第四章快速傅氏变换.ppt

引言： 离散傅里叶变换在实际应用中是非常重要的，利用它可以计算信号的频谱、功率谱和线性卷积等。 但是，如果使用定义式来直接计算DFT，当N很大时，即使使用高速计算机，所花的时间也太多。因此，如何提高计算DFT的速度，便成了重要的研究课题。 1965年库利 (Cooley)和图基(Tukey)在前人的研究成果的基础上提出了快速计算DFT的算法，之后，又出现了各种各样快速计算DFT的方法，这些方法统称为快速傅里叶变换(Fast?Fourier Transform)，简称为FFT。 快速傅里叶变换(FFT)是离散傅里叶变换(DFT)的快速算法 它是DSP领域中的一项重大突破，它考虑了计算机和数字硬件实现的约束条件、研究了有利于机器操作的运算结构，使DFT的计算时间缩短了1~2个数量级，还有效地减少了计算所需的存储容量。 FFT技术的应用极大地推动了DSP的理论和技术的发展，成为数字信号处理强有力的工具。 在导出FFT算法之前，先估计一下直接计算DFT所需计算量。 DFT的定义 将DFT定义式展开成方程组 用向量表示： 从矩阵形式表示可以看出 每计算一个X(k)值需要N次复乘法和(N-1)次复数加法，因而计算N个X(k)值，共需N2次复乘法和N(N-1)次复加法。 每次复乘法包括4次实数乘法和2次实数加法，每次复加法包括2次实数加法， 因此计算N点的DFT共需要4N2次实数乘法和(2N2+2N·(N-1))次实数加法。当N很大时，这是一个非常大的计算量。 例如当N=1024，N2 =1048576。 在实际中，N往往是比较大的，因此有必要对DFT的计算予以改进。 首先考察WNnk的一些特殊性质： §4.1??基2时间抽选法（库里—图基算法） 一、基本原理：利用旋转因子WNnk的对称性和周期性，将一个长序列x(n)的DFT计算，在时域上按奇偶抽选分解成短序列的DFT来计算。 设N＝2M，M为正整数。为推导方便，取N＝23＝8，即离散时间信号为 x(n)={x(0), x(1), x(2), x(3), x(4), x(5), x(6),x(7)} 将序列x(n)分为奇偶两组，一组序号为偶数，另一组序号为奇数，即 {x(0), x(2), x(4), x(6) | x(1), x(3), x(5), x(7)} 分别表示为： g(r) = x(2r) —— 偶数项 h(r) = x(2r+1) —— 奇数项 r=0, 1, …, N/2-1 根据DFT的定义 X(k)是N点序列，式4.1计算得到的只是前一半项数的结果 要用G(k)和H(k)来表达全部的X(k)值还必须考虑后半部分项数（k+N/2）。 利用系数周期性， 这样就把一个N点的DFT分解成了两个N/2点的DFT，只是最后求和的符号不同。 式4.1与4.2的运算可用蝶形信号流图来表示 按照式4.1和式4.2可画出下图所示的信号流程图。 式4.1和式4.2把原N点DFT计算分解成两个N/2点DFT计算。 照此可进一步把每个N/2点DFT的计算再各分解成两个N/4点DFT的计算。 具体说来，是把{x(0)，x(2)，x(4)，x(6)}和{x(1)，x(3)，x(5)，x(7)}分为{x(0)，x(4) | x(2)，x(6)}和{x(1)，x(5) | x(3)，x(7)}。 G(k)和H(k)分别计算如下: 这样 ，用式(4.3)～(4.6)就可计算图1中的两组N/2点DFT。 图2所示的是其中一组G(k)的计算。 将图1与图2合并，便得到图3所示的信号流程图。 N=8，图3中N/4点的DFT就是2点的DFT。 从图4中可看出几个特点： (1)流程图的每一级的基本计算单元都是一个蝶形； ???? (2)输入x(n)不按自然顺序排列，称为“混序”排列，而输出 X(k)按自然顺序排列，称为“正序”排列，因而要对输入进行“变址”； (3)由于流程图的基本运算单元为蝶形，所以可以进行“同址”或“原位”计算。 二、运算量的减少（蝶形计算） 任何一个N为2的整数幂（即N=2M）的DFT，都可以通过M次分解，最后成为2点的 DFT来计算。M次分解构成了从x(n)到X(k)的M级迭代计算，每级由N/2个蝶形组成。 因此，完成N点的时间抽选FFT计算的总运算量为 不同N值所对应的两种计算方法的复数乘法次数和它们的比值 三、同址(原位)计算 图4包含M级迭代运算，每级由N/2个蝶形计算构成。蝶形计算的优点是可进行所谓同址(原位)计算。 首先每一个蝶形运算都需要两个输入数据，计算结果也是两个数据，与其它结点的数据无关，其它蝶形运算也与这两结点的数据无关。 因此，一个蝶形运算一旦计算完毕，原输入数据便失效了。这就意味着输出数据可以立即使用原输入数据结点所占用的内存。原来的数据也就