首页 > 其他分享 >快速傅里叶变换的 numpy 实现

快速傅里叶变换的 numpy 实现

时间:2022-12-07 00:44:06浏览次数:43  
标签:reshape 变换 omega align dtype pmb numpy np 傅里叶

目录

理论

现有长度为 \(n=2^s\) 序列和相应的多项式为

\[\begin{align*} \pmb a&=(a_0,a_1,\ldots,a_{n-1})\\ f_{\pmb a}(x)&=\sum_{j=0}^{n-1}a_jx^j \end{align*} \]

为方便,取符号 \(\omega_n=e^{-2\pi i/n}\),定义离散傅里叶变换(DFT)为

\[\begin{align*} \pmb y&=(y_0,y_1,\ldots,y_{n-1})\\ y_k&=\left.f_{\pmb a}(x)\right\vert_{x=\omega_n^k}=\sum_{j=0}^{n-1}a_j\omega_n^{kj}\\ \end{align*} \]

如果采用每个 \(y_k\) 单独计算的方法,则需要进行 \(n\) 次 \(f_{\pmb a}(x)\) 的计算。如果采用霍纳法则进行计算,每个 \(f_{pmb a}(x)\) 需要进行 \(n-1\) 次加法和 \(n-1\) 次乘法,总体时间复杂度为 \(\Theta(n^2)\)。


如果采用快速傅里叶变换则速度将加快到 \(\Theta(n\lg n)\),这主要是因为利用了 \(\omega_n\) 的周期性。

\[\begin{align*} \omega_{dn}^{dk}&=\omega^k_n\\ \omega_n^{k+n}&=\omega_n^k \end{align*} \]

将序列 \(\pmb a\) 的奇索引和偶索引分离

\[\begin{align*} \pmb a^{[0]}&=(a_0,a_2,\ldots,a_{n-2})\\ \pmb a^{[1]}&=(a_1,a_3,\ldots,a_{n-1})\\ \end{align*} \]

得到相应的傅里叶变换,注意长度的变化,变为了原来的二分之一。

\[\begin{align*} f_{\pmb a^{[0]}}(x)&=\sum_{j=0}^{n/2-1}a_{2j}x^j\\ f_{\pmb a^{[1]}}(x)&=\sum_{j=0}^{n/2-1}a_{2j+1}x^j\\[1em] \pmb y^{[0]}&=(y_0,y_2,\ldots,y_{n-2})\\ \pmb y^{[1]}&=(y_1,y_3,\ldots,y_{n-1})\\ y^{[0]}_k&=f_{\pmb a^{[0]}}(\omega^k_{n/2})\\ y^{[1]}_k&=f_{\pmb a^{[1]}}(\omega^k_{n/2}) \end{align*} \]

\[\begin{align*} f_{\pmb a}(x)&=f_{\pmb a^{[0]}}(x^2)+xf_{\pmb a^{[1]}}(x^2)\\ y_k&=f_{\pmb a}(\omega_n^k)=f_{\pmb a^{[0]}}(\omega_n^{2k})+\omega_n^kf_{\pmb a^{[1]}}(\omega_n^{2k})\\ &=f_{\pmb a^{[0]}}(\omega_{n/2}^k)+\omega_n^kf_{\pmb a^{[1]}}(\omega_{n/2}^k) \end{align*} \]

但是因为 \(\pmb y^{[0,1]}\) 的长度只有 \(n/2\),所以只能计算前 \(n/2\) 个,还需要计算后 \(n/2\) 个的方法。

由于 \(\omega_{n/2}^{k+n/2}=\omega_{n/2}^k\),因此 \(f_{\pmb a^{[0,1]}}(\omega_{n/2}^{k+n/2})=f_{\pmb a^{[0,1]}}(\omega_{n/2}^k)\)。且 \(\omega_n^{k+n/2}=-\omega_n^k\)。因此有对于 \(k\in0..(n/2-1)\)

