其他分享
首页 > 其他分享> > 快速傅立叶变换

快速傅立叶变换

作者:互联网

已知 n n n 维向量 v ∈ C n v\in\mathbb{C}^n v∈Cn,它的 离散傅立叶变换 F ( v ) \mathcal{F}(v) F(v) 是一个 n × n n\times n n×n 矩阵 M n M_n Mn​ 与它的乘积 :
F ( v ) = M n v . \mathcal{F}(v) = M_n v. F(v)=Mn​v.

根据矩阵乘法公式,把 M n M_n Mn​ 的每一行与 v v v 分别做向量积,即可得到结果。每一行做向量积耗时 O ( n ) O(n) O(n),一共 n n n 行,所以用矩阵乘法计算的时间复杂度为 O ( n 2 ) O(n^2) O(n2)。

快速傅立叶变换算法可以达到 O ( n log ⁡ n ) O(n\log n) O(nlogn) 的时间复杂度(用 Python 实现,仅需十几行代码)。

快速傅立叶变换之所以比矩阵乘法高效,是因为 M n M_n Mn​ 有特殊的结构。这种结构,可以采用分而治之的思想(分治法),来提升计算效率。

离散傅立叶变换

下面介绍矩阵 M n M_n Mn​ 的定义。

考虑复数域上的 n n n 次单位根 w w w,即 w n = 1 w^n = 1 wn=1,我们有
w = e 2 π k i n , k = 0 , 1 , … , n − 1. w = e^{\frac{2\pi k i}{n}}, \quad k = 0, 1, \ldots, n-1. w=en2πki​,k=0,1,…,n−1.
令 w n w_n wn​ 代表第 n n n 个单位根,即
w n = e 2 π ( n − 1 ) i n = e − 2 π i n . w_n = e^{\frac{2\pi(n-1)i}{n}} = e^{-\frac{2\pi i}{n}}. wn​=en2π(n−1)i​=e−n2πi​.
令 w n j , k w_n^{j,k} wnj,k​ 代表 w n w_n wn​ 的 j × k j\times k j×k 次方,其中 j , k j, k j,k 分别代表行和列的下标。 需要注意,下标从0开始计数,即 j , k = 0 , 1 , … , n − 1 j, k = 0,1,\ldots, n-1 j,k=0,1,…,n−1 。

矩阵 M n M_n Mn​ 的定义如下:

M n = [ w n 0 , 0 w n 0 , 1 … w n 0 , n − 1 w n 1 , 0 w n 1 , 1 … w n 1 , n − 1 ⋮ w n n − 1 , 0 w n n − 1 , 1 … w n n − 1 , n − 1 ] M_n = \begin{bmatrix} w_n^{0,0} & w_n^{0,1} & \ldots & w_n^{0,n-1}\\ w_n^{1,0} & w_n^{1,1} & \ldots & w_n^{1,n-1}\\ & & \vdots &\\ w_n^{n-1,0} & w_n^{n-1,1} & \ldots & w_n^{n-1,n-1} \end{bmatrix} Mn​=⎣⎢⎢⎢⎡​wn0,0​wn1,0​wnn−1,0​​wn0,1​wn1,1​wnn−1,1​​……⋮…​wn0,n−1​wn1,n−1​wnn−1,n−1​​⎦⎥⎥⎥⎤​

下文假设 n n n 是2的幂次方,即存在整数 k > 0 k > 0 k>0 使得 n = 2 k n = 2^k n=2k。

快速傅立叶变换

我们知道
w n = e − 2 π i n = cos ⁡ ( 2 π n ) − i sin ⁡ ( 2 π n ) , w_n = e^{-\frac{2\pi i}{n}} = \cos(\frac{2\pi}{n}) - i\sin(\frac{2\pi}{n}), wn​=e−n2πi​=cos(n2π​)−isin(n2π​),
它是复平面上的一个单位向量(如下所示):
在这里插入图片描述

