首页 > 其他分享 >FFT/FWT 相关理论自我复习

FFT/FWT 相关理论自我复习

时间:2024-05-13 21:08:50浏览次数:14  
标签:IDFT texttt 复习 卷积 DFT FFT 数组 FWT 长度

下文下标一般从 \(0\) 开始。

卷积:记的数组 \(a,b\) 在运算 \(\circ\) 下的卷积 \(a\circ b=c\),其中 \(c_k=\sum\limits_{i\circ j=k} a_ib_j\)。

直接暴力计算卷积复杂度为 \(O(n^2)\),其中 \(n\) 为数组长度。

DFT-IDFT

一般快速计算特殊卷积的方法为构造 DFT 变换

欲构造可逆DFT 变换 把长度为 \(n\) 的数组映射到长度为 \(n\) 的数组,满足 \(\texttt{DFT}(a)\times \texttt{DFT}(b)=\texttt{DFT}(c)\)。

DFT 的逆变换 \(\texttt{IDFT}=\texttt{DFT}^{-1}\),此时 \(c=\texttt{IDFT}(\texttt{DFT}(a)\times \texttt{DFT}(b))\),于是我们只需快速做 \(\texttt{DFT},\texttt{IDFT}\) 变换即可。

由于「DFT 变换 把长度为 \(n\) 的数组映射到长度为 \(n\) 的数组」,于是设 \(\vec{u}\)

FFT

快速计算 \(a\times b=c\),其中 \(c_k=\sum\limits_{i+j=k} a_ib_j\)。

标签:IDFT,texttt,复习,卷积,DFT,FFT,数组,FWT,长度
From: https://www.cnblogs.com/HaHeHyt/p/18190014

相关文章

  • 编译原理和计算机系统结构复习随笔
    (一)知识点补充阶段5.35.45.55.61、系统结构网课(1)1、编译网课(1)2、做出今天看的编译大题模板3、划出昨天看的系统结构知识点+尝试背诵系统结构书1、系统结构网课(2)2、做出今天看的系统结构大题模板3、划出今天看的系统结构知识点+尝试背诵系统结构书1、编译网课(......
  • FFT 优化常系数齐次线性递推式
    \(f_i\)序列满足\(f_i=\displaystyle\sum_{j=1}^kc_jf_{i-j}\)。\(k\le32000,n\le10^9\)。已知\(f_1\simf_k\)和\(c_1\simc_k\)。求\(f_n\)。这称为"\(k\)次齐次常系数线性递推式"。如果\(k\)比较小,可以用矩阵快速幂;但\(k\)太大,一次矩阵乘法都很慢。我们可......
  • FFT 学习笔记
    应用FFT,中文“快速傅里叶变换”,用来加速多项式乘法和卷积,可以将\(O(n^2)\)的复杂度优化至\(O(n\logn)\)。多项式系数表示法一个\(n\)次\(n+1\)项的多项式\(f(x)\)可以表示为\(f(x)=\sum\limits_{i=0}^{n}a_ix^i\)。也可以用每一项的系数表示\(f(x)\),即\(f......
  • 复习笔记
    1.对变量延迟初始化延迟初始化使用的是lateinit关键字,它可以告诉Kotlin编译器,我会在晚些时候对这个变量进行初始化,这样就不用在一开始的时候将它赋值为null。当你对一个全局变量使用了lateinit关键字时,请一定要确保它在被任何地方调用之前已经完成了初始化工作,否则Kotlin将无法......
  • JAVA_WEB复习之请求响应
    简单参数请求:原始的方法,我们需要通过servlet中提供的api,HttpServletRequest(请求对象),获取请求的相关信息。比如获取请求参数:当tomcat接收到请求时,它会把请求的信息封装httpservletrequest到对象中。而在Springboot的环境,原始的API进行了封装,接收参数的形式更加简单。如果是简单......
  • 构造照亮世界——快速沃尔什变换 (FWT)
    博客园我的博客快速沃尔什变换解决的卷积问题快速沃尔什变换(FWT)是解决这样一类卷积问题:\[c_i=\sum_{i=j\odotk}a_jb_k\]其中,\(\odot\)是位运算的一种。举个例子,给定数列\(a,b\),求:\[c_i=\sum_{j\oplusk=i}a_jb_k\]FWT的思想看到FWT的名字,我们可以联想到之前学过......
  • 学习笔记:FFT与拉格朗日插值
    多项式的表示形式系数表示与点值表示假设\(f(x)\)是一个\(n\)次多项式,则\(f(x)\)的系数表示为\(f(x)=a_nx^n+a_{n-1}x^{n-1}+\cdots+a_0\)\(f(x)\)的点值表示为\((x_0,f(x_0)),\(x_1,f(x_1)),\dots,(x_n,f(x_n))\),其中\(\foralli\neqj,\x_i......
  • [多项式] FFT小计
    引入给出两个多项式\(A,B\),计算它们相乘的结果。我们能轻易写出code:for(inti=0;i<=n;i++) for(intj=0;j<=n;j++) C[i+j]+=A[i]*B[j];然后超时了。FFT是一种将多项式乘法优化成\(O(n\logn)\)的神仙算法。分析上面的式子没有任何优化空间。什么意思呢?就是怎......
  • 第一阶段复习
    目录最短路部分最小环传递闭包Dij证明反图负环最短路计数次短路分层图的几个典例最短路结合二分最短路部分最小环一些细节:枚举最小环是依据还没有更新经过k的最短路,所以要写在更新经过k的最短路之前。要判断是否存在路径。ijk三指针需要i与k、j与k相连。传递闭包f[i][j]|=f......
  • pde复习笔记 第一章 波动方程 第六节 能量不等式、波动方程解的唯一性和稳定性
    能量不等式这一部分需要知道的是能量的表达式\[E(t)=\int_{0}^{l}u_{t}^{2}+a^{2}u_{x}^{2}dx\]一般而言题目常见的问法是证明能量是减少的,也就是我们需要证明\[\dfrac{d}{dt}E(t)\le0\]在计算\(\dfrac{d}{dt}E(t)\le0\)的时候一定会用的题目给的方程条件去凑微分,还会......