精华内容
下载资源
问答
  • 微分的傅里叶变换什么是jw,积分的傅里叶变换什么是1/jw? 首先说明:微分的傅里叶变换式其实就是微分器单位冲激响应的信号的傅里叶变换式。积分的傅里叶变换式其实就是积分器单位冲激响应的信号的傅里叶变换式...

    微分的傅里叶变换为什么是jw,积分的傅里叶变换为什么是1/jw?
    首先说明:微分的傅里叶变换式其实就是微分器单位冲激响应的信号的傅里叶变换式。积分的傅里叶变换式其实就是积分器单位冲激响应的信号的傅里叶变换式。

    待续,,,,,,

    展开全文
  • 傅里叶变换 ~ 什么傅里叶变换

    千次阅读 2019-10-07 13:11:37
    1、什么傅里叶变换? 2、为什么要进行傅里叶变换? 1、什么傅里叶变换? 将时域的信号,变换到频域的正弦信号。 傅里叶变换是数字信号处理领域一种很重要的算法。要知道傅里叶变换算法的意义,首先要了解...

    1、什么是傅里叶变换?

    将时域的信号,变换到频域的正弦信号。
    傅里叶变换是数字信号处理领域一种很重要的算法。要知道傅里叶变换算法的意义,首先要了解傅里叶原理的意义。

    傅里叶原理表明:任何连续测量的时序或信号,都可以表示为不同频率的正弦波信号的无限叠加。而根据该原理创立的傅里叶变换算法利用直接测量到的原始信号,以累加方式来计算该信号中不同正弦波信号的频率、振幅和相位。

    和傅里叶变换算法对应的是反傅里叶变换算法。该反变换从本质上说也是一种累加处理,这样就可以将单独改变的正弦波信号转换成一个信号。

    因此,可以说,傅里叶变换将原来难以处理的时域信号转换成了易于分析的频域信号(信号的频谱),可以利用一些工具对这些频域信号进行处理、加工。最后还可以利用傅里叶反变换将这些频域信号转换成时域信号。

    从现代数学的眼光来看,傅里叶变换是一种特殊的积分变换。 它能将满足一定条件的某个函数表示成正弦基函数的线性组合或者积分。在不同的研究领域,傅里叶变换具有多种不同的变体形式,如连续傅里叶变换和离散傅里叶变换。

    在数学领域,尽管最初傅里叶分析是作为热过程的解析分析的工具,但是其思想方法仍然具有典型的还原论和分析主义的特征。"任意"的函数通过一定的分解,都能够表示为正弦函数的线性组合的形式,而正弦函数在物理上是被充分研究而相对简单的函数类:

    1、傅里叶变换是线性算子,若赋予适当的范数,它还是酉算子;

    2、傅里叶变换的逆变换容易求出,而且形式与正变换非常类似;

    3、正弦基函数是微分运算的本征函数,从而使得线性微分方程的求解可以转化为常系数的代数方程的求解.在线性时不变杂的卷积运算为简单的乘积运算,从而提供了计算卷积的一种简单手段;

    4、离散形式的傅里叶的物理系统内,频率是个不变的性质,从而系统对于复杂激励的响应可以通过组合其对不同频率正弦信号的响应来获取;

    5、著名的卷积定理指出:傅里叶变换可以化复变换可以利用数字计算机快速的算出(其算法称为快速傅里叶变换算法(FFT))。

    正是由于上述的良好性质,傅里叶变换在物理学、数论、组合数学、信号处理、概率、统计、密码学、声学、光学等领域都有着广泛的应用。

    2、为什么要进行傅里叶变换?

    1、正弦信号比原信号更简单,且正弦函数很早就被充分研究,处理正弦信号比处理原信号更简单
    2、正弦信号的频率保持性:输入为正弦信号时,输出仍是正弦函数,幅度和相位可能发生变化,但频率与原信号保持一致;只有正弦信号才有这样的性质。

    展开全文
  • 傅里叶变换傅里叶变换傅里叶变换傅里叶变换傅里叶变换傅里叶变换傅里叶变换傅里叶变换傅里叶变换傅里叶变换傅里叶变换傅里叶变换
  • 用python实现傅里叶的快速变换,实现与传统傅里叶变换不同的快速傅里叶变换,也使用了一些图形界面设计
  • 十分简明易懂的FFT(快速傅里叶变换

    万次阅读 多人点赞 2018-08-07 11:38:56
    快速傅里叶变换 (fast Fourier transform),即利用计算机计算离散傅里叶变换(DFT)的高效、快速计算方法的统称,简称FFT。快速傅里叶变换是1965年由J.W.库利和T.W.图基提出的。采用这种算法能使计算机计算离散傅里叶...