令 θ = 2 π n \theta = \frac{2\pi}{n} θ=n2π​,那么 w n k w_n^k wnk​ 相当于把 w n w_n wn​ 沿着顺时针方向旋转 ( k − 1 ) ⋅ θ (k-1)\cdot\theta (k−1)⋅θ (如下所示):

有了这样的认知,我们可以对 M n M_n Mn​ 进行可视化。以 M 16 M_{16} M16​ 为例,如下图所示:

一咋看有些混乱,下面把它分成四个子矩阵,按颜色区分:

仔细观察,我们发现:

1、黑色矩阵和蓝色矩阵相同,它们实际上是 M 8 M_8 M8​;

2、每个红色向量,相当于把它“左边”的黑色向量,顺时针方向旋转,其中旋转角度的大小取决于向量所在的行。

设黑色元素为 w n i k w_n^{ik} wnik​,那么它右边的红色元素为 w n i k ⋅ w n i w_n^{ik}\cdot w_n^i wnik​⋅wni​。这样一来,红色矩阵可以表示成
M 8 × u , u = ( w n 0 w n 1 ⋮ w n n − 1 ) = ( w 8 0 w 8 1 ⋮ w 8 7 ) , M_8 \times u, \quad u= \begin{pmatrix} w_n^0\\ w_n^1\\ \vdots\\ w_n^{n-1} \end{pmatrix} = \begin{pmatrix} w^0_8\\ w^1_8\\ \vdots\\ w^7_8 \end{pmatrix}, M8​×u,u=⎝⎜⎜⎜⎛​wn0​wn1​⋮wnn−1​​⎠⎟⎟⎟⎞​=⎝⎜⎜⎜⎛​w80​w81​⋮w87​​⎠⎟⎟⎟⎞​,
其中 × \times × 代表把 M 8 M_8 M8​ 中的每一列,与 u u u 按元素逐个相乘,即
M 8 × u = [ w 8 0 , 0 ⋅ w n 0 w 8 0 , 1 ⋅ w n 0 … w 8 0 , 7 ⋅ w n 0 w 8 1 , 0 ⋅ w n 1 w 8 1 , 1 ⋅ w n 1 … w 8 1 , 7 ⋅ w n 1 ⋮ w 8 7 , 0 ⋅ w n 7 w 8 7 , 1 ⋅ w n 7 … w 8 7 , 7 ⋅ w n 7 ] M_8\times u = \begin{bmatrix} w_8^{0,0}\cdot w_n^0 & w_8^{0,1}\cdot w_n^0 & \ldots & w_8^{0,7}\cdot w_n^0\\ w_8^{1,0}\cdot w_n^1 & w_8^{1,1} \cdot w_n^1 & \ldots & w_8^{1,7}\cdot w_n^1\\ & & \vdots &\\ w_8^{7,0} \cdot w_n^7& w_8^{7,1} \cdot w_n^7& \ldots & w_8^{7,7}\cdot w_n^7 \end{bmatrix} M8​×u=⎣⎢⎢⎢⎡​w80,0​⋅wn0​w81,0​⋅wn1​w87,0​⋅wn7​​w80,1​⋅wn0​w81,1​⋅wn1​w87,1​⋅wn7​​……⋮…​w80,7​⋅wn0​w81,7​⋅wn1​w87,7​⋅wn7​​⎦⎥⎥⎥⎤​
3、紫色矩阵与红色矩阵符号相反,即 − M 8 × u -M_8\times u −M8​×u。 即换句话说,它相当于把红色向量顺时针旋转180度。

有了上面的观察,我们即将得到快速傅立叶变换的计算方法。

先把 M n M_n Mn​ 的列重排,即,偶数列放在一起,奇数列放在一起。新的矩阵记作 M ˉ n \bar{M}_n Mˉn​,我们有
M ˉ n = [ M n / 2 M n / 2 × u M n / 2 − M n / 2 × u ] . \bar{M}_n = \begin{bmatrix} M_{n/2} & M_{n/2}\times u\\ M_{n/2} & -M_{n/2}\times u \end{bmatrix}. Mˉn​=[Mn/2​Mn/2​​Mn/2​×u−Mn/2​×u​].

