傅里叶快速变换.ppt

图4.2.14 DIT―FFT的一种变形运算流图 输入顺序、输出倒序的DIT-FFT 图4.2.15 DIT―FFT的一种变形运算流图 输入顺序、输出顺序的DIT-FFT DIT-FFT和DIF-FFT互为转置关系，每一种DIT-FFT都对应着一种DIF-FFT ----二者是等价的FFT 4.2.6 IDFT的高效算法 上述FFT算法流图计算IDFT。比较DFT和IDFT的运算公式： 图4.2.16 DIT―IFFT运算流图 图4.2.17 DIT―IFFT运算流图(防止溢出) 如果希望直接调用FFT子程序计算IFFT，则可用下面的方法： 由于 对上式两边同时取共轭，得 把X(k)取共轭，可直接调用FFT的程序求IFFT，运算结果再取一次共轭，并乘以1/N 第4章 快速傅里叶变换(FFT) 4.2 基2FFT算法 4.2.1 减少运算量的基本途径 1 旋转因子的周期性 2 旋转因子的对称性 （1） （2） 3 旋转因子的约分性 FFT的基本思想：把长序列的DFT分解为n个短序列的DFT，根据旋转因子的特性，减少运算次数，主要减少乘法的次数。 2-FFT分为两类 时域抽取法FFT：DIT-FFT 频域抽取法FFT：DIF-FFT 4.2.2 时域抽取法基2FFT基本原理 设序列x(n)的长度为N，且满足 算法的思想：在时域进行M级奇偶抽取，利用旋转因子的对称性，将N点DFT变成M级蝶形运算 为自然数 按n的奇偶把x(n)分解为两个N/2点的子序列 则x(n)的DFT为 由于 所以 X1(k)和X2(k)分别为x1(r)和x2(r)的N/2点DFT 而且X1(k)和X2(k) 周期 为N/2 根据对称性 同理 可得 所以 将N点DFT分解为两个N/2点的DFT A=X1(k) B=X2(k) C=WNk 图4.2.1 蝶形运算符号 一次复数乘，两次复数加 经过一次分解，计算一个N点DFT变成计算两个N/2点DFT和N/2个蝶形运算。 两个N/2点DFT复数乘法次数： 复数加法次数： N/2个蝶形运算所用的复数乘法： 复数加法次数： N 总共的复数加法： 所以计算N点DFT总的复数乘法： 经过一次分解后运算量减少了将近一倍 与第一次分解相同，将x1(r)按奇偶分解成两个N/4长的子序列x3(l)和x4(l)，即 那么，X1(k)又可表示为 N=2M，N/2仍然是偶数，可以对两个N/2点DFT进行分解 同理，由X3(k)和X4(k)的周期性和 W N/2k的对称 性 Wk+N/4 N/2=-Wk N/2 最后得到： 式中 用同样的方法可计算出 其中 图4.2.4 N点DIT―FFT运算流图(N=8) 依次类推，经过M次分解，最后将N点DFT分解为N/2个2点的DFT 4.2.3 2DIT―FFT算法与直接计算DFT运算量的比较 N=2M，流图中共有M级蝶形，每一级有N/2个蝶形，每个蝶形需要一次复数乘法和两次复数加法，所以每一级运算都需要N/2次复数乘和N次复数加法。 所以，M级运算总共需要的复数乘次数为 复数加次数为 直接进行DFT的复数乘法：N2 复数加法：N(N-1) 图4.2.5 FFT算法与直接计算DFT所需乘法次数的比较 例如，N=210=1024时 运算效率提高200多倍 372.4 2048 204.8 1024 113.8 512 64.0 256 36.9 128 21.4 64 12.8 32 8.0 16 5.4 8 4.0 4 4.0 2 FFT算法与直接算法的运算量比较 对于N=2M，FFT 分级的级数：M=log2N 每级蝶形算子个数：N/2 总的复数乘法： 总的复数加法：Nlog2N 总结： 4.2.4 DIT―FFT的运算规律 1.原位计算 利用同一存储单元存储蝶形计算输入和输出的数据 2.旋转因子的变化规律 每级都有N/2个蝶形，每个蝶形都要乘以旋转因子WpN，p称为旋转因子的指数。 第1级 第2级 第3级 N=8=23 第1级 第2级 第3级 N=23=8时的各级旋转因子表示如下： L=1时， ， J=0 L=2时， ， J=0，1