    FFT前言

    快速傅里叶变换 (fast Fourier transform),即利用计算机计算离散傅里叶变换(DFT)的高效、快速计算方法的统称,简称FFT。快速傅里叶变换是1965年由J.W.库利和T.W.图基提出的。采用这种算法能使计算机计算离散傅里叶变换所需要的乘法次数大为减少,特别是被变换的抽样点数N越多,FFT算法计算量的节省就越显著。

    FFT(Fast Fourier Transformation) 是离散傅氏变换(DFT)的快速算法。即为快速傅氏变换。它是根据离散傅氏变换的奇、偶、虚、实等特性,对离散傅立叶变换的算法进行改进获得的。

    ——百度百科

    FFT(Fast Fourier Transformation),中文名快速傅里叶变换,用来加速多项式乘法
    朴素高精度乘法时间 O ( n 2 ) O(n^2) O(n2),但 F F T FFT FFT O ( n log ⁡ 2 n ) O(n\log_2 n) O(nlog2n)的时间解决
    F F T FFT FFT名字逼格高,也难懂,其他教程写得让人看不太懂,于是自己随便写一下

    • 建议对复数三角函数相关知识有所耳闻 (不会也无所谓)

    • 下面难懂的点我会从网上盗


    多项式的系数表示法和点值表示法

    • F F T FFT FFT其实是一个用 O ( n log ⁡ 2 n ) O(n\log_2n) O(nlog2n)的时间将一个用系数表示的多项式转换成它的点值表示的算法

    • 多项式的系数表示和点值表示可以互相转换

    系数表示法

    一个n-1次n项多项式 f ( x ) f(x) f(x)可以表示为 f ( x ) = ∑ i = 0 n − 1 a i x i f(x)=\sum^{n-1}_{i=0}a_ix^i f(x)=i=0n1aixi
    也可以用每一项的系数来表示 f ( x ) f(x) f(x),即 f ( x ) = { a 0 , a 1 , a 2 , . . . , a n − 1 } f(x)=\{a_0,a_1,a_2,...,a_{n-1} \} f(x)={a0,a1,a2,...,an1}
    这就是系数表示法,也就是平时数学课上用的方法

    点值表示法

    • 把多项式放到平面直角坐标系里面,看成一个函数

    • n n n个不同的 x x x代入,会得出 n n n个不同的 y y y,在坐标系内就是 n n n个不同的点

    • 那么这 n n n个点唯一确定该多项式,也就是有且仅有一个多项式满足 ∀ k , f ( x k ) = y k ∀k,f(x_k)=y_k k,f(xk)=yk

    • 理由很简单,把 n n n条式子联立起来成为一个有n条方程的n元方程组,每一项的系数都可以解出来

    那么 f ( x ) f(x) f(x)还可以用 f ( x ) = { ( x 0 , f ( x 0 ) ) , ( x 1 , f ( x 1 ) ) , ( x 2 , f ( x 2 ) ) , . . . , ( x n − 1 , f ( x n − 1 ) ) } f(x)=\{(x_0,f(x_0)),(x_1,f(x_1)),(x_2,f(x_2)),...,(x_{n-1},f(x_{n-1}))\} f(x)={(x0,f(x0)),(x1,f(x1)),(x2,f(x2)),...,(xn1,f(xn1))}来表示
    这就是点值表示法


    高精度乘法下两种多项式表示法的区别

    对于两个用系数表示的多项式,我们把它们相乘
    设两个多项式分别为 A ( x ) , B ( x ) A(x),B(x) A(x),B(x)
    我们要枚举 A A A每一位的系数与 B B B每一位的系数相乘
    那么系数表示法做多项式乘法时间复杂度 O ( n 2 ) O(n^2) O(n2)

    但两个用点值表示的多项式相乘,只需要 O ( n ) O(n) O(n)的时间

    什么意思呢?