\[\begin{align*} y_k&=f_{\pmb a^{[0]}}(\omega_{n/2}^k)+\omega_n^kf_{\pmb a^{[1]}}(\omega_{n/2}^k)\\ &=y^{[0]}_k+\omega_n^ky_k^{[1]}\\ y_{k+n/2}&=f_{\pmb a^{[0]}}(\omega_{n/2}^{k+n/2})+\omega_n^{k+n/2}f_{\pmb a^{[1]}}(\omega_{n/2}^{k+n/2})\\ &=f_{\pmb a^{[0]}}(\omega_{n/2}^k)-\omega_n^kf_{\pmb a^{[1]}}(\omega_{n/2}^k)\\ &=y^{[0]}_k-\omega_n^ky_k^{[1]}\\ \end{align*} \]

故 \(f_{\pmb a^{[0,1]}}(\omega_{n/2}^{k+n/2})\) 只需要计算 \(n/2\) 个,正好和序列 \(\pmb a^{[0,1]}\) 长度相同,也就是计算 \(\pmb y^{[0,1]}\) 即可。因此计算 \(f_{\pmb a^{[0,1]}}\) 的方法和 \(f_{\pmb a}\) 没什么不同,可以采用递归的方法。

这个递归函数为

\[\begin{align*} \pmb\omega_n&=\left(\omega_n^0,\omega_n^1,\ldots,\omega_n^{n/2-1}\right)\\ \pmb y_{0..(n/2-1)}&=f(\pmb a)=f(\pmb a^{[0]})+\pmb\omega_n\cdot f(\pmb a^{[1]})\\ \pmb y_{(n/2)..(n-1)}&=f(\pmb a)=f(\pmb a^{[0]})-\pmb\omega_n\cdot f(\pmb a^{[1]})\\ \end{align*} \]

其中乘法为按位乘法。


注意到在前面的证明中只使用了 \(\omega_n\) 的周期性,显然这对于 \(\omega_n^{-1}\) 也是成立的。

而离散傅里叶逆变换(IDFT)为

\[\begin{align*} a_j&=\frac1n\sum_{k=0}^{n-1}y_k\omega_n^{-kj}=\frac1n\sum_{k=0}^{n-1}y_k(\omega_n^{-1})^{kj} \end{align*} \]

只需要在上述证明和算法中将 \(\omega_n\) 全部替换为 \(\omega_n^{-1}\),再在最后除以 \(n\),则完成了逆运算的证明和算法。

\[\begin{align*} \pmb\omega_n&=\left(\omega_n^{-0},\omega_n^{-1},\ldots,\omega_n^{-(n/2-1)}\right)\\ n\pmb a_{0..(n/2-1)}&=f(\pmb y)=f(\pmb y^{[0]})+\pmb\omega_n\cdot f(\pmb y^{[1]})\\ n\pmb a_{(n/2)..(n-1)}&=f(\pmb y)=f(\pmb y^{[0]})-\pmb\omega_n\cdot f(\pmb y^{[1]})\\ \end{align*} \]

时间复杂度为

\[\begin{align*} T(n)&=\begin{cases} \Theta(1)&n=1\\ 2T(n/2)+\Theta(n)&n=2^s,s\in\mathbb Z^+ \end{cases}\\ &=\Theta(n\lg n) \end{align*} \]

实现

递归实现和迭代实现,只适用于 n 为 2 的幂的情况。

from itertools import count
from sympy import S
import numpy as np


def recursive_fft(a: np.ndarray, dtype=np.complex128) -> np.ndarray:
    n = a.size
    assert n & (n - 1) == 0  # n is power of 2

    if a.dtype != dtype:
        a = a.astype(dtype)
    if n == 1:
        return a.copy()

    w_n = dtype(S('exp(-2 * pi * I / n)').subs('n', n))
    w = w_n ** np.arange(n // 2, dtype=dtype)

    a = a.reshape(-1, 2)  # 用 reshape 不用新建数组
    y0 = recursive_fft(a[:,0].reshape(-1), dtype)
    y1 = recursive_fft(a[:,1].reshape(-1), dtype)

    y1 *= w
    y = np.hstack([
        y0 + y1,
        y0 - y1
    ])