相应地,为了不改变计算结果,还要把 v v v 中的元素按下标重新排列,即,偶数位和奇数位分别单独放一起。

新的向量记作 v ˉ n \bar{v}_n vˉn​,我们有
v ˉ = [ v even v odd ] , \bar{v} = \begin{bmatrix} v_{\text{even}}\\ v_{\text{odd}} \end{bmatrix}, vˉ=[veven​vodd​​],

其中
v even = ( v 0 v 2 ⋮ v n − 2 ) , v odd = ( v 1 v 3 ⋮ v n − 1 ) . v_{\text{even}} = \begin{pmatrix} v_0\\ v_2\\ \vdots\\ v_{n-2} \end{pmatrix}, \quad v_{\text{odd}} = \begin{pmatrix} v_1\\ v_3\\ \vdots\\ v_{n-1} \end{pmatrix}. veven​=⎝⎜⎜⎜⎛​v0​v2​⋮vn−2​​⎠⎟⎟⎟⎞​,vodd​=⎝⎜⎜⎜⎛​v1​v3​⋮vn−1​​⎠⎟⎟⎟⎞​.

我们有
F ( v ) = M n v = M ˉ n v ˉ = [ M n / 2 M n / 2 × u M n / 2 − M n / 2 × u ] [ v even v odd ] = [ M n / 2 v even + M n / 2 v odd × u M n / 2 v even − M n / 2 v odd × u ] \begin{aligned} \mathcal{F}(v) & = M_n v = \bar{M}_n \bar{v}\\ & = \begin{bmatrix} M_{n/2} & M_{n/2}\times u\\ M_{n/2} & -M_{n/2}\times u \end{bmatrix}\begin{bmatrix} v_{\text{even}}\\ v_{\text{odd}} \end{bmatrix}\\ & = \begin{bmatrix}M_{n/2}v_{\text{even}} + M_{n/2}v_{\text{odd}}\times u\\ M_{n/2}v_{\text{even}} -M_{n/2}v_{\text{odd}}\times u \end{bmatrix} \end{aligned} F(v)​=Mn​v=Mˉn​vˉ=[Mn/2​Mn/2​​Mn/2​×u−Mn/2​×u​][veven​vodd​​]=[Mn/2​veven​+Mn/2​vodd​×uMn/2​veven​−Mn/2​vodd​×u​]​
即,
F ( v ) = [ F ( v even ) + F ( v odd ) × u F ( v even ) − F ( v odd ) × u ] . \mathcal{F}(v) = \begin{bmatrix} \mathcal{F}(v_{\text{even}}) + \mathcal{F}({v_{\text{odd}}})\times u\\ \mathcal{F}(v_{\text{even}}) - \mathcal{F}({v_{\text{odd}}})\times u\\ \end{bmatrix}. F(v)=[F(veven​)+F(vodd​)×uF(veven​)−F(vodd​)×u​].
这就是快速傅立叶变换算法,可以用递归的方式实现(代码见下文)。

下面分析计算复杂度。

令 T ( n ) T(n) T(n) 代表向量长度为 n n n 的离散傅立叶变换的计算时间。根据上述公式,计算 F ( v even ) \mathcal{F}(v_{\text{even}}) F(veven​) 和 F ( v odd ) \mathcal{F}(v_{\text{odd}}) F(vodd​) 分别耗时 T ( n / 2 ) T(n/2) T(n/2),拼接耗时 O ( n ) O(n) O(n)。我们有
T ( n ) = 2 T ( n / 2 ) + O ( n ) . T(n) = 2T(n/2) + O(n). T(n)=2T(n/2)+O(n).
根据主定理(Master theorem),我们得到 T ( n ) = O ( n log ⁡ n ) T(n) = O(n\log n) T(n)=O(nlogn)。