    设两个点值多项式分别为 f ( x ) = { ( x 0 , f ( x 0 ) ) , ( x 1 , f ( x 1 ) ) , ( x 2 , f ( x 2 ) ) , . . . , ( x n − 1 , f ( x n − 1 ) ) } f(x)=\{(x_0,f(x_0)),(x_1,f(x_1)),(x_2,f(x_2)),...,(x_{n-1},f(x_{n-1}))\} f(x)={(x0,f(x0)),(x1,f(x1)),(x2,f(x2)),...,(xn1,f(xn1))} g ( x ) = { ( x 0 , g ( x 0 ) ) , ( x 1 , g ( x 1 ) ) , ( x 2 , g ( x 2 ) ) , . . . , ( x n − 1 , g ( x n − 1 ) ) } g(x)=\{(x_0,g(x_0)),(x_1,g(x_1)),(x_2,g(x_2)),...,(x_{n-1},g(x_{n-1}))\} g(x)={(x0,g(x0)),(x1,g(x1)),(x2,g(x2)),...,(xn1,g(xn1))}
    设它们的乘积是 h ( x ) h(x) h(x),那么 h ( x ) = { ( x 0 , f ( x 0 ) ⋅ g ( x 0 ) ) , ( x 1 , f ( x 1 ) ⋅ g ( x 1 ) ) , . . . , ( x n − 1 , f ( x n − 1 ) ⋅ g ( x n − 1 ) ) } h(x)=\{(x_0,f(x_0)·g(x_0)),(x_1,f(x_1)·g(x_1)),...,(x_{n-1},f(x_{n-1})·g(x_{n-1}))\} h(x)={(x0,f(x0)g(x0)),(x1,f(x1)g(x1)),...,(xn1,f(xn1)g(xn1))}

    所以这里的时间复杂度只有一个枚举的 O ( n ) O(n) O(n)

    • 突然感觉高精度乘法能 O ( n ) O(n) O(n)暴艹一堆题?

    • 但是朴素的系数表示法转点值表示法的算法还是 O ( n 2 ) O(n^2) O(n2)的,逆操作类似

    • 朴素系数转点值的算法叫DFT(离散傅里叶变换),点值转系数叫IDFT(离散傅里叶逆变换)

    • 难道高精度乘法只能 O ( n 2 ) O(n^2) O(n2)了吗?


    DFT前置知识&技能

    复数

    毕竟高中有所以不多说

    我们把形如a+bi(a,b均为实数)的数称为复数,其中a称为实部,b称为虚部,i称为虚数单位。当虚部等于零时,这个复数可以视为实数;当z的虚部不等于零时,实部等于零时,常称z为纯虚数。复数域是实数域的代数闭包,也即任何复系数多项式在复数域中总有根。 复数是由意大利米兰学者卡当在十六世纪首次引入,经过达朗贝尔、棣莫弗、欧拉、高斯等人的工作,此概念逐渐为数学家所接受。
    ——百度百科

    初中数学老师会告诉你没有 − 1 \sqrt{-1} 1 ,但仅限 R R R
    扩展至复数集 C C C,定义 i 2 = − 1 i^2=-1 i2=1,一个复数 z z z可以表示为 z = a + b i ( a , b ∈ R ) z=a+bi(a,b\in R) z=a+bi(a,bR)
    其中 a a a称为实部 b b b称为虚部 i i i称为虚数单位

    • 在复数集中就可以用 i i i表示负数的平方根,如 − 7 = 7 i \sqrt{-7}=\sqrt{7}i 7 =7 i

    还可以把复数看成平面直角坐标系上的一个点,比如下面


    x x x轴就是实数集中的坐标轴, y y y轴就是虚数单位 i i i

    这个点 ( 2 , 3 ) (2,3) (2,3)表示的复数就是 2 + 3 i 2+3i 2+3i,或者想象它代表的向量 ( 2 , 3 ) (2,3) (2,3)
    其实我们还可以自己想象 (其实没有这种表达方式) 它可以表示为 ( 13 , θ ) (\sqrt{13},\theta) (13 ,θ)
    一个复数 z z z定义为它到原点的距离,记为 ∣ z ∣ = a 2 + b 2 |z|=\sqrt{a^2+b^2} z=a2+b2
    一个复数 z = a + b i z=a+bi z=a+bi共轭复数 a − b i a-bi abi(虚部取反),记为 z ‾ = a − b i \overline{z}=a-bi z=abi

