2=ωn2k=ω2nk
好处是将 n n n降到了原来的一半。

DFT:离散傅立叶变换

假设多项式:
A ( x ) = ∑ i = 0 n − 1 a i x i A(x)=\sum_{i=0}^{n-1}a_ix^i A(x)=i=0n1aixi

n n n次单位根的幂次 x = ω n k x=\omega_n^k x=ωnk分别代入多项式:
y k = A ( ω n k ) = ∑ i = 0 n − 1 a i ω n k i , k = 0 , 1 , … , n − 1 y_k = A(\omega_n^k)=\sum_{i=0}^{n-1}a_i\omega_n^{ki}, k=0,1,\dots,n-1 yk=A(ωnk)=i=0n1aiωnki,k=0,1,,n1

y = ( y 0 , y 1 , … , y n − 1 ) y=(y_0, y_1, \dots, y_{n-1}) y=(y0,y1,,yn1)是系数向量 a = ( a 0 , a 1 , … , a n − 1 ) a=(a_0, a_1,\dots,a_{n-1}) a=(a0,a1,,an1)的离散傅立叶变换,即DFT。

IDFT:离散傅立叶逆变换
a j = 1 n ∑ k = 0 n − 1 y k ω n − k i a_j = \frac{1}{n}\sum_{k=0}^{n-1}y_k\omega_n^{-ki} aj=n1k=0n1ykωnki

DFT对应多项式求值
IDFT对应插值,求多项式系数

值得注意的是,DFT的复杂度仍然是 O ( n 2 ) O(n^2) O(n2)

FFT和蝶形计算

FFT的原理是将多项式分解成奇偶两部分,并用分治的思想依次计算下去。
A ( x ) = a 0 + a 1 x 1 + ⋯ + a n − 1 x n − 1 A(x)=a_0+a_1x^1+\dots+a_{n-1}x^{n-1} A(x)=a0+a1x1++an1xn1

A 0 ( x ) = a 0 + a 2 x 1 + ⋯ + a n − 2 x n − 2 2 A_0(x)=a_0+a_2x^1+\dots+a_{n-2}x^{\frac{n-2}{2}} A0(x)=a0+a2x1++an2x2n2

A 1 ( x ) = a 1 + a 3 x 1 + ⋯ + a n − 1 x n − 2 2 A_1(x)=a_1+a_3x^1+\dots+a_{n-1}x^{\frac{n-2}{2}} A1(x)=a1+a3x1++an1x2n2

A ( x ) = A 0 ( x 2 ) + x A 1 ( x 2 ) A(x)=A_0(x^2)+xA_1(x^2) A(x)=A0(x2)+xA1(x2)

证明:
A ( x ) = A 0 ( x 2 ) + x A 1 ( x 2 ) = a 0 + a 2 x 2 + a 4 x 4 + ⋯ + a n − 2 x n − 2 + a 1 x 1 + a 3 x 3 + a 5 x 5 + ⋯ + a n − 1 x n − 1 A(x)=A_0(x^2)+xA_1(x^2)=a_0+a_2x^2+a_4x^4+\dots+a_{n-2}x^{n-2}+\\a_1x^1+a_3x^3+a_5x^5+\dots+a_{n-1}x^{n-1} A(x)=A0(x2)+xA1(x2)=a0+a2x2+a4x4++an2xn2+a1x1+a3x3+a5x5++an1xn1
得证!

x = ω n k x=\omega_n^k x=ωnk代入 A ( x ) = A 0 ( x 2 ) + x A 1 ( x 2 ) A(x)=A_0(x^2)+xA_1(x^2) A(x)=A0(x2)+xA1(x2)中,得到:
A ( ω n k ) = A 0 ( ω n 2 k ) + ω n k A 1 ( ω n 2 k ) = A 0 ( ω n 2 k ) + ω n k A 1 ( ω n 2 k ) A(\omega_n^k)=A_0(\omega_n^{2k})+\omega_n^kA_1(\omega_n^{2k})=A_0(\omega_{\frac{n}{2}}^{k})+\omega_n^kA_1(\omega_{\frac{n}{2}}^{k}) A(ωnk)=A0(ωn2k)+ωnkA1(ωn2k)=A0(ω2nk)+ωnkA1(ω2nk)

