文章目录
总结
很魔法，总结写在最前面，因为这是我觉得最关键的内容。
- 傅里叶级数其实是被傅里叶变换囊括的，表现为频谱上的一个个冲激信号。
- 频谱离散的信号，就是可以写出傅里叶级数的信号，特点就是要有周期（非周期在周期延拓也可以），连续就是FS（第二种），离散的就是DFS（第四种）。
- 无论是连续还是非连续的都可以看做傅里叶变换。下面这张图囊括了傅里叶变换的所有形式。里面包含了傅里叶变换的对偶性。
- 另外，傅里叶变换（第一种）条件是绝对可积，由此引出了拉普拉斯变换。离散时间傅里叶（第三种）变换条件则是绝对可和，由此引出了z变换，另一篇博客讲。前面是对于非周期而言的，周期性的不绝对可积也不绝对可和，不能拉普拉斯和z变换。
- 1，3傅里叶变换；2，4傅里叶级数。2，4也可以叫变换，前提是引入冲激函数。
引言
本人专业是自动化，离不开信号与系统这门课，提到信号与系统，自然是离不开大名鼎鼎的傅立叶，傅立叶级数、傅立叶变换都是常用的计算工具。
同时，我也搞搞算法竞赛，众所周知，FFT（快速傅立叶变换）是一种计算多项式乘法的算法。
虽然我都接触过这两个东西，但是快速傅立叶变换和傅立叶变换，有什么关系吗？
当然有，在此之前，你得先知道有个东西叫离散傅立叶变换（DFT），FFT的最早提出其实是为了快速计算出DFT。也就是说，FFT是一种算法，它的命名是因为它最早被用于求解离散傅立叶变换，而同时它也可以解决一些其他问题。
然后我现在总结一下这些东西。
关于拉普拉斯变换和Z变换写在了另一篇博客中。
傅立叶级数（FS）
傅立叶变换是针对周期函数而言的。数学家经常这么想，能不能用一些简单的函数累加去组合出（逼近）一个复杂的函数，其中最有名的肯定是泰勒公式。
傅立叶级数也是类似的想法，周期函数能不能分解成很多简单的函数和。和出来的函数是周期性的，那自然想到组成函数也是周期性的，最简单的周期函数是什么呢？当然是三角函数（简单在容易积分和求导，这个简单还包括正交性，乘积的积分等于0）。
然后就有了傅立叶级数：
推导可以看这个博客，也包括了后面傅立叶变换啥的
然后再增加一点，非周期信号也可以计算傅立叶级数。就是把函数当成：存在定义域的周期函数，即定义域内为整个函数的一个周期。
公式就变成了：
傅立叶变换（FT）
傅立叶级数是针对周期信号的，那如果是定义在整个周期上的非周期信号，就不可以用周期信号去逼近了吗？答案是可以，但是是连续的，既然是连续的，那就不能写成求和的形式，而是积分的形式。公式如下，包括逆变换公式：
谈谈理解，F(w）是频谱，什么是频谱，可以理解为一个个不同频率的周期函数，它们可以组成整个函数，但是这些函数的个数是无穷多的，所以函数的横坐标实际表达的是在某个频率附近函数的密度。如果你学过概率论，知道概率密度函数，应该可以比较轻松的理解。
然后，我们再反过来思考，对于周期信号，傅立叶变换是什么样的？如果你去看书，会发现频谱图是一个个离散的冲激信号（不懂自己查），也就是说这个地方频率密度无限高，换言之就是这个频率。这其实非常符合我们用傅立叶变换去逼近函数，用于逼近的周期函数的频率正好是离散的。
PS：提一个很简单的应用，稍微给大家建立一点实际应用的感觉。两个同时说话，声调不同，我们一开始采集到的声轨是时间关于声音（音量？振动速度？原谅我物理没学好）的函数。我们把它傅立叶变换，由于两个人声带振动频率不同，变换后的函数会在两个不同的频率处有两个峰，我们消除其中一个并拟变换回来，就消除了其中一个人的声音。类似的应用还有很多，比如说消除图片中的高频噪声等等。
离散傅里叶级数（DFS）
离散傅里叶级数是针对周期离散时间信号而言的。
离散序列傅里叶级数（变换）之后是周期性的，这很关键。因为下一个周期又会重复某个（4pi和2pi转起来是一样的），才能抵消掉多余的部分，不然一圈内的频率，肯定组成的原函数是连续的。（一种感觉罢了 ）
推出来是这个样子的。
离散时间傅里叶变换（DTFT）
先用单位冲激序列对函数采样，就变成了离散时间序列。然后使用傅里叶变换可以推出来DTFT的公式。（交换积分次序，利用冲激函数的积分求）
离散傅立叶变换（DFT）
