离散傅里叶变换的矩阵表示及其运算量.pptVIP

第4章 FFT 4.1 引言 4.1.1 离散傅里叶变换的矩阵表示及其运算量 DFT在数字信号处理中起着非常重要的作用， 这是与DFT存在着高效算法， 即快速傅里叶变换(FFT) 分不开的。快速运算的关键是减少运算量。 离散傅里叶变换对为： (4.1) (4.2) 式中 。 下面要用矩阵来表示DFT关系。 一般情况下，信号序列x(n) 及其频谱序列X(k) 都是用复数来表示的，WN当然也是复数。因此，计算DFT的一个值X(k) 需要进行N次复数乘法（与1相乘也包括在内）和N-1次复数加法；所以，直接计算N点的DFT需要进行N2 次复数乘法和N(N-1) 复数加法。 显然，直接计算N点的IDFT所需的复乘和复加的次数也是这么多。当N足够大时，N2 ≈ N(N-1), 因此，DFT与IDFT的运算次数与N2 成正比，随着N的增加，运算量将急剧增加，而在实际问题中，N往往是较大的，因此有必要对DFT与IDFT的计算方法予以改进。 4.1.2 因子的特性 DFT和IDFT的快速算法的导出主要是根据 因子的特性。 1．周期性： 对离散变量n有同样的周期性。 2．对称性： 或 3. 其它: 4.2 基2时间抽选的FFT算法 4.2.1 算法推导 已经知道： 令DFT的长度N=2M，M为正整数。 令： 于是有： 其中， 是由x(n)的偶数抽样点形成的DFT；而 是由x(n)的奇数抽样点形成的DFT。但是这两个式子并不完全是N/2点的DFT，因为k的范围仍然是由0到N-1，因此，还应该进一步考虑k由N/2到N-1范围的情况。 现在令 ，故对于后半段有： 同理： 又知： 综上所述，可以得到： 其中G(k)、P(k) 分别是x(n)的偶数点和奇数点的N/2点DFT。 这样，我们就将一个N点的DFT分解成了两个N/2点的DFT，由于DFT的运算量与其点数的平方成正比，因此使运算量减少了。但是，还应该将每一个N/2点的DFT再分解为两个N/4点的DFT，如此下去，直到分解为2点的DFT为止，总共需要进行log2N-1=log2(N/2)次分解。 对于2点DFT，有： 所以2点DFT的运算只需一次加法和一次减法，这样的运算叫做蝶形运算，这样的信号流图叫做蝶形图。 该算法每次分解都是将时域序列按奇偶分为两组，因此要求N等于2的正整数幂，故将这种FFT算法叫做基2时间抽选法。 4.2.2 算法特点 1. 倒序重排 这种FFT算法的每次分解都是将输入序列按照奇偶分为两组，故要不断地将每组输入数据按奇偶重排，直到最后分解为2点的DFT，输入数据才不再改变顺序。这样做的结果，使得作FFT运算时，输入序列的次序要按其序号的倒序进行重新排列。 现在将图4.4中输入序号以及重排后的序号按二进制写出如下（注：下标“2”表示二进制数）。可以看出，将输入序号的二进制表示（n2n1n0）位置颠倒，得到（n0n1n2），就是相应的倒序的二进制序号。因此，输入序列按倒序重排，实际上就是将序号为（n2n1n0）的元素与序号为（n0n1n2）的元素的位置相互交换。 2. 同址计算 从图4.4可以看出，整个算法流图可以分为四段，（0）段为倒序重排，后面3段为3(log28=3)次迭代运算：首先计算2点DFT，然后将2点DFT的结果组合成4点DFT，最后将4点DFT组合为8点DFT。因此，对于N点FFT，只需要一列存储N个复数的存储器。 3. 运算量 观察图4.4可知，图4.3所示的蝶形图实际上代表了FFT的基本运算，它实际上只包含了两次复数加法运算