x = ω n k + n 2 x=\omega_n^{k+\frac{n}{2}} x=ωnk+2n代入 A ( x ) = A 0 ( x 2 ) + x A 1 ( x 2 ) A(x)=A_0(x^2)+xA_1(x^2) A(x)=A0(x2)+xA1(x2)中,得到:
A ( ω n k + n 2 ) = A 0 ( ω n 2 k + n ) + ω n k + n 2 A 1 ( ω n 2 k + n ) = A 0 ( ω n 2 k ) − ω n k A 1 ( w n 2 k ) = A 0 ( ω n 2 k ) − ω n k A 1 ( w n 2 k ) A(\omega_n^{k+\frac{n}{2}})=A_0(\omega_n^{2k+n}) + \omega_n^{k+\frac{n}{2}}A_1(\omega_n^{2k+n})=A_0(\omega_n^{2k})-\omega_n^kA_1(w_n^{2k})=A_0(\omega_{\frac{n}{2}}^{k})-\omega_n^kA_1(w_{\frac{n}{2}}^{k}) A(ωnk+2n)=A0(ωn2k+n)+ωnk+2nA1(ωn2k+n)=A0(ωn2k)ωnkA1(wn2k)=A0(ω2nk)ωnkA1(w2nk)

我们发现, A ( ω n k ) A(\omega_n^k) A(ωnk) A ( ω n k + n 2 ) A(\omega_n^{k+\frac{n}{2}}) A(ωnk+2n)的第一项完全相同,仅第二项为相反数。因此,如果知道 A 0 ( ω n 2 k ) A_0(\omega^k_{\frac{n}{2}}) A0(ω2nk) A 1 ( ω n 2 k ) A_1(\omega^k_{\frac{n}{2}}) A1(ω2nk)的值,我们就可以同时知道 A ( ω n k ) A(\omega^k_n) A(ωnk) A ( ω n k + n 2 ) A(\omega^{k+{n\over 2}}_n) A(ωnk+2n),所以可以用分治思想计算FFT,原问题的规模缩减了一半。

总结一下,FFT的计算如下:
A ( ω n k ) = A 0 ( ω n 2 k ) + ω n k A 1 ( ω n 2 k ) A(\omega_n^k)=A_0(\omega_{\frac{n}{2}}^{k})+\omega_n^kA_1(\omega_{\frac{n}{2}}^{k}) A(ωnk)=A0(ω2nk)+ωnkA1(ω2nk)

A ( ω n k + n 2 ) = A 0 ( ω n 2 k ) − ω n k A 1 ( w n 2 k ) A(\omega_n^{k+\frac{n}{2}})=A_0(\omega_{\frac{n}{2}}^{k})-\omega_n^kA_1(w_{\frac{n}{2}}^{k}) A(ωnk+2n)=A0(ω2nk)ωnkA1(w2nk)

可以通过这样的方式将一个多项式一直分解下去,如下图是对16点输入的分解:

快速傅立叶变换FFT学习笔记,隐私计算及密码学基础,傅立叶分析,信号处理

在计算FFT时,需要成对的点做蝶形运算,这里成对的点就是0和8、4和12等,这个分组的过程可以用bit reverse实现。

8点FFT计算图示:

快速傅立叶变换FFT学习笔记,隐私计算及密码学基础,傅立叶分析,信号处理

每一对数的蝶形运算:

快速傅立叶变换FFT学习笔记,隐私计算及密码学基础,傅立叶分析,信号处理

Bit Reverse确定蝶形运算对

从下面这个8点FFT可以很清楚地看到,FFT蝶形运算时打乱了输入的顺序(倒位序),倒位序是由bit reverse操作得到的。

快速傅立叶变换FFT学习笔记,隐私计算及密码学基础,傅立叶分析,信号处理

FFT的输入为倒位序,输出为自然顺序。

快速傅立叶变换FFT学习笔记,隐私计算及密码学基础,傅立叶分析,信号处理

Bit reverse的原理其实并不复杂,从上文中16点输入的奇偶分解那个图就很容易看出来。

用PyTorch实现bit reverse

import numpy as np
import torch


def bit_reverse(N, data):
    num_bits = int(np.log2(N))