    复数的运算

    复数不像点或向量,它和实数一样可以进行四则运算
    设两个复数分别为 z 1 = a + b i , z 2 = c + d i z_1=a+bi,z_2=c+di z1=a+bi,z2=c+di,那么
    z 1 + z 2 = ( a + c ) + ( b + d ) i z_1+z_2=(a+c)+(b+d)i z1+z2=(a+c)+(b+d)i z 1 z 2 = ( a c − b d ) + ( a d + b c ) i z_1z_2=(ac−bd)+(ad+bc)i z1z2=(acbd)+(ad+bc)i

    复数相加也满足平行四边形法则


    这张是从网上盗的

    A B + A D = A C AB+AD=AC AB+AD=AC

    复数相乘还有一个值得注意的小性质
    ( a 1 , θ 1 ) ∗ ( a 2 , θ 2 ) = ( a 1 a 2 , θ 1 + θ 2 ) (a_1,\theta_1)*(a_2,\theta_2)=(a_1a_2,\theta_1+\theta_2) (a1,θ1)(a2,θ2)=(a1a2,θ1+θ2)
    模长相乘,极角相加


    DFT(离散傅里叶变换)

    • 一定注意从这里开始所有的 n n n都默认为 2 2 2的整数次幂

    对于任意系数多项式转点值,当然可以随便取任意 n n n x x x值代入计算
    但是暴力计算 x k 0 , x k 1 , . . . , x k n − 1 ( k ∈ [ 0 , n ) ) x_k^0,x_k^1,...,x_k^{n-1}(k\in[0,n)) xk0,xk1,...,xkn1(k[0,n))当然是 O ( n 2 ) O(n^2) O(n2)的时间
    其实可以代入一组神奇 x x x,代入以后不用做那么多的次方运算
    这些 x x x当然不是乱取的,而且取这些 x x x值应该就是 傅里叶 的主意了

    考虑一下,如果我们代入一些 x x x,使每个 x x x若干次方等于 1 1 1,我们就不用做全部的次方运算了
    ± 1 ±1 ±1是可以的,考虑虚数的话 ± i ±i ±i也可以,但只有这四个数远远不够

    • 傅里叶说:这个圆圈上面的点都可以做到

    以原点为圆心,画一个半径为 1 1 1单位圆
    那么单位圆上所有的点都可以经过若干次次方得到 1 1 1
    傅里叶说还要把它给 n n n等分了,比如此时 n = 8 n=8 n=8

    橙色点即为 n = 8 n=8 n=8时要取的点,从 ( 1 , 0 ) (1,0) (1,0)点开始,逆时针从 0 0 0号开始标号,标到 7 7 7
    记编号为 k k k的点代表的复数值为 ω n k \omega_n^k ωnk,那么由模长相乘,极角相加可知 ( ω n 1 ) k = ω n k (\omega_n^1)^k=\omega_n^k (ωn1)k=ωnk
    其中 ω n 1 \omega_n^1 ωn1称为 n n n次单位根,而且每一个 ω \omega ω都可以求出 (我三角函数不好)
    ω n k = cos ⁡ k n 2 π + i sin ⁡ k n 2 π \omega_n^k=\cos{k\over n}2π+i\sin{k\over n} 2π ωnk=cosnk2π+isinnk2π

    或者说也可以这样解释这条式子


    注意 s i n 2 θ + c o s 2 θ = 1 sin^2\theta+cos^2\theta=1 sin2θ+cos2θ=1什么的,就容易理解了

    那么 ω n 0 , ω n 1 , . . . , ω n n − 1 \omega^0_n,\omega^1_n,...,\omega^{n-1}_n ωn0,ωn1,...,ωnn1即为我们要代入的 x 0 , x 1 , . . . , x n − 1 x_0,x_1,...,x_{n-1} x0,x1,...,xn1


    单位根的一些性质

    F F T FFT FFT的过程中需要用到 ω \omega ω的一些性质

    ω n k = ω 2 n 2 k \omega^k_n=\omega^{2k}_{2n} ωnk=ω2n2k

    • 它们表示的点(或向量)表示的复数是相同的

    • 证明

    • ω n k = c o s k n 2 π + i s i n k n 2 π = c o s 2 k 2 n 2 π + i s i n 2 k 2 n 2 π = ω 2 n 2 k \omega^k_n=cos{k\over n}2π+isin{k\over n} 2π=cos{2k\over 2n}2π+isin{2k\over 2n} 2π=\omega^{2k}_{2n} ωnk=cosnk2π+isinnk2π=cos2n2k2π+isin2n2k2π=ω2n2k