    return y


def recursive_ifft(y: np.ndarray, dtype=np.complex128) -> np.ndarray:
    def _recursive_ifft(y):
        n = y.size
        if n == 1:
            return y.copy()

        w_n = dtype(S('exp(2 * pi * I / n)').subs('n', n))
        w = w_n ** np.arange(n // 2, dtype=dtype)

        y = y.reshape(-1, 2)  # 用 reshape 不用新建数组
        a0 = _recursive_ifft(y[:,0].reshape(-1))
        a1 = _recursive_ifft(y[:,1].reshape(-1))

        a1 *= w
        a = np.hstack([
            a0 + a1,
            a0 - a1
        ])

        return a

    n = y.size
    assert n & (n - 1) == 0  # n is power of 2
    if y.dtype != dtype:
        y = y.astype(dtype)

    return _recursive_ifft(y) / n


def iterative_fft(a: np.ndarray, dtype=np.complex128) -> np.ndarray:
    n = a.size
    assert n & (n - 1) == 0  # n is power of 2

    for s in count():
        m = 1 << s
        if m == n:
            break
        a = a.reshape(m, -1, 2).swapaxes(1, 2)

    if a.dtype != dtype:
        y = a.ravel().astype(dtype)
    else:
        y = a.flatten()

    for s in count():
        m = 1 << s
        if m == n:
            break
        w_m = dtype(S('exp(-pi * I / m)').subs('m', m))
        w = w_m ** np.arange(m, dtype=dtype)

        y = y.reshape(-1, m << 1)
        y0 = y[:,:m].copy()
        y1 = y[:,m:] * w

        y[:,:m] = y0 + y1
        y[:,m:] = y0 - y1

    return y


def iterative_ifft(y: np.ndarray, dtype=np.complex128) -> np.ndarray:
    n = y.size
    assert n & (n - 1) == 0  # n is power of 2

    for s in count():
        m = 1 << s
        if m == n:
            break
        y = y.reshape(m, -1, 2).swapaxes(1, 2)

    if y.dtype != dtype:
        a = y.ravel().astype(dtype)
    else:
        a = y.flatten()

    for s in count():
        m = 1 << s
        if m == n:
            break
        w_m = dtype(S('exp(pi * I / m)').subs('m', m))
        w = w_m ** np.arange(m, dtype=dtype)

        a = a.reshape(-1, m << 1)
        a0 = a[:,:m].copy()
        a1 = a[:,m:] * w

        a[:,:m] = a0 + a1
        a[:,m:] = a0 - a1

    return a / n

在代码中使用了 sympy 的表达式,因此如果 dtype=object 那么可以获得结果的精确表达式,但不一定是最简式。

numpy 实现的要点

reshape()swapaxes()

关于 a.reshape(m, -1, 2).swapaxes(1, 2) 的作用,参考递归实现,每次递归都分离了偶索引和奇索引。

关键在于递归和奇偶分离:

  • mreshape(m) 的作用在于指明递归次数,同时将每次递归分离到不同的坐标上,使每次递归之间(的坐标转换)互不影响。
  • reshape(-1, 2).swapaxes(1, 2) 的作用在于奇偶分离,如果认为数据按先列后行的顺序排列,那么就是首先按奇偶分为两列,在旋转坐标轴将奇偶分为两行。

类型转换、一维化和坐标转换

为了提高效率,需要注意一下类型转换和坐标转换顺序。由于经过多次 reshape()swapaxis(),原有数组的内在坐标被转换了。而后续操作基本上是线性的、连续的操作,因此在转换完坐标后再进行类型转换和一维化 (注意 flatten()ravel() 的使用),可以创建新的线性数组,方便后续操作,且遵循了操作不改变原数组的准则,时间复杂度也会减小。

  • slower 版本先进行类型转换且没有进行一维化,再进行坐标转换。
  • faster 版本先进行坐标转换,再进行类型转换和一维化。
# slower
if y.dtype != dtype:
    a = y.astype(dtype)
else:
    a = y.copy()

for s in count():
    m = 1 << s
    if m == n:
        break
    a = a.reshape(m, -1, 2).swapaxes(1, 2)

