试验6FFT算法的应用-Read.DOCVIP

信号与系统小组报告 实验题目：快速傅立叶变换（FFT）算法实现 实验项目名称：快速傅立叶变换（FFT）算法实现 一、实验原理： 基—2按时间抽取FFT算法 对于有限长离散数字信号{x[n]}，0 ( n ( N-1，其离散谱{x[k]}可以由离散付氏变换（DFT）求得。DFT的定义为 可以方便的把它改写为如下形式： 不难看出，WN是周期性的，且周期为N，即 WN的周期性是DFT的关键性质之一。为了强调起见，常用表达式WN取代W以便明确其周期是N。 由DFT的定义可以看出，在x[n]为复数序列的情况下，完全直接运算N点DFT需要（N-1）2次复数乘法和N（N-1）次加法。因此，对于一些相当大的N值（如1024）来说，直接计算它的DFT所作的计算量是很大的。FFT的基本思想在于，将原有的N点序列序列分成两个较短的序列，这些序列的DFT可以很简单的组合起来得到原序列的DFT。例如，若N为偶数，将原有的N点序列分成两个（N/2）点序列，那么计算N点DFT将只需要约[(N/2)2 ·2]=N2/2次复数乘法。即比直接计算少作一半乘法。因子（N/2）2表示直接计算（N/2）点DFT所需要的乘法次数，而乘数2代表必须完成两个DFT。上述处理方法可以反复使用，即（N/2）点的DFT计算也可以化成两个（N/4）点的DFT（假定N/2为偶数），从而又少作一半的乘法。这样一级一级的划分下去一直到最后就划分成两点的FFT运算的情况。比如，一个N = 8点的FFT运算按照这种方法来计算FFT可以用下面的流程图来表示： 二、实验内容： 将DFT算法与FFT算法计算时间进行比较，分析二者的效率和精确差异。 三、实验数据及结果分析： 程序： %主程序 比较DFT,FFT算法效率 K=input(K=); x=randn(1,2^K); tic,X=fft(h),toc tic,X=myditfft(h),toc tic,X=mydft(h),toc %FFT算法 function y=myditfft(x) m=nextpow2(x);N=2^m; %求x的长度对应的2的最低次幂m if length(x)N x=[x,zeros(1,N-length(x))]; %若x的长度不是2的幂，补零到2的整次幂 end nxd=bin2dec(fliplr(dec2bin([1:N]-1,m)))+1; %求1:2^m数列的倒序 y=x(nxd); %将x倒序排列作为y的初始值 for mm=1:m %将DFT作m次基2分解，从左到右，对每次分解作DFT运算 Nmr=2^mm;u=1; %旋转因子u初始化为WN^0=1 WN=exp(-i*2*pi/Nmr); %本次分解的基本DFT因子WN=exp(-i*2*pi/Nmr) for j=1:Nmr/2 %本次跨越间隔内的各次碟形运算 for k=j:Nmr:N %本次蝶形运算的跨越间隔为Nmr=2^mm kp=k+Nmr/2; %确定蝶形运算的对应单元下标 t=y(kp)*u; %蝶形运算的乘积项 y(kp)=y(k)-t; %蝶形运算的加法项 y(k)=y(k)+t; %蝶形运算的加法项 end u=u*WN;%修改旋转因子，多乘一个基本DFT因子WN end end %DFT算法 function y=mydft(x) N=length(x); n=0:N-1;k=n; WN=exp(-j*2*pi/N); nk=n*k;WNnk=WN.^nk; Xk=x*WNnk;y=Xk; 四、实验结论： 通过对实验结果的分析比较得出以下结论： 1)、N=2M的DFT运算可分成M级，每一级有N/2个蝶形 ，每个蝶形有一次复乘两次复加。 2)、所以M 3)、若直接计算DFTN2次复乘和N(N-1)次复加