快速傅里叶变换 FFT

Eloudy

已于 2025-06-30 17:19:49 修改

阅读量828

点赞数 20

CC 4.0 BY-SA版权

文章标签：算法机器学习人工智能

于 2025-06-30 16:28:41 首次发布

本文链接：https://blog.csdn.net/eloudy/article/details/149025335

本篇关注从 DFT 到 FFT 的过渡。

快速傅里叶变换（FFT）是离散傅里叶变换（DFT）的高效算法，其核心思想是利用 DFT 的对称性和周期性，将计算复杂度从 $O(N^2)$ 降低到 $O(N \log N)$ 。接下来概述性地罗列一下推导过程。

1. DFT 的标准定义回顾

这次使用化简友好的书写格式，DFT 的定义式为：

$X[k] = \sum_{n=0}^{N-1} x[n] \cdot W_N^{kn}, \quad k = 0,1,\dots,N-1$

其中：

$W_N = e^{-j \frac{2\pi}{N}}$ （旋转因子，Twiddle Factor）

$W_N^{kn} = e^{-j \frac{2\pi}{N} kn}$

直接计算 DFT 需要 $N^2$ 次复数乘法和加法，计算量较大。

2. FFT 的核心思想：分治法（Divide and Conquer）

FFT 的关键在于将 DFT 分解为更小的 DFT，从而减少计算量。最经典的 FFT 算法是 Cooley-Tukey 算法，适用于 $N = 2^m$ （即 N 是 2 的幂次）。

(1) 将 DFT 分解为奇偶序列

假设 N 是偶数，将输入序列 $x[n]$ 分成偶数索引和奇数索引两部分：

$\begin{cases} x_{\text{even}}[m] = x[2m], \quad m = 0,1,\dots,\frac{N}{2}-1 \\ x_{\text{odd}}[m] = x[2m+1], \quad m = 0,1,\dots,\frac{N}{2}-1 \end{cases}$

(2) 将 DFT 表示为两个更小的 DFT

利用 DFT 的线性性质，可以将其拆分为两个 $N/2$ 点的 DFT：

$X[k] = \sum_{n=0}^{N-1} x[n] W_N^{kn} = \sum_{m=0}^{N/2-1} x[2m] W_N^{k(2m)} + \sum_{m=0}^{N/2-1} x[2m+1] W_N^{k(2m+1)}$

由于 $W_N^{2kn} = W_{N/2}^{kn}$ ，因此：

$X[k] = \underbrace{\sum_{m=0}^{N/2-1} x_{\text{even}}[m] W_{N/2}^{km}}_{\text{DFT of even samples}} + W_N^k \cdot \underbrace{\sum_{m=0}^{N/2-1} x_{\text{odd}}[m] W_{N/2}^{km}}_{\text{DFT of odd samples}}$

即：

$X[k] = X_{\text{even}}[k] + W_N^k X_{\text{odd}}[k], \quad k = 0,1,\dots,N-1$

(3) 利用周期性减少计算量

由于 $X_{\text{even}}[k]$ 和 $X_{\text{odd}}[k]$ 都是 N/2 点的 DFT，它们的周期是 N/2，因此：

$X_{\text{even}}[k + N/2] = X_{\text{even}}[k], \quad X_{\text{odd}}[k + N/2] = X_{\text{odd}}[k]$
于是，我们只需要计算 $k = 0,1,\dots,N/2-1$ ，然后利用对称性得到后半部分：

$\begin{cases} X[k] = X_{\text{even}}[k] + W_N^k X_{\text{odd}}[k], & k = 0,1,\dots,N/2-1 \\ X[k + N/2] = X_{\text{even}}[k] - W_N^k X_{\text{odd}}[k], & k = 0,1,\dots,N/2-1 \end{cases}$