    ω n k + n 2 = − ω n k \omega^{k+{n \over 2}}_n=-\omega_n^k ωnk+2n=ωnk

    • 它们表示的点关于原点对称,所表示的复数实部相反,所表示的向量等大反向

    • 证明

    • ω n n 2 = c o s n 2 n 2 π + i s i n n 2 n 2 π = c o s π + i s i n π = − 1 \omega^{n\over 2}_n=cos{{n\over 2}\over n}2\pi+isin{{n\over 2}\over n}2\pi=cos\pi+isin\pi=-1 ωn2n=cosn2n2π+isinn2n2π=cosπ+isinπ=1

    • (这个东西和 e i x = c o s x + i s i n x e^{ix}=cosx+isinx eix=cosx+isinx e i π + 1 = 0 e^{i\pi}+1=0 eiπ+1=0有点关系,我不会就不讲了

    ω n 0 = ω n n \omega^0_n=\omega^n_n ωn0=ωnn

    • 都等于 1 1 1,或 1 + 0 i 1+0i 1+0i

    FFT(快速傅里叶变换)

    虽然 D F T DFT DFT搞出来一堆很牛逼 ω \omega ω作为代入多项式的 x x x
    但只是代入这类特殊 x x x值法的变换叫做 D F T DFT DFT而已,还是要代入单位根暴力计算

    • DFT还是暴力 O ( n 2 ) O(n^2) O(n2)

    D F T DFT DFT可以分治来做,于是 FFT(快速傅里叶变换) 就出来了
    首先设一个多项式 A ( x ) A(x) A(x)
    A ( x ) = ∑ i = 0 n − 1 a i x i = a 0 + a 1 x + a 2 x 2 + . . . + a n − 1 x n − 1 A(x)=\sum^{n-1}_{i=0}a_ix^i=a_0+a_1x+a_2x^2+...+a_{n-1}x^{n-1} A(x)=i=0n1aixi=a0+a1x+a2x2+...+an1xn1

    A ( x ) A(x) A(x)下标的奇偶性 A ( x ) A(x) A(x)分成两半,右边再提一个 x x x

    A ( x ) = ( a 0 + a 2 x 2 + . . . + a n − 2 x n − 2 ) + ( a 1 x + a 3 x 3 + . . . + a n − 1 x n − 1 ) A(x)=(a_0+a_2x^2+...+a_{n-2}x^{n-2})+(a_1x+a_3x^3+...+a_{n-1}x^{n-1}) A(x)=(a0+a2x2+...+an2xn2)+(a1x+a3x3+...+an1xn1)

    = ( a 0 + a 2 x 2 + . . . + a n − 2 x n − 2 ) + x ( a 1 + a 3 x 2 + . . . + a n − 1 x n − 2 ) =(a_0+a_2x^2+...+a_{n-2}x^{n-2})+x(a_1+a_3x^2+...+a_{n-1}x^{n-2}) =(a0+a2x2+...+an2xn2)+x(a1+a3x2+...+an1xn2)

    两边好像非常相似,于是再设两个多项式 A 1 ( x ) , A 2 ( x ) A_1(x),A_2(x) A1(x),A2(x),令

    A 1 ( x ) = a 0 + a 2 x + a 4 x 2 + . . . + a n − 2 x n 2 − 1 A_1(x)=a_0+a_2x+a_4x^2+...+a_{n-2}x^{{n\over 2}-1} A1(x)=a0+a2x+a4x2+...+an2x2n1 A 2 ( x ) = a 1 + a 3 x + a 5 x 2 + . . . + a n − 1 x n 2 − 1 A_2(x)=a_1+a_3x+a_5x^2+...+a_{n-1}x^{{n \over 2}-1} A2(x)=a1+a3x+a5x2+...+an1x2n1

    比较明显得出
    A ( x ) = A 1 ( x 2 ) + x A 2 ( x 2 ) A(x)=A_1(x^2)+xA_2(x^2) A(x)=A1(x2)+xA2(x2)

    再设 k &lt; n 2 k&lt;{n\over 2} k<2n,把 ω n k \omega^k_n ωnk作为 x x x代入 A ( x ) A(x) A(x)(接下来几步变换要多想想单位根的性质)

