正文:
文章写的有点急。有错误的地方望指出
我学习 FFT 是一个比较慢的过程。 期间反反复复。 我写这篇博文只是一个非常浅显的理解。同时也可以帮助初学者在学习FFT的时候。有所偏重。避免太多思维上的负担。
直接正题吧:
首先:本身并不负责多项式之间的乘法。
只是一种变换。
则是DFT的快速算法。(分治 提高效率)
利用 。我们快速的将多项式变换为利于计算的形式
用这种方便计算的形式计算出来两个多项式的乘积。
这时候我们虽然已经得到目标多项式。但其形式并不是我们想要的
所以 之后利用 的 逆运算 又快速的变换回去
我们记:的逆运算为 1
对于一个次多项A的表示。最常见的形式(系数表达):
小学生手算 系数形式 的 多项式乘法 的 复杂度是
如果我们知道了一个次多项式 的曲线上的个不同的的点。
我们是可以计算出来这个多项式的
把系数看做未知数。列出来n个方程组。解出来这n个系数。
也就是说,给出曲线上的n个点:
我们可以确定其系数形式;
我们称这种表达一个多项式的方法叫:点值表达
他有很多优点。比如可以时间内计算一个多项式乘法
再给出一个多项式:
设与在取相同x的点值表达为:
这里 ,
则为:
非常方便。顺其自然;
之所以与多取一些点。是因为的次数界增加。
取点不足会导次数界达不到
对于一个次多项式。随机求其n个不同的点的朴素方法复杂度是
假设 n为偶数。那么我们把。重组为两个多项式:
设其系数的下标为偶数组成的多项式为:
设其系数的下标为奇数组成的多项式为:
所以有:
好像并不会优化运算。
因为
依然有可能会组成n个不同的数字。
那么我们要计算的规模不会减半。
如果我们恰当选取一些x。是否会优化运算呢。
例如:
各个数字平方后。得到的集合大小减半:
因为
那么
但是这种关系不会传递下去。平方后得到的数字全是不小于0的数字。
再次递归又回到了原来的形式。很尴尬。
不过这启迪我们。取相反数。然后平放。可以把问题规模减半。但再一次递归就失效了。是否存在不失效的取值呢。
如果对于一个有偶数个元素的数字集合。每个元素平方后。得到的新集合。去除重复元素后。集合大小能够减半。并且得到的新集合如果为偶数。新集合依然满足上面的性质。我们称这个集合有 折半 的性质。
如果我们可以快速的找到一个满足折半性质的自变量的取值集合.
分治就是可行的。
有一种东西。可以满足我们的需求。
那就是 —— n次单位复数根:
(使用复数确实让人有顾虑。这也是我学习FFT时最大 思想负担)
我们定义
那么形如
的复数有诸多良好的性质。
例如:
上面的性质可以用数学归纳法得到(较为简单。这里不做证明
我们记:
我会告诉你 多项式在x取下面的值时。有助于我们进行DFT
上面的n个复数称为。n次单位复数根。(n次单位复数根是指这n个数)
如果我们x取时。根据刚才的分解:
而
因为三角函数的周期性:
我们有:
所以:
则:
惊不惊喜,意不意外。
的取值集合取单位复数根。不但满足折半的性质。而且还有一定的规律性。与原集合保持一致。
这意味着我们只需要计算取:
的
问题范围减半。并且如果n为偶数。再次平方依然集合大小减半。
记:
那么,当我们得到:
这意味着我们得到了所有的
则:
即得到了:
其中
当然。FFT的计算 n要取2的整数次幂 。这是因为每次减半。我们可以把不足的系数用0填充。
上面过程可以看作 ,取单位复数根计算目标y向量,如下图:
本着尽可能简单的原则。我们不在特别的说这个矩阵。
因为之前说关于系数的n个方程必然可解。所以上面的矩阵:
必然存在逆矩阵5。(有线性代数基础的,或许不陌生)
可能你还是有点迷惑。没关系:
如果我们把FFT看作计算上面特别的矩阵相乘的算法呢。
利用FFT我们可以快速得到:
同时 。我可以直接告诉你:
的逆矩阵为:
因为我直接给你了答案。。。所以怀疑的话。我们可以计算一下看看。
我们记Y=E*D
上面可以看作等比数列求和。
当时:
当时,令:
因为:
所以,时:
所以。Y为单位矩阵。E,D互为逆矩阵得证。
所以:
所以。其实就是的变为得到。
并且所得目标向量每个元素除掉n就可以了6
FFT的高效实现:
通常。我们希望FFT的实现尽可能快。所以FFT算法也都使用迭代结构而不是递归结构。
下面介绍一种常用的去递归方法。
首先。上面介绍的FFT是只能处理2的整数次幂的次数界的多项式
所以不特别说明。都有(系数不足的用0补足)
对于递归的第一步:
输入数组
被分解为,偶数和奇数两个部分数
下标二进制形式右起第一个字符为 0 被分配到左集合
下标二进制形式右起第一个字符为 1 被分配到右集合
更一般的。对于第k次递归:
下标右起第k个字符为 0 被分配到它所在问题的左集合
下标右起第k个字符为 1 被分配到它所在问题的右集合
那么对于一个2进制形式的数字 B。将其表示为(注意:):
根据之前分析。这个数字递归后将会被分配到的位置为:
所以。对于一个数字的二进制形式的前k位对称过来。就是递归后的位置。
例如:,
我们调用FFT前对数组进行一次上述重拍。
便可 自底向上迭代 实现FFT
总结:
由于递归结构的FFT较好理解。而理解递归结构的FFT后。
不难写出非递归结构
所以在这里我们对递归结构的FFT基本框架做一个总结。
因为使用到了复数。所以不可避免的 。我们以下计算都在复数范围的
方便起见。我们用符号:来表示复数
那么多项式:
令:
当n=1时:
n>1时:
令: ,
计算与
计算完成后,令:
返回
————————————————————————
我对上述思想解释一下
A在处的值保存在Y中。
并返回给上一层。所以对于当前调用:
当 时:
模版
给出一个迭代结构的FFT模版:
定义复数:
struct Complex
{
double x,y;
Complex(double x1=0.0 ,double y1=0.0)
{
x=x1;
y=y1;
}
Complex operator -(const Complex &b)const
{
return Complex(x-b.x,y-b.y);
}
Complex operator +(const Complex &b)const
{
return Complex(x+b.x,y+b.y);
}
Complex operator *(const Complex &b)const
{
return Complex(x*b.x-y*b.y,x*b.y+y*b.x);
}
};
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
去递归:
void change(Complex y[],int len)
{
int i,j,k;
for(i=1,j=len/2;i<len-1;i++)
{
if(i<j)swap(y[i],y[j]);
k=len/2;
while(j>=k)
{
j-=k;
k/=2;
}
j+=k;
}
}
迭代结构的FFT
on== 1 时:
on==-1 时:
void FFT(Complex y[],int len,int on)
{
change(y,len);
for(int h=2;h<=len;h<<=1)
{
Complex wn(cos(on*2*pi/h),sin(on*2*pi/h));
for(int j=0;j<=len;j+=h)
{
Complex w(1,0);
for(int k=j;k<j+h/2;k++)
{
Complex u=y[k];
Complex t=w*y[k+h/2];
y[k]=u+t;
y[k+h/2]=u-t;
w=w*wn;
}
}
}
if(on==-1)
for(int i=0;i<len;i++)
y[i].x/=len;
}
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
|