这里利用了 $W_N^{k + N/2} = -W_N^k$ 。

3. 递归计算 FFT

上述分解过程可以递归进行，直到 N = 1（此时 DFT 就是它本身）。
计算步骤：

分解：将 N-点 DFT 分解为 2 个 N/2-点 DFT。

递归计算：计算 $X_{\text{even}}[k]$ 和 $X_{\text{odd}}[k]$ 。

合并：根据对称性合并结果。

计算复杂度分析
每层递归的计算量： $O(N)$ （合并阶段）。

递归深度： $\log_2 N$ （因为每次 N 减半）。

总计算量： $O(N \log N)$ ，远优于 DFT 的 $O(N^2)$ 。

4. 示例：8 点 FFT（N = 8N=8）

(1) 第一次分解
偶数索引： $x[0], x[2], x[4], x[6]$ （4 点 DFT）

奇数索引： $x[1], x[3], x[5], x[7]$ （4 点 DFT）

(2) 第二次分解
对 4 点 DFT 继续分解：

偶数部分的偶数： $x[0], x[4]$ （2 点 DFT）

偶数部分的奇数： $x[2], x[6]$ （2 点 DFT）

奇数部分的偶数： $x[1], x[5]$ （2 点 DFT）

奇数部分的奇数： $x[3], x[7]$ （2 点 DFT）

(3) 最终分解

2 点 DFT 可以直接计算：

$X[0] = x[0] + x[1], \quad X[1] = x[0] - x[1]$

(4) 逐层合并

按照对称性逐层合并，最终得到 8 点 DFT 结果。

5. 归纳总结一下

FFT 步骤操作
1. 分治分解将 N-点 DFT 分解为 2 个 N/2-点 DFT（奇偶分离）
2. 递归计算对更小的 DFT 继续分解，直到 N = 1
3. 对称合并利用 $W_N^{k+N/2} = -W_N^k$ 减少计算量
4. 最终结果通过逐层合并，得到完整的 DFT 频谱

FFT 的优势

计算复杂度从 $O(N^2)$ 降到 $O(N \log N)$ ，适用于实时信号处理。

广泛应用于音频处理、图像压缩（JPEG）、通信系统（OFDM）等领域。

数学公式总结
DFT 定义：

$X[k] = \sum_{n=0}^{N-1} x[n] W_N^{kn}$

FFT 分解：

$X[k] = X_{\text{even}}[k] + W_N^k X_{\text{odd}}[k]$

$X[k + N/2] = X_{\text{even}}[k] - W_N^k X_{\text{odd}}[k]$

旋转因子性质：

$W_N^{k + N/2} = -W_N^k$

通过这种分治策略，FFT 极大提升了 DFT 的计算效率，成为现代数字信号处理的基石。

6. 深入思考环节

6.1. 递归性的物理意义

FFT 的递归分治不仅是一种数学技巧，还具有深刻的物理和几何意义：

(1) 多分辨率频率分析

物理意义：FFT 的递归分解类似于“逐步聚焦”的频率分析。每一层递归对应不同的频率分辨率，高层（大 N）捕捉低频趋势，底层（小 N）捕捉高频细节。类似小波变换（Wavelet Transform）的多尺度思想。

(2) 旋转因子的几何意义

$W_N^k$ 的几何解释：在复平面上， $W_N^k$ 是单位圆上的等间隔旋转（角度 $\frac{2\pi k}{N}$ ）。

FFT 的递归性对应旋转因子的对称分组，将计算量从 $N^2$ 次旋转减少到 $N \log N$ 次。

(3) 信号的能量重新分配

奇偶分解的物理含义：

偶数样本（ $x_{\text{even}}$ ）代表信号的“平滑”部分（低频主导）。

奇数样本（ $x_{\text{odd}}$ ）代表信号的“细节”部分（高频主导）。

递归过程逐步分离信号的不同频率成分。

6.2. 几何代数意义

(1) 群论视角

DFT 的矩阵表示：
DFT 可以看作一个 $N \times N$ 的酉矩阵 $F$ ，其元素为 $F_{kn} = W_N^{kn}$ 。

FFT 的递归性对应矩阵 $F$ 的块对角化分解，即：

$F_N = \begin{bmatrix} I_{N/2} & D_{N/2} \\ I_{N/2} & -D_{N/2} \end{bmatrix} \begin{bmatrix} F_{N/2} & 0 \\ 0 & F_{N/2} \end{bmatrix} P$

其中 $D_{N/2}$ 是对角旋转因子矩阵， $P$ 是排列矩阵。

(2) 张量积结构

FFT 的递归性反映了信号空间的张量积分解：

$\mathbb{C}^N \cong \mathbb{C}^{N/2} \otimes \mathbb{C}^2$
这种结构在量子计算中有应用（如量子傅里叶变换）。

(3) 多项式插值

DFT 是多项式求值：
$X[k]$ 可以看作多项式 $P(z) = \sum_{n=0}^{N-1} x[n] z^n$ 在 $z = W_N^k$ 处的值。

FFT 的递归性对应 多项式的分治求值（类似快速多项式乘法）。

6.3. 归纳一下

说得有点乱，整理到表格里：

层面	意义
计算优化	通过分治递归将复杂度从 O(N^2)O(N2) 降至 O(N \log N)O(NlogN)。
物理意义	多尺度频率分析，旋转因子的对称性，信号能量分层提取。
几何意义	复平面上的旋转分组，矩阵的块对角化分解。
代数意义	群论中的酉矩阵分解，多项式插值的分治策略。

一言以蔽之，FFT 的递归性不仅是算法优化，更揭示了信号在时域和频域中的深层对称性与结构！