    A ( ω n k ) = A 1 ( ( ω n k ) 2 ) + ω n k A 2 ( ( ω n k ) 2 ) A(\omega^k_n)=A_1((\omega^k_n)^2)+\omega^k_nA_2((\omega^k_n)^2) A(ωnk)=A1((ωnk)2)+ωnkA2((ωnk)2) = A 1 ( ω n 2 k ) + ω n k A 2 ( ω n 2 k ) = A 1 ( ω n 2 k ) + ω n k A 2 ( ω n 2 k ) =A_1(\omega^{2k}_n)+\omega^k_nA_2(\omega^{2k}_n)=A_1(\omega^k_{n\over2})+\omega^k_nA_2(\omega^k_{n\over 2}) =A1(ωn2k)+ωnkA2(ωn2k)=A1(ω2nk)+ωnkA2(ω2nk)

    那么对于 A ( ω n k + n 2 ) A(\omega^{k+{n\over2}}_n) A(ωnk+2n)的话,代入 ω n k + n 2 \omega^{k+{n \over 2}}_n ωnk+2n
    A ( ω n k + n 2 ) = A 1 ( ω n 2 k + n ) + ω n k + n 2 A 2 ( ω n 2 k + n ) A(\omega^{k+{n\over 2}}_n)=A_1(\omega^{2k+n}_n)+\omega^{k+{n\over 2}}_nA_2(\omega^{2k+n}_n) A(ωnk+2n)=A1(ωn2k+n)+ωnk+2nA2(ωn2k+n) = A 1 ( ω n 2 k ω n n ) − ω n k A 2 ( ω n 2 k ω n n ) =A_1(\omega^{2k}_n\omega^n_n)-\omega^k_nA_2(\omega^{2k}_n\omega^n_n) =A1(ωn2kωnn)ωnkA2(ωn2kωnn) = A 1 ( ω n 2 k ) − ω n k A 2 ( ω n 2 k ) = A 1 ( ω n 2 k ) − ω n k A 2 ( ω n 2 k ) =A_1(\omega^{2k}_n)-\omega^k_nA_2(\omega^{2k}_n)=A_1(\omega^k_{n\over2})-\omega^k_nA_2(\omega^k_{n\over2}) =A1(ωn2k)ωnkA2(ωn2k)=A1(ω2nk)ωnkA2(ω2nk)

    • 发现了什么?

    A ( ω n k ) A(\omega^k_n) A(ωnk) A ( ω n k + n 2 ) A(\omega^{k+{n\over2}}_n) A(ωnk+2n)两个多项式后面一坨东西只有符号不同
    就是说,如果已知 A 1 ( ω n 2 k ) A_1(\omega^k_{n\over 2}) A1(ω2nk) A 2 ( ω n 2 k ) A_2(\omega^k_{n\over 2}) A2(ω2nk)的值,我们就可以同时知道 A ( ω n k ) A(\omega^k_n) A(ωnk) A ( ω n k + n 2 ) A(\omega^{k+{n\over2}}_n) A(ωnk+2n)的值
    现在我们就可以递归分治来搞 F F T FFT FFT

    每一次回溯时只扫当前前面一半的序列,即可得出后面一半序列的答案
    n = = 1 n==1 n==1时只有一个常数项,直接 r e t u r n return return
    时间复杂度 O ( n log ⁡ 2 n ) O(n\log_2n) O(nlog2n)


    IFFT(快速傅里叶逆变换)

    想一下,我们不仅要会 F F T FFT FFT,还要会IFFT(快速傅里叶逆变换)
    我们把两个多项式相乘 (也叫求卷积),做完两遍 F F T FFT FFT也知道了积的多项式的点值表示
    可我们平时用系数表示的多项式,点值表示没有意义

    • 怎么把点值表示的多项式快速转回系数表示法?

    • I D F T IDFT IDFT暴力 O ( n 2 ) O(n^2) O(n2)做?其实也可以用 F F T FFT FFT O ( n log ⁡ 2 n ) O(n\log_2n) O(nlog2n)的时间搞

    你有没有想过为什么傅里叶是把 ω n k \omega^k_n ωnk作为 x x x代入而不是别的什么数?
    原因是有的但是有我也看不懂
    由于我是沙雕所以只用记住一个结论

    • 一个多项式在分治的过程中乘上单位根的共轭复数,分治完的每一项除以 n n n即为原多项式的每一项系数

    意思就是说 F F T FFT FFT I F F T IFFT IFFT可以一起搞


    朴素版FFT板子

    c + + c++ c++有自带的复数模板 c o m p l e x complex complex
    a . r e a l ( ) a.real() a.real()即表示复数 a a a的实部

