FFT —— 快速傅里叶变换
问题:
已知A[], B[], 求C[],使:

定义C是A,B的卷积,例如多项式乘法等。
朴素做法是按照定义枚举i和j,但这样时间复杂度是O(n2).
能不能使时间复杂度降下来呢?
点值表示法:
我们把A,B,C看作表达式。
即:
A(x)=a0 + a1* x + a2 * x2 +...
将A={(x1,A(x1)), (x2,A(x2)), (x3,A(x3))...}叫做A的点值表示法。
那么使用点值表示法做多项式乘法就很简单了:对应项相乘。
那么,如何将A和B转换成点值表示法,再将C转化回系数表示法(即最初的表示方法)呢?
如果任取n个点,按照定义计算,那么还是O(n2)的。
这样就要用到快速傅里叶变换。
快速傅里叶变换:
既然任取n个点,按照定义计算太慢,就要找一些特殊点。
我们用n个n次单位复数根(1的n次方根,涉及到复数,1的方根不止1和-1)来计算:
1的n次方根是
,其中i是虚数单位。
我们定义wn = e^(2∏i)是主n次单位根,那么所有n次单位复数根都是它的次方。
我们要求出A(wnk),就要采用分治思想。
我们将奇偶系数分离(先假设n为偶数),即定义
A1(x)=a0 + a2* x + a4 * x2 +...
A2(x)=a1 + a3* x + a5 * x2 +...
那么A(x)=A1(x2) + xA2(x2)。
要计算A(wnk)=A1((wnk)2) + wnkA2((wnk)2),
就要用到(wnk)2 = wn/2k mod (n / 2)(证略)。
所以A(wnk)=A1(wn/2k mod (n / 2)) + wnkA2(wn/2k mod (n / 2))
我们发现A1,A2都是n/2项的,且只需要算wn/2k的值,那么这就和开始的问题一样了,可以分治。
边界也很容易:n=1的时候A1本身就是值。
合并解。
A(wnk)=A1(wn/2k mod (n / 2)) + wnkA2(wn/2k mod (n / 2))
那么可以A(wnk)和A(wnk+n/2)一起算(0<=k<n/2):
设u = A1(wn/2k), t = wnkA2(wn/2k),
那么A(wnk) = u + t
A(wnk+n/2) = A1(wn/2k) + wnk + n/2 A2(wn/2k)
= A1(wn/2k) + wnk wnn/2 A2(wn/2k)
= A1(wn/2k) - wnk A2(wn/2k)
= u - t
所以这样就能算出A的点值表示法。
一个问题:分治要求n是2的幂,不是怎么办? 补0, 直到是2的幂。
剩下的问题:如何把C转化回系数表示法。
快速傅里叶逆变换:
我们把C做一遍快速傅立叶变换,只是求的是wnn, wnn-1, ..., wn1的值而不是wn0, wn1, ..., wnn-1的值,最后每一项除以n即可。
证略。
void Rader(complex y[],int len)
{
int i,j,k;
, j = len/;i < len-;i++)
{
if(i < j)swap(y[i],y[j]);
k = len/;
while( j >= k)
{
j -= k;
k /= ;
}
if(j < k)j += k;
}
}
void FFT(complex y[],int len,int on) //on = 1 快速傅里叶变换, on = -1 快速傅里叶逆变换
{
Rader(y,len);
;h <= len;h <<= )
{
complex wn(cos(-on**PI/h),sin(-on**PI/h)); //e^ki = cosk + isink
;j < len;j += h)
{
complex w(,);
;k++)
{
complex u = y[k];
complex t = w*y[k+h/];
y[k] = u+t;
y[k+h/] = u-t;
w = w*wn;
}
}
}
)
;i < len;i++)
y[i].r /= len;
}
39 //复数实现略
FFT —— 快速傅里叶变换的更多相关文章
- FFT 快速傅里叶变换 学习笔记
FFT 快速傅里叶变换 前言 lmc,ikka,attack等众多大佬都没教会的我终于要自己填坑了. 又是机房里最后一个学fft的人 早背过圆周率50位填坑了 用处 多项式乘法 卷积 \(g(x)=a ...
- CQOI2018 九连环 打表找规律 fft快速傅里叶变换
题面: CQOI2018九连环 分析: 个人认为这道题没有什么价值,纯粹是为了考算法而考算法. 对于小数据我们可以直接爆搜打表,打表出来我们可以观察规律. f[1~10]: 1 2 5 10 21 4 ...
