algorithm
Szybka transformata Fouriera
Szukaj…
Wprowadzenie
Rzeczywistą i złożoną postać DFT (formularze ransowe D iscrete F ourier T ) można wykorzystać do analizy lub syntezy częstotliwości dla dowolnych sygnałów dyskretnych i okresowych. FFT ( F ast F ourier T ransform) to implementacja DFT, którą można szybko wykonać na nowoczesnych procesorach.
Radix 2 FFT
Najprostszą i prawdopodobnie najbardziej znaną metodą obliczania FFT jest algorytm Radix-2 Decimation in Time. Radix-2 FFT działa poprzez rozkład N sygnału w dziedzinie czasu w N na sygnały w dziedzinie czasu, każdy złożony z jednego punktu .
Dekompozycja sygnału lub „dziesiątkowanie w czasie” osiągane jest przez odwrócenie bitów wskaźników dla tablicy danych w dziedzinie czasu. Zatem dla szesnastopunktowego sygnału próbka 1 (Binarna 0001) jest zamieniana próbką 8 (1000), próbka 2 (0010) zamieniana jest na 4 (0100) i tak dalej. Zamiana próbek przy użyciu techniki odwrotności bitów może być osiągnięta po prostu w oprogramowaniu, ale ogranicza użycie Radix 2 FFT do sygnałów o długości N = 2 ^ M.
Wartość 1-punktowego sygnału w dziedzinie czasu jest równa jego wartości w dziedzinie częstotliwości, a zatem ta tablica zdekomponowanych pojedynczych punktów w dziedzinie czasu nie wymaga transformacji, aby stać się tablicą punktów w dziedzinie częstotliwości. N pojedynczych punktów; należy jednak zrekonstruować je w jednym widmie częstotliwości w punktach N. Optymalną rekonstrukcję pełnego spektrum częstotliwości przeprowadza się za pomocą obliczeń motylkowych. Każdy etap rekonstrukcji w Radix-2 FFT wykonuje szereg dwupunktowych motyli, wykorzystując podobny zestaw funkcji ważenia wykładniczego, Wn ^ R.
FFT usuwa zbędne obliczenia w dyskretnej transformacie Fouriera, wykorzystując okresowość Wn ^ R. Rekonstrukcja widmowa jest wykonywana w log2 (N) etapach obliczeń motyla dających X [K]; rzeczywiste i urojone dane w dziedzinie częstotliwości w formie prostokątnej. Aby przekonwertować na wielkość i fazę (współrzędne biegunowe), należy znaleźć wartość bezwzględną √ (Re2 + Im2) i argument tan-1 (Im / Re).
Pełny schemat przepływu motyla dla ośmiopunktowego Radix 2 FFT pokazano poniżej. Uwaga: sygnały wejściowe zostały uprzednio ponownie uporządkowane zgodnie z procedurą dziesiętną w czasie opisaną wcześniej.
FFT zazwyczaj działa na skomplikowanych danych wejściowych i wytwarza złożone dane wyjściowe. W przypadku sygnałów rzeczywistych część urojoną można ustawić na zero, a część rzeczywistą ustawić na sygnał wejściowy x [n], jednak możliwe są liczne optymalizacje obejmujące transformację danych tylko rzeczywistych. Wartości Wn ^ R stosowane podczas rekonstrukcji można określić za pomocą wykładniczego równania wagowego.
Wartość R (wykładniczej mocy ważącej) określa się bieżący etap w rekonstrukcji widmowej i bieżące obliczenia w obrębie konkretnego motyla.
Przykład kodu (C / C ++)
Przykład kodu AC / C ++ do obliczania Radix 2 FFT można znaleźć poniżej. Jest to prosta implementacja, która działa dla dowolnego rozmiaru N, gdzie N jest potęgą 2. Jest około 3 razy wolniejsza niż najszybsza implementacja FFTw, ale nadal stanowi bardzo dobrą podstawę do przyszłej optymalizacji lub do nauki o tym, jak działa ten algorytm.