    #include<complex>
    #define cp complex<double>
    
    void fft(cp *a,int n,int inv)//inv是取共轭复数的符号
    {
        if (n==1)return;
        int mid=n/2;
        static cp b[MAXN];
        fo(i,0,mid-1)b[i]=a[i*2],b[i+mid]=a[i*2+1];
        fo(i,0,n-1)a[i]=b[i];
        fft(a,mid,inv),fft(a+mid,mid,inv);//分治
        fo(i,0,mid-1)
        {
            cp x(cos(2*pi*i/n),inv*sin(2*pi*i/n));//inv取决是否取共轭复数
            b[i]=a[i]+x*a[i+mid],b[i+mid]=a[i]-x*a[i+mid];
        }
        fo(i,0,n-1)a[i]=b[i];
    }
    

    两个多项式 a , b a,b a,b相乘再转系数多项式 c c c,通常只用打这么一小段

    	cp a[MAXN],b[MAXN];
    	int c[MAXN];
    	fft(a,n,1),fft(b,n,1);//1系数转点值
    	fo(i,0,n-1)a[i]*=b[i];
    	fft(a,n,-1);//-1点值转系数
    	fo(i,0,n-1)c[i]=(int)(a[i].real()/n+0.5);//注意精度
    

    很明显,FFT只能处理 n n n 2 2 2的整数次幂的多项式
    所以在 F F T FFT FFT前一定要把 n n n调到 2 2 2的次幂

    这个板子看着好像很优美,但是

    递归常数太大,要考虑优化…


    FFTの优化——迭代版FFT

    这个图也是盗的

    这个很容易发现点什么吧?

    • 每个位置分治后的最终位置为其二进制翻转后得到的位置

    这样的话我们可以先把原序列变换好,把每个数放在最终的位置上,再一步一步向上合并
    一句话就可以 O ( n ) O(n) O(n)预处理第 i i i位最终的位置 r e v [ i ] rev[i] rev[i]

    fo(i,0,n-1)rev[i]=(rev[i>>1]>>1)|((i&1)<<(bit-1));
    

    至于蝴蝶变换它死了其实是我不会


    真·FFT板子

    void fft(cp *a,int n,int inv)
    {
        int bit=0;
        while ((1<<bit)<n)bit++;
        fo(i,0,n-1)
        {
            rev[i]=(rev[i>>1]>>1)|((i&1)<<(bit-1));
            if (i<rev[i])swap(a[i],a[rev[i]]);//不加这条if会交换两次(就是没交换)
        }
        for (int mid=1;mid<n;mid*=2)//mid是准备合并序列的长度的二分之一
        {
        	cp temp(cos(pi/mid),inv*sin(pi/mid));//单位根,pi的系数2已经约掉了
            for (int i=0;i<n;i+=mid*2)//mid*2是准备合并序列的长度,i是合并到了哪一位
    		{
                cp omega(1,0);
                for (int j=0;j<mid;j++,omega*=temp)//只扫左半部分,得到右半部分的答案
                {
                    cp x=a[i+j],y=omega*a[i+j+mid];
                    a[i+j]=x+y,a[i+j+mid]=x-y;//这个就是蝴蝶变换什么的
                }
            }
        }
    }
    

    这个板子好像不是那么好背
    至少这个板子已经很优美


    FFT后记

    本人版权意识薄弱……

    N T T NTT NTT我来了

    展开全文
  • 傅里叶变换

    2018-06-13 20:40:41
    傅里叶变换深入了解傅里叶变换深入了解傅里叶变换深入了解傅里叶变换深入了解
  • 离散傅里叶变换离散傅里叶变换离散傅里叶变换离散傅里叶变换离散傅里叶变换离散傅里叶变换离散傅里叶变换离散傅里叶变换离散傅里叶变换离散傅里叶变换离散傅里叶变换离散傅里叶变换离散傅里叶变换离散傅里叶变换
  • 傅里叶变换.pdf傅里叶变换.pdf傅里叶变换.pdf傅里叶变换.pdf
  • 实现图像的傅里叶变换通过OPENCV,应用经典的傅里叶变换,实现图像变换
  • 傅里叶变换讲解,让你理解为什么要做傅里叶变换
  • 傅里叶变换 一维离散傅里叶变换

    万次阅读 热门讨论 2019-11-06 21:08:43
    DFT:(Discrete Fourier Transform)离散傅里叶变换傅里叶变换在时域和频域上都呈离散的形式,将信号的时域采样变换为其DTFT的频域采样。在形式上,变换两端(时域和频域上)的序列是有限长的,而实际上这两组序列...