- 「学习笔记」FFT 快速傅里叶变换
目录 「学习笔记」FFT 快速傅里叶变换 啥是 FFT 呀?它可以干什么? 必备芝士 点值表示 复数 傅立叶正变换 傅里叶逆变换 FFT 的代码实现 还会有的 NTT 和三模数 NTT... 「学习笔 ...
- [C++] 频谱图中 FFT快速傅里叶变换C++实现
在项目中,需要画波形频谱图,因此进行查找,不是很懂相关知识,下列代码主要是针对这篇文章. http://blog.csdn.net/xcgspring/article/details/4749075 ...
- matlab中fft快速傅里叶变换
视频来源:https://www.bilibili.com/video/av51932171?t=628. 博文来源:https://ww2.mathworks.cn/help/matlab/ref/ ...
- FFT快速傅里叶变换算法
1.FFT算法概要: FFT(Fast Fourier Transformation)是离散傅氏变换(DFT)的快速算法.即为快速傅氏变换.它是根据离散傅氏变换的奇.偶.虚.实等特性,对离散傅立叶变换 ...
- FFT快速傅里叶变换
FFT太玄幻了,不过我要先膜拜HQM,实在太强了 1.多项式 1)多项式的定义 在数学中,由若干个单项式相加组成的代数式叫做多项式.多项式中的每个单项式叫做多项式的项,这些单项式中的最高项次数,就是这 ...
- [学习笔记]FFT——快速傅里叶变换
大力推荐博客: 傅里叶变换(FFT)学习笔记 一.多项式乘法: 我们要明白的是: FFT利用分治,处理多项式乘法,达到O(nlogn)的复杂度.(虽然常数大) FFT=DFT+IDFT DFT: 本质 ...
- FFT(快速傅里叶变换)
学习了FFT用来求多项式的乘法,看了算导上的介绍,上面讲的非常明白,概括一下FFT的原理就是,我们在计算多项式的乘法时,如果暴力模拟的话是n^2 复杂度的,就像小学学的竖式乘法一样,比如一个n位数乘上 ...
随机推荐
- 【Java基础】Java中的代码块
什么是代码块 在Java中,用{}括起来的代码称之为代码块. 代码块分类 局部代码块:在局部变量位置且用{}括起来的代码,用于限制局部变量的生命周期. 构造代码块:在类中的成员变量位置并用{}括起来的 ...
- 使用ndk standalone工具链来编译某个平台下的库
地址: http://www.kandroid.org/ndk/docs/STANDALONE-TOOLCHAIN.html It is now possible to use the toolcha ...
- [网络]关于公网IP的一些事
家里的每一个路由器配置里,都有一个公网Ip,即下图中的IP地址
- 读FCL源码系列之List<T>---让你知其所以然---内含疑问求大神指点
序言 在.NET开发中,List<T>是我们经常用到的类型.前段时间看到其他部门小伙伴讨论“两个List(10W个元素)集合求并集,list1.Where(p=>list2.Cont ...
- RichTextBox返回值标记不同颜色
在Button按钮下,将脚本的执行结果返回到richtextbox中: 如果返回值包含“failed",则该行标记为红色 .\Scripts\升级_ERP.ps1 | % { If ($_. ...
- Join-Path(拼接路径)
$a="d:" $a="d:\ab" $b="abcd" $c="m.txt" @($a,$b,$c) -join '\ ...
- DDD的好文章
http://www.jdon.com/44815 //cqrs 架构 http://www.jdon.com/tags/272 解道领域驱动专题
- QTP下载链接
QTP下载链接 QTP官网下载:http://www8.hp.com/us/en/software-solutions/software.html?compURI=1172957#.UNMOQ2_FW ...
- [Node.js] Creating JWTs (JSON Web Tokens) in Node
In this lesson we will look at all of the pieces that combine together to create a JWT (j AWT) or JS ...
- 使用ThinkPHP框架高速开发站点(多图)
使用ThinkPHP框架高速搭建站点 这一周一直忙于做实验室的站点,基本功能算是完毕了.比較有收获的是大概了解了ThinkPHP框架.写一些东西留作纪念吧.假设对于相同是Web方面新手的你有一丝丝帮助 ...