本文介绍了快速傅立叶变换（FFT）的基本原理，阐述了其在信号处理中的优势，特别是在大数据量时的高效性。通过时间抽选奇偶分解方法减少了运算次数和存储需求，并提供了C++实现FFT的代码示例，包括复数表示、倒序处理和实际变换过程。
要计算一个N点的离散傅立叶变换需要同一个N
*
N点的W矩阵（关于W矩阵请参阅信号与系统方面的书籍）相运算，随着N值的增大，运算次数显著上升，当点数达到1024时，需要进行复数乘法运算1，
048
，576次，显然这种算法在实际运用中无法保证当点数较大时的运算速度，无法满足对信号的实时处理。 根据W矩阵中W元素的周期性和对称性我们可以将一个N点的DFT运算分解为两组N
/
2点的DFT运算，然后取和即可，为进一步提高效率，将上述两个矩阵按奇偶顺序逐级分解下去。当采样点数为2的指数次方M时，可分解为M级子矩阵运算，全部工作量仅为： 复数乘法：M
*
N
/
2次 复数加法：N
*
M次 而直接DFT需要的运算量为： 复数乘法：N
*
N次 复数加法：N
*
(N
-
1
)次 当点数N为几十个点时FFT的优势还不明显，而一旦达到几千、几百个点时优势是十分明显的： N
=
1024时：DFT需1048576次运算，FFT仅需5120次运算，改善比204.
8
。 N
=
2048时：DFT需4194304次运算，FFT仅需11264次运算，改善比达到372.
4
。
"
时间抽选奇偶分解快速离散傅立叶变换
"
的程序实现 当采样点数较多时，如变换前和变换后的序列都按自然顺序排列，则中间运算过程会占用大量的中间存储单元，造成效率的低下和存储单元的浪费。根据FFT的实现原理我们可以对采样序列进行逐次奇偶抽选，打乱以前的次序重新排序，然后按此顺序参加运算，可以实现
"
即位运算
"
提高存储单元的利用率。 （一） 复数的描述方法 进行傅立叶变换时不可避免的要用到复数，而在VC中并没有现成的可用于表示复数的数据类型，可以自己定义一个含有两个成员变量的数据结构来表示复数，这两个成员变量可分别用于表示复数的实部与虚部：
typedef
struct
tagComplex
...
{
扫一扫
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