算法实现

下面用 Python 实现快速傅立叶变换。

def fft(v):
    """ 快速傅立叶变换
    注意:输入向量 v 的长度是2的幂次方。
    :param v: array like
    :return: array like(复向量)
    """
    n = len(v)
    if n == 1:
        return v

    v_even = [v[i] for i in range(0, n, 2)]
    v_odd = [v[i] for i in range(1, n, 2)]
    q1 = fft(v_even)
    q2 = fft(v_odd)
    s = [np.e ** (-2 * np.pi * complex(0, 1) * j / n) for j in range(n//2)]
    part1 = (np.array(q1) + np.array(q2) * s).tolist()
    part2 = (np.array(q1) - np.array(q2) * s).tolist()

    return part1 + part2

逆变换

再看看它的逆变换。

计算 M n ⋅ M n M_n \cdot M_n Mn​⋅Mn​,我们得到
M n ⋅ M n = [ 1 0 ⋯ 0 0 0 ⋯ 0 0 1 0 ⋯ 0 1 0 ⋮ ⋮ 0 1 0 ⋯ 0 ] × n M_n \cdot M_n = \begin{bmatrix} 1 & 0 & \cdots & 0 & 0\\ 0 & \cdots & 0 & 0 & 1 \\ 0 & \cdots & 0 & 1 & 0 \\ \vdots & & \vdots & & \\ 0 & 1 & 0 & \cdots & 0 \end{bmatrix} \times n Mn​⋅Mn​=⎣⎢⎢⎢⎢⎢⎡​100⋮0​0⋯⋯1​⋯00⋮0​001⋯​0100​⎦⎥⎥⎥⎥⎥⎤​×n
我们有,
1 n M n M n v = ( v 0 v n − 1 v n − 2 ⋮ v 1 ) = : σ n − 1 ( v ) . \frac{1}{n}M_nM_n v = \begin{pmatrix} v_0\\ v_{n-1}\\ v_{n-2}\\ \vdots\\ v_1 \end{pmatrix} =: \sigma_{n-1}(v). n1​Mn​Mn​v=⎝⎜⎜⎜⎜⎜⎛​v0​vn−1​vn−2​⋮v1​​⎠⎟⎟⎟⎟⎟⎞​=:σn−1​(v).
其中 σ n − 1 ( v ) \sigma_{n-1}(v) σn−1​(v) 代表对向量 v v v 的后 n − 1 n-1 n−1 个元素按下标逆序排列。

注意到 σ n − 1 ( σ n − 1 ( v ) ) = v \sigma_{n-1}(\sigma_{n-1}(v)) = v σn−1​(σn−1​(v))=v,我们有
1 n σ n − 1 [ M n ( M n v ) ] = v \begin{aligned} \frac{1}{n}\sigma_{n-1}[M_n(M_n v)] = v \end{aligned} n1​σn−1​[Mn​(Mn​v)]=v​
即,
F − 1 = 1 n σ n − 1 F . \mathcal{F}^{-1} = \frac{1}{n}\sigma_{n-1}\mathcal{F}. F−1=n1​σn−1​F.
下面是 python 实现。

def ifft(v):
    """
    傅立叶变换的逆变换
    注意:输入向量 v 的长度是2的幂次方。
    :param v: array like
    :return: array like(复向量)
    """
    n = len(v)
    u = fft(v)
    x = [i/n for i in u]  # u 除以 n
    # 对后n-1个元素逆序排列
    y = x[1:]
    y.reverse()  
    return x[0:1] + y

总结

快速傅立叶变换的时间复杂度是 O ( n log ⁡ n ) O(n\log n) O(nlogn),比直接用矩阵乘更高效,原因在于矩阵 M n M_n Mn​ 具有特殊结构。

通过观察发现, M n M_n Mn​ 可以被拆解成四个与 M n / 2 M_{n/2} Mn/2​ 有关联的子矩阵。基于分治法(Divide and Conquer)的思想,对每个子问题递归求解,从而节省计算时间。

标签:even,end,变换,快速,Mn,bmatrix,text,傅立叶,odd
来源: https://blog.csdn.net/qx3501332/article/details/106397339