    reverse_indices = torch.zeros(N, dtype=int)
    for i in range(N):
        reverse_indices[i] = int(f"{i:0{num_bits}b}"[::-1], 2)

    reverse_indices = reverse_indices.unsqueeze(0)
    reversed_data = torch.take_along_dim(data, reverse_indices, dim=-1)  
    # 对于一个多维的输入数据,只在dim=-1,也就是N维度上进行排列

    return reverse_indices, reversed_data


N = 8
# data = torch.tensor([10, 11, 12, 13, 14, 15, 16, 17])
data = torch.tensor([[10, 11, 12, 13, 14, 15, 16, 17],
                     [20, 21, 22, 23, 24, 25, 26, 27]])
reverse_indices, reversed_data = bit_reverse(N, data)
print('original data:\n', data)
print('reverse indices:', reverse_indices)
print('reversed data:\n', reversed_data)

_, reversed_data_back = bit_reverse(N, reversed_data)
print('reverse back:\n', reversed_data_back)
original data:
 tensor([[10, 11, 12, 13, 14, 15, 16, 17],
        [20, 21, 22, 23, 24, 25, 26, 27]])
reverse indices: tensor([[0, 4, 2, 6, 1, 5, 3, 7]])
reversed data:
 tensor([[10, 14, 12, 16, 11, 15, 13, 17],
        [20, 24, 22, 26, 21, 25, 23, 27]])
reverse back:
 tensor([[10, 11, 12, 13, 14, 15, 16, 17],
        [20, 21, 22, 23, 24, 25, 26, 27]])

RFFT和FFT

RFFT中的R是实数的意思,RFFT是FFT的特殊版本,为实数输入设计。RFFT利用了实数的傅立叶变换为共轭对称这个事实,因此RFFT只需要计算一半的傅立叶变换系数。所以RFFT效率明显高于FFT,并且也只有一半的存储开销。

快速傅立叶变换FFT学习笔记,隐私计算及密码学基础,傅立叶分析,信号处理

因此,当我们的输入为实数时(比如图像卷积任务),我们就可以利用实数的傅立叶变换为共轭对称这个特性,用RFFT替换FFT来提高计算效率。

为什么以实数为输入的FFT结果是共轭对称?

共轭对称示意图如下:

快速傅立叶变换FFT学习笔记,隐私计算及密码学基础,傅立叶分析,信号处理

可以看到以实数为输入的FFT的显著特征:在FFT域上,X[0]和X[N/2]都是实数(虚部为0),其他部分均为复数。复数部分成共轭对称,即X[i]和X[N-i]是共轭对称的。

我们直接看DFT的计算公式(把上文中的索引i改成了t,方便和复数i区分开):
A ( ω n k ) = ∑ t = 0 n − 1 a t ω n k t A(\omega_n^k)=\sum_{t=0}^{n-1}a_t\omega_n^{kt} A(ωnk)=t=0n1atωnkt

其中,
ω n k = e i 2 k π n \omega_{n}^{k} = e^{i\frac{2k\pi}{n}} ωnk=ein2

于是,代入得到:
A ( ω n k ) = ∑ t = 0 n − 1 a t e i 2 k t π n      ( 1 ) A(\omega_n^k)=\sum_{t=0}^{n-1}a_t e^{i\frac{2kt\pi}{n}}~~~~(1) A(ωnk)=t=0n1atein2ktπ    (1)

同时,我们可以计算出与上面点对称的点:
ω n n − k = e i 2 ( n − k ) π n \omega_n^{n-k}=e^{i\frac{2(n-k)\pi}{n}} ωnnk=ein2(nk)π

同样,代入得到:
A ( ω n n − k ) = ∑ t = 0 n − 1 a t ω n ( n − k ) t A(\omega_n^{n-k})=\sum_{t=0}^{n-1}a_t \omega_n^{(n-k)t} A(ωnnk)=t=0n1atωn(nk)t

其中,
ω n ( n − k ) t = ω n n t − k t = ω n n t / ω n k t = ω n − k t \omega_n^{(n-k)t}=\omega_n^{nt-kt}=\omega_n^{nt}/\omega_n^{kt}=\omega_n^{-kt} ωn(nk)t=ωnntkt=ωnnt/ωnkt=ωnkt