#include <math.h>
#define PI 3.1415926535897932384626433832795 // PI for sine/cos calculations
#define TWOPI 6.283185307179586476925286766559 // 2*PI for sine/cos calculations
#define Deg2Rad 0.017453292519943295769236907684886 // Degrees to Radians factor
#define Rad2Deg 57.295779513082320876798154814105 // Radians to Degrees factor
#define log10_2 0.30102999566398119521373889472449 // Log10 of 2
#define log10_2_INV 3.3219280948873623478703194294948 // 1/Log10(2)
// complex variable structure (double precision)
struct complex
{
public:
double Re, Im; // Not so complicated after all
};
// Returns true if N is a power of 2
bool isPwrTwo(int N, int *M)
{
*M = (int)ceil(log10((double)N) * log10_2_INV);// M is number of stages to perform. 2^M = N
int NN = (int)pow(2.0, *M);
if ((NN != N) || (NN == 0)) // Check N is a power of 2.
return false;
return true;
}
void rad2FFT(int N, complex *x, complex *DFT)
{
int M = 0;
// Check if power of two. If not, exit
if (!isPwrTwo(N, &M))
throw "Rad2FFT(): N must be a power of 2 for Radix FFT";
// Integer Variables
int BSep; // BSep is memory spacing between butterflies
int BWidth; // BWidth is memory spacing of opposite ends of the butterfly
int P; // P is number of similar Wn's to be used in that stage
int j; // j is used in a loop to perform all calculations in each stage
int stage = 1; // stage is the stage number of the FFT. There are M stages in total (1 to M).
int HiIndex; // HiIndex is the index of the DFT array for the top value of each butterfly calc
unsigned int iaddr; // bitmask for bit reversal
int ii; // Integer bitfield for bit reversal (Decimation in Time)
int MM1 = M - 1;
unsigned int i;
int l;
unsigned int nMax = (unsigned int)N;
// Double Precision Variables
double TwoPi_N = TWOPI / (double)N; // constant to save computational time. = 2*PI / N
double TwoPi_NP;
// complex Variables (See 'struct complex')
complex WN; // Wn is the exponential weighting function in the form a + jb
complex TEMP; // TEMP is used to save computation in the butterfly calc
complex *pDFT = DFT; // Pointer to first elements in DFT array
complex *pLo; // Pointer for lo / hi value of butterfly calcs
complex *pHi;
complex *pX; // Pointer to x[n]
// Decimation In Time - x[n] sample sorting
for (i = 0; i < nMax; i++, DFT++)
{
pX = x + i; // Calculate current x[n] from base address *x and index i.
ii = 0; // Reset new address for DFT[n]
iaddr = i; // Copy i for manipulations
for (l = 0; l < M; l++) // Bit reverse i and store in ii...
{
if (iaddr & 0x01) // Detemine least significant bit
ii += (1 << (MM1 - l)); // Increment ii by 2^(M-1-l) if lsb was 1
iaddr >>= 1; // right shift iaddr to test next bit. Use logical operations for speed increase
if (!iaddr)
break;
}
DFT = pDFT + ii; // Calculate current DFT[n] from base address *pDFT and bit reversed index ii
DFT->Re = pX->Re; // Update the complex array with address sorted time domain signal x[n]
DFT->Im = pX->Im; // NB: Imaginary is always zero
}
// FFT Computation by butterfly calculation
for (stage = 1; stage <= M; stage++) // Loop for M stages, where 2^M = N
{
BSep = (int)(pow(2, stage)); // Separation between butterflies = 2^stage
P = N / BSep; // Similar Wn's in this stage = N/Bsep
BWidth = BSep / 2; // Butterfly width (spacing between opposite points) = Separation / 2.
TwoPi_NP = TwoPi_N*P;
for (j = 0; j < BWidth; j++) // Loop for j calculations per butterfly
{
if (j != 0) // Save on calculation if R = 0, as WN^0 = (1 + j0)
{
//WN.Re = cos(TwoPi_NP*j)
WN.Re = cos(TwoPi_N*P*j); // Calculate Wn (Real and Imaginary)
WN.Im = -sin(TwoPi_N*P*j);
}
for (HiIndex = j; HiIndex < N; HiIndex += BSep) // Loop for HiIndex Step BSep butterflies per stage
{
pHi = pDFT + HiIndex; // Point to higher value
pLo = pHi + BWidth; // Point to lower value (Note VC++ adjusts for spacing between elements)
if (j != 0) // If exponential power is not zero...
