快速入门 FFT
本文适合不想完全了解 FFT 原理不过想实现 FFT 算法的人
FFT 简介
FFT 也就是常说的快速傅里叶变换，其实本质上和傅里叶变换没有什么不同，也就是通过算法减少了一些乘法和加法的运算；DFT 的时间复杂度是 N² 级别的，而 FFT 的却是对数级别的复杂度，从而在 FFT 在数据量大的时候运算时间并不会高太多，这就使得 FFT 具有了在工程上的使用价值
FFT 算法简介
上面这张图是来自维基的介绍，简单来说的话，FFT 将数据按照索引地址按奇数和偶数分为两半，这两半数据还可以继续抽取，直到最后分解为单独的数据；然后利用了单位根的一些特性，减少了一些乘加步骤
但是顺序输入的数据，最后得到的结果是乱序的；为了得到顺序的输出，一般我们会将输入数据提前进行整理；因为 FFT 的输出索引地址会位反转，可以利用这个特性提前整理好输入数据，例如：输入 [1 2 3 4 5 6 7 8] 就整理为 [1 5 3 7 2 6 4 8]
FFT 第一个版本实现
最开始我为了能弄懂 FFT ，我就通过手算来了解 FFT 的过程，也就是通过上面那张图中的公式，一级级计算 FFT 的结果
最后根据手算的步骤实现了下面这个版本，其中单位根的复指数计算就直接手动计算完存表表了，在实现后发现只能够适用 4 个数的输入
import cmath
table = [1+0j,2+0j,3+0j,4+0j]
rotate_table = [1+0j,0-1j,-1+0j,0+1j]
result = []
N = 4
k = 0
r = 0
tmp = 0
while k < len(table):
while r < len(table)/2:
tmp = tmp + table[2*r]*rotate_table[(2*r*k)%4] + table[2*r+1]*rotate_table[((2*r+1)*k)%4]
r = r + 1
result.append(tmp)
tmp = 0
k = k + 1
r = 0
print(result)
运行结果如下
PS D:\Files\dsp\python> python.exe .\my_fft.py
[(10+0j), (-2+2j), (-2+0j), (-2-2j)]
matlab fft 的结果如下
>> x = [1 2 3 4];X = fft(x)
X =
10 + 0i -2 + 2i -2 + 0i -2 - 2i
FFT 第二个版本的实现
最开始看到书上的 FFT 特点的时候，还不是太了解，所以上面的那个实现非常的简陋
原址运算的特点使得 FFT 占用空间为 N，每个蝶形运算结束后，输出节点的两个值直接放到原输入的两个节点中；这个特点给了我对算法的基本思路，算法是从整理输入数据顺序开始的
不满足 2 的 N 次方的情况直接不考虑了
通过观察，可以看出每层蝶形运算的规律：如果将每层的蝶形运算分组的话，每层的蝶形运算的组数和每组的蝶形运算次数的乘积是一定的，为 N/2。具体可以参考这篇文章
基于这些特点就有了下面这个第二个版本的 FFT
import cmath
import math
def reverseBits(n, bits): # 整理数据子函数
return int(bin(n)[2:].rjust(int(bits), '0')[::-1], base=2)
table = [1,2,3,4,5,6,7,8] # 输入数据
result = [] # 存储结果
L = math.log(len(table), 2) # 蝶形运算的层数
N = len(table) # 输入数据的长度
tmp = 0
tmp_i = 0
while tmp_i < N/2: # 整理数据过程
tmp = table[tmp_i]
table[tmp_i] = table[reverseBits(int(tmp_i), int(L))]
table[reverseBits(tmp_i, L)] = tmp
tmp_i = tmp_i + 1
print(table)
k = 0 # 一组里的 k 次蝶形
m = 1
i = len(table)/2 # i 组蝶形
j = 0 # 第 j 组蝶形
while m <= L:
while j < i: # i组蝶形 4/2=2
while k < N/2/i: # k次蝶形运算
r = (j*(2**m) + k)*(2**(L-m))
tmp_1 = table[j*(2**m) + k]
tmp_2 = table[j*(2**m) + k+2**(m-1)] * cmath.exp(-1j*2*cmath.pi*r/N)
table[j*(2**m) + k] = tmp_1 + tmp_2
table[j*(2**m) + k+2**(m-1)] = tmp_1 - tmp_2
k = k + 1
j = j + 1
k = 0
i = i/2
j = 0
m = m+1
print(table)
运行结果如下：
PS D:\Files\dsp\python> python.exe .\my_fft_2.py
[1, 5, 3, 7, 2, 6, 4, 8]
[(36+1.3471114790620885e-14j), (-4.000000000000009+9.656854249492383j), (-4.000000000000006+3.9999999999999982j), (-4.000000000000005+1.656854249492377j), (-4-1.0042103753008295e-14j), (-3.9999999999999942-1.6568542494923832j), (-3.999999999999994-4.000000000000002j), (-3.999999999999991-9.656854249492376j)]
matlab 中的结果如下：
>> x = [1 2 3 4 5 6 7 8];X = fft(x)
X =
Columns 1 through 4:
36.0000 + 0.0000i -4.0000 + 9.6569i -4.0000 + 4.0000i -4.0000 + 1.6569i
Columns 5 through 8:
-4.0000 + 0.0000i -4.0000 - 1.6569i -4.0000 - 4.0000i -4.0000 - 9.6569i
和 matlab 中的对比还存在精度的问题，这个与 python 的 cmath 库提供的指数运算有关，我觉得可以考虑像第一版的实现一样，将指数运算优化掉，不过暂时不打算不去考虑这个问题了