于是,
A ( ω n n − k ) = ∑ t = 0 n − 1 a t ω n − k t = ∑ t = 0 n − 1 a t e − i 2 k t π n      ( 2 ) A(\omega_n^{n-k})=\sum_{t=0}^{n-1}a_t \omega_n^{-kt}=\sum_{t=0}^{n-1}a_t e^{-i\frac{2kt\pi}{n}}~~~~(2) A(ωnnk)=t=0n1atωnkt=t=0n1atein2ktπ    (2)

容易发现,式(1)和(2)只是在 e e e的指数上为相反数关系!
根据欧拉公式,对于(1):
e i 2 k t π n = c o s 2 k t π n + i s i n 2 k t π n e^{i\frac{2kt\pi}{n}}=cos\frac{2kt\pi}{n}+isin\frac{2kt\pi}{n} ein2ktπ=cosn2ktπ+isinn2ktπ

对于(2):
e − i 2 k t π n = c o s 2 k t π n − i s i n 2 k t π n e^{-i\frac{2kt\pi}{n}}=cos\frac{2kt\pi}{n}-isin\frac{2kt\pi}{n} ein2ktπ=cosn2ktπisinn2ktπ

证毕!

用PyTorch实现FFT和RFFT

import torch
torch.manual_seed(55)

N = 8
x = torch.randint(0, 5, (1, N))
print('x:', x)

x_fft = torch.fft.fft(x)  # 中心共轭对称的fft值
print('x_fft:', x_fft)

x_ifft = torch.fft.ifft(x_fft)
print('x_ifft:', x_ifft)

x_rfft = torch.fft.rfft(x)  # 只存前半部分的fft值
print('x_rfft:', x_rfft)

x_irfft = torch.fft.irfft(x_rfft)
print('x_irfft:', x_irfft)
x: tensor([[2, 4, 0, 2, 3, 3, 4, 2]])
x_fft: tensor([[20.0000+0.0000j, -0.2929+3.2929j,  1.0000-3.0000j, -1.7071-4.7071j,
         -2.0000+0.0000j, -1.7071+4.7071j,  1.0000+3.0000j, -0.2929-3.2929j]])
x_ifft: tensor([[2.+0.j, 4.+0.j, 0.+0.j, 2.+0.j, 3.+0.j, 3.+0.j, 4.+0.j, 2.+0.j]])
x_rfft: tensor([[20.0000+0.0000j, -0.2929+3.2929j,  1.0000-3.0000j, -1.7071-4.7071j,
         -2.0000+0.0000j]])
x_irfft: tensor([[2., 4., 0., 2., 3., 3., 4., 2.]])

在这个结果中可以观察到两点为实数、其余点共轭对称、RFFT仅存储FFT前一半结果的性质。
注意:实际上,在PyTorch的RFFT实现中,就是先计算的FFT,然后截掉后半部分对称的结果。而在实际的FFT硬件计算架构中,做了更复杂的优化,并不需要计算完整的N点FFT。文章来源地址https://www.toymoban.com/news/detail-816835.html

一大堆参考文献

  • 零知识证明 - 理解FFT的蝶形运算
  • 十分简明易懂的FFT(快速傅里叶变换)
  • 大数乘法—多项式与快速傅里叶变换
  • 快速傅立叶变换(Fast Fourier Transform)
  • fft海面模拟(二)
  • 彻底搞懂快速傅里叶变换FFT–旋转因子
  • 快速傅里叶变换(FFT)之一:Radix-2 DIT FFT
  • Rfft 和 FFT 有什么区别?
  • 离散傅里叶变换的衍生,负频率、fftshift、实信号、共轭对称

到了这里,关于快速傅立叶变换FFT学习笔记的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 压缩编码之变换的选择之离散余弦变换(DCT)和离散傅立叶变换(DFT)——数字图像处理

    变换的选择是一个关键的考量因素,它决定了数据是如何被压缩的。选择变换时考虑以下几个重要原则: 数据去关联性 :变换的目的之一是减少数据中的相关性。例如,在图像压缩中,像素间往往高度相关。通过适当的变换,如离散余弦变换(DCT),可以将这些相关性转化