对于计算机来说，无穷是无法求解的。就像电脑算积分，其实是把函数分成非常多小条矩形，加起来的面积就是积分值，离散傅立叶变换也是类似的东西。
对于频谱密度函数（频谱F(w)），可以感受一下，如果每隔一小段，用其中某个值代替频率密度，函数就变成离散的了，然后可以用这些频率和其函数值作为系数去组成（累加）原函数，这不就是所谓的离散傅立叶变换吗。
这是DFT的公式：
看傅立叶级数的指数形式：
有没有觉得很像，注意：
标准化的傅立叶变换T趋向于N（隔一个点采一下），傅立叶级数指数形式中括号内就是傅立叶变换，而用离散傅立叶变换代替，T换成N，就变成了傅立叶逆变换。我并没有推过公式，但是这证明的感受是对的。可以说，离散傅立叶变换将傅里叶级数推广到了所有函数。
然后这个公式还可以写成矩阵变换的形式，记住这个
W
n
t
W_n^t
Wnt，这是快速傅里叶变换的关键，快速傅里叶变换指的就是快速求出所有的
W
n
t
W_n^t
Wnt（nlogn复杂度）。
然后还可以看一下这篇链接，不从傅里叶变换得到离散傅里叶变换，更容易理解也更好记。
快速傅立叶变换（FFT）
多项式乘法（我猜你想看的FFT）
首先是多项式的存储方式，一是系数存储法，那么在做多项式乘法的时候，显然会产生
n
2
n^2
n2的系数，然后再进行合并，那太慢了。二是使用点值存储法，n个点可以确定一个n阶多项式，并且点与点的对应相乘是O（n）的，非常快。要解决的就是如何将系数多项式转变为点值，以及如何将点值多项式转回去。
首先，将系数多项式转为转为点值，就是带n个点进去算，但是计算一个点的n次方是很耗时的，我们需要选择合适的点，加速这个过程。
我们重新来看看
ω
n
k
\omega^k_n
ωnk，将复平面单位圆n等分，
ω
n
0
\omega^0_n
ωn0代表点（1，0），
ω
n
k
\omega^k_n
ωnk代表绕单位元逆时针k号点。
显然
ω
n
k
=
ω
2
n
2
k
\omega^k_n=\omega^{2k}_{2n}
ωnk=ω2n2k,
ω
n
k
=
−
ω
n
k
+
n
/
2
\omega^k_n=-\omega^{k+n/2}_{n}
ωnk=−ωnk+n/2
推导：
含义解读：一个长度为n的序列，A[k]代表带入单位圆k分点对应的函数值，这个A[k]可以根据奇偶分成两部分A1[n/2]和A2[n/2]，并且已知A1和A2可以O(n)求出A。并且A1和A2保持了原来的形式，可以递归求解。
优化：递归常数太大，考虑迭代。假设我们知道最后一层每个点的位置，我们就可以一层层地往上迭代了。另外，迭代过程只需要一维数组，因为每次都是两个点刷两个点。
观察得出：
最终每个元素所在位置就是其二进制翻转。
code:
for(int i=0;i<limit;i++)
r[i]= ( r[i>>1]>>1 )| ( (i&1)<<(l-1) ) ;
for(int i=0;i<limit;i++)
if(i<r[i]) swap(A[i],A[r[i]]);//求出要迭代的序列，i<r[i]保证只换一次
PS：FFT一定要n是2的整数次幂，如果不是，将n增大到2的幂次，高次项系数为0。
然后是逆变换（IFFT），经过一套推算之后，在分治的过程中乘上单位根的共轭复数（
ω
n
k
\omega^k_n
ωnk的共轭复数），分治完的每一项除以n即为原多项式的每一项系数。
fft和ifft共用一个函数，ifft处理完后所有项要/n，
注意要这么写c[i]=(int)(a[i].real()/n+0.5);因为存在精度问题，1.99999999这种
信号处理中的FFT
本质是一个东西，应该说是多项式乘法被转化为了和DFT相同的形式。
把上面DFT公式用欧拉公式展开，就变了上面的形式，不信你试试看。
标签：函数,级数,变换,FFT,离散,傅立叶,傅里叶 来源： https://blog.csdn.net/qq_21043585/article/details/120187972
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。