    1、介绍。

            DFT:(Discrete Fourier Transform)离散傅里叶变换是傅里叶变换在时域和频域上都呈离散的形式,将信号的时域采样变换为其DTFT的频域采样。在形式上,变换两端(时域和频域上)的序列是有限长的,而实际上这两组序列都应当被认为是离散周期信号的主值序列。即使对有限长的离散信号作DFT,也应当将其看作其周期延拓的变换。实际应用的时候,都是使用快速傅里叶变换的,因为运算速度快。


    1)、欧拉公式:

    \LARGE \dpi{100} \LARGE e^{\theta i}=cos \theta +(sin \theta )i,其中i是虚数,即i的平方为-1。

     

    2)、一维离散傅里叶变换DFT公式:

            

    展开全文
  • 傅里叶变换到加窗傅里叶变换

    万次阅读 多人点赞 2017-12-10 14:00:49
    傅里叶变换到加窗傅里叶变换我们都做了什么
  • 很早就想写一个关于傅里叶变换的博客,来深度地阐述一下究竟什么傅里叶变换。很多人或许都对傅里叶变换的公式有疑问,为什么一个信号,乘上一个指数函数,再积个分,就成了频域表示了呢? 大多数博客都是在阐述...
  • 傅里叶变换(二维离散傅里叶变换)

    万次阅读 多人点赞 2018-06-15 22:22:35
    离散二维傅里叶变换一常用性质: 可分离性、周期性和共轭对称性、平移性、旋转性质、卷积与相关定理;(1)可分离性: 二维离散傅里叶变换DFT可分离性的基本思想是DFT可分离为两次一维DFT。因此可以用通过计算两次...
  • 离散傅里叶级数,离散傅里叶变换及逆傅里叶变换的实现。
  • 傅里叶变换&短时傅里叶变换&小波变换

    万次阅读 多人点赞 2016-05-03 11:26:36
    傅里叶变换&短时傅里叶变换&小波变换
  • 转接第三章,我们知道了... 它的求法其实没有什么可解释的,无非是看看《信号与系统》或者《傅里叶变换与应用》这些课本。为了完整性这里也是重新带着大家推导一遍:以下推导求的公式,并没有什么物理意义,仅仅只是...
  • 精通matlab傅里叶变换及逆变换和快速傅里叶变换
  • 傅里叶变换 二维离散傅里叶变换

    万次阅读 热门讨论 2019-11-07 15:41:28
    DFT:(Discrete Fourier Transform)离散傅里叶变换傅里叶变换在时域和频域上都呈离散的形式,将信号的时域采样变换为其DTFT的频域采样。在形式上,变换两端(时域和频域上)的序列是有限长的,而实际上这两组序列...
  • 什么傅里叶变换

    千次阅读 2011-04-11 18:53:00
    什么傅里叶变换
  • 离散傅里叶变换和快速傅里叶变换,希望对大家有帮助
  • 傅里叶变换(一)——认识傅里叶变换

    万次阅读 多人点赞 2018-05-29 22:36:07
    注:本文为博主参考书籍和他人文章并加上自己的理解所编,作为学习笔记使用并将其分享出去供大家学习。若涉及到引用您的文章内容请评论区告知!...一、什么傅里叶变换   时域及频域  在讲...
  • 讲到这里,关于傅里叶变换的历史起源就讲完了,或许以后我还会发布一些关于傅里叶变换的应用之类的文章,但那也是以后的事情了。 其实简单来说,其实傅里叶变换就是把一个信号变为一堆正弦信号的组合。这些正弦...
  • C语言快速红丝线傅里叶变换的方法,仅供参考
  • OpenCV中的图像变换——傅里叶变换

    万次阅读 多人点赞 2021-07-22 20:11:24
    这篇博客将介绍OpenCV中的图像变换,包括用Numpy、OpenCV计算图像的傅里叶变换,以及傅里叶变换的一些应用;
  • 在13期中,我们提到:信号与系统课程的三大变换(傅里叶变换、拉普拉斯变换和z变换)中,傅里叶变换无疑是最为重要的变换,而傅里叶变换的性质又是其中的重点。连续时间信号傅里叶变换的性质很多,需要掌握的有:对称...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 43,510
精华内容 17,404
关键字:

傅里叶变换是什么意思