{
//CMult(pLo, &WN, &TEMP); // Perform complex multiplication of Lovalue with Wn
TEMP.Re = (pLo->Re * WN.Re) - (pLo->Im * WN.Im);
TEMP.Im = (pLo->Re * WN.Im) + (pLo->Im * WN.Re);
//CSub (pHi, &TEMP, pLo);
pLo->Re = pHi->Re - TEMP.Re; // Find new Lovalue (complex subtraction)
pLo->Im = pHi->Im - TEMP.Im;
//CAdd (pHi, &TEMP, pHi); // Find new Hivalue (complex addition)
pHi->Re = (pHi->Re + TEMP.Re);
pHi->Im = (pHi->Im + TEMP.Im);
}
else
{
TEMP.Re = pLo->Re;
TEMP.Im = pLo->Im;
//CSub (pHi, &TEMP, pLo);
pLo->Re = pHi->Re - TEMP.Re; // Find new Lovalue (complex subtraction)
pLo->Im = pHi->Im - TEMP.Im;
//CAdd (pHi, &TEMP, pHi); // Find new Hivalue (complex addition)
pHi->Re = (pHi->Re + TEMP.Re);
pHi->Im = (pHi->Im + TEMP.Im);
}
}
}
}
pLo = 0; // Null all pointers
pHi = 0;
pDFT = 0;
DFT = 0;
pX = 0;
}
Radix 2 Inverse FFT
Ze względu na silną dualność transformacji Fouriera, dostosowanie mocy wyjściowej transformacji do przodu może powodować odwrotne FFT. Dane w dziedzinie częstotliwości można przekonwertować na dziedzinę czasu za pomocą następującej metody:
- Znajdź złożony koniugat danych w dziedzinie częstotliwości, odwracając urojoną składową dla wszystkich instancji K.
- Wykonaj FFT przesyłania dalej na sprzężonych danych w dziedzinie częstotliwości.
- Podziel każdy wynik wyniku tej analizy FFT przez N, aby dać prawdziwą wartość w dziedzinie czasu.
- Znajdź złożony koniugat wyniku, odwracając urojoną składową danych w dziedzinie czasu dla wszystkich instancji n.
Uwaga : dane w dziedzinie częstotliwości i czasu są zmiennymi złożonymi. Zazwyczaj urojona składowa sygnału w dziedzinie czasu po odwrotnym FFT wynosi albo zero, albo jest ignorowana jako błąd zaokrąglenia. Zwiększenie precyzji zmiennych z 32-bitowego zmiennoprzecinkowego na 64-bitowy podwójny lub 128-bitowy podwójny znacząco zmniejsza błędy zaokrąglania generowane przez kilka kolejnych operacji FFT.
Przykład kodu (C / C ++)
#include <math.h>
#define PI 3.1415926535897932384626433832795 // PI for sine/cos calculations
#define TWOPI 6.283185307179586476925286766559 // 2*PI for sine/cos calculations
#define Deg2Rad 0.017453292519943295769236907684886 // Degrees to Radians factor
#define Rad2Deg 57.295779513082320876798154814105 // Radians to Degrees factor
#define log10_2 0.30102999566398119521373889472449 // Log10 of 2
#define log10_2_INV 3.3219280948873623478703194294948 // 1/Log10(2)
// complex variable structure (double precision)
struct complex
{
public:
double Re, Im; // Not so complicated after all
};
void rad2InverseFFT(int N, complex *x, complex *DFT)
{
// M is number of stages to perform. 2^M = N
double Mx = (log10((double)N) / log10((double)2));
int a = (int)(ceil(pow(2.0, Mx)));
int status = 0;
if (a != N) // Check N is a power of 2
{
x = 0;
DFT = 0;
throw "rad2InverseFFT(): N must be a power of 2 for Radix 2 Inverse FFT";
}
complex *pDFT = DFT; // Reset vector for DFT pointers
complex *pX = x; // Reset vector for x[n] pointer
double NN = 1 / (double)N; // Scaling factor for the inverse FFT
for (int i = 0; i < N; i++, DFT++)
DFT->Im *= -1; // Find the complex conjugate of the Frequency Spectrum
DFT = pDFT; // Reset Freq Domain Pointer
rad2FFT(N, DFT, x); // Calculate the forward FFT with variables switched (time & freq)
int i;
complex* x;
for ( i = 0, x = pX; i < N; i++, x++){
x->Re *= NN; // Divide time domain by N for correct amplitude scaling
x->Im *= -1; // Change the sign of ImX
}
}