从另一个角度理解FFT(在多项式乘法中应用).docxVIP

从另一个角度理解FFT（在多项式乘法中的应用）negiizhao——我一个信号处理算法，怎么用来算多项式乘法了呢？　　很多同学学习FFT时，看到那“一堆符号”“一堆算式”就决定“Ctrl+W并去背板”。这篇文章或许能帮助那些同学从另一个角度理解FFT的过程。　　不要被下文中的某些矩阵吓到，有些只是为了表达原理方便，在实际中我们并不需要实现这些矩阵，而是实现它的功能（如左乘这个矩阵表示什么意思），这时应更多关注它在算法中是用来干什么的。　　2016.03.28更新后就用黑体小写字母a表示向量了。虽说?看起来可能要更清楚，但那毕竟还是更多地用于手写。1. 关于多项式乘法　　我们使用系数表示一个n次多项式，即使用序列?表示多项式。我们通常称之为多项式的系数表示。　　我们也可以选取n个不同的数代入多项式得到n个值?，用n个有序数对表示这个多项式，其函数图像经过了这n个有序数对所表示的点。可以证明这样所表示的多项式是唯一的。我们通常称之为多项式的点值表示。　　从系数表示得到点值表示的过程称为求值，从点值表示得到系数表示的过程称为插值。　　已知多项式和的系数表示，我们可以得到这两个多项式的乘积的系数表示。为了得到中项的系数，考虑当j+k=i时，。所以只需对所有满足?j+k=i的j和k，求出并求和。即。　　我们称向量c为a和b的离散卷积，记作c=a*b。多项式乘法实质上就是在计算离散卷积。直接根据定义计算离散卷积所需时间为。当n较大时，计算过程将会十分缓慢费时。　　如果已知两个多项式在相同的n个数上的点值表示，求这两个多项式乘积的点值表示是容易的，因为。即我们可以用时间完成这一过程。　　然而我们通常使用系数表示法表示多项式，如何快速地完成求值和插值就显得很重要。　　现在我们考虑如何选取??。2. 单位根和DFT　　以下的讨论均默认在复数域内、i表示虚数单位、使用弧度，读者至少应对复数、三角函数、弧度和矩阵有最基本的了解。　　在引入单位根的概念之前，我们先考虑一下复数乘法的几何意义。　　复数在复平面上表示的点P到原点O的距离r称为复数的模，x轴到OP的夹角θ称为辐角。我们可以把复数z表示为。对于复数，我们可以得出，，证明如下。?　　现在我们引入单位根的概念。n次单位根是指满足方程的数，因为n次方程有n个解，所以n次单位根共有n个。根据复数乘法的几何意义，不难想到n次单位根的模为1，辐角的n倍为0。那么n次单位根可以表示为?根据欧拉公式，n次单位根也可以表示为?　　为了方便，我们通常会把上式的放在分子上写成，这就是那“一堆符号”的来历。为了避免“一堆符号”，我们记，那么n次单位根可以表示为。（至于这里为什么出现了负号，后面会提到，其实只是信号处理中的习惯罢了。）下图是5次单位根。对于单位根，显然有两个性质和?ω2k2n=ωkn?。如果不理解可以看下面的证明　　现在我们引入DFT的概念。我们可以用矩阵乘法表示对求值的过程。?　　那么若，则系数向量a,b,c满足（表示对应元素相乘）。　　不难想到插值过程可以表示为。　　令，则矩阵现在为?为了进行插值，我们需要矩阵的逆元其中?称为傅里叶矩阵。　　为什么要用这个矩阵？因为它有一些特别的性质，下一小节将会详细叙述。　　现在，我们得到了系数向量a和点值向量y之间的关系,?。　　我们把a称为y的离散傅里叶变换(discrete Fourier transform, DFT)，y称为a的离散傅里叶逆变换(inverse discrete Fourier transform, IDFT)。在信号处理中这两个变换有很重要的意义。而在多项式乘法应用中，我们可以通过计算得到c。直接计算矩阵乘法的时间复杂度仍是。接下来我们考虑如何快速地完成这一矩阵乘法。——–下面是一些题外话，如果接受不能可以忽略前面直接看结论——–　　或许有人也发现了，我似乎把DFT和IDFT搞反了？事实上并不是。DFT最早的应用——信号处理，就是对时域信号进行n次采样，用DFT转换成频域信号以方便过滤噪声。那么是不是其他资料写错了？也不是。看完这一段就会知道为什么了。我们也可以不用矩阵表示DFT和IDFT，但可能理解起来有点困难，特别是后面关于如何加速这一计算过程。（当然如果您比较强就当我没说。。不过dalao对我这辣鸡blog也没什么兴趣吧？）?　　可以发现，两个变换过程的区别在于系数（这里分别是1和）和指数（或弧度）的符号。事实上，这仅仅是个习惯约定，实际应用中并不都是这样处理，而是考虑如何表达比较方便。DFT和IDFT本质上是没有区别的，对两者的要求只是系数的积为，符号不同。　　而在多项式乘法应用中，为了保证求值的结果是多项式的一个点值表示，求值过程中不能乘，于是插值过程必须乘。过程对于指数的符号是没有要求的，所以说，即使把符号对调，你的多项式