# faster
for s in count():
    m = 1 << s
    if m == n:
        break
    y = y.reshape(m, -1, 2).swapaxes(1, 2)

if y.dtype != dtype:
    a = y.ravel().astype(dtype)
else:
    a = y.flatten()

数组的复制

还需要注意数组的复制。一般来说,使用 numpy 库复制数组之后时间会加快(在没有多余操作的前提下),具体看下列代码。

  • slower 版本的关键在于使用原数组记录相关变量,在这个过程中,没有使用新的变量,a0, a1 只是 a 的视图而已,是 a 的一部分。
  • faster 版本使用 copy() 和乘法,一个直接、一个间接地建立了新数组,因此速度加快了。
#slower
a = a.reshape(-1, m << 1)
a0 = a[:,:m]
a1 = a[:,m:]
a1 *= w

a0[:] += a1
a1 *= -2
a1[:] += a0

# faster
a = a.reshape(-1, m << 1)
a0 = a[:,:m].copy()
a1 = a[:,m:] * w

a[:,:m] = a0 + a1
a[:,m:] = a0 - a1

在递归的实现中,因为 hstack() 不改变原数组,所以传入参数时使用 reshape(),而不是新建数组。在这里,选择了减小空间开销而不是减小时间开销。

标签:reshape,变换,omega,align,dtype,pmb,numpy,np,傅里叶
From: https://www.cnblogs.com/violeshnv/p/16961917.html

相关文章

  • DCT图像变换
    一,背景介绍DCT,即离散余弦变换,常用图像压缩算法,步骤如下1)分割,首先将图像分割成8x8或16x16的小块;2)DCT变换,对每个小块进行DCT变换;3)舍弃高频系数(AC系数),保留低频信息(DC系数)。高......
  • 利用傅立叶变换进行图像处理的代码演示
    前面有篇文件介绍过使用DCT(离散余弦)变换进行图像处理的例子:方法和思路: 关于傅立叶变换的实践,可以参考这篇文章:代码演示:高频滤波操作:#-*-coding:utf-8-*-importnumpyimpo......
  • 李永乐 傅里叶变换
    傅里叶变换,表示能将满足一定条件的某个函数表示成三角函数(正弦和/或余弦函数)或者它们的积分的线性组合。B站首发!草履虫都能看懂的【傅里叶变换】讲解,清华大学李永乐老师......
  • 5.5.2 简单的三角恒等变换
    \({\color{Red}{欢迎到学科网下载资料学习}}\)【基础过关系列】2022-2023学年高一数学上学期同步知识点剖析精品讲义(人教A版2019)\({\color{Red}{跟贵哥学数学,so\qua......
  • 仿射变换
    ......
  • Python数据分析(一)--Numpy学习
    Numpy学习1.数据的维度1.1一维数据一维数据由对等关系的有序或无序数据构成,采用线性方式组织。对应列表(有序)、数组和集合(无序)等类型。例子:列表和数组相同点:......
  • Python+NumPy绘制常见曲线的方法详解_python
    一、利萨茹曲线二、计算斐波那契数列 三、方波方波可以近似表示为多个正弦波的叠加。任意一个方波信号都可以用无穷傅里叶级数来表示。需要累加很多项级数,且级数越......
  • P1963 [NOI2009] 变换序列
    P1963[NOI2009]变换序列求最小字典序匈牙利算法进行匹配因为每一次是要求已经匹配好的人进行换对象如果从前面开始,那就是会要求前面已经匹配好的人换对象,答案就不一......
  • centernet的数据增强操作--仿射变换
    https://blog.csdn.net/yang332233/article/details/110164808?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522166988875516782428685782%2522%252C%2522scm%2......
  • numpy获取数组最大值和索引
    他俩都是在60频率但是不清楚每个频率的振幅分布在哪。importmatplotlib.pyplotaspltimportnumpyasnpimportpandasaspdimporttorchimportnumpyasnpdf=......