    2024年02月02日
    浏览(55)
  • 傅立叶之美:深入研究傅里叶分析背后的原理和数学

            T傅里叶级数及其伴随的推导是数学 在现实世界 中最 迷人的 应用 之一。我一直主张通过理解数学来理解我们周围的世界。 从使用线性代数设计神经网络,从混沌理论理解 太阳系 ,到弦理论理解 宇宙的基本组成部分 ,数学无处不在。         当然,这些是

    2024年04月12日
    浏览(44)
  • 快速傅里叶变换FFT学习笔记

    我们正常表示一个多项式的方式,形如 (A(x)=a_0+a_1x+a_2x^2+...+a_nx^n) ,这是正常人容易看懂的,但是,我们还有一种表示法。 我们知道, (n+1) 个点可以表示出一个 (n) 次的多项式。 于是,我们任意地取 (n+1) 个不同的值,表示 (x) ,求出的值与 (x) 对应,形成 (n+1) 个点

    2024年02月01日
    浏览(50)
  • 快速傅里叶变换(FFT)算法学习

    人生如逆旅,我亦是行人。 算法的世界多么广大,我们可以将算法大致分为两类: 第一类是较为有用的算法:比如一些经典的图算法,像 DFS 和 BFS(深度 / 广度优先算法),这些算法应用在很多方面,他们非常高效, 第二类算法是那些极具美感的算法:例如当我们第一次看

    2024年02月05日
    浏览(47)
  • 快速傅里叶变换——FFT

    1·为什么要进行傅里叶变换 傅里叶变换——进行信号的分解过程 时域信号——分解成一系列频率下的正弦//余弦信号(两者在相位上有所不同),一般情况下可以统称为正弦信号。  上图表示了傅里叶的变化过程。对于时域的信号,可以将其分解成一系列频域下的正弦信号,

    2024年02月10日
    浏览(45)
  • MATLAB——FFT(快速傅里叶变换)

    基础知识 FFT即快速傅里叶变换,利用周期性和可约性,减少了DFT的运算量。常见的有按时间抽取的基2算法(DIT-FFT)按频率抽取的基2算法(DIF-FFT)。 1.利用自带函数fft进行快速傅里叶变换 若已知序列 x = [ 4 , 3 , 2 , 6 , 7 , 8 , 9 , 0 ] x=[4,3,2,6,7,8,9,0] x = [ 4 , 3 , 2 , 6 , 7 , 8 , 9 , 0 ]

    2024年02月03日
    浏览(75)
  • 快速傅里叶变换(FFT)c语言实现

    基本原理在这里就不多讲了,可以看看其他高浏览量的博文,这篇文章针对c语言的实现         我们都知道C语言本身是没有复数运算的,很多DSP、单片机要用到也没有开源库可以使用复数运算,针对FFT在硬件上运行只能手动从底层开始 定义复数类型         这里用最简单

    2023年04月15日
    浏览(50)
  • FPGA:实现快速傅里叶变换(FFT)算法

    第一次使用FPGA实现一个算法,搓手手,于是我拿出一股势在必得的心情打开了FFT的视频教程,看了好几个视频和好些篇博客,于是我迷失在数学公式推导中,在一位前辈的建议下,我开始转换我的思维, 从科研心态转变为先用起来 ,于是我关掉我的推导笔记,找了一篇叫我

    2024年02月03日
    浏览(47)
  • 快速傅里叶变换(FFT)的频谱分辨率

    快速傅里叶变换Fast Fourier Transform (FFT)是快速计算离散傅里叶变换的一种算法,是我们在编程时进行傅里叶变换的主要方法。 FFT的输入与输出的个数一致,比如对于长度为1024的一维向量,其输出也为长度为1024的一维向量。而根据Nyquist-Shannon 采样定律,当采样率 为1Mhz(每秒

    2024年02月13日
    浏览(50)
  • Python中利用FFT(快速傅里叶变换)进行频谱分析

    本文将从实例的角度出发讲解fft函数的基本使用,不包含复杂的理论推导。 要对一个信号进行频谱分析,首先需要知道几个基本条件。 采样频率fs 信号长度N(信号的点数) 采样频率fs: 根据采样定理可知,采样频率应当大于等于被测信号里最高频率的2倍,才能保证不失真

    2024年01月17日
    浏览(52)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包